Loading [MathJax]/extensions/tex2jax.js

0

0
1

文字

分享

0
0
1

沒有化石,也能用表觀遺傳學重建丹尼索瓦人的長相?

寒波_96
・2018/08/07 ・3513字 ・閱讀時間約 7 分鐘 ・SR值 563 ・九年級

只知 DNA 卻不知型態的丹尼索瓦人

古代DNA 研究發展至今,最大的驚奇或許是丹尼索瓦人(Denisovans)。過往的古人類學,主要靠化石與人造物認識古代人類,例如知名的尼安德塔人(Neanderthals),就有成百上千的遺址以及大批化石,讓專家得以掌握他們的型態特徵與生活方式。等到尼安德塔人的基因組被定序成功,我們對尼安德塔人的認識,更是進一步拓展到遺傳的層次。

智人與尼安德塔人,臉部的型態特徵是已知的。圖/取自 馬克斯普朗克研究所

智人與尼安德塔人之外,至今所有滅絕的古人類都是只有化石,不知 DNA;而唯一例外是丹尼索瓦人。目前已知丹尼索瓦人的居住地點,只有西伯利亞南部的丹尼索瓦洞穴一處,古遺傳學家由此地出土的一位蘿莉手指的骨頭中,取得了高品質的全套丹尼索瓦基因組。

然而,除了此一小到難以辨識型態的指骨以外,我們對丹尼索瓦人型態的了解只有臼齒特別大,然後就沒有其他資訊了。也就是說,絕大部分古人類是缺乏遺傳訊息,只知化石型態;丹尼索瓦人卻是只知 DNA,不知型態。

看起來,在找到更多丹尼索瓦人的化石之前,我們應該無從得知他們的長相?由耶路撒冷希伯來大學的 Liran Carmel 博士率領的戰隊,卻出乎意料地提出無比瘋狂的主意:即使缺少新的化石證據,靠著表觀遺傳學(epigenetics)仍然有辦法無中生有,重建丹尼索瓦人的面貌。

-----廣告,請繼續往下閱讀-----
取自死人骨頭的古代基因組,也能研究表觀遺傳學!?圖/取自 Liran Carmel 2014 年演講的投影片。

能調控基因表現的DNA甲基化

基因的 DNA 序列就算沒有改變,細胞也能靠著不同的調控方式,影響基因的表現。透過不同化學修飾,不改變 DNA 本身仍能影響基因表現的方法,稱作表觀遺傳學修飾(epigenetic modification);其中一種方法是在 DNA 鹼基上加上甲基,也就是 DNA甲基化(DNA methylation),基因組上被甲基化的區域,通常會降低或失去表現能力。

即使 DNA 序列一模一樣,若是甲基化程度不同,基因表現仍可以產生差異。智人、尼安德塔人、丹尼索瓦人三者的親戚關係很近,遺傳差異很少,彼此間許多型態上的差別,或許並非 DNA 序列差異造成,而是與基因調控有關,DNA甲基化在其中可能就扮演著重要角色。

智人、尼安德塔人與丹尼索瓦人間的親緣關係。

問題是我們要怎麼才能知道,古代基因組上 DNA甲基化的狀態?DNA 不會變,但是像 DNA甲基化這般的表觀遺傳學修飾卻會時常變化,而且就算是同一個人,不同細胞、組織、生理狀態之下,基因組上 DNA甲基化的狀況也會有差異;因此,如果要研究 DNA甲基化,一定要注意細胞來自什麼狀態。

古代DNA 更絕望的問題是,也許幾萬年後 DNA 序列仍然生還,但是上頭的化學修飾,一定早就死光光,沒有任何辦法可以復原。

-----廣告,請繼續往下閱讀-----

死掉幾萬年,還能得知 DNA甲基化圖譜?

