長達兩公尺的遺傳資訊如何塞進六微米的細胞核？讓我們從染色體上的「拓樸結構域」談起

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

科學期刊的預言：女性能追趕甚至超越男性？

我在 2002 年還在讀大四時，第一次看到兩位 UCLA 生理學家的論文〈不用多久女性就會跑得比男性快？〉，當時我覺得這個標題很荒謬。在那之前我花了五個賽季，進行 800 公尺中距離跑步訓練，成績已經超越世界女子紀錄。而且我還不是自己接力隊上跑最快的。

但那篇論文發表在《自然》（Nature）期刊上，這是世上極具聲望的科學期刊，所以一定有些道理。大眾就是這麼認為的。《美國新聞與世界報導》雜誌在 1996 年亞特蘭大奧運之前，對一千個美國人做了調查，結果其中有三分之二認為，「終有一天頂尖女運動員會勝過頂尖男運動員」。

《自然》期刊上那篇論文的作者，把男子組和女子組從 200 公尺短跑到馬拉松各項賽事歷年的世界紀錄畫成圖表，發現女子組紀錄進步得遠比男子組急速。他們用外推法從曲線的趨勢推斷未來，確定到 21 世紀前半葉，女性就會在各個賽跑項目擊敗男性。兩名作者寫道：「正因進步速度的差異實在非常大，而使（兩者）差距逐漸縮小。」

2004 年，趁著雅典奧運成為新聞焦點之際，《自然》又特別刊出一篇同類型的文章〈2156 年奧運會場上的重要衝刺？〉（Momentous Sprint at the 2156 Olympics?）──標題所指的，正是女子選手會在 100 公尺短跑比賽中，勝過男子選手的預計時間。

2005 年，三名運動科學家在《英國運動醫學期刊》發表了一篇論文，省去問號開門見山在標題宣稱：〈女性終將做到〉（Women Will Do It in the Long Run.）。

難道男性主導世界紀錄的情況，始終是歧視女性、把女性排除於競技場外的結果？

20 世紀上半葉，文化規範與偽科學嚴重限制了女性參與運動競技的機會。在 1928 年阿姆斯特丹奧運期間，有媒體（捏造）報導指稱，女性選手在 800 公尺賽跑後筋疲力竭地躺在地上，這讓一些醫生和體育記者十分反感，使得他們認為這個比賽項目會危害女性健康。《紐約時報》上有篇文章就寫：「這種距離太消耗女性的體力了。」^〔1〕那幾屆奧運之後，在接下來的三十二年間，距離超過 200 公尺的所有女子項目，都突然遭禁，直到 2008 年奧運，男女運動員的徑賽項目才終於完全相同。但《自然》期刊上的那幾篇論文指出，隨著女性參賽人數增多，看起來她們的運動成績到最後可能會與男性並駕齊驅，甚至比男性更好。

運動能力的基因密碼：性別差異的生物學根源

我去拜訪約克大學的運動心理學家喬．貝克時，我們談論到運動表現的男女差異，尤其是投擲項目的差異。在科學實驗裡證實過的所有性別差異中，投擲項目一直名列前茅。用統計學術語來說的話，男女運動員的平均投擲速度相差了三個標準差，大約是男女身高差距的兩倍。這代表如果你從街上拉一千個男子，其中 997 人擲球的力氣會比普通女性大。

不過貝克提到，這種情形可能是反映女性缺乏訓練。他的太太是打棒球長大的，輕輕鬆鬆就能贏過他。他打趣說：「她會發出一束雷射光。」那麼這是生物學上的差異嗎？

男性和女性的 DNA 差異極小，僅限於在女性身上為X或男性為Y的那單一染色體。姊弟或兄妹從完全相同的來源取得基因，透過重組母親和父親的 DNA，確保兄弟姊妹絕對不會相近到變成複製人。

性別分化過程大部分要歸結到 Y 染色體上的「SRY 基因」，它的全名是「Y 染色體性別決定區基因」。若要說有「運動能力基因」，那就非 SRY 基因莫屬了。人類生物學的安排，就是讓同樣的雙親能夠同時生育出男性的兒子和女性的女兒，即使傳遞的是相同的基因。SRY 基因是一把 DNA 萬能鑰匙，會選擇性地啟動發育成男性的基因。

