吳育瑋助理教授於2012年8月從美國印第安那大學布魯明頓分校取得生物資訊博士學位，並在加州柏克萊美國國家實驗室進行為期4年的博士後研究工作後，於2016年10月至本校任教，現為醫學科技學院醫學資訊研究所助理教授。（編按）
自2009年起，我的研究就完全聚焦於微生物體的計算分析上。次世代定序技術的日漸成熟，大幅促成各種生物基因體定序計畫的發展，而越來越多的微生物體也從各種自然或人體環境中定序出來。然而，人們所知的細菌種類仍然相當有限，數據顯示我們所知的細菌只佔所有細菌的不到1%，造成微生物體的分析，截至目前為止仍然是件相當困難的工作。
微生物體的分析難度主要來自於各種細菌基因序列的混雜。試著想像一盒高難度的拼圖：一般人或許需要花上一、兩個禮拜甚至一個月去拼湊這幅拼圖，再將幾百盒完全不同的高難度拼圖碎片全部混在一起；而將這幾百盒完全不同的拼圖全部拆解並拼湊出來的複雜度，就是我們在分析微生體時遇到的難度。【圖：醫學資訊研究所吳育瑋助理教授】
為了解決這個問題，我開發出了一種分群演算法「MaxBin」，運用機率分析與機器學習演算法將微生物體基因序列進行分類，以簡化後續的各種分析與處理。以拼圖來說，就是將幾百盒混在一起的拼圖分類為幾百堆，每堆只包含來自一種拼圖的碎片。這種方法能夠大幅降低後續的分析複雜度，並藉由分群後的個別基因體促成我們對未知物種的認知。
MaxBin已於2014年發表在《微生物期刊》上（Microbiome 2:26, 2014）；第二版MaxBin 2.0也在2016年發表於《生物信息學期刊》（Bioinformatics 32(4):605-607）。截至2017月4月27日止，MaxBin已被引用164次（Google Scholar; MaxBin 108次；MaxBin 2.0 56次），顯示其被廣泛地運用在各種微生體研究上。其準確性更受到國際專家學者的肯定：一項國際性的軟體評比結果指出MaxBin在分類個別細菌上「有著最高的準確率」，而且「能夠最精準地分類細菌」（Nature Methods 14: 1063-1071, 2017）。
我也運用自己開發的軟體分析了數個微生物體，並將研究成果發表在各國際期刊上（BioEnergy Res 8(3): 1031-1035, 2015;AEM 82(1): 255-267, 2016; ISME 10:833-845, 2016; mBio 7(4): e01106-16, 2016; mSystems 1(6): e00120-16, 2016; Nature Microbiology: in press）。未來我計畫繼續開發與維護這套軟體，讓它持續在微生物體的計算分析上扮演著不可或缺的角色。（文/吳育瑋，醫學科技學院醫學資訊研究所助理教授）
