0

0
0

文字

分享

0
0
0

電漿手電筒消滅皮膚上惡名昭彰的病原體

only-perception
・2012/04/13 ・1022字 ・閱讀時間約 2 分鐘 ・SR值 517 ・六年級

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

light-web

一群中國與澳洲科學家開發出一種手持式的、由電池供電的電漿產生裝置,可使皮膚立即擺脫細菌。此裝置能用於救護車緊急呼叫,天然災害場址,軍事作戰行動以及遠方許多需要治療的其他場合。

這款電漿手電筒,於今日(四月五日)發表在 IOP 出版的 Journal of Physics D: Applied Physics 期刊,由一顆 12 V 電池所驅動,而且不需要任何其他的外部發電機或市電(wall power);它也不需要任何外部氣體灌注或處理系統。

在實驗中,這款電漿手電筒有效地使其中一種最具抗藥性與抗熱性的細菌,Enterococcus faecalis(糞腸球菌,這種細菌常在牙科治療期間感染根管)的厚厚一層生物膜鈍化。

生物膜是在培養細菌七日後形成的。生物膜約 25 微米厚,由 17 層細菌組成。每一次都以電漿手電筒處理五分鐘,接著分析有多少細菌存活。

結果顯示,電漿不僅使上層細胞鈍化,還能深入到非常底層,殺死細胞。

研究共同作者 Kostya (Ken) Ostrikov 教授(來自 CSIRO 材料科學與工程部的澳洲電漿奈米科學中心)表示:”細菌形成厚厚的生物膜,那使得它們在對抗鈍化上有極大的抗性,使其窒礙難行。高溫通常被拿來利用,不過那顯然也會燒掉我們的皮膚。”

“在這項研究中,我們選擇一種極端的例子來示範:即便在室溫下,電漿手電筒依然非常有效率。對於單一的細菌來說,鈍化時間可能只要十秒鐘。”

電漿 — 除了固態、液態、氣態之外的物質第四態 — 先前藉由有效殺死皮膚表面與水中的細菌及病毒,證明其在醫療產業中的價值。

雖然電漿抗菌功效背後的確切機制大部分仍然未知,不過科學家認為電漿與周遭空氣之間的反應創造出一種反應性族類(reactive species),類似在我們免疫系統中所發現的那種。

研究者們進行分析,看看什麼樣的族類會出現在電漿中,結果發現與高反應性氮與高反應性氧相關的族類主宰這些結果。有理論提出紫外線輻射也是電漿成功背後的原因;然而,電漿手電筒所創造的噴流(jet),經證明紫外線輻射量不高,對於此裝置的安全性又多增加一層保障。

在實驗中,電漿柱(plume)的溫度約在攝氏 20 – 30 度間,那非常接近室溫也因此避免對於皮膚的傷害。該裝置本身有電阻能阻止它熱起來,使得它能夠安全觸碰。

“此裝置可以很容易製造出來且成本不到 100 美元。當然,也要進行某些微型化與工程設計使得它更吸引人且準備好商業化,” Ostrikov 繼續說。

該裝置是由華中科技大學、CSIRO 材料科學與工程部、雪梨大學與香港城市大學所組成的國際性研究團隊所創造。

原始文獻:X Pei, X Lu, J Liu, D Liu, Y Yang, K Ostrikov, Paul K Chu and Y Pan. J. Phys. D: Appl. Phys. 45 165205 (2012) doi: 10.1088/0022-3727/45/16/165205

資料來源:PHYSORG:Handheld plasma flashlight rids skin of notorious pathogens[April 4, 2012]

轉載自only-perception

文章難易度
only-perception
153 篇文章 ・ 1 位粉絲
妳/你好,我是來自火星的火星人,畢業於火星人理工大學(不是地球上的 MIT,請勿混淆 :p),名字裡有條魚,雖然跟魚一點關係也沒有,不過沒有關係,反正妳/你只要知道我不是地球人就行了... :D

1

133
3

文字

分享

1
133
3
AI 是理科「主場」? AI 也可以成為文科人的助力!
研之有物│中央研究院_96
・2022/08/13 ・5646字 ・閱讀時間約 11 分鐘

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

本文轉載自中央研究院研之有物,泛科學為宣傳推廣執行單位。

  • 採訪撰文/田偲妤
  • 美術設計/蔡宛潔

AI 的誕生,文理缺一不可

人工智慧(Artificial Intelligence,簡稱 AI)在 21 世紀的今日已大量運用在生活當中,近期掀起熱議的聊天機器人 LaMDA、特斯拉自駕系統、AI 算圖生成藝術品等,都是 AI 技術的應用。多數 AI 的研發秉持改善人類生活的人文思維,除了仰賴工程師的先進技術,更需要人文社會領域人才的加入。

中央研究院「研之有物」專訪院內人文社會科學研究中心蔡宗翰研究員,帶大家釐清什麼是 AI?文科人與工程師合作時,需具備什麼基本 AI 知識?AI 如何應用在人文社會領域的工作當中?

中央研究院人文社會科學研究中心蔡宗翰研究員。圖/研之有物

詩詞大對決:人與 AI 誰獲勝?

一場緊張刺激的詩詞對決在線上展開!人類代表是有「AI 界李白」稱號的蔡宗翰研究員,AI 代表則是能秒速成詩的北京清華九歌寫詩機器人,兩位以「人工智慧」、「類神經」為命題創作七言絕句,猜猜看以下兩首詩各是誰的創作?你比較喜歡哪一首詩呢?

猜猜哪首詩是 AI 做的?哪首詩是人類做的?圖/研之有物

答案揭曉!A 詩是蔡宗翰研究員的創作,B 詩是寫詩機器人的創作。細細賞讀可發覺,A 詩的內容充滿巧思,為了符合格律,將「類神經」改成「類審經」;詩中的「福落天赦」是「天赦福落」的倒裝,多念幾次會發現,原來是 Google 開發的機器學習開源軟體庫「Tensor Flow」的音譯;而「拍拓曲」則是 Facebook 開發的機器學習庫「Pytorch」的音譯,整首詩創意十足,充滿令人會心一笑的魅力!

相較之下,B 詩雖然有將「人工」兩字穿插引用在詩中,但整體內容並沒有呼應命題,只是在詩的既有框架內排列字句。這場人機詩詞對決明顯由人類獲勝!

由此可見,當前的 AI 缺乏創作所需的感受力與想像力,無法做出超越預先設定的創意行為。然而,在不久的將來,AI 是否會逐漸產生情感,演變成電影《A.I. 人工智慧》中渴望人類關愛的機器人?

AI 其實沒有想像中聰明?

近期有一則新聞「AI 有情感像 8 歲孩童?Google 工程師爆驚人對話遭停職」,讓 AI 是否已發展出「自我意識」再度成為眾人議論的焦點。蔡宗翰研究員表示:「當前的 AI 還是要看過資料、或是看過怎麼判讀資料,經過對應問題與答案的訓練才能夠運作。換而言之,AI 無法超越程式,做它沒看過的事情,更無法替人類主宰一切!

會產生 AI 可能發展出情感、甚至主宰人類命運的傳言,多半是因為我們對 AI 的訓練流程認識不足,也缺乏實際使用 AI 工具的經驗,因而對其懷抱戒慎恐懼的心態。這種狀況特別容易發生在文科人身上,更延伸到文科人與理科人的合作溝通上,因不了解彼此領域而產生誤會與衝突。如果文科人可以對 AI 的研發與應用有基本認識,不僅能讓跨領域的合作更加順利,還能在工作中應用 AI 解決許多棘手問題。

「職場上常遇到的狀況是,由於文科人不了解 AI 的訓練流程,因此對 AI 產生錯誤的期待,認為辛苦標注的上千筆資料,應該下個月就能看到成果,結果還是錯誤百出,準確率卡在 60、70% 而已。如果工程師又不肯解釋清楚,兩方就會陷入僵局,導致合作無疾而終。」蔡宗翰研究員分享多年的觀察與建議:

如果文科人了解基本的 AI 訓練流程,並在每個訓練階段協助分析:錯誤偏向哪些面向?AI 是否看過這方面資料?文科人就可以補充缺少的資料,讓 AI 再進行更完善的訓練。

史上最認真的學生:AI

認識 AI 的第一步,我們先從分辨什麼是 AI 做起。現在的數位工具五花八門,究竟什麼才是 AI 的應用?真正的 AI 有什麼樣的特徵?

基本上,有「預測」功能的才是 AI,你無法得知每次 AI 會做出什麼判斷。如果只是整合資料後視覺化呈現,而且人類手工操作就辦得到,那就不是 AI。

數位化到 AI 自動化作業的進程與舉例。圖/研之有物

蔡宗翰研究員以今日常見的語音辨識系統為例,大家可以試著對 Siri、Line 或 Google 上的語音辨識系統講一句話,你會發現自己無法事先知曉將產生什麼文字或回應,結果可能正是你想要的、也可能牛頭不對馬嘴。此現象點出 AI 與一般數位工具最明顯的不同:AI 無法百分之百正確!

