NGS on 林協霆醫師

ngs-tertiary-analysis-skills：從 BAM 到 ESMO 2024 臨床報告的 R 語言三級分析管線

Sat, 09 May 2026 00:00:00 +0000

# Introduction（引言）

次世代定序（NGS）已成為腫瘤學臨床決策的核心工具，但「次級」與「三級」分析之間的鴻溝仍是落地阻礙。次級分析輸出的是變異列表，而三級分析必須將每個變異映射到臨床可行性、藥物選擇與證據等級，並輸出符合 ESMO Scale for Clinical Actionability of molecular Targets（ESCAT）等臨床指引的書面報告。多數商用平台費用昂貴或不透明，本專案以 R 語言實作可重現的開源管線，作為臨床醫師與研究者學習與驗證的教材。

# Methods（方法）

管線從 BAM 檔起始，經由變異呼叫、註解與過濾，產出可信變異集合。在三級分析階段，系統以 OncoKB 進行致病性與可行藥物的對照、查詢 PubMed 與 Scopus 進行文獻證據蒐集，並依 ESMO ESCAT 框架（Tier I 至 Tier X）為每個變異賦予證據等級。R 套件生態提供豐富的生物資訊工具與報表能力（Quarto／R Markdown），使整份臨床報告可在單一管線內以可重現方式產出。

設計著重於：模組化（每個步驟可獨立替換）、可審計（所有外部資料庫查詢皆紀錄版本與日期）、以及符合 ESMO 2024 報告的結構化輸出。此架構可作為單一機構建置自有 NGS 報告平台的範本。

# Results（結果）

管線可將原始 BAM 檔在合理時間內轉化為包含臨床建議、文獻證據與 ESCAT 分級的完整報告。R 為主的實作降低了腫瘤科醫師參與的門檻，並能與既有統計分析環境無縫整合。整體流程可重現性高，每次執行皆能標註所引用之資料庫快照版本，以滿足臨床稽核要求。

# Discussion（討論）

本專案展示開源工具鏈在臨床基因體學的潛力，特別適合資源有限的醫學中心建構自有報告系統。其價值在於透明化：每一個臨床建議的來源皆可被追溯。限制方面，R 在大規模 BAM 處理上的效能仍不及 C/Python 實作，且 OncoKB 與 ESCAT 的更新節奏需要持續追蹤。未來可擴充為涵蓋藥物代謝基因（PGx）與免疫治療生物標記的整合報告，並結合 LLM 進行臨床敘事化摘要。

# 連結

GitHub：htlin222/ngs-tertiary-analysis-skills
主要語言：R
最後更新：2026-05-09

ngs-tertiary-analysis-paper：以 Agentic AI 對照 AMP/ASCO/CAP 規則式分類的 NGS 證據調和方法論

Sat, 25 Apr 2026 00:00:00 +0000

# Introduction（引言）

癌症次世代定序的變異臨床意義評估目前主要依循 AMP／ASCO／CAP 共識指引：將變異依證據強度分為 Tier I 至 Tier IV，提供臨床決策依據。然而此規則式分類仰賴專家逐筆比對文獻、藥物資料庫與功能研究，工作量極高且易因資料庫更新而落後。隨著大型語言模型展現出整合多源文本的能力，是否能以 Agentic AI 動態調和臨床證據成為值得驗證的方法論問題。本專案即為相關投稿手稿之研究與寫作倉庫。

# Methods（方法）

本研究採用 Agentic AI 架構：每筆變異由協調 Agent 接收後，分派給多個專門 Agent 分別查詢文獻、藥物適應症、功能研究與臨床指引，最終由仲裁 Agent 彙整證據並輸出建議分類。系統以 R 語言撰寫主要分析管線，呼叫 LLM API 並嚴格紀錄每一步證據來源。基準對照為人工依 AMP／ASCO/CAP 指引產出的 Tier 分類，使用一組標註過的癌症 NGS 變異資料集進行比較。

評估指標包含一致率、敏感度／特異度與分類差異的根因分析；同時記錄 Agentic 流程的 token 用量、執行時間與失敗模式，作為實務部署的參考。

# Results（結果）

初步結果顯示 Agentic AI 在多數高證據變異上能達到與人工相當的一致率，但於罕見變異與證據邊界情境下出現分類飄移。仔細分析顯示，誤分類常源於文獻檢索 Agent 對近期摘要的解讀不夠精確，提示後續可加入人類在環（human-in-the-loop）審核。

# Discussion（討論）

本研究展示 Agentic AI 在臨床基因體學的實質潛力：不只是文字生成，更能負擔結構化證據蒐集任務。其貢獻在於提供可重複的方法論模板與基準測試流程，而非主張取代人工。限制方面，研究使用單一資料庫快照與單一 LLM 家族，泛化能力需更多驗證。未來方向包括：跨模型比較、多機構資料集驗證，以及將 Agentic 評估嵌入既有臨床報告平台的接口設計。

# 連結

GitHub：htlin222/ngs-tertiary-analysis-paper
主要語言：R
最後更新：2026-04-25

FoundationOne-to-Oncoprinter：將 FoundationOne 報告轉為 cBioPortal OncoPrinter 格式

Sat, 28 Mar 2026 00:00:00 +0000

# Introduction（引言）

FoundationOne 是腫瘤學常用的商用 NGS 報告平台，但其輸出格式與研究界常用的 cBioPortal OncoPrinter 不一致。臨床研究者若想以 OncoPrinter 視覺化一群病人的突變地景（mutation landscape），需手動整理資料並對齊欄位，極耗時。本專案提供一個自動化轉換工具，將 FoundationOne 報告（PDF 或結構化資料）轉為 OncoPrinter 接受的格式，包含突變、複製數變異（CNV）與融合三大類型。

# Methods（方法）

工具以 Python 撰寫，輸入支援多種 FoundationOne 報告格式（PDF 經 OCR 萃取、官方 API、結構化匯出）。轉換階段依 OncoPrinter 規範產出三類事件：突變以基因符號加變異形式呈現、CNV 標示為 AMP／DEL、融合則為兩基因符號連接。輸出採 tab-separated values（TSV）格式，可直接貼入 cBioPortal OncoPrinter 線上工具或本地版本。

設計重點為「忠於原資料」：每個事件可追溯至原始報告中之頁碼或欄位，避免轉換過程造成資訊扭曲。對於模糊事件（如 VUS 變異），工具提供標記而非自動排除，由研究者依研究目的決定是否納入。

# Results（結果）

轉換工具讓臨床研究者得以在數分鐘內將數十份 FoundationOne 報告整理為 OncoPrinter 視覺化所需格式，省去原本以 Excel 手動整理數小時的負擔。對於進行回顧性分子流行病學研究的團隊，這顯著加速了從報告到圖表的流程。

# Discussion（討論）

本專案展現了「臨床基因體學工具鏈中介層」的價值：解決商用報告與開源生態之間的格式落差，雖技術簡單但實用性極高。限制方面，OCR 解析的準確性仍受 PDF 品質影響；FoundationOne 報告版本變動可能導致欄位對應失敗。未來可擴展支援其他 NGS 商用報告（如 Caris、Tempus），並接入 OncoKB 進行可治療性註解。

# 連結

GitHub：htlin222/FoundationOne-to-Oncoprinter
主要語言：Python
最後更新：2026-03-28