幸好,雖然古代DNA 上的化學修飾沒了,不過衍生結構還在。人類基因組是由 ATCG 排列而成,大部分 DNA甲基化的位置,都位於 CG 連續出現時前面的 C,也就是胞嘧啶(cytosine)上頭,由此可以預測基因組上,哪些位置被甲基化的機率較高。

不過要如何分辨,哪些胞嘧啶曾被甲基化?生物死掉以後 DNA 會開始損壞,而最常見的是去胺作用(deamination),胞嘧啶經過去胺作用後,會轉變成尿嘧啶(uracil,簡稱 U),甲基化的胞嘧啶(5-甲基胞嘧啶)卻會變成胸腺嘧啶(thymine,簡稱 T)。賓果!

細胞還活著的時候的 DNA甲基化,以及死掉以後有無甲基化,經歷去胺作用的差異。圖/取自 ref 1

由於化學反應之故,從化石中取得的古代DNA 片段,與智人的基因組對照以後,智人是 C 的位置,古代基因組上若是 U,意謂古人類該位置本來很可能是 C,讀取到 U 是去胺作用所致。假如古代基因組上是 T,那就有兩個可能:第一,它真的是有別於智人的 T;第二,它本來是甲基化的 C,被去胺作用轉變成 T。

用次世代定序法一網打盡樣本內所有 DNA 片段,通通定序的好處是,可以取得許多古代DNA 片段,對應到基因組上的同一個位置;藉此能夠估計古代基因組上,該位置究竟真的是 T,或是甲基化 C 的機率。靠著這套策略,古代基因組上的 DNA甲基化圖譜(DNA methylation map)被順利重建。[1]

-----廣告,請繼續往下閱讀-----

探討表觀遺傳學調控很重要的是,不同細胞的修飾狀況不同。古代基因組的 DNA甲基化圖譜,大致看來與智人的骨細胞類似,想來十分合理,因為古代基因組正是取自尼安德塔人,與丹尼索瓦人的骨細胞。

用基因調控差異,重建未知的型態

得知基因組上哪些位置被甲基化以後,接下來是比較智人與尼安德塔人、丹尼索瓦人間的差異,以及探討 DNA甲基化的差異,是否會影響三者的型態特徵。最後,則是重建型態。

由 DNA 差異判斷,尼安德塔人、丹尼索瓦人的血緣關係較近,共同祖先約能追溯到 40 多萬年前,又與智人大概在 55 到 77 萬年前分家。

各演化分枝上,DNA甲基化位置差異的數目。圖/取自 ref 2

整體看來,基因組上甲基化位置彼此有別的數目,尼安德塔人與丹尼索瓦人分家以後,尼安德塔人有 570 個,丹尼索瓦人則有 443 個。他們的共同祖先與智人分開之後有 939 個,智人這邊則是 873 個。[2]

-----廣告,請繼續往下閱讀-----

比對許多資料庫與序列,費了一番功夫後,研究團隊建立起 DNA甲基化、相關基因表現,與臉、聲道、咽、喉型態發育的關係。尼安德塔人有大量化石,型態如何是已知的;用尼安德塔人的型態特徵,可以回推 DNA甲基化和基因表現的改變,對型態的影響。

重建各部位的型態。圖/取自 ref 2

假如利用古代基因組的 DNA甲基化圖譜,能夠順利重建尼安德塔人的臉部型態,而丹尼索瓦人相關的基因調控狀況,又與尼安德塔人和智人相差不多,那麼同樣的預測辦法,就能用於重建丹尼索瓦人的面貌。結果尼安德塔人型態的預測,正確率約有 87%,可見預測大致上是可靠的。

於是,研究團隊重建了丹尼索瓦人的型態。假如跟想的一樣,丹尼索瓦人會有不少特徵與尼安德塔人一致,不過也有 56 項有別於智人和尼安德塔人,例如丹尼索瓦人配備更長的牙弓(dental arch),以及更寬的雙頂骨(biparietal)。

已知的尼安德塔人,以及推估的丹尼索瓦人分佈範圍。圖/取自 PaleoAnthropology+ twitter

丹尼索瓦人是「他」?

