複製人類在歐美之法制規範
資訊的保密機制和數據的標準化是當代的醫護過程中，相當關鍵重要的一部分，使得資訊得以安全地蒐集、記錄和交換，同時也是衛生照護系統在品質和服務管理上得以維繫的關鍵。過去英國負責處理醫療資訊交換標準的單位為「衛生和社會照護資訊標準委員會（Information Standards Board for Health and Social Care, ISB）」，負責就國家性的資料標準進行評核、統一資料標準格式，進而符合國際規範。為了因應國家治理在資訊標準、資料收集和資料提取上新的規劃，自今（2014）年4月1日起，ISB轉型為照護資訊標準化委員會（Standardisation Committee for Care Information, SCII）。 新的照護資訊標準化委員會－SCCI主要負責發展、批准並保障資訊標準、資料蒐集與資料提取。該委員會的成員組成廣泛地來自國家單位和相關衛生、照護服務組織。現階段的主要目標為標準化醫院和家庭醫生之間的醫療資訊交換，將醫療資訊標準提升至國家層級，透過該委員會的運作來監督、改善照護服務、照護系統和資訊的處理方式，進而達到流程公開和運作透明。以下為ISB轉型為SCCI之主要原因： 1、2012衛生和社會照護法（Health and Social Care Act 2012）之規定，該法§250賦予衛生部長和NHS England（英國國家健康服務）發布資訊標準的權力； 2、NHS成立新的國家資訊委員會（National Information Board, NIB），該委員會前身為資訊服務調查小組（Information Services Commissioning Group, ISCG），主要針對衛生和社會照護提供國家層級的資訊服務整合規劃，以確保資訊標準統一，使得不同IT系統間得以相互傳輸、驅動更多整合服務給人民。SCCI即隸屬於NIB，負責識別、調查和完整執行資訊標準、資料蒐集和提取。 3、衛生部於2012年發布衛生和照護系統的10 年資訊策略（ten year information strategy for the health and care system）。
吃的安心 基改農產品安全性測試系統上路自從1994年第一種基因改造(Genetically Modified , GM)農產品～番茄在美國上市後，越來越多的GM農產品進入了我們的生活，使得大家越來越注重食用的安全性。行政院農業委員會農業藥物毒物試驗所開發的基因改造農產品安全測試系統於11月正式上路，日後台灣自行研發的GM農產品上市前，可以送到藥毒所檢驗，以確定對人體無害。 國際間對於GM農產品安全性爭議主要有兩個層面：生物安全性（作為食品之安全性）與生態環境安全（對環境的衝擊評估）。整體而言，GM農產品的食用安全評估以過敏性測試最為重要，也就是針對轉殖的DNA基因，測試其外源表現物質（蛋白質）對人體的影響，換句話說：蛋白質是較容易讓人體產生過敏的來源。 藥毒所開發的過敏反應和安全性測試系統，其針對GM農產品的評估方法有三：序列比對（和已知過敏原比對）、消化穩定性（採用人工胃液和腸液分解測試）、動物實驗模式（讓大白鼠直接食用）。相信這套安全測試系統的上路，可讓民眾食用台灣自行研發的GM農產品較為安心。
美國基改動物法規研擬中基改動物的技術研發腳步雖不如植物快速，不過自1980年出現重大的技術突破後，基改動物的研發成果不斷產出，目前基改動物的研發方向以醫藥用途最多，其次像是環保、食用、抗氣候變遷等，均有相關的研究投入。隨著研發成果的累積，美國也開始構思基改動物的規範議題，2008年9月，美國FDA及APHIS分別就基改動物提出規範細節及資訊調查的公告。 由於美國並未對基改生物訂定管理專法，而是利用既有的法規體系來管理基因改造生物，而既有法規原各有其規範目的，因此如何從這些既有法規的規範目的出發，闡述其用來規範基改動物的適當連結，以及相關主管機關將如何運用既有法規來管理基改動物，便成為研議的重點。 目前FDA內的CVM（Center for Veterinary Medicine）已率先宣告其對基改動物的主管權限，並公告「基因重組動物管理之產業指導原則（草案）」（Draft Guidance for Industry on the Regulation of Genetically Engineered Animals）。FDA認為，由於轉殖進入基改動物體內的重組DNA構體（rDNA construct），已對動物本身的結構與功能（construct and function）產生影響，符合其依聯邦食品藥品及化妝品管理法（Federal Food, Drug, and Cosmetic Act）規定所稱之藥（drug）的定義，因此，FDA宣告其對所有的基改動物（精確來說是轉殖於其體內的重組DNA構體），將視以動物用新藥（new animal drug）管理之，至於基改動物後續可能有不同的用途，則另須符合相關的產品主管法規，始可上市。在APHIS部分，其主要負責動物健康之把關，目前APHIS正對外進行廣泛的資訊蒐集與調查，以作為其後續研擬進一步的管理規則或政策之參考依據。
合成資料（synthetic data）「合成資料」（synthetic data）的出現，是為了保護原始資料所可能帶有的隱私資料或機敏資料，或是因法規或現實之限制而無法取得或利用研究所需資料的情況下，透過統計學方法、深度學習、或自然語言處理等方式，讓電腦以「模擬」方式生成研究所需之「合成資料」並進行後續研究跟利用，透過這個方法，資料科學家可以在無侵犯隱私的疑慮下，使合成資料所訓練出來的分類模型（classifiers）不會比原始資料所訓練出來的分類模型差。 在合成資料的生成技術當中，最熱門的研究為運用「生成對抗網路」（Generative Adversarial Network, GAN）形成合成資料（亦有其他生成合成資料之方法），生成對抗網路透過兩組類神經網路「生成網路」（generator）與辨識網路（discriminator）對於不同真偽目標值之反覆交錯訓練之結果，使其中一組類神經網路可生成與原始資料極度近似但又不完全一樣之資料，也就是具高度複雜性與擬真性而可供研究運用之「合成資料」。 英國國防科技實驗室（Defense Science and Technology Laboratory, DSTL）於2020年8月12日發布「合成資料」技術報告，此技術報告為DSTL委託英國航太系統公司（BAE Systems）的應用智慧實驗室（Applied Intelligence Labs, AI Labs）執行「後勤科技調查」（Logistics Technology Investigations, LTI）計畫下「資料科學與分析」主題的工作項目之一，探討在隱私考量下（privacy-preserving）「合成資料」當今技術發展情形，並提供評估技術之標準與方法。 技術報告中指出，資料的種類多元且面向廣泛，包含數字、分類資訊、文字與地理空間資訊等，針對不同資料種類所適用之生成技術均有所不同，也因此對於以監督式學習、非監督式學習或是統計學方法生成之「合成資料」需要採取不同的質化或量化方式進行技術評估；報告指出，目前尚未有一種可通用不同種類資料的合成資料生成技術或技術評估方法，建議應配合研究資料種類選取合適的生成技術與評估方法。