快速核磁共振成像技術問世

本文與 研華科技 合作，泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言，總能牽動整個 AI 產業的神經。然而，我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線，那如果哪天「網路斷了」，會發生什麼事？

想像你正在自駕車打個盹，系統突然警示：「網路連線中斷」，車輛開始偏離路線，而前方竟是萬丈深谷。又或者家庭機器人被駭，開始暴走跳舞，甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎？當然不是！也因為如此，「邊緣 AI」成為業界關注重點。不靠雲端，AI 就能在現場即時反應，不只更安全、低延遲，還能讓數據當場變現，不再淪為沉沒成本。

什麼是邊緣 AI ？

邊緣 AI，乍聽之下，好像是「孤單站在角落的人工智慧」，但事實上，它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前，像是企業、醫院、學校內部的伺服器，個人電腦，甚至手機等裝置，都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算，稱為邊緣運算；而在邊緣節點上運行 AI ，就被稱為邊緣 AI。簡單來說，就是將原本集中在遠端資料中心的運算能力，「搬家」到更靠近數據源頭的地方。

那麼，為什麼需要這樣做？資料放在雲端，集中管理不是更方便嗎？對，就是不好。

第一個不好是物理限制：「延遲」。
即使光速已經非常快，數據從你家旁邊的路口傳到幾千公里外的雲端機房，再把分析結果傳回來，中間還要經過各種網路節點轉來轉去…這樣一來一回，就算只是幾十毫秒的延遲，對於需要「即刻反應」的 AI 應用，比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時，每一毫秒都攸關安全與精度，這點延遲都是無法接受的！這是物理距離與網路架構先天上的限制，無法繞過去。

第二個挑戰，是資訊科學跟工程上的考量：「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送，湧入的資料數據量就像超級大的水流，一下子就把水管塞爆！要避免流量爆炸，你就要一直擴充水管，也就是擴增頻寬，然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理，把重要資訊「濃縮」過後再傳回雲端，是不是就能減輕頻寬負擔，也能節省大量費用呢？

第三個挑戰：系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時，一旦網路不穩、甚至斷線，那怎麼辦？很多關鍵應用，像是公共安全監控或是重要設備的預警系統，可不能這樣「看天吃飯」啊！邊緣處理讓系統更獨立，就算暫時斷線，本地的 AI 還是能繼續運作與即時反應，這在工程上是非常重要的考量。

所以你看，邊緣運算不是科學家們沒事找事做，它是順應數據特性和實際應用需求，一個非常合理的科學與工程上的最佳化選擇，是我們想要抓住即時數據價值，非走不可的一條路！

邊緣 AI 的實戰魅力：從工廠到倉儲，再到你的工作桌

知道要把 AI 算力搬到邊緣了，接下來的問題就是─邊緣 AI 究竟強在哪裡呢？它強就強在能夠做到「深度感知（Deep Perception）」！

所謂深度感知，並非僅僅是對數據進行簡單的加加減減，而是透過如深度神經網路這類複雜的 AI 模型，從原始數據裡面，去「理解」出更高層次、更具意義的資訊。

以研華科技為例，旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例，利用物件偵測模型，快速將工業產品中的瑕疵挑出來，而且由於 AI 模型可以使用同一套參數去檢測，因此品管上能達到一致性，減少人為疏漏。尤其在高產能工廠中，檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品，替工廠節省大量人力，同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

此外，在智慧倉儲場域，研華與威剛合作，研華與威剛聯手合作，在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台，打造倉儲系統的 AMR（Autonomous Mobile Robot） 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣，AMR 不需要事先規劃好路線，靠著感測器偵測，就能輕鬆避開障礙物，識別路線，並且將貨物載到指定地點存放。

當然，還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning )，除了可以做備忘錄跟排程規劃以外，還能將實務上碰到的問題記錄下來，等到之後碰到類似的問題時，就能詢問 AI 並得到解答。

