我们已经迎来了个体化医疗新时代的黎明。就像摩尔定律改变了计算机一样——并且还进而改变了我们生活的方方面面，人类基因组也将改变医学。我们正在从今天低效率、实验性的医学走向明天由数据驱动的医学。很快，诊断、预后、治疗，以及更为重要的预防都将根据个体的遗传及表型信息而改变。
随着我们进入到21世纪的第二个十年，在分子生物学、生物信息学、疾病管理以及人类基因组解释方面的投入将最终结出丰硕的果实。个体化医疗必定变革医学实践，改变全球医疗健康行业，并最终带来健康长寿的生活。
个体化医疗的迫切需求
对个体化治疗的需求有很多，目前个体化医学最直接的应用是癌症诊断与新生儿筛查。
根据一份数据，美国2013年将有超过580000人——每天1600人——会死于癌症。相似的残酷数据在新生儿医疗中也存在：每20个新生儿中就有1个需要进新生儿特护病房，20%的婴儿死亡是由于先天或染色体缺陷造成的。
而这两个问题都会随着个体化医疗的出现而逐渐解决，这是典型的基于技术的转变。有了DNA测序，技术的发展变得更加快速。信息处理能力每半年翻一倍，持续降低的成本和提升的速度使得发现DNA序列变异与人类疾病间关系变得更加简单。
但是，我们要实现更大的进步还有几个关键的事情必不可少。分子信息的收集、处理与储存将成为信息技术需求的全新而重要的驱动。虽然宣传刺激了投资并抓住了公众的想象力，但个体化医疗背后的基础科学才能真正最终给我们一个长久而美好的承诺。
支持者们一直在谈论着DNA的美好前景。成本与复杂性曾经是实现这些愿景的最大瓶颈，但是现在我们的愿景非常接近具有操控以DNA为基础的治疗的能力了。
如果要真正的实现个体化医疗，我们相信需要实现以下一些重要的技术及医学上的进步。
快速、准确、低成本的DNA测序
自从1990年那场历时13年耗资3亿美元的人类基因组计划开启了一个新产业以来，我们就已经看到，DNA测序在通量和成本上都产生了革命性的变化。在测序市场上，摩尔定律已经不起作用了。
最近，测序技术的创新已经将全基因组测序的时间大幅缩减到不足24小时。今天的测序仪不仅能测序，还能对原始测序数据进行初步转换——我们通常称这个过程为初步分析。
此外，今天的测序仪也将每一个基因组测序的价格大幅降低到5000美元以内。事实上，测序价格已不再让人望而生畏，许多美国居民表示，他们愿意自己掏钱进行全基因组测序。这里的关键突破是能够在较短时间内以一个合理的价格提供全基因组测序。
而最低的门槛实际是在这里：我们很快就能够在不到一天的时间里完成40多次全基因组测序，并且保证在原始读长中错误率小于百万分之一。这就是为什么大家都对个体化医疗感到兴奋。我们正处在一个拐点上。
预计实现时间：马上
快速、低成本和准确的二次分析
华盛顿大学基因组研究所主任Elaine Mardis曾经若有所思地说：基因组测序的价格已大幅下降，但后续的数据分析价格下降的幅度没有跟上。目前的挑战来自三个方面：怎样分析得更快、更便宜，最重要的是，更准确。
一旦一个基因组被测序完成，它必须被组装成一个完整的基因组，这种组装，通常称为二次分析（secondary analysis），一般需要使用超级计算机花费数天才能完成。在二次分析里，原始读长被组装形成一个完整的基因组，从而使得科学家得到一个关于个体遗传变异的完整画面。
想象一下，就像将十亿个碎片拼成一幅拼图，这正是二次分析所做的事情。
因为这一步需要超级计算机、基础设施和训练有素的生物信息学家，进行二次分析的成本是显而易见的。当你把超级计算机、支持用的物理设备、系统管理员和生物信息学家等因素都算到成本里去，二次分析的价格可达到每个基因组10000美元。
幸运的是又出现了新的突破性技术，该技术能够从测序仪上“拿下”已经测序完成的原始序列，对其进行更快更大规模的组装。这里的关键突破是能够在短时间内，准确、低成本地组装一个完整的基因组。
然后就是数据的问题。虽然单个基因组测序会产生T级（terabyte）的原始数据，但基因组组装后的数据通过二次分析，可将数据缩减到仅仅千兆字节。
所以，二次分析是大数据、高性能计算和基因组学实际上开始覆盖的领域。近来在数据和计算性能方面的创新使得二次分析可以在4小时以内完成。
预计实现时间：3~6个月
将遗传突变和疾病联系起来
完整的基因组及其基因型需要进行生物相关性分析。这一步通常被称为三级分析（ tertiary analysis）。在这个过程中，特定的一个突变（或一组突变）将与特定的疾病或者物理性状（表型）关联起来。
据估计，在人类基因组的30亿碱基对中，我们每人大约有1000万单核苷酸突变（SNV）。每个单独的SNV或者SNV组合都对我们正常的生理功能起着或微乎其微或非同小可的影响。现在的挑战是找出这些对生理功能有影响的SNV，然后制定治疗策略。这就像海底捞针一样。
这是一个大数据问题。更糟糕的是，这些数据没有标准的分析流程。建立标准过程并加大力度将使三级分析变得有效而省时。
事实上，我们必须开发软件工具让科学家和临床医生能够从复杂的基因组数据中获得最大的生物学含义。突破的关键点在于，能够用一种可重复的方式识别将特定基因型与特定疾病表型关联起来。
但是到目前为止，大多数遗传变异还没有被解读出来，能够将我们的遗传变异与可采取的行动指南的“速查表”还很不完善。
