鍾仁華博士:生物資訊與遺傳統計學研究室

鍾博士現為國家衛生研究院研究員,專長為生物資訊、遺傳統計學及複雜疾病研究。擁有美國北卡羅來納州立大學博士學位,並在基因分析方法學方面具備豐富研究經驗。

查看著作

照顧別人的人,誰來照顧他們?

每天 10 分鐘線上冥想,幫助照顧者找回喘息的空間。

Chen Y-E, Liu C-C, Chen Y-C, Hsiao Y-P, Lee K-H, Chiou H-Y, Yen C-M, Chung R-H. AIZEN Digital Meditation Intervention for Caregiver Burnout in Taiwan—A Pilot Randomized Trial. Mindfulness 2026;17:1781–1794. DOI: 10.1007/s12671-026-02854-2.

研究重點

🧘 5 週數位正念計畫

每週一次 90 分鐘線上直播課,搭配每天約 10 分鐘的 AIZEN 平台居家練習。專為時間有限的照顧者量身設計。

🎲 嚴謹隨機對照試驗

招募 57 位從未接觸冥想的照顧者(42 位專業、15 位家庭),電腦隨機分配至立即上課組或等候名單組。

📉 專業照顧者倦怠顯著改善

個人倦怠下降約 12.5 分(p=0.011),工作相關倦怠下降約 11.4 分(p=0.015),追蹤期效果持續維持。

🌱 低門檻、可規模化

每天僅需約 10 分鐘即見成效。「短時間+數位化+在地化」正念,是台灣長照體系值得推廣的支持工具。

為最難治的乳癌,找出藏在背後的「推手」基因

Wang C-C, Krishnan S, Wang Y-H, Hsu K-C, Hsu T-S, Chen C-H, Chen S-H, Chung R-H. Identification and functional validation of EPS15L1 as a key driver of triple-negative breast cancer. npj Breast Cancer 2026. DOI: 10.1038/s41523-026-00954-9.

研究重點

🔍 鎖定最棘手的「三陰性乳癌」

三陰性乳癌占乳癌約 15–20%,容易復發與轉移,卻幾乎沒有有效的標靶藥。團隊想為它找出可以「下手」的新目標。

🧬 用電腦從兩萬多個基因揪出頭號嫌疑犯

整合 BCAC、UKB 與 GTEx 資料庫,以 TWAS 分析鎖定 EPS15L1(P = 2.69 × 10⁻⁶)。

本研究首次以多組學計算策略結合細胞功能實驗,確立 EPS15L1 為三陰性乳癌的關鍵驅動基因,為後續標靶藥物開發奠定科學基礎。

破解糖尿病的隱藏密碼

Chung et al. Elucidating the Epigenetic Landscape of Type 2 Diabetes Mellitus : A Multi-Omics Analysis Revealing Novel CpG Sites and Their Association with Cardiometabolic Traits. Diabetes Metab J. 2025. In Press.

我們的研究找到了111個與糖尿病相關的DNA甲基化位點,其中首次發現8個新基因區域。這些發現不僅在西方人群中成立,透過臺灣人體生物資料庫驗證,6個位點在東亞人群中也具有一致性。

特別值得注意的是OASL基因在胰臟α細胞中的異常表現,直接影響血糖調控。這些位點同時與血脂、血壓、BMI等代謝指標相關,揭示了糖尿病與代謝症候群的共通機制,為早期診斷、風險預測與個人化治療提供了跨族群適用的潛在生物標記。

打造糖尿病風險預測新工具

Chen et al. Predictive Models for Type 2 Diabetes Mellitus in Han Chinese with Insights into Cross-Population Applicability and Demographic Specific Risk Factors. Diabetes Metab J. 2025 May 21. doi: 10.4093/dmj.2024.0319.