你或許會問，那為什麼不直接使用 ChatGPT 就好了？其實，對許多企業來說，內部資料往往具有高度機密性與商業價值，有些場域甚至連手機都禁止員工帶入，自然無法將資料上傳雲端。對於重視資安，又希望運用 AI 提升效率的企業與工廠而言，自行部署大型語言模型（self-hosted LLM）才是理想選擇。而這樣的應用，並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器，體積僅如後背包大小，卻能輕鬆支援語言模型的運作，實現高效又安全的 AI 解決方案。

但問題也接著浮現：要在這麼小的設備上跑大型 AI 模型，會不會太吃資源？這正是目前 AI 領域最前沿、最火熱的研究方向之一：如何幫 AI 模型進行「科學瘦身」，又不減智慧。接下來，我們就來看看科學家是怎麼幫 AI 減重的。

語言模型瘦身術之一：量化（Quantization）—用更精簡的數位方式來表示知識

當硬體資源有限，大模型卻越來越龐大，「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像：有些畫面細節我們肉眼根本看不出來，刪掉也不影響整體感覺，卻能大幅減少檔案大小。

模型量化的原理也是如此，只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示，什麼是浮點數？其實就是你我都熟知的小數。舉例來說，圓周率是個無窮不循環小數，唸下去就會是3.141592653…但實際運算時，我們常常用 3.14 或甚至直接用 3，也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思！ 

然而，量化並不是那麼容易的事情。而且實際上，降低精度多少還是會影響到模型表現的。因此在設計時，工程師會精密調整，確保效能在可接受範圍內，達成「瘦身不減智」的目標。

模型剪枝（Model Pruning）—基於重要性的結構精簡

建立一個 AI 模型，其實就是在搭建一整套類神經網路系統，並訓練類神經元中彼此關聯的參數。然而，在這麼多參數中，總會有一些參數明明佔了一個位置，卻對整體模型沒有貢獻。既然如此，不如果斷將這些「冗餘」移除。

這就像種植作物的時候，總會雜草叢生，但這些雜草並不是我們想要的作物，這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在，而動手去清理這些不需要的連結參數或神經元的技術，就稱為 AI 模型的模型剪枝（Model Pruning）。

模型剪枝的效果，大概能把100變成70這樣的程度，說多也不是太多。雖然這樣的縮減對於提升效率已具幫助，但若我們要的是一個更小幾個數量級的模型，僅靠剪枝仍不足以應對。最後還是需要從源頭著手，採取更治本的方法：一開始就打造一個很小的模型，並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」，是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾（Knowledge Distillation）—讓小模型學習大師的「精髓」

想像一下，一位經驗豐富、見多識廣的老師傅，就是那個龐大而強悍的 AI 模型。現在，他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案，老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」，例如「為什麼我會這樣想？」、「其他選項的可能性有多少？」。這樣一來，小小的學徒模型，用它有限的「腦容量」，也能學到老師傅的「智慧精髓」，表現就能大幅提升！這是一種很高級的訓練技巧，跟遷移學習有關。

舉個例子，當大型語言模型在收到「晚餐：鳳梨」這組輸入時，它下一個會接的詞語跟機率分別為「炒飯：50%，蝦球：30%，披薩：15%，汁：5%」。在知識蒸餾的過程中，它可以把這套機率表一起教給小語言模型，讓小語言模型不必透過自己訓練，也能輕鬆得到這個推理過程。如今，許多高效的小型語言模型正是透過這項技術訓練而成，讓我們得以在資源有限的邊緣設備上，也能部署愈來愈強大的小模型 AI。

但是！即使模型經過了這些科學方法的優化，變得比較「苗條」了，要真正在邊緣環境中處理如潮水般湧現的資料，並且高速、即時、穩定地運作，仍然需要一個夠強的「引擎」來驅動它們。也就是說，要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型，真正放到邊緣的現場去發揮作用，就需要一個強大的「硬體平台」來承載。