这是一个先有鸡还是先有蛋的难题。我们需要进行更多的基因组测序，并纳入疾病研究中来以达到对基因组更多的认识。好消息是，几个大规模的基因组项目——包括百万寿星项目（Million Veteran Program）以及英国的十万基因组项目（100K Genome Project）——提供了大型的数据库，为发现和建立不断积累的基因组解析知识提供了支持。
不管是谁，只要他能够让最需要这些数据的人拥有对数据进行三级分析的能力，那么他就站在了可利用个体化医疗最终所代表的数十亿美元的机会的重要战略位置。这是一个建立行业标准的问题。
回报是什么呢？这些工具可用来支持临床试验并开发综合的遗传检测手段，这反过来又使得对遗传信息进行医学解析成为可能。
预计实现时间： 6~18个月
将遗传信息应用于医疗
既然理论上已经实现了对病人基因组的测序，并且识别出了突变的基因，那么接下来就是要把这些信息与病人的其它医疗信息——病史、环境、家庭背景、微生物和饮食等结合起来。改善病人护理和提高个性化治疗方法取决于研究人员如何聪明地利用复杂的分子和临床数据——这些信息来自于大量病人的机体内外信息和公众健康信息。
基因组数据需要整合到病人健康记录，以便让训练有素的医生在更为广泛的基因组水平上发现疾病关联基因的信息。这样做的目的是为了从分子水平上重新认识疾病，并将这些信息整合到病史中。
最终结果是什么？临床研究人员可以将新的标记分子和药物反应转化为更好的治疗方法，这反过来又能提供针对病人基因组的个体化医疗。
在这方面挑战有很多，还没有标准的操作规程可以将所有的遗传信息整合到一个共同的体系中。目前，太多的数据库彼此呈现分离状态，不能被横向利用。最基础的应用都成问题，更不用提结构、格式和数据传输方法了。在将所有信息整合之前，研究人员还需要更多的整合方法。
更为重要的是，当前的医生尚未接受过基因组信息解析的系统培训。幸运的是，教育和利益驱动能够帮助解决这个问题。
大约100年前，一项颠覆性技术带来了一门新兴的医学学科：放射学。随着放射学的成熟，X光胶片成为了一个标准。没多久，放射学数据就成为了患者记录和医生培训项目的一部分。
同样的情况有望出现在基因组数据中，但在其被有效利用之前必须进行标准化，下一代医生在医疗实践中要利用基因组信息就需要进行新的培训。
如此，我们才可以从基因组和疾病研究层面快速进入到研发新的诊断方法和治疗新思路。
相应地，由此而产生的新疗法也需要得到监管部门的批准——这是一个障碍，当最终会被突破。
预计实现时间：12~36个月
让巨头为个体化医疗买单
个体化医疗变成现实的最后一步是落实。随着医院和医生的角色的重新定义，作为新型治疗手段也将会发生戏剧性的变化。
这里的主要障碍是如何降低成本，使全基因组测序（WGS）成为一个标准的医疗诊断程序之一。另外医疗保险也需要覆盖该类诊断服务。
我们已经开始看到基因组测序在公共健康领域的好处了。美国威斯康辛州的6岁小男孩Nic Volker从炎症性肠病中恢复过来的故事吸引了广泛的注意，基因组学以一种前所未有的方式抓住了公众的想象力。
海量的学术论文正在不断的阐释全基因组测序的好处，以及其如何降低了医疗费用、提高效率等。这已经变成了一种常态现象，而不是某些凤毛麟角的意外事件了。
最近，最大的支付机构WellPoint已经暗示其承诺的报销范围将覆盖Sequenom公司的MaterniT21唐氏综合症检测。Anthem Blue Cross公司也已经同意为心脏移植病人做的AlloMap基因检测支付保费。甚至实验室测试巨头LabCorp和Quest Diagnostics也开始看好基因组学，并和具有创新性的基因组学公司签署了大量合作协议。
医保支付机构将会越来越依赖分子生物学信息技术去权衡、经营医疗资源。第二个影响是，必定将提升分子生物学信息在药物研发中的比重。
“重磅炸弹”药物的模式将会被重新定义。表象上不同的疾病可能是由相似的分子机制引发的，因此针对共同分子靶点、但治疗不同疾病的药物将会涌现出来。或许最明显的影响将会来自那些直接生产、制造细胞的合成生物学。合成生物学将会对疾病的研究模式及药物的临床前研发重新定义。
大型医保支付商和医药公司将会同时在利润增长和成本节约两方面得到好处。我们很有理由相信，在积极效果的推动下，个体化医疗将会马上成为一个普遍的话题，个体化医疗将会成为下一个十年甚至更长的历史轨迹内的持续聚焦点。
预计实现时间：24~48个月
变革已经来临
需要指出的是，测序已经不再是什么创新的事情。这是一件好事。测序已经发展到成为一个常规的技术。基因测序突然变得便宜而快捷，很快就将变成一件普通的事情，我们拥有的遗传数据成数量级地增长。
人才和投资已经开始向下游流动，努力解决便宜快速测序所带来的挑战——也就是从海量的数据中获得正确的解读。
在高性能计算、大数据以及基因组学的交叉口，巨大的机遇再次出现。我渴望这些领域再次发生更高频率的碰撞。个体化医疗离我们想象的要近，但只有结合多学科的技术才能实现它。
本文摘译自：venturebeat.com/2013/01/27/the-personalized-medicine-revolution-is-almost-here，作者：Narges Bani Asadi
