還在慢慢判定菌種？讓微生物鑑定儀幫你一把！

本文與 PAMO車禍線上律師 合作，泛科學企劃執行

走在台灣的街頭，你是否發現馬路變得越來越「急躁」？滿街穿梭的外送員、分秒必爭的多元計程車，為了拚單量與獎金，每個人都在跟時間賽跑 。與此同時，拜經濟發展所賜，路上的豪車也變多了 。

這場關於速度與金錢的博弈，讓車禍不再只是一場意外，更是一場複雜的經濟算計。PAMO 車禍線上律師施尚宏律師在接受《思想實驗室 video podcast》訪談時指出，我們正處於一個交通生態的轉折點，當「把車當生財工具」的職業駕駛，撞上了「將車視為珍貴資產」的豪車車主，傳統的理賠邏輯往往會失靈 。

在「停工即停薪」（有跑才有錢，沒跑就沒收入）的零工經濟時代，如果運氣不好遇上車禍，我們該如何證明自己的時間價值？又該如何在保險無法覆蓋的灰色地帶中全身而退？

薪資證明的難題：零工經濟者的「隱形損失」

過去處理車禍理賠，邏輯相對單純：拿出公司的薪資單或扣繳憑單，計算這幾個月的平均薪資，就能算出因傷停工的「薪資損失」。

但在零工經濟時代，這套邏輯卡關了！施尚宏律師指出，許多外送員、自由接案者或是工地打工者，他們的收入往往是領現金，或者分散在多個不同的 App 平台中 。更麻煩的是，零工經濟的特性是「高度變動」，上個月可能拚了 7 萬，這個月休息可能只有 0 元，導致「平均收入」難以定義 。

這時候，律師的角色就不只是法條的背誦者，更像是一名「翻譯」。

施律師解釋「PAMO車禍線上律師的工作是把外送員口中零散的『跑單損失』，轉譯成法官或保險公司聽得懂的法律語言。」 這包括將不同平台（如 Uber、台灣大車隊）的流水帳整合，或是找出過往的接單紀錄來證明當事人的「勞動能力」。即使當下沒有收入（例如學生開學期間），只要能證明過往的接單能力與紀錄，在談判桌上就有籌碼要求合理的「勞動力減損賠償 」。

300 萬張罰單背後的僥倖：你的直覺，正在害死你

根據警政署統計，台灣交通違規的第一名常年是「違規停車」，一年可以開出約 300 萬張罰單 。這龐大的數字背後，藏著兩個台灣駕駛人最容易誤判的「直覺陷阱」。

陷阱 A：我在紅線違停，人還在車上，沒撞到也要負責？ 許多人認為：「我人就在車上，車子也沒動，甚至是熄火狀態。結果一台機車為了閃避我，自己操作不當摔倒了，這關我什麼事？」

施律師警告，這是一個致命的陷阱。「人在車上」或「車子沒動」在法律上並不是免死金牌 。法律看重的是「因果關係」。只要你的違停行為阻礙了視線或壓縮了車道，導致後方車輛必須閃避而發生事故，你就可能必須背負民事賠償責任，甚至揹上「過失傷害」的刑責 。 

數據會說話： 台灣每年約有 700 件車禍是直接因違規停車導致的 。這 300 萬張罰單背後的僥倖心態，其巨大的代價可能是人命。

陷阱 B：變換車道沒擦撞，對方自己嚇到摔車也算我的？ 另一個常年霸榜的肇事原因是「變換車道不當」 。如果你切換車道時，後方騎士因為嚇到而摔車，但你感覺車身「沒震動、沒碰撞」，能不能直接開走？

答案是：絕對不行。

施律師強調，車禍不以「碰撞」為前提 。只要你的駕駛行為與對方的事故有因果關係，你若直接離開現場，在法律上就構成了「肇事逃逸」。這是一條公訴罪，後果遠比你想像的嚴重。正確的做法永遠是：停下來報警，釐清責任，並保留行車記錄器自保 。

保險不夠賠？豪車時代的「超額算計」

另一個現代駕駛的惡夢，是撞到豪車。這不僅是因為修車費貴，更因為衍生出的「代步費用」驚人。

施律師舉例，過去撞到車，只要把車修好就沒事。但現在如果撞到一台 BMW 320，車主可能會主張修車的 8 天期間，他需要租一台同等級的 BMW 320 來代步 。以一天租金 4000 元計算，光是代步費就多了 3 萬多塊 。這時候，一般人會發現「全險」竟然不夠用。為什麼？

因為保險公司承擔的是「合理的賠償責任」，他們有內部的數據庫，只願意賠償一般行情的修車費或代步費 。但對方車主可能不這麼想，為了拿到這筆額外的錢，對方可能會採取「以刑逼民」的策略：提告過失傷害，利用刑事訴訟的壓力（背上前科的恐懼），迫使你自掏腰包補足保險公司不願賠償的差額 。

這就是為什麼在全險之外，駕駛人仍需要懂得談判策略，或考慮尋求律師協助，在保險公司與對方的漫天喊價之間，找到一個停損點 。

談判桌的最佳姿態：「溫柔而堅定」最有效？

除了有單據的財損，車禍中最難談判的往往是「精神慰撫金」。施律師直言，這在法律上沒有公式，甚至有點像「開獎」，高度依賴法官的自由心證 。

雖然保險公司內部有一套簡單的算法（例如醫療費用的 2 到 5 倍），但到了法院，法官會考量雙方的社會地位、傷勢嚴重程度 。在缺乏標準公式的情況下，正確的「態度」能幫您起到加分效果。