邊緣 AI 的強心臟：SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器，就是扮演「邊緣 AI 引擎」的關鍵角色！那麼，它到底厲害在哪？

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要？因為 GPU 的設計，天生就擅長做「平行計算」，這正好就是 AI 模型裡面那種海量數學運算最需要的！

你想想看，那麼多數據要同時處理，就像要請一大堆人同時算數學一樣，GPU 就是那個最有效率的工具人！而且，有多張 GPU，代表可以同時跑更多不同的 AI 任務，或者處理更大流量的數據。這是確保那些科學研究成果，在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎！

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房，有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計，體積相對緊湊，散熱空間也比較好（這對高功耗的 GPU 很重要！），部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算，進行「工程化」，讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格，背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場，系統穩定壓倒一切！你總不希望 AI 分析跑到一半就掛掉吧？這些設計確保了部署在現場的 AI 系統，能夠長時間、穩定地運作，把實驗室裡的科學成果，可靠地轉化成實際的應用價值。

台灣製造 × 在地智慧：打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能，能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署，及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析，還是其他 AI 相關的服務，都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務，讓企業在啟動 AI 專案前，大幅降低前期投入門檻，靈活又實用。

台灣有著獨特的產業結構，從精密製造、城市交通管理，到因應高齡化社會的智慧醫療與公共安全，都是邊緣 AI 的理想應用場域。更重要的是，這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示，這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果，往往已經錯失最佳反應時機。這也是為什麼邊緣 AI，不只是一項技術創新，更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場，就能被有效的「理解」與「利用」，是將數據垃圾變成數據黃金的賢者之石！

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

在瑞士有個 61 歲的男子，4 天前還被看到好端端的，眼下卻沒來由地在家裡掛了。目擊證人、已知疾病、就診紀錄，或是感染相關的線索，例如：升高的肛溫、皮膚的瘀點、退燒藥、止痛劑等，要什麼沒什麼。驗屍團隊推估男子死亡超過 24 小時，其他所知無多。^[1]

驗屍

就外觀而言，男子的屍體沒有任何病灶。驗屍團隊本來想照慣例，先做電腦斷層掃描（computed tomography），觀察內部概況後再解剖。無奈這天儀器故障，所以改照核磁共振造影（magnetic resonance imaging）。不過，塞翁失馬，焉知非福。雖然核磁共振的成本較高，費時冗長，但是影像更為細緻：神經放射科醫師指出腦部額葉與顳葉的扣帶皮質、邊緣葉，以及島葉皮質的左側，都有損傷。換句話說，可能是單純疱疹病毒腦炎（herpes simplex virus encephalitis）。^[1]

照完醫療影像，把屍體剖開來，有肉眼和顯微鏡都可見的肺炎（pneumonia）病變。腦部切片的組織學分析，以蘇木紫（hematoxylin）和伊紅（eosin）染劑上色，顯現出少量發炎的腦幹細胞與病變的海馬體神經元；透過免疫組織化學染色，則發現腦幹內有某些類型的 T 細胞和巨噬細胞，以及活化的小神經膠質細胞等多種免疫細胞。更重要的是，在海馬體中找到單純疱疹病毒（herpes simplex virus）HSV-1 與 HSV-2，證明了根據核磁共振影像所做的推測。^[1]

單純疱疹病毒

單純疱疹病毒經由接觸傳播，從皮膚或黏膜進入人體，感染神經末梢，並在神經節中進行複製。^[1]該病毒分為兩型：90% 的人口都得過，會造成口腔疱疹／唇疱疹的 HSV-1，偶爾也因口交衍生出性器疱疹；不過較不普遍的 HSV-2，通常才是後者的元兇。^{[1, 2]}另外，有些極罕見的 HSV-1 和 HSV-2 案例，是母親於生產時，傳染給嬰兒。^[2]