因此,AI 的運作需建立在不斷訓練、測試與調整的基礎上,盡量維持 80、90% 的準確率。在整個製程中最重要的就是訓練階段,工程師彷彿化身老師,必須設計一套學習方法,提供有助學習的豐富教材。而 AI 則是史上最認真的學生,可以穩定、一字不漏、日以繼夜地學習所有課程。

AI 的學習方法主要分為「非監督式學習」、「監督式學習」。非監督式學習是將大批資料提供給 AI,讓其根據工程師所定義的資料相似度算法,逐漸學會將相似資料分在同一堆,再由人類檢視並標注每堆資料對應的類別,進而產生監督式學習所需的訓練資料。而監督式學習則是將大批「資料」和「答案」提供給 AI,讓其逐漸學會將任意資料對應到正確答案。

圖/研之有物

學習到一定階段後,工程師會出試題,測試 AI 的學習狀況,如果成績只有 60、70 分,AI 會針對答錯的地方調整自己的觀念,而工程師也應該與專門領域專家一起討論,想想是否需補充什麼教材,讓 AI 的準確率可以再往上提升。

就算 AI 最後通過測試、可以正式上場工作,也可能因為時事與技術的推陳出新,導致準確率下降。這時,AI 就要定時進修,針對使用者回報的錯誤進行修正,不斷補充新的學習內容,讓自己可以跟得上最新趨勢。

在了解 AI 的基本特徵與訓練流程後,蔡宗翰研究員建議:文科人可以看一些視覺化的操作影片,加深對訓練過程的認識,並實際參與檢視與標注資料的過程。現在網路上也有很多 playground,可以讓初學者練習怎麼訓練 AI,有了上述基本概念與實務經驗,就可以跟工程師溝通無礙了。

AI 能騙過人類,全靠「自然語言處理」

AI 的應用領域相當廣泛,而蔡宗翰研究員專精的是「自然語言處理」。問起當初想投入該領域的原因,他充滿自信地回答:因為自然語言處理是「AI 皇冠上的明珠」!這顆明珠開創 AI 發展的諸多可能性,可以快速讀過並分類所有資料,整理出能快速檢索的結構化內容,也可以如同真人般與人類溝通。

著名的「圖靈測試」(Turing Test)便證明了自然語言處理如何在 AI 智力提升上扮演關鍵角色。1950 年代,傳奇電腦科學家艾倫・圖靈(Alan Turing)設計了一個實驗,用來測試 AI 能否表現出與人類相當的智力水準。首先實驗者將 AI 架設好,並派一個人操作終端機,再找一個第三者來進行對話,判斷從終端機傳入的訊息是來自 AI 或真人,如果第三者無法判斷,代表 AI 通過測試。

圖靈測試:AI(A)與真人(B)同時傳訊息給第三者(C),如果 C 分不出訊息來自 A 或 B,代表 AI 通過實驗。圖/研之有物

換而言之,AI 必須擁有一定的智力,才可能成功騙過人類,讓人類不覺得自己在跟機器對話,而這有賴自然語言處理技術的精進。目前蔡宗翰的研究團隊有將自然語言處理應用在:人文研究文本分析、新聞真偽查核,更嘗試以合成語料訓練臺灣人專用的 AI 語言模型。

讓 AI 替你查資料,追溯文本的起源

目前幾乎所有正史、許多地方志都已經數位化,而大量數位化的經典更被主動分享到「Chinese Text Project」平台,讓 AI 自然語言處理有豐富的文本資料可以分析,包含一字不漏地快速閱讀大量文本,進一步畫出重點、分門別類、比較相似之處等功能,既節省整理文本的時間,更能橫跨大範圍的文本、時間、空間,擴展研究的多元可能性。

例如我們想了解經典傳說《白蛇傳》是怎麼形成的?就可以應用 AI 進行文本溯源。白蛇傳的故事起源於北宋,由鎮江、杭州一帶的說書人所創作,著有話本《西湖三塔記》流傳後世。直至明代馮夢龍的《警世通言》二十八卷〈白娘子永鎮雷峰塔〉,才讓流傳 600 年的故事大體成型。

我們可以透過「命名實體辨識技術」標記文本中的人名、地名、時間、職業、動植物等關鍵故事元素,接著用這批標記好的語料來訓練 BERT 等序列標注模型,以便將「文本向量化」,進而找出給定段落與其他文本的相似之處。

經過多種文本的比較之後發現,白蛇傳的原型可追溯自印度教的那伽蛇族故事,傳說那伽龍王的三女兒轉化成佛、輔佐觀世音,或許與白蛇誤食舍利成精的概念有所關連,推測印度神話應該是跟著海上絲路傳進鎮江與杭州等通商口岸。此外,故事的雛型可能早從唐代便開始醞釀,晚唐傳奇《博異志》便記載了白蛇化身美女誘惑男子的故事,而法海和尚、金山寺等關鍵人物與景點皆真實存在,金山寺最初就是由唐宣宗時期的高僧法海所建。

白蛇傳中鎮壓白娘子的雷峰塔。最早為五代吳越王錢俶於 972 年建造,北宋宣和二年(1120 年)曾因戰亂倒塌,大致為故事雛形到元素齊全的時期。照片中雷峰塔為 21 世紀重建。圖/Wikimedia

在 AI 的協助之下,我們得以跨時空比較不同文本,了解說書人如何結合印度神話、唐代傳奇、在地的真人真事,創作出流傳千年的白蛇傳經典。

最困難的挑戰:AI 如何判斷假新聞

除了應用在人文研究文本分析,AI 也可以查核新聞真偽,這對假新聞氾濫的當代社會是一大福音,但對 AI 來說可能是最困難的挑戰!蔡宗翰研究員指出 AI 的弱點:

如果是答案和數據很清楚的問題,就比較好訓練 AI。如果問題很複雜、變數很多,對 AI 來說就會很困難!

困難點在於新聞資訊的對錯會變動,可能這個時空是對的,另一個時空卻是錯的。雖然坊間有一些以「監督式學習」、「文本分類法」訓練出的假新聞分類器,可輸入當前的新聞讓機器去判讀真假,但過一段時間可能會失準,因為新的資訊源源不絕出現。而且道高一尺、魔高一丈,當 AI 好不容易能分辨出假新聞,製造假新聞的人就會破解偵測,創造出 AI 沒看過的新模式,讓先前的努力功虧一簣。

因此,現在多應用「事實查核法」,原理是讓 AI 模仿人類查核事實的過程,尋找權威資料庫中有無類似的陳述,可用來支持新聞上描述的事件、主張與說法。目前英國劍橋大學為主的學者群、Facebook 與 Amazon 等業界研究人員已組成 FEVEROUS 團隊,致力於建立英文事實查核法模型所能運用的資源,並透過舉辦國際競賽,廣邀全球學者專家投入研究。

蔡宗翰教授團隊 2021 年參加 FEVEROUS 競賽勇奪全球第三、學術團隊第一後,也與合作夥伴事實查核中心及資策會討論,正著手建立中文事實查核法模型所需資源。預期在不久的將來,AI 就能幫讀者標出新聞中所有說法的資料來源,節省讀者查證新聞真偽的時間。

AI 的無限可能:專屬於你的療癒「杯麵」

想像與 AI 共存的未來,蔡宗翰研究員驚嘆於 AI 的學習能力,只要提供夠好、夠多的資料,幾乎都可以訓練到讓人驚訝的地步!圖/研之有物

AI 的未來充滿無限可能,不僅可以成為分類與查證資料的得力助手,還能照護並撫慰人類的心靈,這對邁入高齡化社會的臺灣來說格外重要!許多青壯年陷入三明治人(上有老、下有小要照顧)的困境,期待有像動畫《大英雄天團》的「杯麵」(Baymax)機器人出現,幫忙分擔家務、照顧家人,在身心勞累時給你一個溫暖的擁抱。

機器人陪伴高齡者已是現在進行式,新加坡南洋理工大學 Gauri Tulsulkar 教授等學者於 2021 年發表了一項部署在長照機構的機器人實驗。這名外表與人類相似的機器人叫「娜丁」(Nadine),由感知、處理、互動等三層架構組成,可以透過麥克風、3D和網路鏡頭感知用戶特徵、所處環境,並將上述資訊發送到處理層。處理層會依據感知層提供的資訊,連結該用戶先前與娜丁互動的記憶,讓互動層可以進行適當的對話、變化臉部表情、用手勢做出反應。

長照機構的高齡住戶多數因身心因素、長期缺乏聊天對象,或對陌生事物感到不安,常選擇靜默不語,需要照護者主動引導。因此,娜丁內建了注視追蹤模型,當偵測到住戶已長時間處於被動狀態,就會自動發起話題。

實驗發現,在娜丁進駐長照機構一段時間後,住戶有一半的天數會去找她互動,而娜丁偵測到的住戶情緒多為微笑和中性,其中有 8 位認知障礙住戶的溝通能力與心理狀態有明顯改善。

照護機器人娜丁的運作架構。圖/研之有物

至於未來的改進方向,研究團隊認為「語音辨識系統」仍有很大的改進空間,需要讓機器人能配合老年人緩慢且停頓較長的語速,音量也要能讓重聽者可以清楚聽見,並加強對方言與多語混雜的理解能力。