我們在生命初期都是女性──每個人類胚胎在形成的前六週都是女性。由於哺乳動物的胎兒會接觸到來自母親的大量雌激素，因此預設性別為女性是比較合算的。在男性身上，SRY 基因到第六週時會暗示睪丸及萊氏細胞（Leydig cell）該準備形成了；萊氏細胞是睪丸內負責合成睪固酮的細胞。睪固酮在一個月之內會不斷湧出，啟動特定基因，關閉其他基因，兩性投擲差距不用多久就會出現。

男孩還在子宮時，就開始發育出比較長的前臂，這使得他們日後投擲時會做出更有力的揮臂動作。儘管男孩和女孩在投擲技能方面的差異，不如成年男性和女性之間那麼顯著，但這種差異在兩歲幼童身上已經很明顯了。

文化與訓練的影響：投擲項目中的性別差距

為了確定孩童之間的投擲差距有多少與文化有關，北德州大學和西澳大學的科學家組成團隊，共同測試美國孩童與澳洲原住民孩童的投擲技能。澳洲原住民沒有發展出農業，仍過著狩獵採集生活，他們教導女孩丟擲戰鬥及狩獵用武器，就像教導男孩一樣。這項研究確實發現，美國男孩和女孩在投擲技能上的差異，比澳洲原住民男孩和女孩之間的差異顯著許多。不過儘管女孩因為較早發育長得較高較壯，男孩仍比女孩擲得更遠。

普遍來說，男孩不僅比女孩更善於投擲，視覺追蹤攔截飛行物的能力往往也出色許多；87% 的男孩在目標鎖定能力的測試上，表現得比一般女孩好。另外，導致差異的部分原因，至少看起來是因為在子宮的時期接觸到了睪固酮。由於先天性腎上腺增生症，而在子宮裡接觸到高濃度睪固酮的女孩，上述項目的表現會像男孩一樣，而不像女孩；患有這種遺傳疾病的胎兒，腎上腺會過度分泌男性荷爾蒙。

受過良好投擲訓練的女性，能輕易勝過未受訓練的男性，但受過良好訓練的男性，表現會大幅超越受過良好訓練的女性。男子奧運標槍選手擲出的距離，比女子奧運選手遠大約三成，儘管女子組使用的標槍比較輕。此外，女性投出的最快棒球球速的金氏世界紀錄是 65 mph（相當於時速 105 公里），表現不錯的高中男生的球速經常比這還要快，有些男子職業球員可以投出超過 100 mph（相當於時速 160 公里）的球速。

在跑步方面，從 100 公尺到 1 萬公尺，經驗法則是把菁英級表現差距定在 11%。從短跑到超級馬拉松，不管任何距離的賽跑，男子組的前十名都比女子組的前十名快大約 11%。^〔2〕在職業等級，那就是個鴻溝。女子組的 100 公尺世界紀錄，跟 2012 年奧運男子組的參賽資格還差了四分之一秒；而在一萬公尺長跑，女子組的世界紀錄成績，與達到奧運參賽資格最低標準的男選手相比落後了一圈。

投擲項目與純爆發力型運動項目的差距更大。在跳遠方面，女子選手落後男子 19%。差距最小的是長距離游泳競賽；在 800 公尺自由式比賽中，排名前面的女子選手，與排名前面的男子選手差距不到 6%。

預言女性運動員將超越男性的那幾篇論文暗示，從 1950 年代到 1980 年代，女性表現的進展遵循一條會持續下去的穩定軌跡，但在現實中是有一段短暫爆發，隨後趨於平穩──這是女子運動員，而非男子運動員進入的平穩期。儘管到 1980 年代，女性在 100 公尺到 1 英里各項賽跑的最快速度，都開始趨於穩定，但男子運動員仍繼續緩慢進步，雖然只進步一點點。