非常非常有意思的是,研究團隊也將預測的丹尼索瓦人和許昌人比較,而且驚訝地發現,許昌人已知的型態特徵中,大部分都與「丹尼索瓦人」吻合。

-----廣告,請繼續往下閱讀-----
許昌人化石(Xuchang 1)的拼湊結果。圖/取自 ref 3

許昌人出土於中國河南省,許昌的靈井遺址,是生活在東亞北方,10 萬年前的古早人類;型態特徵與所有已知古人類都不完全一致,所以難以歸類;還有 2 項特徵與尼安德塔人一致。某些古人類學家認為,既然有共同的型態,許昌人和尼安德塔人間應該有某種糾葛;還有人推論,許昌人多半與丹尼索瓦人有關係,甚至大膽猜測許昌人,就是面貌未知的丹尼索瓦人本尊。[3]

至今為止,用 DNA甲基化圖譜重建古人類型態的研究,都還沒有正式發表。丹尼索瓦人的型態預測是否正確,許昌人是不是就是各界尋覓已久的丹尼索瓦人,這些令人期待的問題,仍有待未來分曉。

至少我們如今知道,聰明的智人已經想到辦法,有望能無中生有,重建滅絕親戚未知的面貌。

延伸閱讀:

-----廣告,請繼續往下閱讀-----

參考文獻

  1. Gokhman, D., Lavi, E., Prüfer, K., Fraga, M. F., Riancho, J. A., Kelso, J., … & Carmel, L. (2014). Reconstructing the DNA methylation maps of the Neandertal and the Denisovan. Science, 1250368.
  2.  Extensive Regulatory Changes in Genes Affecting Vocal and Facial Anatomy Separate Modern from Archaic Humans
  3.   Li, Z. Y., Wu, X. J., Zhou, L. P., Liu, W., Gao, X., Nian, X. M., & Trinkaus, E. (2017). Late Pleistocene archaic human crania from Xuchang, China. Science, 355(6328), 969-972.

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁

-----廣告,請繼續往下閱讀-----
文章難易度
寒波_96
193 篇文章 ・ 1090 位粉絲
生命科學碩士、文學與電影愛好者、戳樂黨員,主要興趣為演化,希望把好東西介紹給大家。部落格《盲眼的尼安德塔石器匠》、同名粉絲團《盲眼的尼安德塔石器匠》。

0

1
0

文字

分享

0
1
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)」!

-----廣告,請繼續往下閱讀-----

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。

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。

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。/ 圖片提供:研華科技

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----
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。/ 圖片提供:研華科技

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

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

2
1

文字

分享

0
2
1
從一片荒蕪到綠色星球:細菌與光合作用如何重塑地球——《你的身體怎麼來的?》
商周出版_96
・2025/01/27 ・3861字 ・閱讀時間約 8 分鐘

喜出望外

海中糟粕化為盎然綠意

這個星球現在仰仗光合作用運轉。

──史緹耶可.戈盧比奇(Stjepko Golubic)

四十億年前,地球的陸塊相當單調,黑色、褐色、灰色的岩石上一片荒蕪,火山朝著無氧的大氣噴發毒素,人類乘坐時光機回到那時間點會立刻窒息。當時地球上僅有的生命形態是細菌,以及比英文句號還小得多的單細胞生物。然而若往前快轉幾十億年,來到距今僅三億五千萬年前後,會發現大氣中氧含量接近人類已經習慣了的百分之二十一,這是個很奢華的數字。

那個年代,海洋中滿是巨大生物四處洄游,植物入侵陸地並為人類的演化鋪路。地球從無法居住的荒土蛻變為藍綠色的生命樂園,這麼戲劇性的轉折是什麼力量在背後推動?

種種因素之中有一項特別醒目:直到一九六〇年代人類才開始意識到光合作用的力量不下於各種地質學事件,改造這顆星球的手段神祕且驚奇,非常難以想像。

地球從荒土到生命樂園的蛻變,歸功於光合作用的出現。圖 / unsplash

改造過程中,光合作用或許曾經引發大規模生物滅絕。科學家一度認為其威力能夠與核戰浩劫相提並論,使這顆行星被寒冰覆蓋化作巨型雪球。但同時光合作用又輔助、甚至促成「不可能」的演化捷徑,進而提高生命多樣性,最終使植物甚至人類得以存在。科學家如何研究太古時代的自然變動?而光合作用又如何將地球鬧得天翻地覆?