臺灣如要發展出能順暢溝通的機器人,首要任務就是要開發一套臺灣人專用的 AI 語言模型,包含華語、臺語、客語、原住民語及混合以上兩種語言的理解引擎。這需花費大量人力與經費蒐集各種語料、發展預訓練模型,期待政府能整合學界與業界的力量,降低各行各業導入 AI 相關語言服務的門檻。

或許 AI 無法發展出情感,但卻可以成為人類大腦的延伸,協助我們節省處理資料的時間,更可以心平氣和地回應人們的身心需求。與 AI 共存的未來即將來臨,如何讓自己的行事邏輯跟上 AI 時代,讓 AI 成為自己的助力,是值得你我關注的課題。

延伸閱讀

文章難易度
所有討論 1
研之有物│中央研究院_96
253 篇文章 ・ 2221 位粉絲
研之有物,取諧音自「言之有物」,出處為《周易·家人》:「君子以言有物而行有恆」。探索具體研究案例、直擊研究員生活,成為串聯您與中研院的橋梁,通往博大精深的知識世界。 網頁:研之有物 臉書:研之有物@Facebook

1

100
3

文字

分享

1
100
3
【闢謠科普兩不誤】「mRNA 疫苗爭議浮現,MIT:自然免疫系統失靈」這篇文到底有多少錯?下篇:文章內容有哪些資訊有誤或需要補充?文獻海洋在這裡!
Jamie Lin_96
・2022/09/18 ・13083字 ・閱讀時間約 27 分鐘

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

在這篇文章中我會針對該科技新報文章所提及的內容進行闢謠科普,關於關於其引用的研究的闢謠科普詳見本文上篇:【闢謠科普兩不誤】「mRNA 疫苗爭議浮現,MIT:自然免疫系統失靈」這篇文到底有多少錯?上篇:破解有疑慮的引用文獻及判斷文獻可信度小技巧分享

筆者目前研究領域跟工作狀態:免疫學博士候選人,預計於 2023 年 2 月正式取得博士學位,研究主題為愛滋疫苗與功能性抗體,具備在生物安全等級三級實驗室工作的資格與能力,最近在發表地獄中載浮載沉。

針對原始文章內錯誤的句子我會寫出是哪部分錯誤,並逐一科普,各段文字來自原始文章截圖;而跟那兩篇引用文獻有關的句子我用紅色底線標注,考量到文獻品質不佳在本篇中不多加討論(詳情請見本系列文上篇),在這篇中我也會分享一些跟疫苗副作用相關的發表,[]內的數字代表下方引用文獻reference列表對應到哪些學術發表,這篇文章很長,推薦抱持著輕鬆的心情慢慢看。

原文第一段。圖/科技新報
錯誤點:
  • 疫苗研發量產需要時間,跟不上病毒突變速度是正常的;已有完成臨床試驗的疫苗的病毒如HBV其實也還持續在開發效果更好的疫苗,總有天選之人打了疫苗沒效,有些疫苗則是要根據施打者過往病史來做選擇。
  • 疫苗的功效不只有防止感染,能降低感染後重症率、住院率、死亡率等也算是疫苗的功效。
  • 現在流行的病毒株跟當初開發疫苗時的病毒株差異極大,整體效果下降非常正常,並不是因為疫苗讓免疫系統變爛,而是病毒變厲害。
  • 號稱麻省理工的研究偏向文獻綜述,把一堆文獻抓在一起加上一些分析錯誤的數據,通篇沒有文獻或正確數據可以佐證其論點
  • 該荷蘭研究數據量與分析方式有疑慮,不應用其下定論

疫苗為什麼會跟不上病毒變種速度?為什麼疫苗防止感染能力變差?

要回答這些問題答案必須分為兩個面向:

1.哪些因素會影響病毒出現新變種的速度

  • 病毒本身特性[1–3]
  • 感染人數人口密度[4]
  • 受感染者的免疫狀態[5–7]
  • 病毒突變後增強的能力[8][9]

新冠病毒的突變速度不是全部病毒中最快的,但也不慢,再加上其能夠在物品表面上存活時間長又有無症狀之帶原者[1][10],使其能快速傳播讓總感染人數上升,在人口密度較高的國家/區域確診病例數上升更為顯著,感染人數越多病毒傳遞越遠,在這過程中出現新變種的可能性就會跟著上升[4]

而病毒不會只感染特定族群,有些免疫力低下或是一些因為疾病免疫系統受到影響的人也會被感染,跟免疫力健全者相比這些人的免疫系統難以清除病毒[5–7],之前在南非就有一個案例是一位 HIV 感染的 22 歲女性持續被 beta 病毒株感染 9 個月,接受 HIV 治療約兩個月並從 covid 感染恢復後,其研究團隊發現該女子身上的病毒株已有超過 20 個新突變[6]

隨著病毒不斷傳播、突變、傳播、突變,目前主流病毒株 Omicron 家族其實具有比過往病毒株更好的免疫逃避性,能夠躲過免疫系統與感染/疫苗誘導出的抗體的追殺[8][9],同時也因為其免疫原性低,儘管確診後也無法產生足量有效的抗體對抗反覆感染,而病毒的免疫逃避性變好也代表可以逃過疫苗誘導出的抗體,疫苗保護力隨之下降[8][9]][11][12]

上述因素層層疊加,使我們三不五時就會聽到有新變種的消息,同樣這些因素也影響了疫苗開發與效果。

2.疫苗開發與臨床試驗流程

疫苗開發到進入臨床試驗跑完整個流程其實非常曠日費時,近幾年順利通過三期臨床實驗的伊波拉疫苗(有獲歐盟批准)從研發到走完臨床實驗到正式上市也已經過了 20 多年[13][14]

臨床試驗相關細節與名詞解釋在科學月刊 2018 年 7 月的文章 — 臨床試驗「盲不盲」與台灣藥物臨床試驗資訊網中有詳細解釋[15][16],而臨床試驗相關資訊可以在 ClinicalTrials.gov 上查詢,那是一個國際級臨床實驗資訊的資料庫[17],但這邊需要特別解釋一個臨床實驗的特性:臨床實驗一定會有報告如期中報告等,絕對會提交給監督審核的機構,但其報告是否向大眾公開、最後是否整理發表至期刊上等則不一定!所以如果一般大眾查不到某臨床實驗的公開的報告跟發表是在合理範圍內,其臨床試驗過程中的數據並沒有強制一定要公開,而最後失敗與否則會公開。

我自己的研究範圍就包含愛滋病疫苗,從過往已經宣告失敗的臨床試驗中找出失敗原因去改進或是檢測正在進行中的臨床試驗效果如何都在我的工作範圍之內,我們在做研究分析的同時病毒仍在外造成疫情,研究人員這端能做的主要是設計並篩選出可能成為疫苗候選的成分,通過細胞、動物實驗等去分析毒性、效力及可能可以用在人類身上的劑量,這些主要是在臨床前階段就會完成。

進入到第一階段臨床試驗時除了檢測疫苗在人類身上的安全性之外,我們也會測試不同疫苗濃度及施打方式等會不會效果更好,這時候會分非常多組,每組大概 10 幾人且有安慰劑組,將檢體寄送給不同專業的研究機構進行分析後最終會知道哪個配方跟施打方式是這些中最好的,如果安全性過關且在實驗室的實驗中有看到初步效果,在監督機關審核通過許可後會進到第二期臨床試驗,招募更多志願者並進一步分析疫苗有效性跟是否有潛在的不良反應(每個人身體狀況不同所以施打者越多就有機會觀察到更多不良反應),如果在此時發現效果不好、有過多嚴重不良反應等負面結果臨床試驗就會終止於此難以繼續進入第三期。

新藥研發的整個過程大致分為 4 大項。圖/科學月刊

許多臨床實驗都有非常長的追蹤期,一年三年五年七年不等,但誰都沒預料到 Covid-19 疫情的爆發,倘若針對突然爆發的全球性疫情的疫苗仍要有原先那樣長得追蹤期,對全球民眾健康所帶來的傷害會超出預期,但儘管因為特殊狀況縮短 Covid-19 臨床試驗時間,開發出來也需要極佳的運氣與一定的時間,要生產足夠的疫苗同樣需要時間,這些都不是馬上完成的。

在疫情爆發之初有不少人提倡透過感染獲得群體免疫這個論點,這也使不少質疑為何要施打疫苗甚至選擇讓自己被感染。但其實已有免疫學領域大佬明確指出:傳統群體免疫的觀念可能不適用於 COVID-19 [18] 。下方的簡報是我針對該發表做簡單的科普,有興趣可以看一看。

最初群體免疫這個術語是從獸醫界開始使用[18],非常多學者想要知道那在人類流行病上同樣的理論是否適用,但在 20 世紀初期許多學者便已得知因爲疾病差異、免疫力持續時間、人口流動、所接受醫療資源差異等,人類想要單純通過感染獲得針對 Covid-19 的群體免疫基本上是不可能,需要透過適當公衛手段與有效的預防措施來控制感染數,爭取研發更有效的疫苗的時間等多管齊下才可能達成[19]

