#快訊【2018年諾貝爾化學獎】多變的生物化學，當然要靠演化力量才能駕馭啊！

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

• 本文轉載自諾貝爾化學獎專題系列，原文為《【2018諾貝爾化學獎】化學的(革命性)進化》
• 譯者 / 蔡蘊明｜國立臺灣大學化學系名譽教授

化學的革命性進化

演化的力量是透過生命來顯示的。2018 年的化學諾貝爾桂冠頒給阿諾（Fances H. Arnold）、史密斯（George P. Smith）和溫特（Gregory P. Winter），表彰她／他們透過演化的控制為人類謀取了最大的福祉。運用人工定向演化（directed evolution）所製造的酵素，現在已被用來生產包括生質燃料和藥物等等的物質。抗體的演化可以透過一種噬菌體顯示（phage display）的方法來對抗自體免疫的疾病，以及在某些特定的例子中治癒轉移性癌症。

我們活在一個由強大的力量：演化，所主導的星球。在頭一批生命的種子於 37 億年前出現時，幾乎地球上的每一個裂縫都充滿了能適應身處環境的生物體：生長在光禿禿山脈的地衣、於溫泉茂盛生長的古菌、能存活於乾燥沙漠的多鱗爬蟲類以及能在黑暗深海中發光的水母。

學校裡我們在生物課學習到這些生物，但讓我們戴上一副化學家的眼鏡，並換個視角來觀察，地球上的生物之所以能夠存在，是因為演化解決了無數複雜的化學難題，所有的生物都有能力從其環境的利基取得材料和能量，並用來建立它們的組成所特有之化學創造品。魚能在極地海洋中悠遊，是歸因於其血液中的抗凍蛋白質，貽貝能攀附在岩石上，乃因它們發展出了能在水中運作的分子黏膠，而這只是眾多例子中的幾個而已。

生命化學精彩的地方在於它被設計在基因的程式碼中，並讓它能被遺傳且不斷進化。一個小小的基因隨機變化，就能改變其化學，有時這導致產生較弱的生物體，但也有可能產生一個很強壯的個體。新的化學慢慢的發展，而地球上的生命隨之變得愈來愈複雜。

這個過程現在已經演化出了三個非常複雜的人類個體，具有能掌控演化的能力，2018 年的諾貝爾化學獎之所以頒給這三位科學家，乃因為她／他們透過定向演化革新了化學以及新藥物的發展。讓我們先從酵素工程的明星：阿諾（Fances H. Arnold）開始介紹。

酵素──生命的化學工具中之利器

即便在 1979 年，身為一位剛取得機械與航太工程學位的新鮮人，阿諾就已經具有了一個憧憬：透過新科技的發展以謀求人類的福祉。美國已經決定在 2000 年要有 20% 的能量是來自於再生能源，而她剛好是在研究太陽能，不過這個產業的未來前景，於 1981 年的總統大選後，產生了巨大的改變，因此她將眼光改為投注於新興的 DNA（去氧核糖核酸）科技，她自述「很明顯的，對於我們每日生活上所需要的材料和化學品，可以利用改寫生命密碼的能力，來創造新的製造方法。」

用傳統方式製造藥物、塑膠和其它化學品需要強力的溶劑、重金屬和腐蝕性的酸，她的想法是捨棄這些方法而改用生命的化學工具：酵素，它們催化在地球生物體中發生的化學反應，如果她能掌握設計新酵素的方法，就可從根本改造化學。

人的思考是有限的

最初就如同在 1980 年代末期的許多其他學者一般，阿諾企圖使用推理的策略來重塑酵素，讓它們具有新的性質。然而酵素是極端複雜的分子，它們是由 20 種不同的結構單元──胺基酸──以幾乎無限種可能的組合方式結合而成的，一個單一的酵素分子可以包含數千個胺基酸，它們連結成長鏈的型態，進一步摺疊成三維的立體結構，用來催化特定化學反應的局部結構，是建立在整體結構的內部。

運用邏輯推導來決定如何將這一個精密的構造重新調整，以賦予其新的功能，即便是運用現在的知識以及電腦能力來看，亦是非常困難的。在 1990 年代初期，謙卑的折服在大自然的優越能力之下，阿諾決定放棄上述她所謂「有些傲慢」的策略，取而代之，她獲取的靈感來自於使用大自然優化化學的方法：演化。