首次感染也許會發燒、頭疼、喉嚨痛、身體痠痛，或淋巴結腫大。這些症狀若難以承受，可以透過藥物緩解；但是單純疱疹病毒一旦定居神經細胞，只會一下活躍，一下沉寂，終身無法根除。生病、發燒、月經、創傷、手術、陽光曝曬與心理壓力等，都可能引起復發。好在之後的發作通常為期較短，病況也不如第一次那麼嚴重。^[2]

單純疱疹病毒腦炎

儘管單純疱疹病毒只會給一般人帶來暫時的不適；遇上免疫力差的人，發作就更加嚴重且頻繁，甚至有致命的風險。^{[1, 2]}HSV-1 感染可能併發腦炎（encephalitis）和角膜炎（keratitis）；^[2]HSV-2 則會導致腦膜腦炎（meningoencephalitis）與擴散至多處的瀰漫性感染（disseminated infection）。^{[2, 3]}

單純疱疹病毒腦炎的成人發病率高，每年約有 1/250,000–1/500,000；而且就算即時診斷，並經靜脈施予抗病毒藥物 acyclovir，仍有 20% 到 30% 的死亡率。^[4]其診斷方式為執行腰椎穿刺（lumbar puncture），抽取腦脊髓液來檢驗有無病毒；以及做腦部核磁共振，主要看額葉與顳葉是否病變，僅有少數病例會擴及腦幹。病毒影響腦部，展現出來就成了頭疼、癲癇、發燒、失語、個性改變或精神錯亂。^[1]

問題是這名男子生前大概缺乏明顯症狀，所以未曾就診。難怪 2023 年在《國際鑑識科學：報告》（Forensic Science International: Reports）期刊介紹此案的論文作者，只差沒抱怨如此隱蔽的疾患，要叫人怎麼猜。他們最後表示男子死於肺炎，卻通篇討論他罹患的單純疱疹病毒腦炎，並且強調多數鑑識單位頂多幫屍體照電腦斷層掃描，不太容易發現這種腦部感染，所幸他們的電腦斷層掃描儀壞掉，仰賴核磁共振才做出正確診斷。^[1]

1. Genet P, Merkler D, Zerlauth JB, et al. (2023) ‘Incidental discovery of herpes simplex virus encephalitis by post-mortem MRI’. Forensic Science International: Reports, 7, 100310.
2. ‘Herpes simplex virus’. (05 APR 2023) World Health Organization.
3. Yetmar ZA, Khodadadi RB, Chesdachai S, et al. (2023) ‘Mortality After Nocardiosis: Risk Factors and Evaluation of Disseminated Infection’. Open Forum Infectious Diseases, 10(8):ofad409.
4. AK AK, Mendez MD. (31 JAN 2023) ‘Herpes Simplex Encephalitis’. In: StatPearls. Treasure Island (FL): StatPearls Publishing.

本文轉載自諾貝爾化學獎專題系列，原文為《【2002諾貝爾化學獎】質譜與核磁共振》

• 譯者／蔡蘊明｜台大化學系名譽教授

今年的諾貝爾化學獎是由三位學者所共享，他們的研究涵蓋了兩個重要領域：質譜與核磁共振。這三位得獎者是美國 Virginia Commonwealth 大學的 John B. Fenn，日本島津（Shimadzu）公司年僅四十三歲的研發工程師田中耕一（Koichi Tanaka）以及瑞士理工學院的 Kurt Wuthrich，前二者所專精的是質譜方面的研究，而後者是由於在核磁共振方面的研究而得獎。他們最主要的貢獻，是利用這些工具來解決巨大的生化分子之結構問題，他們的成就代表了一個革命性的突破，使得＂化學生物＂（chemical biology）成為現今的＂大科學＂（big science）。化學家們現在已經可以快而準確的鑑定一個試樣中含有的蛋白質為何物，他們也能夠繪出蛋白質分子在溶液中的三度空間圖像，也就是說，化學家已有能力＂看到＂蛋白質並瞭解它們在細胞中如何的作用。