看完上述資訊後讓我們回到:疫苗為什麼會跟不上病毒變種速度?為什麼疫苗防止感染能力變差?這兩個問題上,答案便會好懂些:

  • 疫苗開發與產量都需要時間,但感染數量居高不下給病毒有出現新變種的機會,等疫苗上市時病毒已經突變無數次有新變種,自然追不上。
  • 病毒的免疫逃避性逃過疫苗誘導出的抗體,疫苗保護力隨之下降。

控制疫情還是需要以適當公衛手段與有效的預防措施來控制感染數,爭取研發更有效的疫苗的時間並讓能夠施打的族群施打,多管齊下才可能達成。

原文第二段。圖/科技新報
錯誤點:
  • 是先天性免疫“系統”,而非先天免疫細胞,他們成員很多
  • 先天性免疫系統不會活化後就變成適應性免疫系統,先天性免疫系統中的細胞不會活化後就變成適應性免疫系統的細胞(樹突細胞另提),吞噬細胞再怎麼被刺激也不會瞬間變身變成B細胞
  • T細胞與B細胞會不會產生記憶性、產生的記憶性多久跟病原體/抗原有關,不一定會在接受病原體/抗原刺激後出現。

人體的免疫系統分為先天性免疫系統與適應性免疫系統[20][21],而這兩者的區別為

先天性免疫系統:

  • 非特異性反應,會對所有病源有反應
  • 一接觸到病原馬上開始動工
  • 不是所有先天性免疫系統的成員都有記憶性
  • 包含發炎反應、補體系統與部分白血球(如吞噬細胞),部分成員會協助活化適應性免疫系統

適應性免疫系統:

  • 對特定病原與抗原起反應
  • 需要一點時間才會有強烈反應
  • 有記憶性(會記得敵人一段時間)
  • 淋巴球,T 細胞與 B 細胞屬於這裡!

先天免疫系統不會因為接觸到病原體就變成適應性免疫系統他們同時存在有時互相幫忙,並以不同的機制保護人體

而常常聽到人提到的 B 細胞與 T 細胞他們的保護身體的機制簡單來說是

B 細胞:

  • 認識抗原(可能來自病原體或是疫苗)後大量製造能夠識別目標物的抗體
  • 有些抗體如中和性抗體需要特殊的B細胞製造且成熟時間長

T 細胞:

  • 識別受感染的細胞
  • 協助 B 細胞更好的認識病原體的抗原
  • 引導能夠清除的T細胞過來
  • 清除受感染的細胞
  • 殺死癌細胞[22]
抗體與 Fc 受體以及其可能誘導出的免疫反應。圖/參考資料 23

抗體、補體、抗體加上 T 細胞等組合產生多種機制,都是免疫中的一環缺一不可[23],但這些機轉中也有可能對身體造成危害的如抗體依賴增強作用Antibody-dependent enhancement (ADE),ADE能讓感染變嚴重[23][58]。倘若疫苗誘導出來的抗體做臨床前試驗或是第一期臨床試驗時發現有ADE,那該疫苗不會進到後續臨床試驗;而要觀察上市後的疫苗有沒有ADE可以從重症率死亡率是否激增來判斷,目前真實世界數據尚未看到Covid-19疫苗有ADE的問題,但有分析其可能機轉 [58][59],而在細胞實驗中感染Covid後部分誘導出的抗體有觀察到ADE [60]

在癌症治療方面T細胞十分重要,其機轉非常複雜且需要不同細胞因子與受體協同合作[22]。B細胞與T細胞被活化後有些後代成員可能會成為具有免疫記憶的記憶B細胞與記憶T細胞等,未來如果碰到類似的抗原時可以有所反應,而能夠有多長的記憶時間則要看病源體/抗原特性來定,但這些被活化的免疫細胞不一定都能在未來提供有效的免疫反應。

在今年八月底發布於 medRxiv 上一篇尚未經通行審查但內容十分嚴謹(高機率已經投稿期刊正在進行審核)的論文指出:Covid 確診者(兩個月內)體內針對病毒抗原的特異性 B 細胞會使疫苗施打效果變差 [24],一分析確診者與未確診者施打 CoronaVac 疫苗後的免疫反應之研究指出過去有確診過的人施打疫苗後產生的中和抗體廣度較未確診者窄[25],這些研究其實揭示了因感染活化的免疫細胞甚至是記憶性免疫細胞並非在未來能成為我們對抗病源的好幫手,可能會成為讓疫苗效果變差的壞人[26]

今年六月刊登於頂級期刊 Nature 的一篇發表更是指出 Covid 病毒進化非常多並且能夠抑制針對自己的免疫反應,這有利於反覆感染外,過往感染所產生的免疫銘印(immune imprinting)對未來再次面對不同 covid 病毒時的免疫反應產生負面影響,讓你的免疫系統(尤其是 T 細胞)對於新變種的抵抗力大幅下降[12],但在沒確診只有施打疫苗的族群上,尚未看到上述這些負面影響。

原文第三段與第四段。圖/科技新報
錯誤點:
  • 訊號傳遞的關鍵不是只有干擾素,細胞激素非常重要
  • 細胞被感染後不一會分泌干擾素,要先識別出來是敵人
  • 三種類型的干擾素都很重要不分軒輊,在癌症治療的運用上不是只有第一型,第三型也有。
  • 那篇號稱MIT但不是MIT的發表中沒有研究數據可以證實他所說的mRNA疫苗會破壞第一型干擾素的訊號傳遞。

能夠刺激觸發免疫系統活動的關鍵除了抗原外,宿主所產生的各種細胞激素(cytokine),其中包含文中所提到的干擾素(Interferon),能給予免疫系統進行各種不同的免疫反應[27][28],而 Covid-19 確診導致的細胞激素風暴(cytokine storm)同樣有細胞激素跟干擾素的參與[29]

下方圖片中的內容是一篇探討 Covid 確診後的細胞激素風暴相關路徑與參與的細胞激素、干擾素成員圖,非常精美可以當作參考,或是看一看漂亮的圖表心情好。

細胞激素風暴的機轉與參與成員其實非常繁雜。圖/參考資料 29

細胞激素參與身體中非常多的功能如:細胞訊息傳遞與調節免疫功能等,細胞激素家族非常龐大,而文中所提及的干擾素也是成員之一[27]。干擾素能夠影響病毒複製進而保護細胞不被感染與調節刺激一些免疫細胞,但病毒也不是毫無招架的餘地,有些病毒其實有拮抗干擾素的能力[28][30]。此外感染後的發燒、疼痛、發炎等症狀並非單純由干擾素引起,細胞激素也扮演了非常重要的角色[28]

而干擾素分成三型,功能不完全相同但都很重要:

  • 第一型:具影響病毒複製等功能,其成員有些被運用在治療肝炎,有些被用在治療多發性硬化症。[27][31]
  • 第二型:誘導刺激免疫反應。[32]
  • 第三型:較晚發現的成員,可能能夠影響病毒與真菌的感染。[33][34]

干擾素的確有跟其他療法如化療等一起運用在癌症治療上[35],其機轉與在治療上的運用也一直有在深入研究[36][37]

原文第五段。圖/科技新報
錯誤點:
  • 是細胞激素加上干擾素與其他被啟動的免疫機轉引起Covid-19確診後的最初症狀,不能說是由干擾素引起的
  • 免疫觀念是流動的,疫苗也不是只有預防感染的功能,降低住院率、死亡率、重症率、緩解症狀等都是疫苗會具有的功能,更別提還有治療性疫苗這個類別
  • 畫紅線的科學家表示的內容是錯的,疫苗接種對身體健康狀態有所要求,能接種疫苗者本身身體健康有一定水準,體內的免疫系統能夠清除病毒,打疫苗是讓免疫系統受到訓練後能更好的清除病毒,而施打疫苗後症狀輕微不代表身體沒抵抗
  • 就現有研究來說(免疫系統正常的成人)不論接種疫苗與否,病毒在人體停留的時間沒有統計上的顯著差異
  • 免疫系統功能低下者(如化療患者、愛滋病患者、特殊疾病患者等)被病毒感染後病毒可能揮之不去,但如果換作是普通人不論有沒有打疫苗免疫系統都有能力清除病毒,但能不能活到病毒被清除完又是另一回事。

Covid-19 確診後的症狀並非單純由干擾素引起,細胞激素也扮演了非常重要的角色[28],而疫苗功能其實不單純只有預防感染,減輕症狀與預防重症等也算是疫苗的功能[18]

據目前現有研究來看,確診 Omicron 的人施打疫苗者與未施打疫苗者其實病毒量沒有太大的差距[38][39],但施打疫苗者可能因為體內的抗體與有記憶性的免疫細胞辨識出敵人並開始清除病毒所以症狀出現的較早(可見下方引用推文中的圖片)。

倘若是身體健康的成年人,施打疫苗者確診後體內病毒不會停留更長的時間[39],免疫系統會有能力將病毒清除;但倘若為免疫功能低下的人,如:特殊疾病患者、化療病人、愛滋病患等,比起健康的成年人他們體內的免疫系統較虛弱難以將病毒清除且確診後演化為重症的可能性較高,所以我們必須要小心不要讓他們被感染[5–7]

而在這篇文章刊出不久候我收到一封信,信中說“ 如果長時間不清除疾病,可能會導致嚴重的疾病 ” 這段話可以用澳大利亞2022/06/11到2022/08/27的12週的感染新冠而住院(非加護病房)的確診案例數據去作佐證,之後我又收到一封信說我選用的數據錯誤,他給的數據只有New South Wales,不是澳洲全國。其實這兩封信中都犯了非常常見的數據分析錯誤,這樣的資訊也是假消息的愛用品,該如何破解呢?