研究重點

🔍 開發糖尿病風險預測模型

利用臺灣人體生物資料庫,AUC 高達 90.58%

🌟 13 個關鍵因子

血糖、HbA1c、BMI、腰臀比、基因風險分數(PRS)、呼氣流量(PEF)等

🧬 跨族群比較

PRS 在臺灣人影響較大,HbA1c 在歐洲人影響更強

用 AI 找出糖尿病前期的高風險族群

Onthoni et al. Clustering-based risk stratification of prediabetes populations: Insights from the Taiwan and UK Biobanks. 2025. J Diabetes Investig. 2025 Jan;16(1):25-35.

研究重點

🔍 機器學習分群模型(K-means)

在臺灣與英國人體生物資料庫中,將糖尿病前期人群分成高/低風險兩群

📊 高風險群糖尿病發生率更高

臺灣:15.7% vs 7.3%
英國:13.0% vs 9.1%

👨‍🦱 高風險群典型特徵

男性比例高(臺灣 76.6%,英國 52.7%)、BMI、空腹血糖、三酸甘油酯與白血球數較高

用 AI 找出腎衰竭的隱藏亞型

Onthoni et al. Latent space representation of electronic health records for clustering dialysis-associated kidney failure subtypes. Comput Biol Med. 2024 Dec:183:109243.

研究重點

🔍 創新 AI 模型

運用 ConvAE 與 K-means 框架,從近2,000位UK Biobank透析患者電子病歷中,萃取腎衰竭「潛在空間」特徵。

發現兩大亞型

劃分出高風險的「嚴重CKD」群(存活率最低)與合併輕度CKD及嚴重AKI的「混合」群(存活率較高)。

🧪 揭示臨床差異

嚴重CKD群呈現尿素氮、肌酸酐顯著升高;混合群則常伴隨糖尿病、高血壓及心血管疾病等共病。

意義與展望

此研究為腎衰竭患者提供了更精準的風險分層工具,有助於調整個人化透析頻率與治療方式,並深化對急性腎損傷(AKI)與慢性腎臟病(CKD)關聯的理解,進而改善長期預後。

用 AI 找出高負荷家庭照顧者

Chien et al. Using large language model (LLM) to identify high-burden informal caregivers in long-term care. Comput Methods Programs Biomed. 2024 Oct:255:108329.

研究重點

🔍 資料來源多樣

分析 1,791 位臺灣長照家庭照顧者的個案紀錄,包含結構化問卷與文字摘要報告,確保數據的全面性與深度。

🤖 多種模型比較

模型涵蓋傳統的規則式方法、機器學習(LR、RF、SVM)及先進的大型語言模型(RoBERTa),進行全面性比較。

📊 LLM 表現卓越

大型語言模型(LLM)的表現最佳,AUROC 達 0.84,AUPRC 達 0.70,準確度 78%,比傳統方法提升 8–14%。

👀 注意力機制顯著

模型能精準聚焦於「感覺負擔沉重」、「需要喘息服務」、「主要照顧者為子女」等關鍵描述,與專家判斷高度一致。

意義與展望

本研究能精準找出最需要幫助的高負荷照顧者,避免「隱形英雄」因過勞而倒下。同時,透過 LLM 直接分析文字紀錄,大幅減少人工問卷負擔,實現即時評估。

這項成果將協助政府與醫療單位更精準配置長照資源,為家庭照顧者提供及時且個人化的支持,優化整體長照服務體系。

減輕家庭照顧者壓力的新工具

Chien et al. Understanding and alleviating informal caregiver burden through the development and validation of a caregiver strain index-based model in Taiwan. BMC Geriatr. 2024 Jun 26;24(1):558.

研究重點

🔍 開發 CSI-based 模型

改良國際常用的「照顧者壓力量表(CSI)」以適用臺灣長照 2.0 資料

📊 分析 28,000+ 份個案

共找出 126 個顯著風險因子

👨‍👩‍👧 關鍵壓力來源

同時照顧失能家人/幼兒、工作干擾、照顧者健康狀態、被照顧者的認知功能與行為問題