生化分子的革命性分析方法

為什麼要研究生化的高分子

所有的生物體 ─ 細菌，植物及動物 ─ 都含有相同型態的大分子或高分子，而這些分子與我們所謂的生命是息息相關的。在細胞中所發生的現象是由核酸（例如DNA）來控制的，我們可稱之為細胞的＂導演＂，而各種蛋白質則是細胞的＂主角＂。每一個蛋白質都具有一種功能，並可隨著環境而變化。例如血紅素將氧氣輸送到人體內的各個細胞。

個別蛋白質的研究並非一項新的研究領域，然而蛋白體學（proteomics），也就是研究不同的蛋白質如何相互的聯合以及合併與其它的物質在細胞中共同運作，卻是一個在過去數年間極速成長的新興領域。隨著一個個生物體的基因之定序完成，以及相關的尖端研究不斷向前挺進，新的問題亦隨之而產生：人類約三萬個左右的基因，其密碼是如何的對應到千百來種不同的蛋白質？如果一個基因損傷或缺少了，會發生什麼狀況？像阿茲海默症或狂牛症是如何發生的？上述的新化學領域是否可運用到更快速的診斷出以及醫治好這些威脅到人類的疾病？

要想解決類似這樣的問題，化學家不斷的追求有關蛋白質的更多知識，以及瞭解它們如何相互聯合或與其它的分子聯合而在細胞中運作，這是因為它們的結合將會影響其結構，而在蛋白質結構上一點點的變化，就會對其功能有決定性的影響，因此下一步就是要掌握其活動狀況：當蛋白質相互作用的那一瞬間，蛋白質分子是何長相？尤其是在那決定性的一刻又如何？若想要瞭解，那我們就必須擁有“目睹”的能力。

質譜 ─ 一個鑑定分子的方法

質譜現在能讓我們利用分子的質量快速的鑑定出一個試樣中的化合物結構，這項技術早就被化學家運用在小型與中型的分子鑑定工作上，這項工具靈敏到能探察非常少量的分子。例如在吸毒以及藥物濫用的檢查，食品的控管以及環境的檢測等方面，質譜的運用在現今已是如例行公事般的尋常。

其實早在十九世紀末頁，質譜就已奠下了基礎，在 1912 年，湯木森（Joseph J. Thompson）就報告了第一例的小分子結構分析。好幾個二十世紀的諾貝爾獎工作就是直接倚賴質譜分析，例如 Harold Urey 發現氘（1934年諾貝爾獎），以及＂碳足球＂富勒烯（fullerenes 又稱碳六十）的發現，導致 Robert Curl、Harold Kroto 與 Richard Smalley 得到 1996 年的諾貝爾獎。

當然將質譜運用在高分子上的目標早就吸引了許多的科學家，在 1970 年代已經能成功的將高分子轉化成氣相的離子，稱為脫附技術（desorption technology），這成為過去二十年間在此領域中革命性進展之基礎。

雖然與其它的小分子比較，高分子的確很大，但實際上一個單一的高分子仍然是極為渺小的，例如血紅素的一個分子的質量只不過是10^-19克左右，那麼要如何量度這麼小的質量呢？關鍵就在於如何讓蛋白質分子相互分開，並形成一片可自由飛翔，並且攜帶電荷的蛋白質離子雲霧，緊接著量度這些離子質量（因之而能鑑定蛋白質）的常用方法，就是在一個真空室中將它們加速，然後量度其飛行時間（Time Of Flight, TOF），它們達到目的地的先後與其質量以及電荷有關，越輕而且電荷越高者，越快抵達。

現今有兩種做法能使得蛋白質轉變為氣態離子而不會改變其結構與形體，這兩種方法背後的發明者就是今年共享一半諾貝爾獎的兩位學者。其中由 John B. Fenn 所發展的方法是運用一個很強的電場將試樣噴灑出去（稱為電灑法，見圖一），而產生一個個帶電荷並能自由飛翔的離子。另一種方式是運用一個強烈的雷射脈衝，在適當的條件下（視能量，與試樣的結構和化學環境而定）運作，試樣可接受雷射脈衝的能量而被釋放成為自由的離子（見圖二），頭一個展示這種＂輕雷射脫附＂（soft laser desorption）現象可運用在蛋白質這種大分子的人就是田中耕一（Koichi Tanaka）。