阿諾開始操弄演化

有好些年，她試圖改變一個稱為「枯草桿菌蛋白酶」的酵素，讓它不是在水溶液中催化化學反應，而能在一個有機溶劑：二甲基甲醯胺（簡稱 DMF）中運作。此時她刻意在酵素的基因密碼中製造隨機的變化──突變──然後將這些突變的基因引入細菌中，並產出數千種不同變體的枯草桿菌蛋白酶。

在這之後的挑戰是如何從如此眾多的變體中，找出在該有機溶劑中運作效率最高的那些酵素。在演化學中，我們說的是適者生存；在定向演化學中，這個階段稱為「選汰」。

阿諾利用枯草桿菌蛋白酶能切割一種牛奶蛋白質──酪蛋白──的能力，在一個 35% DMF 水溶液中，先選汰出切割酪蛋白最有效率的枯草桿菌蛋白酶變體，接著在這個變體中進行下一輪的隨機突變，得到另一個在 DMF 中運作效率更高的變體。

於第三代的枯草桿菌蛋白酶中，她找到了一個變體，其在 DMF 中的運作效率比原始的酵素要高 256 倍。這個酵素的變體總共含有十個不同位置的突變，最終造成的優異效果是沒有人能夠事先預測的。

透過這些實驗，阿諾展示了若要掌控新酵素的研發，僅憑藉人的推理能力，將遠遜於讓機率以及定向（人為）選汰來運作的力量。這是我們現在所見證的革命性發展之第一步，也是最具決定性的一步。

接下來的另一重要步伐，是由一位荷蘭研究人員及發明家史坦姆（Willem P. C. Stemmer）所邁出的，但他已於 2013 年過世。他引進了另一個酵素定向選汰的維度：試管中的交配。

交配──為了更穩定的演化

一個自然演化的先決條件是不同個體的基因可透過交配或授粉的方式混合，有用的性質可藉此結合，而得到更強壯的生物體，在此同時，較不具功能的基因突變，將於代代相傳的過程中消失。

史坦姆運用的是交配的試管對等法：DNA 改組（DNA shuffling）。在 1994 年，他將基因的不同版本切割成小片段，然後透過 DNA 科技的工具，將這些片段重新組合成一個完整的基因，就好像是原始基因的一個馬賽克版本。

透過好幾輪的 DNA 改組，史坦姆將一個酵素改變成比原始版本更有效率。這顯示利用基因的交配──研究人員稱之為「重組」──可達成更有效率的酵素演化。

新酵素製出永續生質燃料

那些 DNA 科技的工具自 1990 年代初期開始不斷的優化，用於定向演化的方法亦倍數成長。阿諾在這些發展中一直具有領先的優勢；現在她的實驗室所產出的酵素能催化的化學反應，甚至於根本不存於大自然中，而能製造出全新的材料，她裁製出的一些酵素也成為製造不同物質（例如藥物）的重要工具。化學反應不但可被加速，且減少不要的副產物。在某些例子中，可以去除透過傳統方法須使用的重金屬，大幅減少對環境的衝擊。

事情的發展更回歸了原位，阿諾又重新回頭開始研究再生能源的製造。她的研究小組研發出一些酵素，能將簡單的糖轉化成異丁醇，那是一種高能量物質，可用於製造生質燃料和較永續的塑膠。一個長程目標是製造出的燃料能讓運輸業更為環境友善，另類燃料──用阿諾的蛋白質所製造的──能用在車輛或飛機上。以這樣的方式，她的酵素促成了一個更永續的世界。

至於 2018 年諾貝爾化學獎所表彰的另一份工作，則是將定向演化導向了製藥，所產出的藥物能中和毒素，或對抗自體免疫疾病的進展，甚至在某些病例中治癒轉移的癌症。這是由一個能感染細菌的小小病毒所扮演的重要角色，而這個方法被稱為「噬菌體顯示」（phage display）。

史密斯運用噬菌體

經常發生的情況是，科學走了一條無法預測的路徑。在 1980 年代的上半期，當史密斯開始使用噬菌體──能感染細菌的病毒──主要是期望它們能用在基因選殖。此時 DNA 科技仍未成熟，而人類基因體仍是一塊未開發的土地，研究人員知道製造身體所需蛋白質的所有基因都存於其中，但是想要指認某一個蛋白質的基因，就好像在大海中撈針一樣困難。

