白色念珠菌(C. albicans)是人體內常見的菌群之一，此菌具有一種特性，我們稱為伺機性(opportunistic)，即當人體的器官受到損傷或免疫系統受到影響時，這些潛在的白色念珠球菌就會伺機而動，進而感染個體。隨著醫學的進步，長期使用抗生素、器官受贈等等都會造成免疫力下降，此時就很容易受到白色念珠菌的感染，而且現在受到白色念珠菌感染的案例越來越頻繁，如果能夠了解白色念珠球菌如何與宿主的免疫細胞對抗的話，也許就能抑制白色念珠菌進而降低感染風險。
　　本研究針對白色念珠菌進行兩種比較：(a)比較以不同濃度的白色念珠菌感染宿主時，白色念珠菌的基因表現，(b)比較以相同的濃度對宿主進行一次與二次感染時，白色念珠菌的基因表現。對於比較(a)，我們主要想了解在白色念珠菌體內對濃度敏感的基因，因為這些基因可能在白色念珠菌對抗宿主體內的免疫細胞時扮演重大角色。比較(b)則想要在宿主啟動後天免疫基因反應時，找出白色念珠菌的因應之道，由於後天免疫細胞(B細胞、T細胞)具有記憶性，所以當宿主再次受到病原攻擊時，會馬上進行還擊，此時，若能了解白色念珠菌的攻擊方式，也許能降低再次感染的風險。
　　在本研究中，每一個基因的資料型態為基因表現時間序列，我們先採用C.V.值(Coefficient of Variation)選取有明顯基因表現的基因，再進一步利用階層式分群法(Hierarchical Cluster)找出數群具有相似反應模式的基因，並將每一群的基因進行基因功能性GO(Gene Ontology) term分析，接著對這些基因的功能進行觀察，找出具有共同功能的基因，對於這些基因，我們在不同的實驗條件下分別定義其具有代表性的序列並利用動態規劃(Dynamic Programing)的方法對其進行時間點對齊，這些對齊結果將可告訴我們，基因在執行功能時，在不同的實驗條件下是否有時間差，這些訊息或許可提供生物學家去了解當宿主被感染的程度不同時或者是再次被感染時，白色念珠菌在對抗宿主免疫細胞時所採取的攻擊策略。

1. Bar-Joseph, Z., A. Gitter, and I. Simon, Studying and modelling dynamic biological processes using time-series gene expression data. Nature Reviews Genetics, 2012. 13(8): p. 552-564.

2. Spellman, P.T., et al., Comprehensive identification of cell cycle–regulated genes of the yeast Saccharomyces cerevisiae by microarray hybridization. Molecular biology of the cell, 1998. 9(12): p. 3273-3297.

3. Ramoni, M.F., P. Sebastiani, and I.S. Kohane, Cluster analysis of gene expression dynamics. Proceedings of the National Academy of Sciences, 2002. 99(14): p. 9121-9126.

4. Schliep, A., A. Schönhuth, and C. Steinhoff, Using hidden Markov models to analyze gene expression time course data. Bioinformatics, 2003. 19(suppl 1): p. i255-i263.

5. Ernst, J. and Z. Bar-Joseph, STEM: a tool for the analysis of short time series gene expression data. BMC bioinformatics, 2006. 7(1): p. 191.

6. Ernst, J., G.J. Nau, and Z. Bar-Joseph, Clustering short time series gene expression data. Bioinformatics, 2005. 21(suppl 1): p. i159-i168.

7. Bar-Joseph, Z., et al., Continuous representations of time-series gene expression data. Journal of Computational Biology, 2003. 10(3-4): p. 341-356.

8. Aach, J. and G.M. Church, Aligning gene expression time series with time warping algorithms. Bioinformatics, 2001. 17(6): p. 495-508.

9. Yanga, Y.H., et al., Normalization for cDNA Microarray Data.

10. Bolstad, B.M., et al., A comparison of normalization methods for high density oligonucleotide array data based on variance and bias. Bioinformatics, 2003. 19(2): p. 185-193.

11. Ballman, K.V., et al., Faster cyclic loess: normalizing RNA arrays via linear models. Bioinformatics, 2004. 20(16): p. 2778-2786.