Fenn 的貢獻 ─ 透過噴灑的飛翔

在 1988 年 John B. Fenn 發表了兩篇後來被視為突破性的質譜論文，那是有關電灑高分子的研究。在第一篇論文中，他研究具有未知質量的聚乙二醇（polyethylene glycol）的質譜，發現可以運用他的方法處理具有高分子質量及高電荷的大分子。他的第二篇論文顯示這個方法亦可運用在中等大小的蛋白質上。離子的釋出是藉由一個電場將試樣噴灑出去，形成許多帶電荷的水滴，當水滴中的水蒸發之後就剩下了帶電而且可自由翱翔的赤裸裸蛋白質分子，這個方法被稱為電灑游離法（electrospray ionization , ESI）。

當這些分子具有很高的電荷時，質量／電荷的比值就會小到可用普通的質譜儀來分析。另一個好處就是相同的分子可能攜帶不同的電荷，因此會得到一系列的訊號，雖然這個現象使得圖譜變得複雜，甚至對早先的研究者造成困擾，但這也產生了更多的資訊，使得鑑定的工作變得較容易。

田中耕一的貢獻 ─ 透過轟擊的翱翔

在同時，於世界的另一端也正進行著另一份精采的工作，在日本東京的島津儀器公司，有一位年輕的日本工程師田中耕一，發表了另一種截然不同的技術來解決那最重要的第一步。在 1987 年的一項學術會議中（並於一年後發表論文），田中耕一展示蛋白質分子可藉由輕雷射脫附（soft laser desorption , SLD）的技術而游離。有別於電灑法，一個處於固相或粘稠的液相狀態的試樣以一束雷射脈衝撞擊，試樣接受能量之後被炸成許多小塊塊，然後分子相互分離，釋出自由翱翔的完整離子，其電荷不高，然後藉由一個電場加速，並透過其飛行時間的長短探測之。田中耕一是展示可運用雷射的技術於生化高分子上的第一人，其原理是現今許多極為有用的雷射脫附技術的基礎，特別是簡稱為 MALDI（Matrix-Assisted Laser Desorption Ionization，基質輔助雷射脫附游離），SELDI（Surface Enhanced Laser Desorption Ionization，表面強化雷射脫附游離），以及 DIOS（Direct Ionization On Silicon）等三種方法。

質譜的應用

電灑游離法（ESI）與輕雷射脫附法（SLD）可運用在許多領域。這個在現在生化分析中已經成熟的方法，在數年前還不過是個夢想。研究蛋白質之間的作用對瞭解生命體中的訊號系統是非常重要的，這些以非共價鍵結合的生化分子錯合體，可以運用 ESI 來研究，這種方法優於其它方法的原因，在於具有快速，靈敏以及能發現作用機制的多項好處。質譜分析的方法相對而言算是便宜的，這也使得此項技術迅速的擴散到世界上各各角落的實驗室中。現在輕雷射脫附法（MALDI 的形式）與電灑游離法已成為分析胜肽，蛋白質與碳水化合物的標準方法，它們可以迅速的分析出一個完整的細胞或活組織中的蛋白質成分。從下面所列現今的一些研究領域之例子，就可看出今年的諾貝爾獎工作所衍生的運用之廣泛：