不論如何，對能找到那個基因的科學家而言，將具有極大的益處。運用當時最新的基因學工具，基因可以插入細菌中──靠著一點運氣──該細菌能製造出大量想要研究的蛋白質，這整個程序被稱為基因選殖。而史密斯的想法是，尋找基因的研究人員可以透過一個巧妙的方式，運用噬菌體來做到。

噬菌體：一個蛋白質與其未知基因的連結

噬菌體本質上具有很簡單的構造，它含有一小段的基因物質，封裝在一個由保護蛋白質形成的鞘膜中。當複製時，會將它們的基因物質注入細菌中，綁架細菌的代謝系統，接著利用細菌製造出噬菌體基因物質的拷貝，以及形成保護鞘膜需要的蛋白質，由此產生新的噬菌體。

史密斯的盤算是研究人員應可運用噬菌體的簡單構造，找出一個已知蛋白質的未知基因。在此時，已經有一些大型的分子庫存在，其內含有許多各種未知基因的片段，他的構想是這些未知基因的片段，可與形成噬菌體鞘膜的一個蛋白質基因融合，當新的噬菌體製造出來時，這個未知基因對應的蛋白質，就會出現在這個噬菌體的表面，與形成鞘膜的一個蛋白質結合在一起。

抗體可釣出正確的蛋白質

這個做法會導致生成一個噬菌體的混合物，各帶有許多不同的蛋白質於其表面。史密斯推論在下一個階段，研究者應能利用抗體，將帶有各種已知蛋白質的噬菌體，自這碗湯液中釣出。抗體是一些具有導向飛彈功能的蛋白質；它們能從數萬種蛋白質中，以高度的精準度，辨識並束縛住一個特定蛋白質。利用一個已知蛋白質的抗體，如果研究者能逮住一個自這碗湯液中釣出的東西，就可以順帶釣出這個蛋白質對應的未知基因。

這是一個漂亮的構想，而史密斯於 1985 年證實那是可行的，他製造出了一個噬菌體，其表面攜帶了一個蛋白質的部份胜肽，運用一個抗體，成功的將這一個他製造的噬菌體，由含有許多不同噬菌體的湯液中釣出。

透過這個實驗，史密斯建立了現在被稱為「噬菌體顯示法」的基石。此法的精彩處在於它的簡便，它的長處則是將噬菌體當成一個蛋白質與它的基因之連結。不過此法卻在基因複製的領域之外，取得其最主要的突破性進展；在另外一方面，於 1990 年左右，幾組研究人員開始運用噬菌體顯示法，來發展新的生物分子。其中一個採用此技術的人就是溫特（Gregory P. Winter）。感謝他的研究，使得噬菌體顯示法現在帶給人類更大的福祉，要瞭解其原因，我們需要對抗體進一步的認識。

抗體可遏阻疾病的進展

人類的淋巴系統能產生數十萬種不同抗體的細胞。在這一個發展完善的體系中，這些細胞通過檢驗，不會攻擊任何屬於身體之各種型態的分子，不過這龐大的種類能確保總是會有抗體，能附著在感染我們的病毒或細菌之上，一旦抗體附著在上面，就會傳送訊號給強悍的免疫細胞，趕來消滅入侵者。

因為抗體具有高度的選擇性，在數萬種分子中，只會附著在一個特定分子上，因此研究人員很早就希望設計抗體，能遏阻各種疾病在體內的進展，扮演藥物般的功能。最初為取得這些醫療用的抗體，是將各種藥物的標的物，例如癌細胞的蛋白質，注入老鼠體內。不過在 1980 年越來越清楚地知道此法是有侷限的；某些物質對老鼠是有毒的，但也有一些不會產生任何的抗體。更進一步發現這樣取得之抗體，會被病人的免疫系統視為異物，而被攻擊，導致這些老鼠抗體被破壞，為病人帶來副作用。

由於這個障礙，促使溫特開始研究史密斯的噬菌體顯示法可能具有的潛力。他想要避免使用老鼠，改成發展基於人類抗體的藥物，因為它們可以被我們的免疫系統所容忍。

溫特將抗體置於噬菌體的表面

抗體是具有 Y 字形的分子；靠著每隻手臂的遠端附著在外來物質之上。溫特將此部分的基因訊息，與噬菌體鞘膜的一個蛋白質基因融合，於 1990 年他成功的證實此法，讓抗體的結合部位出現在噬菌體的表面。他所用的抗體是設計來與一個稱為 phOx 的小分子結合，當溫特用 phOx 作為一種分子釣魚鈎，他成功的從一含有四百萬個其它噬菌體的湯液中，釣出那個含有抗體在其表面的噬菌體。