數字很明確。菁英女子選手並未趕上菁英男子選手，也沒有保持住狀況，男性運動員則在非常慢地進步。生物學上的差距在擴大。但為什麼原本就有差距存在？

註釋

1.  各報上氣不接下氣地報導 800 公尺女子選手紛紛倒在跑道上。正如運動雜誌《跑步時代》（Running Times）2012 年的一篇文章指出的，實情是只有一個女子選手在終點線倒下，其餘三名都打破了先前的世界紀錄。據稱人在現場的《紐約郵報》記者寫道，「11 位淒慘的女性」當中有 5 人沒有跑完，5 人在跑過終點線後倒下。《跑步時代》報導說，參賽的女運動員只有 9 個，而且全部跑完。
2. 過去普遍認為，隨著比賽距離拉長，女子賽跑選手會超越男子選手。這是克里斯多福．麥杜格（Christopher McDougall）在《天生就會跑》這本很吸引人的書裡談到的主題，但不完全正確。成績非常優秀的跑者之間的 11% 差距，在最長距離和最短距離同樣穩固存在。儘管如此，南非生理學家卻發現，當一男一女的馬拉松完賽時間不相上下，那個男士在距離短於馬拉松的比賽中通常會贏過那個女士，但如果競賽距離加長到 64 公里，女士就會跑贏。他們報告說，這是因為男性通常比較高又比較重，比賽距離越長，這就會變成很大的缺點。然而在世界頂尖超馬選手當中，男女體型差異比一般群體中的差異小，而 11% 的成績差距，也存在於超級長距離的最優秀男女選手之間。

——本文摘自 大衛・艾普斯坦（David Epstein），《運動基因：頂尖運動表現背後的科學》，2020 年 12 月，行路出版，未經同意請勿轉載。

本文轉載自顯微觀點

顯微鏡在觀察微小物體上發揮非常重要的作用，但傳統光學顯微鏡通常愈將倍率放大，景深就愈淺，在觀察立體的生物標本或是組織切片，觀察者無論怎樣調焦，依然無法獲得完全清晰的圖片。數位顯微鏡便能解決這樣的問題。

數位顯微鏡和光學顯微鏡最大的差異在於觀察方式。數位顯微鏡不像傳統顯微鏡透過目鏡來觀察，而是使用數位相機獲取畫面，再將即時畫面投影到連接的電腦螢幕。

三要件組成數位顯微鏡

數位顯微鏡結合了傳統光學顯微鏡、數位多媒體和數位處理技術，其成像系統通常包括三個模組：顯微鏡光學模組、資料擷取模組、數位影像處理和軟體控制模組。

顯微鏡光學模組執行顯微成像的功能，將欲觀察的樣本影像聚焦。一旦聚焦，資料擷取模組就會將影像以數位格式儲存在感光元件，如 CCD（電荷耦合裝置‍）或 CMOS‍（互補式金氧半導體），再透過 USB 或其他介面傳輸到電腦儲存裝置。

軟體控制模組則是整個數位顯微鏡系統的核心，可即時控制、優化擷取的影像，並加以處理、分析測量。尤其隨著功能更強大的電腦出現，數位顯微影像可以得到更有效和高效的處理，例如可以取代手動計數功能，或是快速推疊或拼接影像。

D_tot 表示景深，λ 是照明光的波長，n 是物鏡至觀察物體間介質的折射率，NA 是物鏡的數值孔徑

e 是放置在顯微鏡物鏡圖像中，可分辨的最小距離，M 是橫向總放大倍率

從公式可以看到，景深和總放大倍率幾乎成反比。而以過去難以同時兼備的高倍率和大景深來說，使用顯微鏡調整焦點，搜尋並到達分佈在不同深度的樣本後，再以數位成像設備捕捉分佈在這些深度的所有清晰影像，傳輸到電腦就能產生高品質、清晰的影像。

另外，也可結合雷射和共軛焦顯微鏡觀察不同深度的橫斷切面影像，再利用電腦影像處理和 3D 重建演算法，便能可以獲得高解析度的立體輪廓，進而觀察複雜的細胞骨架、染色體、細胞器和細胞膜。

數位顯微鏡的電腦即時處理也常應用在動態或活體（in vivo）檢測的研究中，例如細胞膜潛在變化、藥物進入組織或細胞膜的過程等。

數位顯微鏡的倍率計算

傳統顯微鏡的總放大倍率為目鏡倍率 x 物鏡倍率，既然數位顯微鏡拿掉了目鏡改以數位相機、電腦取代，該如何計算總放大倍率呢？

數位顯微鏡除了光學放大倍率，還必須考慮數位放大倍率，因此總放大倍率＝光學放大倍率 x 數位放大倍率

• 光學放大倍率：物鏡放大倍率 x C 型轉接環放大倍率

由於連接顯微鏡和相機通常有一個 C 型轉接環（C-mount），且內建鏡頭。因此必須先將物鏡放大倍率乘以轉接環的放大倍率。

• 數位放大倍率＝螢幕（顯示器）尺寸／感光元件尺寸

數位放大倍率必須考慮的元素有螢幕和感光元件。通常螢幕的對角線尺寸以英吋為單位，因此必須先將測量值轉換為毫米（mm）；以 19 吋顯示器為例，其對角線測量值則為 19 吋 x 25.4＝482.6 （mm）。

