💡 導讀：兩張看似相同的圖片，怎麼找出那 1% 的微小差異？

如果你玩過「大家來找碴（Spot the Difference）」遊戲，你一定知道：如果單獨看其中一張圖片，很難看出哪個細節被偷偷改動了。但只要把「原本的照片（原圖）」和「修改後的照片（改圖）」疊在一起比對相減，被動過手腳的地方就會瞬間亮起來！

在基因科學的世界裡，要評估一個 DNA 字母突變（A、T、C、G）到底會不會讓人致病，AI 採用的就是這種「找不同」的差分數學邏輯，稱為 突變效應預測（Variant Effect Prediction, VEP）。

今天，我們就來揭開 VEP 的數學本質，並看看 AI 如何像「找不同」遊戲一樣精準抓出致病訊號？透過「序列平移增強（Shift Augmentation）」技術消除邊界誤差，實現極致純淨的基因訊號捕捉！

一、 尋找變異的「淨影響」：Reference (野生型) vs. Alternative (突變型)

要評估一個單鹼基突變是否有害，單看突變後的預測數值是沒有意義的。這就像是看足球比賽：如果只看「進球數」而不看「失球數」，就無法算出真正的「淨勝球」。

AlphaGenome 進行突變效應預測（VEP）時採用了完全相同的差分邏輯。面對人類參考基因組（hg38）中約 90 億種單鹼基變異（SNVs）與超過 1 億種插入缺失（Indels），AI 模型在後台對長達 1 Megabase（100 萬鹼基）的序列會執行兩次預測：

1. Reference（野生型基準 Ref）：輸入未突變的原始 DNA 序列，計算出正常狀態下的分子活動矩陣（如 RNA 產量、剪接位點、染色質開放度等）。
2. Alternative（突變型序列 Alt）：將該位置的字母替換（例如 A 換成 G），重新計算一次高維分子矩陣。

核心公式：Delta Score = Alt - Ref

系統最後會將這兩個矩陣進行相減，得出一個 Delta Score（信號變化量）。
這個「淨差值」剔除了個體背景的基因雜訊，精準量化了這個突變到底讓 RNA 剪接增加了多少，或者讓染色質開放度下降了幾成。

二、 克服邊界偽影：Shift Augmentation (序列平移增強技術)

當卷積神經網路（CNN）處理高達 100 萬鹼基（1 Mb）的長序列時，遇到了一個令人頭痛的數學問題：邊界誤差（Boundary Artifacts）與座標錯位。

為什麼會有邊界誤差？

當 AI 使用滑動窗口掃描序列時，如果某個基因突變（特別是改變序列長度的插入或缺失 Indels）剛好落在窗口的最邊緣，CNN 在提取特徵時就會因為視角被裁切或記憶域錯位，產生數學上的「邊界邊緣鋸齒與數值失真」。

• 修圖軟體比喻：這就像你在 Affinity Photo 裡進行圖層去背或剪裁照片，如果主角剛好緊貼著照片的最右邊邊框，去背工具就很容易產生鋸齒狀的偽影或硬邊。
• AI 的解決方案（Shift Augmentation）：AI 模型採用了「位置偏移增強（Shift Augmentation）」策略。模型會執行多次平移，將序列向左或向右微調幾個鹼基，並在內部激活層進行拼接（Stitching）與結果平均，藉此抹平邊界誤差，大幅提升預測的平滑度與真實性！

💻 三、 實作：組織特異性過濾】像「混音師」一樣過濾器官軌跡 (filter_tissue_tracks.py)

AlphaGenome 能同時預測數千條跨器官的分子波形。但正如我們在六週大癲癇嬰兒案例中學到的：有些致病變異（如隱藏剪接）只在大腦神經元裡發作，血液裡完全測不到。

今天我們撰寫一個「軌跡篩選器」，根據你在 config.py 設定的 TARGET_TISSUE（如 brain、heart、mammary_gland），將無關器官的數據全部「靜音」！

💻 程式碼：filter_tissue_tracks.py

# filter_tissue_tracks.py - 組織特異性軌跡過濾器
import config
from hello_alphagenome import fetch_variant_raw_response

def filter_tracks_by_tissue(raw_response, target_tissue, target_assay="splicing"):
    """
    從 API 回傳的 tracks 陣列中，精準過濾出指定器官與模態的波形數據
    """
    tracks = raw_response.get("tracks", [])
    print(f"📡 API 共回傳 {len(tracks)} 條跨器官軌跡，正在篩選 [{target_tissue} - {target_assay}]...")

    matched_tracks = []
    for t in tracks:
        # 比對器官名稱與實驗模態 (如 splicing, DNase, ATAC)
        tissue_match = target_tissue.lower() in t.get("tissue", "").lower()
        assay_match = target_assay.lower() in t.get("assay_type", "").lower()

        if tissue_match and assay_match:
            matched_tracks.append(t)

    # 如果找不到實際軌跡，提供新手模擬軌跡 (Mock Track Data)
    if not matched_tracks:
        print(f"💡 [Mock 模式] 生成 [{target_tissue}] 組織的 100 bp 模擬波形數據...")
        import numpy as np
        # 模擬野生型 (Ref) 正常生理狀態趨近於 0.02
        ref_sim = np.full(100, 0.02).tolist()
        alt_sim = np.full(100, 0.02).tolist()
        alt_sim = 0.87  # 模擬在相對第 50 個位置觸發突變波峰！

        matched_tracks.append({
            "tissue": target_tissue,
            "assay_type": target_assay,
            "ref_signal": ref_sim,
            "alt_signal": alt_sim
        })

    return matched_tracks

if __name__ == "__main__":
    raw = fetch_variant_raw_response(config.TEST_VARIANT)
    brain_splicing = filter_tracks_by_tissue(raw, config.TARGET_TISSUE, "splicing")
    print(f"\n✅ 成功抓取 {len(brain_splicing)} 條特異性軌跡！")

後續探討這套涵蓋 90 億突變的 1 PB 巨量資料庫，在工程上是如何被壓縮、索引，並部署成全球科研社群都能秒速查詢的公共基礎設施！