歐盟對於不可申請專利的基本生物學方法做出新解釋
大多數國家是認為動植物為法定不得授予專利之標的，歐盟以往因為歐洲專利公約實施細則(Implementing Regulations to the Convention on the Grant of European Patents，下簡稱實施細則)跟擴大上訴委員會(the Enlarged Board of Appeal，簡稱EBA)決定不一致而造成爭議，EBA於2020年5月做出的新決定，對於動植物是否為可授予專利之標的做出一致性解釋。
在歐洲專利公約(European Patent Convention，簡稱EPC)第53條第2款規定用以生產動植物的基本生物學方法不可授予專利，並於2017年生效的實施細則第28條第2項將其進一步擴張解釋成，僅運用基本生物學方法所產生的動植物不可授予專利，這與EBA在2015年所做出的決定(G 2/12、G 2/13)並不一致，在2015年的決定中提到，運用基本生物學方法來界定動植物的請求項仍可以被接受，因此實施細則第28條第2項與2015年的決定產生衝突。
於2019年，技術上訴委員會(Technical Board of Appeal)在案例T 1063/18中發現了這個問題，並提到EBA討論，EBA表示，考慮到法條涵義可能因時間產生變化，需要對EPC第53條第2款進行動態解釋(dynamic interpretation)，實施細則第28條第2項與EPC第53條第2款並未矛盾，而是進一步擴展為，僅通過基本生物學過程，或是由基本生物學方法界定動植物之情況，皆屬於不可授予專利之情況，而推翻之前的決定。而為維持法律安定性，本決定(G 3/19)對於2017/07/01前生效或申請的案件並不具效力。
「本文同步刊登於TIPS網站（https://www.tips.org.tw ）」
- Strong Roots: Comparative Analysis of Patent Protection for Plants and Animals
- Germany: Regarding The Patentability Of Plants And Animals In Europe – The G 3/19 Decision (“Pepper”) Of The European Patent Office
- EPO: Plants Which Are Not Patentable
- Plants and Animals Exclusively Obtained by Biological Processes Not Patentable At EPO
- G 0003/19(Pepper (follw-up to “Tomatoes II” and “Broccoli II”)) of 14.5.2020
- TIPS
莊越程
高級法律研究員 編譯整理
Kline Moore & Robert Frederickson, Strong Roots: Comparative Analysis of Patent Protection for Plants and Animals, IPWATCHDOG, Aug. 5, 2020, https://www.ipwatchdog.com/2020/08/05/strong-roots-comparative-analysis-patent-protection-animals-plants/id=123649/ (last visited Aug. 18, 2020).
Axel B. Berger & Kerstin Galler, Germany: Regarding The Patentability Of Plants And Animals In Europe – The G 3/19 Decision (“Pepper”) Of The European Patent Office, MONDAQ, July. 28, 2020, https://www.mondaq.com/germany/patent/970084/regarding-the-patentability-of-plants-and-animals-in-europe-the-g-319-decision-pepper-of-the-european-patent-office (last visited Aug. 18, 2020).
Peter Koefoed, EPO: Plants Which Are Not Patentable, MANAGING IP, July. 09, 2004, https://www.managingip.com/article/b1mf6v7d4r53d7/epo-plants-which-are-not-patentable (last visited Aug. 18, 2020).
James Nurton, Plants and Animals Exclusively Obtained by Biological Processes Not Patentable At EPO, IPWATCHDOG, May. 18, 2020, https://www.ipwatchdog.com/2020/05/18/plants-animals-exclusively-obtained-biological-processes-not-patentable-epo/id=121692/ (last visited Aug. 18, 2020).
G 0003/19(Pepper (follw-up to “Tomatoes II” and “Broccoli II”)) of 14.5.2020, European Patent Office, https://www.epo.org/law-practice/case-law-appeals/recent/g190003ex1.html (last visited Aug. 18, 2020).
美國眾議院已於本週（2007.05.23）口頭表決通過「反間諜程式法草案」，未來將有待於參議院表決通過後，公佈施行該法。 間諜程式通常是指涉收集電腦使用者資訊的惡意軟體，該惡意軟體通常係安裝免費軟體中不知名的某個套件，或者是隱含在所下載網路遊戲程式中、不請自來的廣告頁面或者電腦中毒所導致。其危險之處即在於，該惡意軟體將使電腦使用者的使用者帳號、密碼以及個人金融帳目細節等等個人資料傳遞出去，以詐欺該使用者。 由於該法案要求程式開發商於使用者下載此類程式前，需要提醒使用者以及獲得他們的同意，因此，軟體產業非常反對該項規範。 據了解，美國眾議院已於2004年及2005年以壓倒性的勝利表決通過「反間諜軟體法案」，惟當時該法案並無法獲得參議院的青睞，而慘遭否決。
美國專利標示不實之罰金計算美國聯邦巡迴上訴法院在2009年底於The Forest Group Inc. v. Bon Tool Co. 一案中將美國專利法35 U.S.C. § 292中關於不實專利標示(false patent marking)的懲罰金計算方式認定為罰金之計算是以每一個標示錯誤專利資訊的產品為基礎。美國專利法35 U.S.C. § 292中要求法院對專利資訊標示不實或錯誤之產品或包裝處以最高美金$500的罰金。在此案之前，許多地方法院將35 U.S.C. § 292解釋為罰金之計算是以每一次被告”決定”將產品標示不實專利資訊為基礎 (single penalty for each “decision” to falsely mark products)，不論此決定是包含一個或一整批產品。在本案中，聯邦巡迴上訴法院同意地方法院的看法認定被告Forest Group意圖藉不實專利標示企圖欺騙大眾但撤銷地方法院將罰金定為$500之判定，而將目前專利法35 U.S.C. § 292 解釋為罰金是以”每一個”標示錯誤專利資訊的產品為基礎 (penalty for false marking on a per article basis)。 為了防範日後因此案罰金計算方式而造成所謂”標示流氓”(marking trolls) 之興起，聯邦法院於其判決中特別說明其解釋並非要求法院必須將每一標示錯誤專利資訊的產品處以$500美元的罰金。因法條中之罰金是以美金$500為上限，法院有權利權衡各案例背景決定罰款金額。例如，針對大量製造但價錢低廉的產品， 法院可對每一個產品處以極少的罰金。 The Forest Group 一案是美國聯邦巡迴上訴法院第一次針對不實專利標示之罰金提出解釋，直得關注其後續引發反應。廠商也應重新檢視其產品專利標示是否有不實或錯誤之狀況以避免被控標示不實專利資訊而被處以罰款。
我國生物與遺傳資源權利歸屬及管理思維初探 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。