感光元件尺寸同樣以對角線的測量值來計算。以 1” 的晶片來說，其對角線測量值為 16（mm）。

因此若以 10X 的物鏡搭配 0.67X 的 C 型轉接環，變焦 5X 後使用 2/3”CMOS 攝錄器拍攝並投影在 24 吋螢幕上。此時總放大倍率為：10 X 0.67 X 5 X 24 X 25.4 / 11 = 1856.5 （倍）

不過，隨著技術的不斷進步，數位顯微鏡和光學顯微鏡間的界限變得越來越模糊，有些數位顯微鏡採用更多光學元件，光學顯微鏡也採用了數位相機技術；相信打破藩籬的那一天指日可待。

查看原始文章

1. Digital vs. Optical Microscopes: An In-Depth Comparison
2. How to Calculate Microscope On-Screen Magnification
3. Chen, X., Zheng, B., & Liu, H. (2011). Optical and digital microscopic imaging techniques and applications in pathology. Analytical cellular pathology (Amsterdam), 34(1-2), 5–18.

• 文／張家銘｜政治大學資訊科學系生物資訊實驗室，希望透過資訊方法的幫忙，來一探生物之秘。

收納大作戰，兩公尺長的遺傳資訊怎麼收？

我們知道每個細胞攜帶 23 對染色體，而這遺傳資訊儲存在細胞核中，相較於 6 微米的細胞核，把存在其中的 DNA 資訊拉直約有 2 公尺長，這有多麼不可思議？ 有如把繞地球 3 百多萬圈的細繩，放到一顆籃球裡面^註，這究竟是如何折疊存放的？

首先要想辦法搞清楚 DNA 序列之間是否有結構上的特徵。但 DNA 序列這麼多這麼長，該怎麼做起呢？

染色體上的結構特徵：拓撲結構域

2002 年美國哈佛大學 Job Dekker 等人發表染色體結構捕獲技術 （Chromosome Conformation Capture, 3C）^[1] ，主要利用甲醛將染色體空間中相近 DNA 序列固定住，然後透過限制酶剪開特定字串功能，將染色體裁切成小片段，進而把空間中相近 DNA 序列成對連接，最終透過 PCR 來觀察特定 DNA 片段在空間中是否相近交互。後續不斷有技術演進，其中 Hi-C 結合次世代定序技術 （next- generation sequencing）^[2]與生物資訊分析方法，更易得到全基因組層面的成對 DNA 相近序列。

這些技術讓科學家進而推導出許多染色體結構上有趣的特徵，其中一個就是 TAD 拓撲結構域（Topology Associated Domain, 縮寫為 TAD） 。

TAD 首先在 2012 年果蠅與人類的 Hi-C 論文中被提出來^[3][4]，從 Hi-C 資料來看，TAD 區段內彼此交互的頻率會遠高於該區段外 （即空間上彼此會靠得比較相近，可以想像成一條線在這邊捲成一團，如毛線球），此性質可形成各自獨立的基因調控區域 ，隔開不該對應的啟動子 （promoter） 與增強子 （enhancer），避免錯誤的調控。

TAD 可以依據不同生物特性，進一步區分成不同類別，如：活躍（active）、抑制（repressed）等。如何找出 TAD 的邊界、滿足上述性質，可以表達成一個數學問題，也就是給定一個 2 維數字矩陣 （M_i,j 為交互作用強度介於第 i 個與第 j 個基因體位置），如何找出區間集合 S，使得 (M_i,j > M_i,k | i,j ∈ S_x, k∈S_y)

究竟，TAD 是染色體結構中真實存在的單位？還是 Hi-C 實驗中細胞群統計平均所得到的數學抽象概念？筆者本身參與了相關的研究^[5][6][7]，剛好要試著回答這問題。

這一系列的研究，牽涉了相當多不同的技術。首先結合超高解析度光學顯微鏡 （dSTORM）與先進的 DNA 標記技術 （Oligopaint），Cattoni 等人在單細胞層次觀察奈米尺度 TAD 接觸行為，透過量化 TAD 內與外空間上接觸強弱機率，發現接觸強弱與細胞的型別、表觀的基因調控息息相關^[5]。

