... 學會通訊
公共衛生的研究主題為探索疾病的病因、預防與治療的方式、以及政策上的應用。然而，公共衛生的研究，基於現實考量與倫理規範，往往不能像實驗室裡的嚴格地控制可能的變因，只用能觀察的方式來進行研究。在統計分析上，可以用迴歸分析的方式，將一些無法控制的干擾因子加以調整。
- 長期追蹤研究：相關資料 (correlated data)的處理
但迴歸分析有一個重要的假設，那就是response variable的資料是獨立的，彼此間不相關。比方說，我們沒辦法利用這一個人的資料，來預測另一個人的血壓值，這就是independent的意思。但是在很多狀況，這樣的假設是無法成立的。例如：1) 長期資料分析：例如測量一個人的血壓，重複測量好幾次，每一個測量點都會跟同一個人其他的測量點血壓值有高度相關。另在在intervention study也會面臨重複測量的問題，比方說比較haloperidol 和risperidone 療效的研究，我們用PANSS量表做為測量工作，來評估其PANSS分數下降速度是否不同。
這樣的資料，稱之為相關資料 (correlated data)。在研究中，幾乎都會遇到的相關資料的處理。例如長期追蹤研究，無法用橫斷性研究來取代，否則可能會產生錯誤的推論。而家族研究，其家庭成員之間的相關，更是不可能忽視。即使是intervention study，考慮到可行性，相關資料的處理是無可避免的！ 如果我們沒學過這種分析，假設這些相關資料是彼此獨立的，而使用傳統的統計方式。那麼很可能會造成錯誤的結論，或是讓原本會有顯著的結果變得不顯著。
所以，我簡單講一下如何分析這樣的資料。把上述的問題轉化為統計語言的話，就是我們需要面臨兩個問題：1) 迴歸相應的變項，2)處理群集內彼此間的相關性。
要解決上述的問題，有兩種方式：1) 同時處理上述兩個問題如random effect models，2) 另一個方法是則是分開處理，如 marginal models /GEE analysis。其中統計的原理，可參考 Liang and Zeger (1986) Biometrika 或 Zeger and Liang (1986) Biometrics
- 遺傳流行病學
遺傳流行病學，遺傳學與統計學都有一百多年的歷史，但是將兩個學門結合，相對而言，是一門較新的領域。對研究複雜疾病，探討基因-基因之間、或基因與環境之間的交互作用，都需要應用到遺傳流行病學。
一個疾病、或是一種特質，是否有遺傳的因素，要先看看有沒有家族聚集。有了家族聚集，還要去探討是遺傳因素，還是共同的環境因素所影響。例如中國人使用筷子，這純粹是受到環境的影響。第三，需要經由segregation analysis，來判定其遺傳的模式，是顯性遺傳、還是隱性遺傳。最後，我們要問的是，這個基因在哪裡？是在哪一條chromosome上。
要回答這最後的問題，可以用linkage analysis，或linkage disequilibrium analysis來回答。今天將焦點集中在linkage analysis 中的allele-sharing methods。簡介一下 allele-sharing methods。假設兩個手足，都有相同的疾病，如精神分裂症、或高血脂，而這些疾病也都是基因所造成的話，那麼手足應該有相同致病基因，並且這個致病基因是從父母遺傳而來的。但是我們並不知道這個基因在哪裡，我們只能觀察到基因體上的一些marker。如果說有個maker和致病基因很接近的話，那麼手足都有這個 maker的機率，會大於隨機的機率。這就是allele sharing的概念。
我們用identical by descent (IBD)的方式來說明。IBD是手足間有共同allele的數 目。兩個手足兩有相同的allele，那麼IBD=2；如果只有一個，則IBD=1，兩個手足之間沒有共同的allele，則IBD=0。僅看單一的allele 或maker的話，IBD=0的機會是25%，IBD=1 是50%，IBD=2是25%。手足間IBD的期望值為0*25%+ 1*50% + 2* 25%=1。
在一個精神分裂症的家庭研究，如果某一段基因體的maker其sharing的機會愈高， 和精神分裂症有相關的機會就愈高。用統計的公式來看：E(S(t))=1+ e-0.02/| t – τ| *C。S(t)是maker t 的IBD sharing的值。τ表是是致病基因位置，當maker t 與疾病基因的距離愈遠，則IBD sharing機會愈小。C測量的是＂excessive＂ allele sharing at trait locus。C=0表示這個maker沒有genetic effect。C>0，表示與這個disease有相關。C愈大，表示其與疾病的相關性愈強。
我們可以應用allele sharing methods的方式來處理complex disease 或complex trait。研究complex disease的遺傳，常會面臨的一個難題是genetic heterogeneity，不同的基因變異，會有相類似的表現，以致於我們很難區分出一群較單純的個案。這個時候，我們可以將疾病分組，如果不同組之間的C值不同，那麼我們就可以把不同組，分開處理。以Pulver在精神分裂症的研究為例。當我們把兩個手足皆是早發型精神分裂症，會發現這一組的C值最大，而在統計上也最為顯著。
研究complex disease的另一個難題是imprinting，有人稱為parent-of-origin (POO) effect。意思是一個基因，從母親而來或從父親而來，其phenotype並不相同，最有名的例子為Prader-Willi and Angelman syndrome。像bipolar affective disorder，也有人說有POO effect，我們同樣地可以用allele-sharing methods的方式來處理，在Ashkenazi Jews Bipolar Study中，發現當我們依據allele從父親而來或從母親而加以分層分析的時候，會發現到很強的相關，但如果混在一起，就看不出來有顯著的意義，這證明了POO effect。
總結來說：目前各個學門之間的界線愈來愈糢糊，相關資料的處理，不只在公共衛生研究中，有相當多的應用，在其他臨床研究，遺傳研究、甚至是生物資訊學，都會面臨相關資料的處理。而目前研究的趨勢就是需要結合各個領域，才能對公共衛生的預防與政策，做出貢獻。