:::參加2026第16屆生物科學、生物化學與生物資訊會議 (ICBBB 2026)
參加2026第16屆生物科學、生物化學與生物資訊會議 (ICBBB 2026) 出國報告
| 資料項目 | 檔案大小 | 檔案格式 | 更新時間 | 操作 |
|---|---|---|---|---|
| 提要表.pdf | 295.94 KB | 2026-02-12 18:24:36 |
| 主題分類 | 教育 | ||||||||
|---|---|---|---|---|---|---|---|---|---|
| 數位發展部服務分類 | 求學及進修 | ||||||||
| 資料集研究(主辦)機關 | 教育局 臺北市大 | ||||||||
| 出國類型 | 其他 | ||||||||
| 出國期間 | 2026-01-15 至 2026-01-24 | ||||||||
| 前往地區 | 日本 | ||||||||
| 考察單位 | 臺北市立大學 | ||||||||
| 出國人員 |
| ||||||||
| 計畫名稱 | 參加2026第16屆生物科學、生物化學與生物資訊會議 (ICBBB 2026) | ||||||||
| 內容摘要 | 內容摘要：（300至500字） 一、計畫緣起 胜肽藥物具備高選擇性、低成本與低副作用等優勢，然而其臨床應用的一大挑戰在於部分胜肽具有溶血毒性 (Hemolysis)，會縮短紅血球壽命。為了加速胜肽藥物的開發，建立高效的計算模型以識別溶血胜肽至關重要。本人此次參加於日本神戶舉行的 ICBBB 2026 會議，發表學術論文「以適性化特徵工程提升溶血毒性胜肽預測」 "Improving Hemolytic Peptide Prediction with Adaptive Feature Engineering"。該研究透過Adaptive Feature Engineering優化特徵子集，在獨立測試集上的表現較現有方法提升了 1.9% 至 13.3%，希望能藉此國際平台與全球專家交流 AI 在蛋白質科學的最新應用。 二、過程 1/15 晚間抵達日本 1/16 會議 本次會議於 2026 年 1 月 16 日至 19 日在神戶大學整合研究中心 (Integrated Research Center)舉行。會議期間，本人參與了多場關鍵演講與分組討論，重點關注人工智慧與蛋白質技術的結合。 在主旨演講 (Keynote Speech) 方面，首爾大學的 Sun Kim 教授分享了利用深層學習技術解碼生物與醫學中的複雜交互作用，探討了 AI 在藥物研發與轉錄組數據建模的應用。此外，香港城市大學的 Ka-Chun Wong 教授發表了人工智能在組學中的應用：DNA形狀基序與蛋白質多肽「AI in Omics: DNA Shape Motifs and Protein Peptides」，特別介紹了用於胜肽預測的圖神經網路 (Graph Neural Network) 模型 TP-LMMSG，該模型在抗微生物與抗癌胜肽的預測上達到了頂尖水平，與本人的研究方向高度契合。 1/17 會議 在口頭發表場次中，本人特別關注了與溶血性預測相關的研究。例如國立中央大學蔡惠旭教授團隊發表的深度學習引導的抗微生物D-肽的發現 "Deep Learning-Guided Discovery of Antimicrobial D-Peptides" (OS2-9)，該研究利用 D-MPNN 框架結合 AlphaFold2 預測 D-型抗微生物胜肽的穩定性與溶血潛力，準確度超過 85%。 本人則於海報展示場次 (Poster Session 1) 介紹了 HEPAD 預測模型，詳細說明如何透過序列描述符產生近 4000 個特徵，並運用自適應技術精煉出客製化特徵子集（如 250 或 130 個特徵），有效區分溶血胜肽。 1/18 會議 Keynote speech: 首爾國家大學的Sun Kim主講利用深度學習技術解析生物學和醫學中的複雜相互作用(Decoding Complex Interactions in Biology and Medicine with Deep Learning Technologies)，提到幾個深度學習在臨床與生醫相關的應用，例如他們建構的pre-trained 深度學習模型，名 Condition-Specific Gene-Gene Attention (CSG2A, Bioinformatics/ISMB 2024) ，可預測藥物反應，也有其它針對病人情況作預測的深度學習模型。中國南方醫學大學的Liang Wang講人工智能在醫學實驗室中的應用：機遇與挑戰 (Application of Artificial Intelligence in Medical Laboratories: Opportunities and Challenges)，提到許多AI工具在基因體profile以及病理影像上的應用，其中也提到資料如何合理的被AI運用、以及病患隱私問題如何影響AI工具的發展等。 1/19 會議 Closing remark, 學術演講, 閉幕式, 學術參訪，和幾位會場見面認識的學者專家互相道別，交換名片，作日後可能交流訪談之安排與洽詢 1/20 私人行程 1/21 私人行程 1/22 私人行程 1/23 私人行程 1/24 搭機返台 三、心得建議 本次參與 ICBBB 會議獲益匪淺，觀察到 AI 與體學 (Omics) 的結合已成為主流趨勢。特別是大型語言模型 (LLM) 嵌入與結構資訊（如 AlphaFold2）在胜肽預測中的應用，顯著提升了模型的解釋性與準確率。 建議事項： 1. 導入結構資訊： 本人的 HEPAD 模型目前主要基於序列描述符，未來可參考會議中提到的 D-MPNN 或 3D 結構特徵，進一步優化溶血性預測的穩健性。 2. 跨學科協作： 會議強調了臨床數據與計算模型結合的重要性。建議未來研究可加強與生物實驗室的合作，針對 AI 篩選出的胜肽進行體外實驗驗證，以縮短藥物研發週期。 3. 參與專業學會： ICBBB 由生物與生物資訊學會 (BBS) 共同主辦，透過此類國際論壇建立專業聯繫，對於掌握前沿科技極具價值。 四、照片或附錄資料 |