💡 導讀：當 AI 能讀懂更多生命密碼，誰來守護我們的秘密？

《蜘蛛人》裡有句話：「 能力越大，責任越大（With great power comes great responsibility）。」

假設未來某天，一份基因檢測加上 AI 分析，就能提示你在某些疾病上可能面臨較高的風險。這樣的技術也許能幫助我們更早開始研究與預防；但如果報告被未經授權的人看見，成為保險或求職的差別待遇理由，科技的進步也可能帶來新的傷害。

這裡必須先說清楚：現有 AI 無法憑一次檢測就 100% 預知一個人未來 30 年會不會罹患某種疾病。 基因變異的分子效應、疾病風險與最終臨床診斷是不同層次的問題。以本專欄介紹的 AlphaGenome 為例，官方也明確指出模型尚未設計或驗證為直接臨床用途。

密碼外洩還能重設，基因資訊卻和一個人的身分、健康、親屬關係長期相連。今天是 30 天專欄的倒數第二天，我們要談的不是 AI 還能算出多少分數，而是：我們該如何讓人類在享受基因科學進步的同時，仍保有隱私、選擇與被公平對待的權利？

一、基因資料的雙面性：它透露的不只是「我」

1. 基因歧視：預測與命運，不能畫上等號

基因檢測可能揭露某些疾病的風險線索，但「帶有變異」不等於「一定會發病」，也不代表 AI 分數已經完成致病性判定。若雇主或保險業者忽略這個差別，便可能造成歧視。

美國的《基因資訊無歧視法》（GINA）提供部分健康保險及就業領域的保障，但並非涵蓋所有保險種類，例如壽險、長照險與失能保險就有不同法律界線。台灣的《個人資料保護法》也將基因、醫療、病歷等列為受到特別規範的個人資料；實際適用仍應依個案、資料使用目的和當時有效法規判斷。

2. 基因隱私具有家族連結性

DNA 資訊不只和本人有關，也可能透露血親之間的連結。研究已顯示，即使資料先移除了姓名等識別欄位，仍可能在特定情境下和其他資料交叉比對而重新識別個人或親屬。

所以 去掉姓名，不代表資料就完全匿名。尤其罕見變異、特殊疾病表型、年齡、地理資訊等組合，仍可能構成再識別線索。

二、三道防線：不能只靠一行程式

這些防線不是三選一，而是相互補充的技術、組織與法律措施。

三、今天動手做：只在本機執行的合成資料隱私審查 Demo

我們把原本設想的 privacy_preserving_gene_pipeline.py 改造成 可以實際執行、但預設拒絕真實病人資料與外部傳輸的教學範例。

今日練習有四個目標：

1. 明確標示資料是 合成示例（SYNTHETIC），非真實病人資料。
2. 以資料欄位白名單，排除姓名、病歷號、年齡等未被這個示範需要的欄位。
3. 以每次產生的隨機教學 Token，避免直接雜湊姓名或病歷號；這不是正式匿名化證明。
4. 將狀態固定為 MANUAL_REVIEW_REQUIRED 與 external_transfer_allowed=False，不連接 AlphaGenome、Gemini 或其他雲端 API。

請建立檔案 privacy_preserving_gene_pipeline.py，貼上以下完整範例。只使用 Python 3.12+ 標準函式庫。

"""Day 29: local-only SYNTHETIC genome-data review exercise.

No network access, no real-patient processing, no legal compliance claims.
This exercise does NOT anonymize genuine genomic data.
"""
from __future__ import annotations

import json
import re
import secrets
from collections.abc import Mapping
from typing import Any

# 驗證變異格式：
# chr1:100:A:G
# chrX:12345:C:T
#
# 結構：
# 染色體:座標:參考鹼基:替換鹼基
_VARIANT_PATTERN = re.compile(r"^chr(?:[1-9]|1[0-9]|2[0-2]|X|Y|M):[1-9][0-9]*:[ACGT]+:[ACGT]+$")


def prepare_synthetic_local_preview(record: Mapping[str, Any]) -> dict[str, Any]:
    """Prepare minimal *synthetic* teaching fields, with external transfer denied.

