把您的個人網站脈絡接進基因 AI 頁
這一段整理自您的個人網站：工程、生醫研究、應用介面與 NGS 相關經驗，不再只是外部連結，而是直接成為這個基因 AI 平台的背景敘事。
把公開蛋白質與基因序列爬進 DB，直接在平台內動態展示
這個模組會從 UniProt 與 Ensembl 抓取 protein / gene sequence，寫進 Render PostgreSQL，之後頁面就直接從 DB 讀快取，不再只是靜態示範卡片。
Render Sequence Cache
切換 protein / gene cache，查看最新入庫紀錄與來源 metadata。
把 UniProt 註釋與 PubMed 摘要整理成可查詢、可匯出的知識庫
這個模組把蛋白質功能註釋和 NCBI 文獻摘要存進 Render PostgreSQL，再整理成 RAG-ready documents。前端可直接搜尋證據，後端可直接輸出 chunk 與 metadata 給檢索流程。
Knowledge Search Surface
切換 protein annotation / literature，查看 DB 快取與對應的 RAG chunk 預覽。
基因設計工作台
用一組需求描述，生成多個模擬候選並比較多目標分數。這裡的重點不是單一最高分，而是讓你快速看到不同候選在表達、特異性、可製造性與風險上的取捨。
候選批次尚未建立
平台會根據目標需求產生四組具不同偏好的候選策略。
CRISPR Guide 排序台
這個模組示範平台如何在效率、特異性與風險之間重排 guide 候選。表格中的 guide 只保留遮罩後的 seed preview，用來展示 ranking 與審核流程。
| Rank | Guide Preview | Window | Efficiency | Specificity | Bystander Risk | Edit Bias |
|---|
變異效應解讀台
用同一組介面連接基因調控視角與臨床優先排序：輸入變異背景後，平台會估計表達位移、splicing 風險與 chromatin 影響，並給出下一步驗證建議。
模型與決策堆疊
真正的基因 AI 平台不是單一模型，而是把 foundation model、生成器、風險閘門與實驗閉環接成一個產品化系統。
Genome Tokenization
把 DNA/RNA 視為語言，學習 motif、long-range context 與 regulatory grammar。
Conditional Generator
依據任務條件生成候選，像是 promoter bias、guide window 或 codon balance。
Risk & Manufacturability Gate
把 off-target、repeat、GC extremes 與 synthesis difficulty 放進同一個審核層。
Assay Feedback Loop
把 reporter assay、amplicon readout 與 RNA-seq 重新餵回模型，縮小設計空間。
平台化運作流程
從規劃到驗證，平台最重要的是把每一步變成可以重用、可追蹤、可比較的決策流程。
Define Intent
先把任務定義成可量化的目標，例如表達提升、特異性提高或編輯窗口穩定。
Generate Candidates
利用 foundation model 和條件化生成器建立多個方向不同的候選，而不是只給一個答案。
Score & Filter
以多目標評分比較效率、風險與可製造性，保留可進入下一輪的候選。
Assay Prioritization
把有限的實驗資源投向最值得驗證的候選，而不是平均分配給全部設計。
Learn from Readout
把失敗與成功樣本一起回灌平台，讓下次設計更快收斂，而不是每次都從零開始。