• 製藥的發展：先期的藥物研發已進行了型態的改變。搭配分離的技術，ESI－MS 可以做到每天分析好幾百個化合物。
• 瘧疾：科學家最近發現了新的方法來研究瘧疾的擴散。借助輕雷射脫附法，現在已可進行早期診斷，人類血紅素上攜帶氧的部份在此處用來吸收雷射脈衝的能量。
• 卵巢癌，乳癌與攝護腺癌：過去這一年中對於各種不同的癌症之早期診斷方法，以更快的速度被發表出來。只要能取得癌細胞所附著的表面，然後以輕雷射脫附法分析，化學家能比醫生更迅速的發現癌症。
• 食物的品管：ESI 技術也在小分子的分析上有所進展。在過去這幾個月，我們發現某些製備食物的方法會產生一些有害人體健康的分子，例如可導致癌症的丙烯醯胺（acrylamide），藉著質譜，食物可以在不同的階段接受迅速的分析，藉著溫度以及材料的改變，有害物質的產生可以避免或減少。

生化高分子的核磁共振

質譜可針對譬如說蛋白質所提出的＂哪一種？＂與＂有多少？＂的問題給予答案。簡言之，核磁共振則可回答＂長相如何？＂。即使是最大的蛋白質在任何顯微鏡底下的解析度仍然很低，因為它仍然太小了，為了要能得到一張蛋白質真正長相的圖片，就必須用其它的方法，核磁共振（NMR，nuclear magnetic resonance）的技術就是其中之一。透過核磁共振光譜訊號的解釋，我們就可以對所研究的分子繪出一張三度空間的圖像。其巧妙之處在於試樣可以是一種溶液態，如果是蛋白質的話，那正是細胞中的自然情況。

在核磁共振發展之前，以晶體的 X 光繞射光譜來決定蛋白質分子的三度空間結構是唯一的方法，在 1957 年發表了第一個真正的蛋白質（肌紅蛋白）之三維結構，這使得 Max Perutz 因此於 1962 年得到諾貝爾化學獎。這種結晶學是基於 X 光在蛋白質晶體中的繞射現象，導致了更進一步的一些諾貝爾獎工作之發展。化學家一直在尋求另一種與 X 光結晶學互補的方法，能夠決定分子在溶液相中之結構，因為這較能模擬生化分子在自然界中存在的狀態。

物理學家 Felix Bloch 與 Edward Purcell 早在 1945 年就發現，將某些原子核置於一個強大的磁場中時，透過所謂的核轉量（nuclear spin），會吸收無線電波的頻率，這個發現導致他們得到了 1952 年的諾貝爾物理獎。在這之前幾年也已發現核磁共振的頻率不但與磁場的強度以及核種有關，同時也與這個原子週遭的化學環境有關，更進一步的，不同的核之核轉量會相互影響而在光譜中產生一些細部結構，換言之會因此在核磁共振光譜中產生更多的訊號。

早期 NMR 的運用受限於其低靈敏度：它需要非常濃的溶液，不過在 1966 年，瑞士的化學家 Richard Ernst（1991年諾貝爾化學獎）的研究顯示，若改變過去慢慢改變掃描頻率的做法，而以一個短而強的無線電波脈衝施於樣品，則可以大幅提昇其靈敏度。他的貢獻也包括了在 1970 年代所發展的方法，能決定在一個分子中每一個核的相鄰關係，因此透過 NMR 光譜的判讀就可以推導出該分子的長相，也就是它的結構。這種方法對於相當小的分子是很成功的，然而對於大的分子就很難分辨不同的核之訊號，這種分子的光譜就好像一塊草皮一般（每一根草代表一根訊號），含有上千根的訊號，造成無法區辨哪一個訊號是屬於哪一個核的。最後解決了這個問題的科學家就是瑞士的化學家 Kurt Wuthrich。

Kurt Wuthrich ─ 顯示NMR可運用在蛋白質上

在 1980 年代初期，Kurt Wuthrich 發展了一個如何將 NMR 運用到像蛋白質這樣的生化分子的想法，他發明了一種系統化的方法將訊號與正確的氫核配對，此法稱為循序指認法（sequential assignment），堪稱為現今所有 NMR 結構分析的基石。他又展示接著如何找出許多對氫核之間的距離，然後運用一個基於距離與幾何結構的數學方法，搭配以上的資訊，計算出該分子的三維結構。