-----廣告,請繼續往下閱讀-----

疊層石背後的生命故事

十九世紀末期,有人找到能夠追溯光合作用悠久歷史的第一條線索。那時候沒有任何證據指向距今大約五億五千萬年的寒武紀之前有生命存在,然而一八八二年冬天美國大峽谷深處名叫查爾斯.沃爾科特(Charles Walcott)的岩石收藏家改變了一切,後來還當上史密森尼學會的主席。

沃爾科特的故鄉是化石天堂紐約州由提卡市(Utica)。小時候他生得瘦瘦高高,喜歡在父母的農場以及附近未來岳父擁有的採石場內找化石,十八歲離開校園之後先去五金行當店員,卻自己閱讀教科書、研究化石並撰寫論文、與著名地質學家通信來維繫心中熱情。他曾經蒐集古代海洋生物三葉蟲的化石標本,品質在全世界而言也是數一數二,後來慷慨出售給了哈佛大學。

沃爾科特的勘探技巧十分高明,也藉此就職於新成立的美國地質調查局。一八八二年十一月,地質調查局局長、同時自己也是探險家的約翰.威斯利.鮑威爾(John Wesley Powell)要求沃爾科特勘測迄今為止無法進入的大峽谷深處。

鮑威爾之前嘗試過,但只能乘坐小木舟趁漂流時稍微觀察最底層岩石,後來他就在偶爾有「刺骨寒霧、雪花飛旋」的地方紮營監督,帶人修建一條從峽谷邊緣延伸到下方三千英尺(約九百一十四公尺)處溫暖地帶的陡峭馬徑,並且讓時年三十三歲的沃爾科特帶著三名工人和足夠支撐三個月的食物、九匹上鞍的騾子沿著那條臨時小徑進入谷底。

-----廣告,請繼續往下閱讀-----

「高原之後就會積滿雪,」鮑威爾告訴他:「春天之前你和搬運工無法離開峽谷。希望這段時間裡,你能好好研究地層序列,盡量收集化石。祝好運!」

對沃爾科特而言,這是千載難逢的機會。他已經發現一些已知的最古老化石,例如神似甲殼類但奇形怪狀的三葉蟲。此外,達爾文發表《物種起源》不過四十年前,但因為缺乏最原始的動植物或細菌化石而遭到很多抨擊。批評者仗著沒有化石這點堅稱所有物種都是神造,懷疑論者也要求達爾文證明古代有過更單純的生物,可惜他只能委婉表示若生物體很小就不容易留下化石,希望有朝一日會出現。

充滿驚喜的山谷

沃爾科特深知達爾文的窘境。他沿著陡峭原始小徑下降到幾乎沒有生命跡象的大峽谷谷底,然後用心觀察周遭環境。山谷、懸崖,除了石頭還是石頭,但這一隅紅色天地很得他喜愛,不過同行的化石收集家、廚師和馱獸管理員就未必能夠分享那份悸動了。

他們沿著八百英尺(約兩百四十四公尺)峭壁吃力前行,其中一段就是現在的南科維山徑(NankoweapTrail),一般認為是大峽谷裡最危險的路線,河流地形坡陡水急即使沿岸也難以行走,有時候不得不自己開路以求深入。後來一頭騾子死亡、另外兩頭受傷。旅程中至少一次,沃爾科特筆中的墨水結凍了,但又必須在篝火邊融冰為水給騾子飲用。但最可怕的其實是死寂與孤獨,才三個星期就導致那位化石收集家夥伴憂鬱求去。但沃爾科特不同,能來到谷底他太興奮了,堅持了七十二天才踏上歸途。

-----廣告,請繼續往下閱讀-----

有一天他爬上爬下,對部分岩石中層層線條感到好奇,乍看很像切開的包心菜。這些圖案極不尋常,所以沃爾科特認定是生物,後來將其命名為藍綠菌(最初曾視為藻類)。他還聯想到自己在紐約州看過來自寒武紀時期的類似化石,取「隱含生命」的含義命名為隱藻化石(Cryptozoön)。然而大峽谷的情況有點不同,這些化石明顯可見,卻又位於更古老的岩層內,因此歷史比任何其他已發現的化石都久遠。