    A string or flag in an input record cannot establish true consent, source
    provenance, IRB approval, anonymisation, or legal compliance. This function
    deliberately refuses non-synthetic inputs; it is not a production safeguard.
    """
    # 檢查輸入是否為 dict-like 結構
    if not isinstance(record, Mapping):
        raise TypeError("Expected a mapping")
     # 僅允許標記為 SYNTHETIC 的資料集
    if record.get("dataset_kind") != "SYNTHETIC":
        raise PermissionError("Only explicitly synthetic teaching records are supported")

    # ------------------------------------------------------------------
    # Demo Policy 檢查
    # ------------------------------------------------------------------
    policy = record.get("demo_policy")
    if not isinstance(policy, Mapping):
        raise PermissionError("Missing local education review")
    # 僅允許本地教育用途
    if policy.get("purpose") != "LOCAL_EDUCATION":
        raise PermissionError("Purpose not allowed for this demonstration")
    # 必須明確標註已完成本地審查
    if policy.get("local_demo_reviewed") is not True:
        raise PermissionError("Local demonstration has not been reviewed")
     # 必須禁止外部傳輸
    if policy.get("external_transfer_allowed") is not False:
        raise PermissionError("External transfer must be explicitly prohibited")

    # ------------------------------------------------------------------
    # Variant 格式驗證
    # ------------------------------------------------------------------
    variant = record.get("variant_query")
    # 確認符合標準 teaching 格式
    if not isinstance(variant, str) or not _VARIANT_PATTERN.fullmatch(variant):
        raise ValueError("Invalid teaching variant notation")
    
    # ------------------------------------------------------------------
    # Phenotype 驗證
    # ------------------------------------------------------------------
    phenotype_terms = record.get("phenotype_terms")
    # 允許 1~10 個 phenotype
    if not isinstance(phenotype_terms, list) or not (1 <= len(phenotype_terms) <= 10):
        raise ValueError("Expected 1–10 synthetic phenotype terms")

    # 每個 phenotype 必須： 為字串、 長度 1~80 字元
    if any(not isinstance(p, str) or not (1 <= len(p) <= 80) for p in phenotype_terms):
        raise ValueError("Invalid synthetic phenotype term")

    # ------------------------------------------------------------------
    # 建立 Preview
    # ------------------------------------------------------------------
    # Random token, not deterministic hashing of an identifiable name or ID.
    # No persistent linkage table is created or published by this exercise.
    #使用隨機 Token： 不來自病患姓名、不來自身分證號、不建立對照表，因此不具備重新識別能力
    return {
        "demo_token": "DEMO_" + secrets.token_hex(16),
        "variant_query": variant,
        "phenotype_terms": list(phenotype_terms),
        "data_provenance": "SYNTHETIC_EXAMPLE_ONLY",
        "intended_use": "LOCAL_EDUCATION",
        "external_transfer_allowed": False,
        "anonymization_claim": "NOT_ESTABLISHED",
        "governance_review_status": "MANUAL_REVIEW_REQUIRED",
    }


def demo() -> None:
    # Completely fictional teaching record. No patient database is read.
    #Demo 執行入口，使用完全虛構資料：不連接病患資料庫、不讀取真實電子病歷、不呼叫任何 API
    
    simulated_record = {
        # 指定為 Synthetic 資料
        "dataset_kind": "SYNTHETIC",
        # 以下皆為虛構內容
        "patient_id": "FICTIONAL-001",
        "full_name": "Fictional Example",
        "age": 6,
        # 範例 Variant，僅示意格式，不代表真實致病證據
        "variant_query": "chr1:100:A:G", 
        # 範例 Phenotype
        "phenotype_terms": ["SIMULATED_PHENOTYPE_A", "SIMULATED_PHENOTYPE_B"],
        # 示範政策設定
        "demo_policy": {
            "purpose": "LOCAL_EDUCATION",
            "local_demo_reviewed": True,
            "external_transfer_allowed": False,
        },
    }
    # 建立本地教學預覽
    preview = prepare_synthetic_local_preview(simulated_record)
    print("LOCAL_SYNTHETIC_PREVIEW_ONLY — NO API REQUEST")
    # 美化輸出 JSON
    print(json.dumps(preview, ensure_ascii=False, indent=2))
    print("NOTICE: This is not anonymization certification or lawful-use approval.")