在這之後，溫特展示了他能將噬菌體顯示法運用於抗體的定向演化。他製造了一個噬菌體庫，其內包括數十億不同的抗體表現在噬菌體的表面，從這個庫藏中，他釣出了一些可與不同蛋白質標的結合的抗體，接著他隨機突變這第一代的抗體菌株，進而創造出一個新的噬菌體庫，從中找到與標的物具有更強結合力的抗體。例如在 1994 年，他用此法發展出了一些抗體，能以非常高的專一性與癌細胞結合。

世界上第一個基於人類抗體的藥物

基於抗體的噬菌體顯示法，溫特與他的研究同仁創立了一家公司，在 1990 年代發展出一個完全基於人類抗體的藥物： adalimumab，此抗體能中和一個稱為 TNF-alpha 的蛋白質，該蛋白質驅動許多自體免疫疾病的發炎反應。於 2002 年此藥物被核准醫治風濕性關節炎，現在亦用於治療不同型態的牛皮癬和發炎性腸疾。

藥物 adalimumab 的成功，刺激了製藥業的重要發展，而噬菌體顯示法已被用來製造包括癌症在內的各種疾病抗體。其中有一個抗體能讓體內的殺手細胞釋出，以攻擊腫瘤細胞，使腫瘤生長遲緩下來。在某些例子中，那些產生轉移的癌症病患甚至也能被治癒，成為癌症醫療的歷史性突破。另一個抗體藥物被核准用於中和造成炭疽病的細菌毒物，另一種藥物能減緩稱為狼瘡的自體免疫疾病；還有更多的抗體現在正在進行臨床實驗，用來對抗阿茲海默症等疾病。

一個化學新時代的開始

由 2018 年的諾貝爾化學獎得主們所開發的方法，現在正以跨國際的方式發展，來提升一個更為永續的化學產業，產出新的材料，製造永續的生質燃料，減輕疾病挽回生命。酵素的定向演化和抗體的噬菌體顯示法，讓阿諾、史密斯和溫特帶給人類最大的福祉，並為化學的革命性變化立下基石。

延伸閱讀

• Scientific Background: Directed evolution of enzymes and binding proteins

研究人員在特殊環境下培育果蠅經過 40 個世代後，它們能夠對數字有所反應。

由遺傳學家組成的團隊創造出以定向演化（directed evolution）方式來獲得技能的首例，教導果蠅對於特定閃光次數做出反應。在 20 分鐘的試驗期間，放在罐子裡的果蠅會接受到閃爍的光照，當照射兩次或是四次的閃光後就會接著搖晃瓶身。這個實驗設計的目的是想要實際地驗證以前假設動物的計數能力是與生俱來。最開始的時候，沒有果蠅能夠去預期瓶子會被搖晃，但是受到搖晃訓練的果蠅在經過 40 個世代之後 ，似乎在試驗的練習時產生一種能力去算出正確的閃光次數跟晃動瓶子的關聯性，因而根據閃光次數提前做出準備。

這個研究團隊將這項發現發表於七月六日至十日所舉辦的的第一屆加拿大演化生物學聯合會議（Joint Congress on Evolution Biology in Canada），表示果蠅現在能夠習慣去解讀我們所給予的次數。他們推測算數的技能是深植於動物各系群中，就像是許多動物都被證明擁有基本的算數能力，但是深入地探究野生種果蠅與演化出計數能力的果蠅之間的遺傳組成，將能夠找出這類技能的由來。也能夠去了解像是計算障礙（dyscalculia）的遺傳性缺陷是怎麼影響到人的基本算術能力。

這篇研究的共同作者崔斯坦．隆（Tristan Long）任職位於加拿大安大略省滑鐵盧市的威爾弗雷德洛里埃大學，跟《自然》（Nature）期刊說：「這個計畫將會讓人想要試著利用果蠅作為了解數值計算能力（numerical competence）及其演化的研究模式。顯然下一步就是要去看果蠅神經系統的架構發生了什麼變化。」

新聞連結：Flies Evolve to Count