沃爾科特在大峽谷的古老岩層中發現了類似藍綠菌的化石,命名為隱藻化石,揭示比已知更古老的生命存在。圖 / unsplash

沃爾科特後來在蒙大拿州等地持續發現同樣古老的隱藻化石,接著其他古生物學家也在前寒武紀岩石內察覺到疑似化石的特殊圖案,種種線索指向最原始生命形式的證據可能保存在寒武紀前的石頭裡。即便如此懷疑論調不斷,尤其某個長期存在爭議的標本被證明了並非化石,而是火山石灰岩經過壓力和高溫形成獨特的礦物沉積。

隱藻化石的爭議:解鎖前寒武紀生命的證據

一九三〇年代,沃爾科特去世的四年後,劍橋大學最具影響力的古植物學家蘇厄德(Albert Charles Seward)決定加入辯論,卻在後來被古生物學家肖普夫(William Schopf)形容是「讓煮熟的鴨子飛了」。蘇厄德在史稱「隱藻化石爭議」的事件中嚴格審視前寒武紀化石證據,得出結論認為這完全是一廂情願,所謂的化石與現存物種之間沒有明顯關係,大型結構並未顯示出由較小細胞組成的特徵。

他主張沃爾科特在隱藻化石找到的環狀圖案可能是海底富含鈣質的淤泥沉積,人類本來就不該期望細菌這樣微小的生物會被保存在化石,最後又語重心長告誡科學家:有些尋找化石的人太過一頭熱,他們宣稱找到特別古老的標本時不能輕信。

-----廣告,請繼續往下閱讀-----

地位如此卓著的人物提出警告,導致地質學家不願再從岩石尋找距今約五億年以上的化石,畢竟找到的機率幾乎等於零。久而久之許多人認定了生命在地球上的歷史很短,這顆星球的前面四十億年、其歷史的九成之中根本沒有生命存在。微生物學家史緹耶可.戈盧比奇指出許多科學家以「前寒武紀」一詞指稱生命尚未問世的太古時期,其實這是陷入「現有工具檢測不到就代表不存在」的思考偏誤,將缺乏證據直接視為否定證據了。

時間來到二十年後的一九五〇年代中期,澳洲年輕研究生布萊恩.洛根(Brian Logan)隨地質學教授菲利普.普萊福德(Philip Playford)探索了位置偏遠的鯊魚灣,也就是澳洲西北海岸一片孤立的鹹水潟湖。站在這兒的海灘,淺藍色海水退潮時會露出如夢似幻的奇景:數百顆三英尺(約九十一公分)高的圓柱狀岩石林立,彼此間距很小,彷彿堅硬粗糙如石塊的蘑菇聚集叢生。

兩人詳細調查了這片怪異石陣,然後意識到理解沃爾科特隱藻化石的關鍵。眼前這些不僅是活化石,還能回答一個經典謎語:什麼東西既死又活?石頭表面曾經活著,是藍綠菌累積起來形成網罩般的構造。海水進出時,這層菌網會捕捉沉積物。而藍綠菌死亡後,沉積物固定在原位如海綿狀的石塔,於是又有新的細菌附著其上、形成新的一層網罩。

細菌以同樣方式在太古海洋中創造出沃爾科特的隱藻化石,現在稱為疊層石,語源是希臘文stroma(層)和lithos(岩)。目前只有鯊魚灣等少數幾個地方能找到疊層石,環境對其他多數生物過於鹹澀無法生存。但另一方面,已經化石化的古老疊層石則在世界各地皆有發現。

-----廣告,請繼續往下閱讀-----

澳洲地質學家偶然發現還活著的疊層石,同時美國兩位地質學家史坦利.泰勒(Stanley Tyler)和埃爾索.巴洪(Elso Barghoorn)也宣布找到了蘇厄德口中不存在的化石標本,其中微生物有單細胞也有多細胞,藍綠菌絲也包括在內,而且這些化石都有大約二十億年歷史。「許多人很震驚的,」戈盧比奇表示:「原本以為生命在寒武紀才爆發,之前什麼都沒有。寒武紀應該是起點才對。」但現在普遍接受最古老的疊層石化石上微生物活在三十五億年前,依舊是地球誕生的十億年之後。達爾文和沃爾科特應該很欣慰。