筆者收到的信件。圖/作者
錯誤點:
  • 數據分析錯誤,分母取錯
  • 要討論像是疫苗會不會影響確診率這樣的現象或假說不能只用一個地區的數據,這不是在討論不同地區因為醫療資源、人口密度等帶來的影響或案例報告。先撇開最後統計結果不提,這樣要 “只用一個地區的數據來應證一個可能會發生在全世界各地的假設” 的行為恰恰就是學術領域中會被人詬病甚至退稿的 “挑數據說故事”
  1. 時間:數據是2022年6~8月的數據,已能獲得充沛疫苗資源的國家來說該國國民絕大多數都有接種疫苗,澳洲公布的數據來看16歲以上的澳洲人98%有接種一劑疫苗,兩劑為96.3%,三劑為71.7%,而New South Wales的人口數根據Population Australia這個網站上顯示在2022年6月底可能會達到 826萬人,而該地區16歲以上居民97%有接種一劑疫苗,兩劑為95.4%,三劑為69.6%(數據來源
澳洲全國疫苗接種狀態。圖/Australian Government Department of Health and Aged Care
New South Wales疫苗接種狀態。圖/NSW Health

2. 分母要選對:在做如該信提到的感染機率比較時,我們必須要有施打疫苗者跟有施打疫苗者比,沒施打疫苗者跟沒施打疫苗者比,為什麼?因為你要比的是施打疫苗者跟沒施打疫苗者各自的感染機率,而以澳洲數據來看16歲以上施打至少一劑疫苗者有98%(20,209,451人,換而言之沒施打疫苗者大約是2%(412,428人);而在New South Wales16歲以上施打至少一劑疫苗者有97%(約8,017,050人),未施打疫苗者大約3%(大約247,950人)如果沒選對分母,算出來的數據會大錯特錯。

3. 小心分子裡有詐:做數據分析前我們必須要看數據有沒有妥善處理,儘管現在資訊較為發達,還是有可能有些數據會被標記或應該表記為unknown,因為其實際狀況如何以現有資訊來說未知,舉例來說

  • 疫苗施打紀錄存疑需要額外查證
  • 有在其他地方打過疫苗但沒有證明文件
  • 在該系統中沒有出現有施打疫苗紀錄(可能其他地方有)等等

這些都會影響數據處理方式跟最終數據計算方式,這些unknown數據必須標示好並另外處理,不能跟其他數據混為一談更不能直接裁切掉忽視不理,更不能說為了讓數據量夠多我剔除unknown後多用幾週數據讓樣本數夠大,這已經能算惡意扭曲數據。

對於專業人士來說unknown這樣的數據的確是棘手,但相較於一般大眾我們有更多的權限去調取資料與做進一步數據清理分析,倘若真的處理不來我們也會如實告知,許多資訊因為涉及病人隱私絕對不會對外公開,所以問我們怎麼處理分類清理這些數據也沒用,更別提根據分析數據不同我們會用不同的統計方式,不是一般的加減乘除就可以理得清。

此外,在信中我有收到對方用來參考做計算的數據來源,而這張表一看問題就很大連拿來算的價值都沒有,爲什麼呢?

筆者收到的信件中所附的數據圖表。圖/作者

一位相關領域的博士去看原始數據後作出以下點評:

“ Unknown這群不管有沒有打疫苗也不能不理,而且光是8/20號的數據中unknown居然佔了27%(173/638住院數)的統計數,然後說當然不能分析? 他在開什麼玩笑? unknown只有幾種情形:

  • 沒打
  • 有打,沒有證明
  • 打了不是澳洲認為OK的疫苗(台灣人最愛講高端不能出國)
  • 有打的證明但不被認證

不把這些數據好好分類就直接當missing data處理,甚至在他提供的聯結中直接裁切不說明,就是惡意的扭曲數據的意義!”

對我來說他所用的數據還有另一個問題:年齡層資訊去哪了?病人是否有其他疾病呢?

讓我們再繼續使用2022年8月20日New South Wales的數據,住院者數量上升的年齡段集中在60歲以上的族群,詳情請見下圖:

2022年8月20日New South Wales的數據。圖/NSW Health

人類的免疫系統隨著年齡增長會有所影響,儘管都是16歲以上成年人,25歲的年輕人跟90歲的老人狀況不一樣,這就是為何在其他疫苗效力分析的文獻中會以10歲為一個年齡層區分開來分析,甚至連性別、種族等都是我們要考慮的因素,還要再考慮到施打了什麼疫苗;倘若取樣方式、思維邏輯錯誤,再怎麼計算最終結果也是錯的。

而且…儘管沒有權限去獲取所有數據細節,澳洲其實有數據庫已把寄件者想要知道的資訊算好了,New South Wales的數據與分析結果可點擊超連結查詢,在CovidBaseAU的網站上還有其他州與澳洲整體的數據相關分析可以查閱。

總而言之言而總之:

數據資訊充足沒有惡意處理、病人資訊明確並且數據量夠並且挑選適當的統計方式才可以進行數據分析,不是隨便加減乘除就會馬上得到真理

  • (選配)複習一下國中與高中數學在機率統計方面的內容:可能對於有些人來說國高中所學的內容有點模糊了,所以在看到數據時做分析時會搞混應該用哪些數據當分子,哪些數據當分母,可以稍微複習一下。

而在原始文章中那個號稱MIT但根本不是MIT的發表在數據統計上犯的一個極大錯誤也是分母選擇錯誤,如果要算該疫苗的不良事件比例分母應該為“總施打人數”,而不是拿別的疫苗的施打人數來做加減乘除;同理在計算施打疫苗後的突破性感染比例其母數應該是施打疫苗者的人數,而沒施打疫苗者的感染比例則應適用沒有施打疫苗者的人數,別搞混嘍!

原文第六段。圖/科技新報

錯誤點:

  • Covid-19 mRNA疫苗減弱適應性免疫反應方面沒看到有扎實實驗數據的發表,原文提到的根本不是MIT發表的發表也沒有相關數據可以佐證。
  • B細胞在癌症治療中如何發揮功用還在研究中,而且B細胞能分泌的抗體種類很多,不是只有中和病原體的功能。

在本文撰寫的當下我以 google scholar 與 pubmed 查關鍵字 covid-19、mRNA vaccine、T cell、B cell 看到的主要是探討疫苗如何誘導 T 細胞與 B 細胞免疫反應,而細胞受損方面文獻主要在討論 covid 透過哪些路徑感染免疫細胞,確診對於免疫系統的影響(如 T 細胞多樣性降低,B 細胞失調等)等[40 – 44]

在癌症治療方面 T 細胞的確有其一席之地,與不同細胞激素與細胞協調清除癌細胞[22][45][46],而近幾年的研究顯示 B 細胞與癌症治療與預後評估有所關聯,相關機制仍在研究[47][48]

原文第七段。圖/科技新報

錯誤點:

  • 先天免疫與適應性免疫缺一不可
  • 被誘導出來的適應性免疫不一定有益
  • 該荷蘭研究數據量與分析方式有疑慮,不應用其下定論

參與先天性免疫與適應性免疫的成員眾多且都很重要[27][28],但不一定所有機轉誘導出來的免疫反應都是你的好朋友[12][26]。而該荷蘭研究是否真的有顯著差異能夠證明疫苗施打後真的會影響 IFN-α 以其文章中的數據來看仍有疑慮,詳細討論在上篇中在此不多贅述。

原文第八段。圖/科技新報

錯誤點:

  • 中和性抗體不會在一次疫苗接種後幾週就出來
  • 有實際數據的研究與論文綜述指出疫苗可效刺激誘導T細胞而非活性下降

中和性抗體需要不短的成熟期,不可能在疫苗接種後幾週內產生[49][50],除非你已經是接種超過一劑疫苗,接著在第二或是第三劑疫苗施打後幾週內產生中和性抗體那可能還說得過去。而 mRNA 疫苗可以有效刺激與誘導 T 細胞與 B 細胞已在過往實驗中獲得證實[51],對於其導致心肌炎、心包炎與過敏等的可能機制也有不少研究團隊分析討論[52][53],並針對其安全性與哪些族群可能施打有較高的風險有所研究[52–54]

mRNA 疫苗研究多年但實際大量運用在人體上也是第一次[55][56],比起其他傳統疫苗技術來說他有一定的優點如可以快速製備,同樣也有缺點如存放難度高、目前已知副作用不少以及缺乏傳統疫苗臨床試驗的長期追蹤,這些都是需要更多研究與更多時間才能知道答案。