在 1985 年 Wuthrich 的方法第一次成功的解出了一個蛋白質的完整三維結構，到目前為止，在所有上千已知的蛋白質結構中約有 15-20% 是透過 NMR 決定的，其它的則主要是利用 X 光結晶學而定的，加上少數幾個是運用電子繞射或中子繞射的方法。

NMR運用於生化分子的領域

在許多方面，NMR 與 X 光結晶學的方法在結構的決定上是互補的，如果一個蛋白質用這兩種方法都分析一遍，前者在溶液中後者則是晶體的形式，通常會得到一致的結果，例外常是發生在一些表面較易受到環境影響的區域 ─ 在晶體中緊密堆積的蛋白質分子相互的影響，在溶液中包圍著分子的溶劑分子的影響。雖然 X 光結晶學的方法強在能非常準確的決定非常大的三維結構，NMR 的方法也有其獨到之處，因為它可以決定在溶液中的結構，代表我們可以模擬真正的生理條件。它最強的地方在於顯示出分子中沒有結構性或動態最高的區域，它可探知其游動性與活動狀況，以及瞭解在蛋白質的鏈上這些運作如何變化。利用同位素的標籤，亦有助我們對結構的鑑定。

一個利用 NMR 決定蛋白質結構的例子是有關一種稱為 prion 的蛋白質，這個蛋白質攸關好幾種危險的疾病，例如狂牛症（1997年 Stanley Prusiner 所得的諾貝爾醫學獎）的發生。Wuthrich 與其工作夥伴運用 NMR 的技術顯示一個正常的 prion 蛋白質具有兩個部份：此一蛋白質約有一半在水溶液中具有一個整齊而且相當堅固的三維結構，而另一半則不具結構性而且游動性很高。

NMR 亦可以運用在其它的生化高分子的結構與動力研究上，例如 DNA 或 RNA。

NMR 也運用在製藥工業中，解決一些蛋白質以及其它可能可以作為新藥目標的高分子的結構，以及瞭解進一步的性質問題。藥物分子的設計就是要能與蛋白質結合 ─ 就像鑰匙與鎖的關係。NMR 或許在工業上面最重要的運用就是在尋找具有潛力，能與特定生化高分子作用的藥物分子，如果一個小分子與一個大的分子結合時，那個大分子的 NMR 光譜通常會有所改變，因而此法可用在發展新藥時，迅速的在早期篩選大量的可能候選者。

結語

在過去這五年，我們看到了在生命科學領域中所出現的＂全像＂概念，例如基因體學，蛋白質體學以及代謝體學的興起，這種思維主要的觀念是採取一種整體而大規模的研究策略，而非如早期的研究般，採取簡化策略，以解決問題為出發點。現在我們已經可以描述一個生命體中的整個基因體，同樣的，現在也已經可以開始考慮，在一個活的細胞中某一階段所參與的整組蛋白質的運作，只不過尚未能達到定量的階段。這個概念也同樣的運用在整個代謝物流上。這些新的可能性，有一部份是源自於新方法的發展，其中質譜與 NMR 在生物高分子上的運用應為重要的例子。不過隨伴著以企業化方式大幅度的繪製生命體中分子性質的圖譜之時，我們仍有更殷切的需求，深入的瞭解在分子的層次，生化過程是如何發生的。在這個由基本的生化科學所構成的世界裡，質譜及 NMR 在生物高分子上的運用，已成為增進對生命的瞭解之過程中，重要的基石。

參考資料

蔡蘊明譯自諾貝爾化獎委員會公佈給大眾的新聞稿：

http://www.nobelprize.org/nobel_prizes/chemistry/laureates/2002/popular.html

若需要進一步的資訊，請至以下網頁點選：

http://www.nobelprize.org/nobel_prizes/chemistry/laureates/2002/advanced-chemistryprize2002.pdf