# 直接執行檔案時啟動 demo
if __name__ == "__main__":
    demo()

▶ 執行方式

python3 privacy_preserving_gene_pipeline.py

將會看到 LOCAL_SYNTHETIC_PREVIEW_ONLY — NO API REQUEST，以及像下面這樣的 JSON 欄位（每次隨機 Token 都不同）：

{
  "demo_token": "DEMO_<RANDOM_TOKEN>",
  "variant_query": "chr1:100:A:G",
  "phenotype_terms": ["SIMULATED_PHENOTYPE_A", "SIMULATED_PHENOTYPE_B"],
  "data_provenance": "SYNTHETIC_EXAMPLE_ONLY",
  "intended_use": "LOCAL_EDUCATION",
  "external_transfer_allowed": false,
  "anonymization_claim": "NOT_ESTABLISHED",
  "governance_review_status": "MANUAL_REVIEW_REQUIRED"
}

請特別注意： dataset_kind="SYNTHETIC" 是示範程式用來阻擋其他標記的輸入，不足以證明一份資料在現實中真的沒有病人資訊。demo_policy 也只是教學規則，不能取代正式同意書核實、IRB／研究倫理審查、資安評估或法遵作業。當 variant_query 與 phenotype_terms 換成真實資料時，仍有敏感資料或再識別風險；這支程式 禁止拿去處理真實病人資料，也不允許資料上雲。

✅ 本日 Checklist

• [ ] 本機執行程式成功，沒有使用 API Key。
• [ ] 輸出不包含 patient_id、full_name、age。
• [ ] 看到 external_transfer_allowed: false 與 MANUAL_REVIEW_REQUIRED。
• [ ] 能解釋為什麼「Hash 姓名」不是完整匿名化。

四、未來十年的精準醫療：我期待的不是「AI 取代醫師」

以下是一個 研究發展願景，而不是已經實現的功能或精準預測：

第一步｜模型先學會誠實說不知道。 從「只給一個高低分」進步到「附上組織情境、資料來源、模型版本、缺值與不確定性」。讀者在 Day 28 所看到的 Limitations & Evidence Reporter，正是朝這個方向設計的獨立離線 MVP。

第二步｜跨院研究先做好信任與治理。 在適用法規、倫理審查與資料共享政策下，探索安全運算、聯邦學習與差分隱私，讓研究合作不必以無限制集中病人資料為代價。

第三步｜從分子假說走向可驗證的照護。 真正負責任的精準醫療需要生物實驗、族群驗證、臨床研究、專業審查與病人參與；AI 可以提出值得驗證的假說，但不能跳過這些環節。

五、銜接明天 Day 30：從 29 篇文章到「能重現、能追溯」的專案

這 29 天，我們從 DNA、非編碼調控、模型架構、AVI 與變異效應，一路走到資料管線、分子機制、離線 CLI、證據限制與基因隱私。

明天 Day 30，我想帶大家做最後一件真正重要的事：把每天學到的觀念，和實際可以執行的程式清楚連起來。 我會整理 30 天知識地圖、文章與 GitHub 參考實作對照表，清楚註明哪些已完成離線驗證、哪些仍是教學代理、哪些還需要研究驗證。

因為好的 AI for Science，不是每一題都回答「正確」或「成功」，而是讓別人看得懂 證據從哪裡來、程式做了什麼、還有哪些問題沒有解答。

延伸閱讀與官方資料

1. Google DeepMind｜AlphaGenome: AI for better understanding the genome（研究用途與模型限制）
2. NHGRI｜Privacy in Genomics（基因再識別與資料共享）
3. NHGRI｜Human Subjects Research in Genomics（GINA 的範圍與限制）
4. 台灣個人資料保護法｜第 6 條及相關解釋（以目前有效法規及個案適用為準）
5. NIST｜Privacy Attacks in Federated Learning（為何聯邦學習不是零風險）
6. EDPB｜Anonymisation / Pseudonymisation（匿名化與假名化的差別）
7. ICO｜Pseudonymisation Guidance（單純 Hash 的限制）

聲明：本文程式為合成資料的本機教育示範，非臨床、資安或法遵認證系統，也未連接真實 AlphaGenome API。