個人化醫學是系統生物學的最終轉化目標——將多體學數據、網路分析和計算模型整合為可行動的臨床決策支持。
Pharmacogenomics 的系統層級
傳統 PGx 聚焦單基因-單藥關係，但藥物反應是多基因特徵：
- Polygenic Pharmacogenomics：GWAS of drug response phenotype → polygenic score 預測個體藥物敏感度。例如 statins 的 myopathy risk 不只由 SLCO1B1 決定，還涉及多個代謝基因。
- Network Pharmacology：藥物通常作用於多個靶點（polypharmacology）。將藥物的靶點集合映射到 PPI → 預測 off-target effects 和 drug-drug interactions。
- Quantitative Systems Pharmacology (QSP)：用 ODE-based 全身生理模型（含 ADME 藥物動力學 + 疾病機制）模擬藥物在個體中的行為。FDA 已接受 QSP 模型作為臨床試驗設計的輔助證據。
Patient-Specific Metabolic Modeling
Robinson et al.（Sci Signal, 2020）用患者腫瘤的 RNA-seq 建構 patient-specific GEM → 識別 metabolic vulnerability（如某些腫瘤過度依賴 serine synthesis → PHGDH 抑制劑可能有效）。Yizhak et al.（eLife, 2014）的 PRIME 算法直接從 expression data 預測 metabolic biomarkers 和 druggable targets。
AI + Multi-Omics for Clinical Decision
- DeepOmics：深度學習整合基因體 + 轉錄組 + 臨床數據 → 預測治療反應。MILESTONE（Sammut et al., Nature, 2022）在 breast cancer neoadjuvant therapy 中，multi-omics classifier（DNA + RNA + digital pathology）的預測準確度顯著優於單一 omics。
- Foundation Models：scGPT（Cui et al., 2023）和 Geneformer（Theodoris et al., Nature, 2023）是 pretrained on millions of single cells 的 transformer model，可 fine-tune 用於 disease state prediction 和 therapeutic target prioritization。
Digital Twin 願景
European VPH (Virtual Physiological Human) 和 NIH All of Us 計畫的終極目標：為每位患者建立 digital twin——整合基因組 + 表觀基因組 + 蛋白質體 + 代謝體 + 影像 + 生活習慣數據 → 全身多尺度計算模型 → in silico 測試不同治療方案。目前已在心臟電生理（患者特異性心律不整模型指導 catheter ablation）和腫瘤放療（劑量優化）中有初步實踐。
倫理與健康公平
Martin et al.（Nat Genet, 2019）發現 PRS（polygenic risk scores）在非洲裔中的預測準確度僅為歐洲裔的 ~50%，因訓練數據偏差。解決方案：H3Africa、All of Us 等計畫擴大多元族群的 genomic representation。ELSI（Ethical, Legal, and Social Implications）框架涵蓋數據隱私（GDPR / 個資法）、知情同意、基因歧視等議題。
文獻：Collins & Varmus (2015) NEJM 372:793-795 (Precision Medicine Initiative) / Yizhak et al. (2014) eLife 3:e03641 / Sammut et al. (2022) Nature 601:623-629.