花費數千元寄出唾液，幾週後收到一份標註罹患各類疾病風險的基因檢測報告。然而許多人讀完反而更加困惑：我未來到底會不會生病？為什麼連最核心的基因都檢測了，答案依然模糊？

問題在於人體遠比想像複雜。國家衛生研究院神經及精神醫學研究中心林彥鋒主治醫師指出，絕大多數常見的慢性疾病很少由單一基因決定，除了有多重基因的複雜影響，更包含了基因和飲食、作息、壓力等各種環境因素彼此動態交錯的結果。

掌握基因序列僅是標示先天特質的微縮地圖，然而現有的知識仍無法窮究基因的複雜作用與影響；而現實中的生命旅程，還取決於個體在後天環境中的種種抉擇與際遇。正因多維度因素交織出龐大的變數矩陣，過去單一的靜態模型已無法解釋。科學家必須仰賴大型生醫資料庫，並導入AI機器學習與高速運算技術，試圖從數據混沌中尋找隱藏的關聯，真正理解疾病風險與個體差異。

大眾對遺傳學的直覺，多停留在中學時期的生物課：孟德爾透過豌豆實驗，以單一基因的顯性或隱性遺傳推算下一代特徵。然而，這種一個基因決定一個疾病的情況在醫學界其實是少數，且多半屬於罕見疾病，像是亨丁頓舞蹈症或地中海型貧血。

真正影響多數人健康的慢性病與精神疾病，運作機制完全不同。無論是糖尿病、高血壓、心血管疾病，或是憂鬱症與思覺失調症，背後都沒有單一的決定性開關，而是由成千上萬、甚至數十萬個基因變異共同作用。每一個變因的影響力都極其微小，當所有微效變異疊加起來，才會將個體推向發病邊緣，醫學上稱為「多基因遺傳疾病」。

更讓科學界困惑的是，即使是遺傳度極高（指疾病在人群中的發生差異有多大程度可由遺傳因素解釋，而非遺傳給下一代的機率）的疾病，至今也無法在基因體上找齊密碼。以思覺失調症與躁鬱症為例，國際最大的精神疾病遺傳研究聯盟蒐集全球數百萬件個案的基因體資料後，找到的數百個相關基因加總起來，卻只能解釋臨床上不到1％的病因，這代表目前的資料量仍遠遠不足以探索出所有和這些疾病相關的遺傳變異。早年流行的「候選基因」研究，在近年導入大數據驗證後，幾乎都被證實只是小樣本研究下的偽陽性結果，坊間宣稱只需檢測幾個基因就能精準預測疾病風險的產品，其實大多不具有科學上的意義。

即便將個體的基因完整定序，依然無法全盤掌握健康走向。林彥鋒主治醫師形容，基因序列就像靜態的劇本，但人體在現實中上演的卻是一齣動態的戲。同樣的DNA序列，在肝臟與神經細胞裡被讀出的內容截然不同；即便是同一個人，在20歲或50歲、作息規律或是剛熬夜完，基因表現形式都在持續改變。

讓生命劇本改變「讀法」的關鍵往往來自環境，這屬於表觀遺傳學（Epigenetics）的範疇。臨床研究最常使用的指標是DNA甲基化，當DNA的某個位置被加上甲基團時，對應的基因表現就會被壓制下來。他說明：「這就像在劇本上用螢光筆畫重點、貼便利貼，文字一個字都沒改，但有些台詞被大聲朗讀，有些段落則被直接跳過，最終演出的效果便完全不同。」

當靜態的基因密碼乘上動態的環境因素，整體運算難度會呈爆炸性成長。影響疾病的基因位點可能高達數百萬個，若再配上睡眠、精神壓力、空氣汙染、社經處境等數百種環境因子，兩兩交互運算後的排列組合將是天文數字。

這正是科學界目前面臨的挑戰：要從海量組合中偵測真實卻微弱的交互作用，所需樣本數極其龐大；環境難以精準測量，壓力或飲食多靠問卷的主觀回顧，誤差會在運算中被不斷放大；再來是基因與環境的非線性關係在實務上依然未知，無法單純以相加或相乘來界定。

為了在海量組合中突圍，科學家發展出新的運算戰術。例如先以全基因體關聯分析（GWAS）篩出強訊號位點，或將數百萬個位點濃縮成單一的「多基因風險分數」（PRS）以簡化運算。一項憂鬱症臨床研究便發現，在「嚴重童年逆境」組中，個體的多基因風險分數與實際發病率呈高度正相關，統計斜率極其陡峭；但在童年環境安穩組中，這條關聯線幾乎是平坦的。換言之，環境往往是誘發先天特質的關鍵引信。