接著 Szabo 等人進一步將顯微鏡光學標記（probe）標識在不同表觀類別的 TAD 上^[6]，發現到，不同表觀 TAD 有著不同的行為：抑制 TAD 可觀察到為穩定的染色體組建單元，然而活躍 TAD 看不到空間中形成相對應的球聚架構 （圖一）。

透過計算顯微鏡下奈米結構單元數量與當初所標記的抑制 TAD 數量一致，證明抑制 TAD 為染色體三級結構組成的基本奈米結構。另外，在顯微鏡底下可發現 TAD 內的兩點果真比 TAD 外的兩點距離來得短，再次證明 TAD 在三級上會形成一個較為緊密的架構，此外相同表觀類別的 TAD 在空間上較容易接觸。

另外，染色體的結構在發育過程中也並不是固定一成不變的。Ogiyama 等人透過 HiC 實驗觀察染色體三級結構在果蠅胚胎發育的變化過程^[7]，發現到染色體的結構是漸進式出現的：從前期無任何特定模式，到晚期形成 TAD 形式，這進展的過程與基因調控有密切的關係。

早期週期 1 到 8 染色體較為隨機的狀態，接著第一波 zygotic 轉錄時（週期 9～13），開始形成特定的活躍染色質環 （chromatin loop），接著才是 TAD 的形成，在更晚的週期 14，抑制的染色質環開始形成，最後跨整個染色體的長距離接觸在胚胎晚期系統地建立起來。

未來展望

近來利用超解析螢光顯微鏡^[8]或電子顯微鏡^[9]直接來觀察染色質結構也有所突破，打破先前教科書上理想的模型：「從 10 奈米的串珠，往上架構成 30 奈米的染色質纖維，再往上構成更大 100～200 奈米的纖維」。科學家發現染色質會因細胞型別有各式不同的動態單元 (nucleosome clutches)^[8]或 5～20 奈米無序的鏈^[9]。相信之後結合 Hi-C 與顯微鏡兩種資訊，人們終可以一解染色質結構功能之謎，並且回答更多的問題，例如：TAD 形成原因，其在演化上扮演的角色，與轉錄作用間的連結……等。

備註

• 若藍球直徑 24.5 公分， 則籃球直徑為細胞核的 40833 倍 (0.245/6 * 10⁶ = 40833.33)，就體積來說，一顆籃球約可以放入 40833³ 顆細胞核，把這些細胞核內染色體接起來 2*40833³，若地球直徑為 40075 公里，共可繞 2*40833³/(40075*1000)= 3397741 圈

1. Dekker, J., Rippe, K., Dekker, M. & Kleckner, N. Capturing Chromosome Conformation. Science 295, 1306–1311 (2002).
2. Lieberman-Aiden, E. et al. Comprehensive mapping of long-range interactions reveals folding principles of the human genome. Science 326, 289–93 (2009).
3. Sexton, T. et al. Three-dimensional folding and functional organization principles of the Drosophila genome. Cell 148, 458–72 (2012).
4. Dixon, J. R. et al. Topological domains in mammalian genomes identified by analysis of chromatin interactions. Nature 485, 376–80 (2012).
5. Valeri, A. et al. 2017. Single-cell absolute contact probability detection reveals chromosomes are organized by multiple low-frequency yet specific interactions. Nature Communications. 8, 1 (2017), 1753.
6. Szabo, Q., Jost, D., Chang, J.-M., Cattoni, D., Papadopoulos, G., Bonev, B., Sexton, T., Gurgo, J., Jacquier, C., Nollmann, M., Bantignies, F. and Cavalli, G. 2018. TADs are 3D structural units of higher-order chromosome organization in Drosophila. Science Advances. 4, 2 (2018), eaar8082.
7. Ogiyama, Y., Schuettengruber, B., Papadopoulos, G., Chang, J.-M. and Cavalli, G. 2018. Polycomb-Dependent Chromatin Looping Contributes to Gene Silencing during Drosophila Development. Molecular cell. 71, 1 (2018), 73–88.e5.
8. Ricci, M. A., Manzo, C., García-Parajo, M. F. F., Lakadamyali, M. & Cosma, M. P. Chromatin fibers are formed by heterogeneous groups of nucleosomes in vivo. Cell 160, 1145–58 (2015).
9. Ou, H. D. et al. ChromEMT: Visualizing 3D chromatin structure and compaction in interphase and mitotic cells. Science 357, eaag0025 (2017).