整體來說「mRNA 疫苗爭議浮現,MIT:自然免疫系統失靈」文中部分內容正確,但更多的是似是而非跟描述方式不當,而構成這篇文章的兩篇引用文獻品質不佳甚至拿來當主打點的發表早已有國外文章分析其內容有多少問題[57],有興趣的人可以在 Reference 中找到連結查看。

引用文獻有誤、關於免疫學敘述有誤且偏頗,這是我對於「mRNA 疫苗爭議浮現,MIT:自然免疫系統失靈」這篇文章的評價;而針對該文的兩篇闢謠文 Reference 超過 60 個,遠超過原始文章中的引用文獻的數量,從此也可以看出要澄清假消息需要付出的心力有多驚人。

結語

會將這系列文拆成上下篇主要是因為「mRNA 疫苗爭議浮現,MIT:自然免疫系統失靈」是基於兩篇引用文獻再加上其他資料寫出來的,如果不將有標紅色底線的兩篇引用文獻相關內容先做闢謠科普這篇文章會很混亂很長。

沒有任何技術是完美的,隨著技術的發展、更多的研究與臨床觀察我們才能找到更適合的改進方向,進而讓不論是疫苗研發技術還是藥物療法開發等變得越來越好。但這世界上不會有任何事情是大家都接受的,總有攻擊的聲浪甚至有虛假資訊流竄,有些人儘管有高學歷,但那絕對不代表他們說的寫的是正確的,多的是這樣的人散播似是而非的資訊。

這系列文章的最後我想感謝在寫文章的過程中提供不同專業建議與見解的博士們(為了寫這篇文章我詢問了好幾位相關專業的博士),還有願意看到這行話的讀者,願這兩篇文章能夠讓沒有相關背景的大眾對於疫情相關的資訊判讀有些幫助,祝一切安好。