除了環境，多基因疾病研究中還隱藏著長期被忽略的族群偏差。全球大型的基因體研究長期以白人為核心樣本，人類對基因與疾病的理解，很大一部分建立在白人的生理數據上。若將其疾病風險模型直接套用到臺灣人身上，預測的準確度可能明顯下降，因為基因變異頻率與飲食文化等環境因素存在巨大的族群差異。

這正是本土數據無可取代的原因。最鮮明的案例是喝酒容易臉紅的ALDH2基因，臺灣人帶有此變異的比例在世界數一數二，這會導致酒精代謝產生的乙醛無法被快速分解，造成一喝酒就容易臉紅、心悸，甚至大幅提高食道癌與肝癌風險，但在白人身上卻幾乎看不到。另一個例子則是某些抗癲癇藥物，若帶有HLA-B*1502基因變異者服用，可能引發致命的嚴重皮膚過敏；該變異在東亞族群約有5％的帶原率，在白人族群中卻低於0.1％。當臺灣研究團隊發現此因果關係後，健保便規定用藥前必須先進行基因檢測。這些因族群而異的生理特徵，正是臺灣人體生物資料庫等本土基因資料存在的理由。

面對動輒數百萬個基因位點與環境因子的排列組合，傳統統計顯得力不從心。過去為了計算，必須假設每個基因各自貢獻、互不干擾且可以相加，但真實生物學卻充滿非線性與交互作用。AI與機器學習最大的幫助，就是能在高維度、多雜訊的海量資料中精準抓出複雜關係，將基因、甲基化、臨床症狀與醫學影像整合成更全面的預測模型。

不過林彥鋒主治醫師特別提醒兩大前提。其一，資料就是天花板，手上的數據決定了預測結果的上限，運算方法再好也只是讓人更接近天花板；其二，最強大的AI模型往往是難以窺探內部的黑盒子，因此在運算前期仍須高度仰賴專業知識去蕪存菁，先濾除明顯錯誤的雜訊，再交給電腦發揮算力。

不過林彥鋒主治醫師特別提醒兩大前提。其一，資料就是天花板，手上的數據決定了預測結果的上限，運算方法再好也只是讓人更接近天花板；其二，最強大的AI模型往往是難以窺探內部的黑盒子，因此在運算前期仍須高度仰賴專業知識去蕪存菁，先濾除明顯錯誤的雜訊，再交給電腦發揮算力。

那麼，多基因風險分數究竟準不準？林彥鋒主治醫師坦言，目前多基因風險分數還不能拿來當作診斷工具，它的價值在於釐清不同疾病間的遺傳關聯，並辨認高風險族群。例如用在心血管疾病上便非常合適，分數偏高的人能提早調整飲食與運動；用在精神疾病上則須格外謹慎，若太早貼上高風險標籤，反而可能在心理與社會層面造成隱形傷害。

他希望大眾能避開兩種極端解讀：「基因宿命論」誤以為帶了壞基因人生就此注定；「基因萬能論」則以為解開基因就能完美解釋一切。基因就像是一張地圖，但人在土地上生活，後天的環境、行為甚至運氣，都留有極大的改寫空間；建立健康的生活型態是已知絕對有益的事，這件事任何人都能做。

至於科學的下一步，路徑也很清楚：持續累積本土數據、精進分析方法，並積極發展「可解釋的AI」。醫師不可能僅憑一個看不懂的數字，就決定給病人什麼藥。唯有讓模型說得出究竟是哪些基因與生理特徵將個體推向高風險，把預測力與科學的可解釋性緊密結合，這些複雜的雲端運算才可能真正走進診間。

知道基因確實還不夠。人體之所以難懂，正是因為基因、環境與生活在每個人身上不停交錯，產生近乎無窮的動態組合。但難懂絕不等於無解。當生醫資料庫愈來愈完整、運算愈來愈聰明，科學家也願意承認自己對身體的理解仍有不足時，我們對疾病與人體差異的認知就會逐漸往前。在那之前，與其焦慮地追問檢測報告上的風險數字，不如先打好手上這副生命賜予的牌，畢竟那張地圖要怎麼走，很大一部分仍掌握在自己手裡。