哪種細菌造出最古老的疊層石?無法確定是已經會行光合作用的藍綠菌,抑或是它們的祖先。不過藍綠菌至少二十四億年前已經存在於海洋。

——本文摘自《你的身體怎麼來的?從大霹靂到昨日晚餐,解密人體原子的故事》,2025 年 01 月,商周出版,未經同意請勿轉載。

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

商周出版_96
123 篇文章 ・ 364 位粉絲
閱讀商周,一手掌握趨勢,感受愜意生活!商周出版為專業的商業書籍出版公司,期望為社會推動基礎商業知識和教育。

0

4
1

文字

分享

0
4
1
微小 RNA,大大改變!2024 諾貝爾生醫獎揭示基因調控新篇章
PanSci_96
・2024/11/12 ・2604字 ・閱讀時間約 5 分鐘

-----廣告,請繼續往下閱讀-----

2024 年諾貝爾生理學或醫學獎榮耀地頒發給了兩位傑出的科學家——維克多·安布羅斯(Victor Ambros)和蓋瑞·魯夫昆(Gary Ruvkun),以表彰他們對 microRNA 的發現和研究。他們的工作揭示了一種過去人類一無所知的基因調控機制,不僅顛覆了我們對生物學的理解,還為未來全新的醫療技術開啟了大門。那麼,什麼是 microRNA?它是如何被發現的?又能用來治療哪些棘手的疾病?

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識!

microRNA 是什麼?

首先,讓我們澄清一個常見的誤解:microRN A並非我們熟知的 mRNA(信使 RNA)。microRNA,中文稱為微型核糖核酸,是一種長度僅有 20~25 個核苷酸的小型 RNA 分子。與長度動輒數百甚至數千個核苷酸的 mRNA 相比,microRNA 確實名副其實地「微」。

microRNA 本身並不會被轉譯成蛋白質,但它在基因調控中扮演著關鍵角色。它能夠與特定的 mRNA 結合,抑制或調節這些 mRNA 的轉譯,從而控制蛋白質的合成。這種調控機制被稱為「轉錄後基因調控」(post-transcriptional gene regulation),是細胞精確控制基因表達的重要方式。

它如何調控基因表現?

在細胞中,DNA 是遺傳信息的載體,但它需要通過轉錄和轉譯過程才能發揮作用。轉錄(transcription)是將 DNA 上的遺傳信息轉錄到 mRNA 上,而轉譯(translation)則是將 mRNA上的信息轉譯成蛋白質。

-----廣告,請繼續往下閱讀-----

然而,microRNA 在轉錄與轉譯之間的關鍵環節發揮了調控作用。它可以與目標 mRNA 分子結合,阻礙或抑制其轉譯過程,從而控制特定蛋白質的生成。這就像是在烹飪過程中,microRNA 扮演了一個負責調整出菜速度的協調人員,決定了哪道菜(蛋白質)應該在何時上桌(被合成)。

更有趣的是,microRNA 與 mRNA 之間並非一對一的關係。一個 microRNA 可以調控多個 mRNA,而一個 mRNA 也可能受到多個 microRNA 的影響。這種多對多的關係,使得細胞內的基因調控網絡極為複雜,但也提供了極大的靈活性,讓細胞能夠精確地適應內外環境的變化。

microRNA 的發現經過

microRNA 的發現充滿了機緣巧合。上世紀 80 年代,安布羅斯和魯夫昆對基因在不同時序活化的機制深感興趣。他們選擇了秀麗隱桿線蟲(C. elegans)作為研究對象,這種微小的線蟲體長僅 0.1 公分,但擁有肌肉、神經等多種細胞類型,且全身透明,非常適合觀察和研究。

他們發現,當線蟲的 lin-14 基因發生突變時,線蟲會跳過幼蟲的第一發育階段,直接進入第二階段,導致成蟲體型較小。而當 lin-4 基因突變時,第一發育階段會被延長,成蟲體型較大。他們推測,lin-4 可能通過抑制 lin-14 的表現來調節線蟲的發育。