參考資料

  1. Amoutzias GD, Nikolaidis M, Tryfonopoulou E, Chlichlia K, Markoulatos P, Oliver SG. The remarkable evolutionary plasticity of coronaviruses by mutation and recombination: insights for the COVID-19 pandemic and the future evolutionary paths of SARS-CoV-2. Viruses. 2022 Jan 2;14(1):78.
  2. Schwarzendahl, F.J., Grauer, J., Liebchen, B. and Löwen, H., 2022. Mutation induced infection waves in diseases like COVID-19. Scientific Reports12(1), pp.1–11.
  3. Pathan, R.K., Biswas, M. and Khandaker, M.U., 2020. Time series prediction of COVID-19 by mutation rate analysis using recurrent neural network-based LSTM model. Chaos, Solitons & Fractals138, p.110018.
  4. Sharif, N. and Dey, S.K., 2021. Impact of population density and weather on COVID-19 pandemic and SARS-CoV-2 mutation frequency in Bangladesh. Epidemiology & Infection149.
  5. Mishra, M., Zahra, A., Chauhan, L.V., Thakkar, R., Ng, J., Joshi, S., Spitzer, E.D., Marcos, L.A., Lipkin, W.I. and Mishra, N., 2022. A Short Series of Case Reports of COVID-19 in Immunocompromised Patients. Viruses14(5), p.934.
  6. Maponga, T.G., Jeffries, M., Tegally, H., Sutherland, A.D., Wilkinson, E., Lessells, R., Msomi, N., van Zyl, G., de Oliveira, T. and Preiser, W., 2022. Persistent SARS-CoV-2 infection with accumulation of mutations in a patient with poorly controlled HIV infection. Available at SSRN 4014499.
  7. Hoffman, S.A., Costales, C., Sahoo, M.K., Palanisamy, S., Yamamoto, F., Huang, C., Verghese, M., Solis, D.A., Sibai, M., Subramanian, A. and Tompkins, L.S., 2021. SARS-CoV-2 neutralization resistance mutations in patient with HIV/AIDS, California, USA. Emerging Infectious Diseases27(10), p.2720.
  8. Focosi, D., Maggi, F., Franchini, M., McConnell, S. and Casadevall, A., 2021. Analysis of immune escape variants from antibody-based therapeutics against COVID-19: a systematic review. International journal of molecular sciences23(1), p.29.
  9. Nel, A.E. and Miller, J.F., 2021. Nano-enabled COVID-19 vaccines: meeting the challenges of durable antibody plus cellular immunity and immune escape. ACS nano15(4), pp.5793–5818.
  10. Riddell, S., Goldie, S., Hill, A., Eagles, D. and Drew, T.W., 2020. The effect of temperature on persistence of SARS-CoV-2 on common surfaces. Virology journal17(1), pp.1–7.
  11. Pulliam, J.R., van Schalkwyk, C., Govender, N., von Gottberg, A., Cohen, C., Groome, M.J., Dushoff, J., Mlisana, K. and Moultrie, H., 2022. Increased risk of SARS-CoV-2 reinfection associated with emergence of Omicron in South Africa. Science376(6593), p.eabn4947.
  12. Reynolds, C.J., Pade, C., Gibbons, J.M., Otter, A.D., Lin, K.M., Muñoz Sandoval, D., Pieper, F.P., Butler, D.K., Liu, S., Joy, G. and Forooghi, N., 2022. Immune boosting by B. 1.1. 529 (Omicron) depends on previous SARS-CoV-2 exposure. Science377(6603), p.eabq1841.
  13. https://www.jnj.com/johnson-johnson-announces-european-commission-approval-for-janssens-preventive-ebola-vaccine
  14. https://www.statnews.com/2020/01/07/inside-story-scientists-produced-world-first-ebola-vaccine/
  15. http://scimonth.blogspot.com/2018/07/blog-post_19.html
  16. https://www1.cde.org.tw/ct_taiwan/notes.html
  17. https://clinicaltrials.gov/
  18. Morens, D.M., Folkers, G.K. and Fauci, A.S., 2022. The concept of classical herd immunity may not apply to COVID-19. The Journal of Infectious Diseases.
  19. Eichhorn, Adolph. Contagious abortion of cattle. №790. US Department of Agriculture, 1917.
  20. Smith, A., 2000. Oxford dictionary of biochemistry and molecular biology: Revised Edition. Oxford University Press.
  21. Alberts, B., 2017. Molecular biology of the cell. WW Norton & Company.
  22. Waldman, A.D., Fritz, J.M. and Lenardo, M.J., 2020. A guide to cancer immunotherapy: from T cell basic science to clinical practice. Nature Reviews Immunology20(11), pp.651–668.
  23. Lin, L.Y., Carapito, R., Su, B. and Moog, C., 2022. Fc receptors and the diversity of antibody responses to HIV infection and vaccination. Genes & Immunity, pp.1–8.
  24. https://www.medrxiv.org/content/10.1101/2022.08.30.22279344v1
  25. Zhu, Y., Lu, Y., Tang, L., Zhou, C., Liang, R., Cui, M., Xu, Y., Zheng, Z., Cheng, Z. and Hong, P., 2022. Finite neutralisation breadth of omicron after repeated vaccination. The Lancet Microbe.
  26. Suryawanshi, R. and Ott, M., 2022. SARS-CoV-2 hybrid immunity: silver bullet or silver lining?. Nature Reviews Immunology, pp.1–2.
  27. Janeway, C.A., Travers, P., Walport, M. and Capra, D.J., 2001. Immunobiology (p. 600). UK: Garland Science: Taylor & Francis Group.
  28. De Andrea, M., Ravera, R., Gioia, D., Gariglio, M. and Landolfo, S., 2002. The interferon system: an overview. European Journal of Paediatric Neurology6, pp.A41-A46.
  29. Fajgenbaum, D.C. and June, C.H., 2020. Cytokine storm. New England Journal of Medicine383(23), pp.2255–2273.
  30. Elrefaey, A.M., Hollinghurst, P., Reitmayer, C.M., Alphey, L. and Maringer, K., 2021. Innate immune antagonism of mosquito-borne flaviviruses in humans and mosquitoes. Viruses13(11), p.2116.
  31. Ntita, M., Inoue, S.I., Jian, J.Y., Bayarsaikhan, G., Kimura, K., Kimura, D., Miyakoda, M., Nozaki, E., Sakurai, T., Fernandez-Ruiz, D. and Heath, W.R., 2022. Type I interferon production elicits differential CD4+ T-cell responses in mice infected with Plasmodium berghei ANKA and P. chabaudi. International Immunology34(1), pp.21–33.
  32. Kidd, P., 2003. Th1/Th2 balance: the hypothesis, its limitations, and implications for health and disease. Alternative medicine review8(3), pp.223–246.
  33. Espinosa, V., Dutta, O., McElrath, C., Du, P., Chang, Y.J., Cicciarelli, B., Pitler, A., Whitehead, I., Obar, J.J., Durbin, J.E. and Kotenko, S.V., 2017. Type III interferon is a critical regulator of innate antifungal immunity. Science immunology2(16), p.eaan5357.
  34. Hermant, P. and Michiels, T., 2014. Interferon-λ in the context of viral infections: production, response and therapeutic implications. Journal of innate immunity6(5), pp.563–574.
  35. Goldstein, D. and Laszlo, J., 1988. The role of interferon in cancer therapy: a current perspective. CA: a cancer journal for clinicians38(5), pp.258–277.
  36. Zaidi, M.R., 2019. The interferon-gamma paradox in cancer. Journal of Interferon & Cytokine Research39(1), pp.30–38.
  37. Dunn, G.P., Ikeda, H., Bruce, A.T., Koebel, C., Uppaluri, R., Bui, J., Chan, R., Diamond, M., Michael White, J., Sheehan, K.C. and Schreiber, R.D., 2005. Interferon-γ and cancer immunoediting. Immunologic research32(1), pp.231–245.
  38. Regev-Yochay, G., Gonen, T., Gilboa, M., Mandelboim, M., Indenbaum, V., Amit, S., Meltzer, L., Asraf, K., Cohen, C., Fluss, R. and Biber, A., 2022. Efficacy of a fourth dose of COVID-19 mRNA vaccine against omicron. New England Journal of Medicine386(14), pp.1377–1380.
  39. Boucau, J., Marino, C., Regan, J., Uddin, R., Choudhary, M.C., Flynn, J.P., Chen, G., Stuckwisch, A.M., Mathews, J., Liew, M.Y. and Singh, A., 2022. Duration of Shedding of Culturable Virus in SARS-CoV-2 Omicron (BA. 1) Infection. New England Journal of Medicine387(3), pp.275–277.
  40. Junqueira, C., Crespo, Â., Ranjbar, S., de Lacerda, L.B., Lewandrowski, M., Ingber, J., Parry, B., Ravid, S., Clark, S., Schrimpf, M.R. and Ho, F., 2022. FcγR-mediated SARS-CoV-2 infection of monocytes activates inflammation. Nature, pp.1–9.
  41. Pontelli, M.C., Castro, I.A., Martins, R.B., La Serra, L., Veras, F.P., Nascimento, D.C., Silva, C.M., Cardoso, R.S., Rosales, R., Gomes, R. and Lima, T.M., 2022. SARS-CoV-2 productively infects primary human immune system cells in vitro and in COVID-19 patients. Journal of molecular cell biology14(4), p.mjac021.
  42. Joseph, M., Wu, Y., Dannebaum, R., Rubelt, F., Zlatareva, I., Lorenc, A., Du, Z.G., Davies, D., Kyle-Cezar, F., Das, A. and Gee, S., 2022. Global patterns of antigen receptor repertoire disruption across adaptive immune compartments in COVID-19. Proceedings of the National Academy of Sciences119(34), p.e2201541119.
  43. André, S., Picard, M., Cezar, R., Roux-Dalvai, F., Alleaume-Butaux, A., Soundaramourty, C., Cruz, A.S., Mendes-Frias, A., Gotti, C., Leclercq, M. and Nicolas, A., 2022. T cell apoptosis characterizes severe Covid-19 disease. Cell Death & Differentiation, pp.1–14.
  44. Woodruff, M.C., Ramonell, R.P., Haddad, N.S. et al. Dysregulated naïve B cells and de novo autoreactivity in severe COVID-19. Nature (2022). https://doi.org/10.1038/s41586-022-05273-0
  45. Feng, S. and De Carvalho, D.D., 2022. Clinical advances in targeting epigenetics for cancer therapy. The FEBS Journal289(5), pp.1214–1239.
  46. Abrantes, R., Duarte, H.O., Gomes, C., Wälchli, S. and Reis, C.A., 2022. CAR‐Ts: new perspectives in cancer therapy. FEBS letters596(4), pp.403–416.
  47. Petitprez, F., de Reyniès, A., Keung, E.Z., Chen, T.W.W., Sun, C.M., Calderaro, J., Jeng, Y.M., Hsiao, L.P., Lacroix, L., Bougoüin, A. and Moreira, M., 2020. B cells are associated with survival and immunotherapy response in sarcoma. Nature577(7791), pp.556–560.
  48. Helmink, B.A., Reddy, S.M., Gao, J., Zhang, S., Basar, R., Thakur, R., Yizhak, K., Sade-Feldman, M., Blando, J., Han, G. and Gopalakrishnan, V., 2020. B cells and tertiary lymphoid structures promote immunotherapy response. Nature577(7791), pp.549–555.
  49. Moore, P.L., Williamson, C. and Morris, L., 2015. Virological features associated with the development of broadly neutralizing antibodies to HIV-1. Trends in microbiology23(4), pp.204–211.
  50. Gray, E.S., Madiga, M.C., Hermanus, T., Moore, P.L., Wibmer, C.K., Tumba, N.L., Werner, L., Mlisana, K., Sibeko, S., Williamson, C. and Abdool Karim, S.S., 2011. The neutralization breadth of HIV-1 develops incrementally over four years and is associated with CD4+ T cell decline and high viral load during acute infection. Journal of virology85(10), pp.4828–4840.
  51. Hogan, M.J. and Pardi, N., 2022. mRNA Vaccines in the COVID-19 Pandemic and Beyond. Annual Review of Medicine73, pp.17–39.
  52. Heymans, S. and Cooper, L.T., 2021. Myocarditis after COVID-19 mRNA vaccination: clinical observations and potential mechanisms. Nature Reviews Cardiology, pp.1–3.
  53. Risma, K.A., Edwards, K.M., Hummell, D.S., Little, F.F., Norton, A.E., Stallings, A., Wood, R.A. and Milner, J.D., 2021. Potential mechanisms of anaphylaxis to COVID-19 mRNA vaccines. Journal of Allergy and Clinical Immunology147(6), pp.2075–2082.
  54. Anand, P. and Stahel, V.P., 2021. The safety of Covid-19 mRNA vaccines: A review. Patient safety in surgery15(1), pp.1–9.
  55. Park, K.S., Sun, X., Aikins, M.E. and Moon, J.J., 2021. Non-viral COVID-19 vaccine delivery systems. Advanced drug delivery reviews169, pp.137–151.
  56. Heiser, A., Coleman, D., Dannull, J., Yancey, D., Maurice, M.A., Lallas, C.D., Dahm, P., Niedzwiecki, D., Gilboa, E. and Vieweg, J., 2002. Autologous dendritic cells transfected with prostate-specific antigen RNA stimulate CTL responses against metastatic prostate tumors. The Journal of clinical investigation, 109(3), pp.409–417.
  57. https://www.respectfulinsolence.com/2022/05/02/scientific-review-articles-as-disinformation/
  58. Halstead, S.B. and Katzelnick, L., 2020. COVID-19 vaccines: should we fear ADE?. The Journal of infectious diseases, 222(12), pp.1946–1950.
  59. Li, M., Wang, H., Tian, L., Pang, Z., Yang, Q., Huang, T., Fan, J., Song, L., Tong, Y. and Fan, H., 2022. COVID-19 vaccine development: milestones, lessons and prospects. Signal transduction and targeted therapy, 7(1), pp.1–32.
  60. Maemura, T., Kuroda, M., Armbrust, T., Yamayoshi, S., Halfmann, P.J. and Kawaoka, Y., 2021. Antibody-dependent enhancement of SARS-CoV-2 infection is mediated by the IgG receptors FcγRIIA and FcγRIIIA but does not contribute to aberrant cytokine production by macrophages. MBio, 12(5), pp.e01987–21.
所有討論 1
Jamie Lin_96
2 篇文章 ・ 2 位粉絲
正在論文與發表地獄中載浮載沈的免疫學博士後選人 熱愛攝影、做手工藝且永遠管不住好動的手,不是在寫論文、部落格文章就是在推特上筆戰科普

0

7
3

文字

分享

0
7
3
【闢謠科普兩不誤】「mRNA 疫苗爭議浮現,MIT:自然免疫系統失靈」這篇文到底有多少錯?上篇:破解有疑慮的引用文獻及判斷文獻可信度小技巧分享
Jamie Lin_96
・2022/09/17 ・4028字 ・閱讀時間約 8 分鐘

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

單純只說這篇文章內容錯誤無法說服人,就讓我們一起從有狀況的引用文獻到問題百出的文章內容逐一拆解科普過去吧!

因為內容眾多所以這篇文將會拆成上下兩篇,上篇為引用文獻出了什麼包以及若非專業人士我們怎麼快速判斷發表是否可信?下篇為整篇文章內容有哪些觀點有誤與有哪些相關可信賴發表值得看。

分析這篇文章引用的文獻,破解有問題的引用文獻跟判斷文獻可信度小技巧。圖/科技新報

筆者目前研究領域跟工作狀態:免疫學博士候選人,預計於 2023 年 2 月正式取得博士學位,研究主題為愛滋疫苗與功能性抗體,具備在生物安全等級三級實驗室工作的資格與能力,最近在發表地獄中載浮載沉。

在細緻拆解這篇文章的內容前,我想先來聊聊這篇文章引用的兩篇發表到底問題在哪裡?為什麼我會說有狀況?

第一篇引用文獻的四大問題

這篇文章引用兩篇發表,第一篇是 2021 年 5 月 6 日發布在 medRxiv 上的 The BNT162b2 mRNA vaccine against SARS-CoV-2 reprograms both adaptive and innate immune responses,研究團隊在荷蘭,也是該文中所提的荷蘭研究。

引用的文獻之一。圖/medrxiv
  • 文獻引用與解讀錯誤
  • 可能該發表從實驗假設到結論都有問題
  • 數據分析與解讀方式可能有問題(其實在審核過程中,研究團隊是有可能需要針對評審質疑的方向加做實驗來證實假設論點為真,進而說服評審)
  • 可能會誤導非該領域的讀者

因為疫情很多研究團隊會將發表先放上 medRxiv 與 bioRxiv,其實不少很扎實的研究之後都投稿上了正式期刊,倘若有投稿上會顯示在 Rxiv 的連結上。

這篇研究到我寫文的當下尚未正式投稿刊登,該研究總樣本數為 16 人其實不多之外,支持該發表論點的主要是這兩張圖,因為研究團隊說疫苗接種後的 IFN-α 濃度有顯著差異。

除了樣本數不高外,對於顯著差異的判斷也隨著時間改變而有所不同。圖/Figure 1H, 1I

但真的有顯著差異嗎?我看完數據後表示存疑。

樣本數少之外可以看到只有一兩個點較高,其他點分佈都非常平均,這樣的狀態下其統計的顯著差異可能來自那一兩個極端值,而非兩組真實有差;如果我是評審我會詢問該團隊移除最高值後期數據是否仍有顯著差異並請他們將 Y 軸改成 log10 scale 來看分佈,如果重新分析製圖後真有顯著差異我才可能會覺得這篇發表的實驗結果可以支持論點。

第二篇引用文獻號稱 MIT 研究是真的假的?

第二篇研究為 2022 年 4 月 15 日刊出在 Food and Chemical Toxicology 的 Innate immune suppression by SARS-CoV-2 mRNA vaccinations: The role of G-quadruplexes, exosomes, and MicroRNAs,在文中被稱為是 MIT 研究也是「MIT:自然免疫系統失靈」的由來,但這篇文章真的是 MIT 研究且可信嗎?

在文中被稱為是 MIT 研究也是「MIT:自然免疫系統失靈」的由來,但這篇文章真的是 MIT 研究且可信嗎?圖/Food and Chemical Toxicology 

這篇真的很長,拉到最下方的作者貢獻(Author contributions)區可以看到這段話:S.S., G.N and A.K. all contributed substantially to the writing of the original draft. P.M. participated in the process of editorial revisions. 意思是作者序上的前三位作者負責寫這篇文章的草稿,而最後一位作者是通訊作者並且負責整篇文章的投稿與問題回覆

如果對於貢獻、通訊作者、問題回覆等名詞看得一頭霧水,可以參考我之前寫針對期刊投稿與貢獻的科普文,裡面對這些名詞都有簡單定義解釋。

簡單來說這篇發表誰是老大跟屬於哪個機構?答案是這篇研究的通訊作者 Peter A. McCullough,他是一位心臟科醫生並且有許多反疫苗言論[1][2][3],且該發表應歸屬於 Truth for Health Foundation 的研究(在其機構 mission 上寫他們提供以信仰為基礎的療法),完全不能說是MIT的研究,而寫文章的前三位作者分別背景為:

  • Stephanie Seneff:背景為計算機科學,近年研究興趣與生物較為相關的為現代疾病(如:阿茲海默、自閉症、心血管疾病等)與藥物數據庫的分析,以及營養缺乏和環境毒素對人類健康的影響。其生物相關發表不少有所爭議並被專家批評缺乏證據、推論不正確等[4][5]。(Wikipedia link
  • Greg Nigh:工作為自然療法醫療人員與針灸師。
  • Anthony M. Kyriakopoulos:希臘研究員,最近幾年主要研究牛磺酸。

上述三位作者加上通訊作者全部沒有免疫學背景甚至不是相關研究人員

而更有趣的是該篇發表的主要編輯為 Dr. Jose Luis Domingo,他主要研究方向為環境與食品污染對人類健康的影響,但他的研究其實不少備受批評外,他曾經在 Food and Chemical Toxicology 期刊上徵稿[6],希望有人能夠投稿關於 Covid-19 疫苗對人體有害的稿件,之後便有了這篇號稱「MIT 研究」的發表,但國外也早已有文章批評其是披著科學文獻皮的虛假訊息[7]

講完該發表作者群與編輯的背景與事蹟後,讓我們看一看這篇文章發表在哪個期刊:Food and Chemical Toxicology 食品與化學毒理學期刊;而正統疫苗相關發表會去什麼期刊:生物學、免疫學等相關期刊。每個期刊代表的研究領域不同外,同時也代表該期刊的評審背景,你不可能在食品相關期刊找到免疫學專業的評審,反之亦然。倘若這篇疫苗有害論的發表整體論點清晰佐證明確,那早就應該可以上免疫學相關期刊,不用跑去食品期刊湊熱鬧

可能有人會問:作者與編輯有狀況不代表內文有狀況啊?

這篇發表我很認真的看完了,簡單來說有兩個致命問題:

  • 引用很多文獻,但是完全沒有任何文獻可以支持他們的論點
  • 數據分析方式錯誤,如果要算該疫苗的不良事件比例分母應該為“總施打人數”,而不是拿別的疫苗的施打人數來做加減乘除

通篇錯誤滿滿,完全可以當作科學寫作與生物統計學的負面教材。

所引用的兩篇文章各有不同的疑慮

「mRNA 疫苗爭議浮現,MIT:自然免疫系統失靈」這篇文章引用的兩篇發表

  • 第一篇沒有經過同行審查,對我來說數據分析結果存疑,需要進一步的分析與更多專業人士審查後我才會相信
  • 第二篇內把所屬機構寫錯外,作者群與編輯無免疫學背景且內文錯誤滿滿

光就其引用文獻的品質其實就可以直接判斷該文章不合格根本連看都不需要看,而在下篇文章我會深入拆解文章內容並針對其寫到的資訊做科普。

快速檢閱發表是否可信的小技巧

我常常被人問:Jamie,我沒有免疫學背景,那我該怎麼判斷這篇文章可不可以信任呢?

這裡我想分享幾個簡單的判斷方式:

  • 看作者所屬機構跟學歷背景:大多數的研究人員都會有紀錄學歷、發表、工作機構的頁面如:Google scholar, research gate, ORCID ID 等,而在期刊發表中我們會放上我們所屬機構,如果作者是在該領域相關機構工作學歷也相關,那可信度會高一些。
  • 查詢作者與編輯風評:如果發現大量負面評價,那可以不用看。
  • 看一看實驗 N 值、圖表、XY 軸與單位:每個研究會招募到多少人或是使用多少動物不一定,但通常越多越好,我自己會找有設置可以參考的對照組的發表,如果是跟人有關的最少要有 30 人但案例報告除外,動物實驗方面一組至少要 5 隻起跳,再來我會看該發表圖表的 XY 軸與使用的單位,再來看圖片中數據的分佈,如果發現說有顯著差異但數據分佈很集中只有一兩個數值極高或極低,那我會存疑當作並沒有顯著差異。
  • 看發表內容跟期刊主題是否一致:大部分的期刊都有自己的主題,就像我做愛滋病疫苗研究我可能會投往 AIDS, Frontiers, Genes & Immunity, Cell report 等期刊,但我不會說要去投毒物學期刊,這與我的研究方向完全不符合!如果發表內容跟期刊主題不一致還刊出來,那要不期刊很爛要不後面問題很大,不論哪個都是個警訊。
  • 盡量看有同行審查(peer-reviewed)的期刊發表:有些很優的發表因為疫情需要資訊快速交換所以會先放在未經同行審查的資料庫中之後正式投稿到期刊上,但這對於非相關專業的人來說很難判斷,在此我建議找有同行審查的期刊發表來看,但同樣需注意發表內容跟期刊主題是否一至。
簡單的判斷文章的可信度可以從作者所屬機構跟學歷背景、風評等多種面相來參考。圖/pixabay

疫情開始後其實有非常多關於 Covid-19 相關的垃圾發表,標題跟內文不符或是通篇錯誤,儘管我是相關專業有時候我也覺得很煩躁,但這些技巧是我需要大量查找 paper 時一定會使用的的快速分辨技巧,僅供參考。

【闢謠科普兩不誤】 — 「mRNA 疫苗爭議浮現,MIT:自然免疫系統失靈」這篇文到底有多少錯?上篇:破解有問題的引用文獻跟判斷文獻可信度小技巧分享 到此結束,下篇正在努力撰寫中,如果有任何疑問歡迎留言發問!

參考資料

  1. US cardiologist makes false claims about Covid-19 vaccination.
  2. The COVID-19 “Vaccine Holocaust”: The latest antivaccine messaging.
  3. Vaccines are a safer alternative for acquiring immunity compared to natural infection and COVID-19 survivors benefit from getting vaccinated, contrary to claims by Peter McCullough.
  4. Mesnage, R. and Antoniou, M.N., 2017. Facts and fallacies in the debate on glyphosate toxicity. Frontiers in public health5, p.316.
  5. Not Even Wrong: Seneff And Samsel Debunked By The Seralini Crew.
  6. Call for Papers on potential toxic effects of COVID-19 vaccines.
  7. Scientific review articles as disinformation.