-----廣告,請繼續往下閱讀-----

經過數年的研究,安布羅斯證明了 lin-4 會產生一段不編碼蛋白質的短鏈 RNA,這正是 microRNA。同時,魯夫昆發現,lin-14 的 mRNA 雖然正常轉錄,但在轉譯過程中被抑制,導致基因表達受阻。兩人的研究互相印證,揭示了 microRNA 如何通過結合目標 mRNA,控制基因的表達。

然而,這一重要發現並未立即引起廣泛關注。當時的科學界普遍認為,這種機制可能僅存在於線蟲中,對於其他生物並無意義。直到 2000 年,科學家們在多種生物中發現了類似的 microRNA,證明了這種調控機制的普遍性和重要性。

microRNA 的調控機制直到 2000 年才被證明了它的重要性。

microRNA 可以用於治療哪些疾病?

microRNA 在生物的生命歷程中扮演著重要角色,從胚胎發育、器官功能到老化過程,都與其息息相關。目前,已發現的人類 microRNA 種類可能超過 2500 種,並且這個數字還在不斷增加。

在醫學領域,microRNA 的發現為多種疾病的治療帶來了新的希望。

-----廣告,請繼續往下閱讀-----

1. 癌症治療

microRNA 與癌症的關係密切。研究發現,某些 microRNA 的異常表達可能導致細胞無限制地增殖,從而形成腫瘤。通過調節這些 microRNA 的表達,有可能抑制癌細胞的生長。目前,已有生物科技公司開始研發基於 microRNA 的抗癌療法。

2. 神經退行性疾病

在阿茲海默症、帕金森氏症等神經退行性疾病中,microRNA 也被發現參與了病理過程。調節特定的 microRNA,有望減緩疾病的進展,改善患者的生活質量。

3. 心血管疾病

microRNA 在心肌梗塞、心臟衰竭、動脈硬化等心血管疾病中也扮演著關鍵角色。通過調節相關的 microRNA,有可能促進心肌細胞的再生,恢復心臟功能。

4. 其他疾病

此外,microRNA 還與先天性聽力損失、眼科疾病、骨骼疾病、糖尿病、自身免疫疾病等多種疾病相關。研究者們正積極探索 microRNA 在這些領域的治療潛力。

-----廣告,請繼續往下閱讀-----

挑戰與未來展望

儘管 microRNA 在醫學上具有巨大潛力,但要將其應用於臨床治療,仍然面臨著諸多挑戰。

1. 脫靶效應

由於 microRNA 可以影響多個目標 mRNA,調節一個 microRNA 可能會對多個基因的表達產生影響,導致不可預測的副作用。如何提高 microRNA 療法的精準性,減少脫靶效應,是一大難題。

2. 遞送系統

microRNA 分子在體內容易被降解,如何將其穩定地運送到目標細胞或組織,是技術上的另一個挑戰。需要開發高效、安全的遞送系統,確保 microRNA 能夠發揮預期的治療效果。

3. 安全性和有效性評估

任何新的治療方法都需要經過嚴格的安全性和有效性評估。microRNA 療法需要經過大量的臨床試驗,才能最終應用於臨床。

-----廣告,請繼續往下閱讀-----

然而,這些挑戰並未阻止科學家們的熱情。隨著技術的不斷進步,我們有理由相信,microRNA 療法將在未來為人類的健康帶來重大突破。

microRNA 療法或許將在未來帶來人類醫療上的重大突破。圖/envato

結語

microRNA 的發現,不僅顛覆了我們對基因表達和調控的傳統認識,還為醫學領域帶來了革命性的變革。2024 年諾貝爾生醫獎的頒發,是對安布羅斯和魯夫昆兩位科學家傑出貢獻的最高肯定。

未來,隨著對 microRNA 研究的不斷深入,我們有望開發出更多基於 microRNA 的診斷和治療方法,為癌症、阿茲海默症、心臟衰竭等棘手疾病帶來新的希望。

如果你對生物醫學領域感興趣,或許下一個重大突破將由你來實現。microRNA 的故事告訴我們,即使是最微小的發現,也可能帶來巨大的改變。

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----

討論功能關閉中。