施律師建議，在談判桌上最好的姿態是「溫柔而堅定」。有些人會試圖「扮窮」或「裝兇」，這通常會有反效果。特別是面對看過無數案件的保險理賠員，裝兇只會讓對方心裡想著：「進了法院我保證你一毛都拿不到，準備看你笑話」。

相反地，如果你能客氣地溝通，但手中握有完整的接單紀錄、醫療單據，清楚知道自己的底線與權益，這種「堅定」反而能讓談判對手買單，甚至在證明不足的情況下（如外送員的開學期間收入），更願意採信你的主張 。

車禍不只是一場意外，它是認知、情緒、金錢與法律邏輯的總和 。

在這個交通環境日益複雜的時代，無論你是為了生計奔波的職業駕駛，還是天天上路的通勤族，光靠保險或許已經不夠。大部分的車禍其實都是小案子，可能只是賠償 2000 元的輕微擦撞，或是責任不明的糾紛。為了這點錢，要花幾萬塊請律師打官司絕對「不划算」。但當事人往往會因為資訊落差，恐懼於「會不會被告肇逃？」、「會不會留案底？」、「賠償多少才合理？」而整夜睡不著覺 。

PAMO看準了這個「焦慮商機」， 推出了一種顛覆傳統的解決方案——「年費 1200 元的訂閱制法律服務 」。

這就像是「法律界的 Netflix」或「汽車強制險」的概念。PAMO 的核心邏輯不是「代打」，而是「賦能」。不同於傳統律師收費高昂，PAMO 提倡的是「大腦武裝」，當車禍發生時，線上律師團提供策略，教你怎麼做筆錄、怎麼蒐證、怎麼判斷對方開價合不合理等。

施律師表示，他們的目標是讓客戶在面對不確定的風險時，背後有個軍師，能安心地睡個好覺 。平時保留好收入證明、發生事故時懂得不亂說話、與各方談判時掌握對應策略 。

從違停的陷阱到訂閱制的解方，我們正處於交通與法律的轉型期。未來，挑戰將更加嚴峻。

當 AI 與自駕車（Level 4/5）真正上路，一旦發生事故，責任主體將從「駕駛人」轉向「車廠」或「演算法系統」 。屆時，誰該負責？怎麼舉證？

但在那天來臨之前，面對馬路上的豪車、零工騎士與法律陷阱，你選擇相信運氣，還是相信策略？ 先「武裝好自己的大腦」，或許才是現代駕駛人最明智的保險。

PAMO車禍線上律師官網：https://pse.is/8juv6k 

• 作者／吳育瑋 臺北醫學大學醫學資訊研究所助理教授

這篇文章是我在讀到 Nature Methods 在 2018 年 3 月 5 日刊登的文章「Using deep learning to model the hierarchicalstructure and function of a cell」¹後，在臉書 MiTalk 社團寫下的三篇短文的整理集結。在這三篇短文中，我簡要地介紹了目前人工智慧的技術基礎「類神經網路」的概念，再將其延伸到這篇文章提及的系統生物學研究，並解釋目前類神經網路之所以被稱為「黑盒子」的原因，以及這項系統生物學研究處理黑盒子的手法。

資訊輸入和輸出，如何用「類神經網路」做出無人車？

我們先來聊聊目前機器學習中最火紅的演算法「類神經網路」究竟是什麼東西？

動物的神經元大致上都有著可以接受來自其他神經元的訊號的樹突 (dendrite)，以及可以傳送訊號給其他神經元的軸突 (axon)。類神經網路的單位神經元架構與生物的神經元類似：都有著數個可以接受其他神經元的「輸入 (Input)」，以及數個傳送訊號給其他神經元的 「輸出 (Output)」。將一大堆這樣子的神經元連結起來，就是類神經網路了。

當然，這種連結也不是亂連的。類神經網路通常會分成好幾「層」，而每一層與每一層之間的神經元都會緊密連結著 (fullyconnected)，以下我用個實際的例子來說明這所謂的「層」是怎麼回事。

在 1989 年的時候，卡內基美隆大學發明了第一台透過類神經網路控制的無人車 ALVINN ²。這台無人車的主要架構有三個：一台在車子前面隨時拍照的照相機或攝影機，一台執行類神經網路運算的電腦，以及由電腦控制的方向盤，請參考下圖：

• 第一層（最底層）：照相機照出來的 30 x 32 個 pixel 的影像，以及8 x 32 個雷射距離測定器像。總共輸入單位是 30 x 32 + 8 x 32 = 1216 個。
• 第二層（中層）：由 29 個類神經網路神經元構成的隱藏層（最初期的設計只有4 個）。
• 第三層（最上層）：45 個輸出神經元，代表著方向盤要打那個角度；每個神經元代表一個角度，例如第一個神經元代表方向盤往右打 30 度，第二個代表方向盤往右打 28 度，依此類推。

這麼簡單的類神經網路，就已經可以讓這台車在路上以 60 英哩的速度行駛了。可見得類神經網路機器學習的威力。

那麼類神經網路是怎麼訓練的呢？簡單地說，我們在訓練類神經網路時，必須要給它一組（通常是數量很多的一大組）已經知道正確答案的訓練樣本，讓類神經網路之間的神經元連結可以自動透過輸入訊號與正確答案的比對調整自身的參數。這樣的訓練會持續上數千或甚至數百萬次，直到正確率無法再提昇為止。比如說 ALVINN 無人車的訓練就是在真人開車時，將每張相機照出來的圖片與人類開車者的方向盤角度（也就是正確答案）進行連結，並持續調整參數直到答案錯誤率很低為止。

換句話說，ALVINN 這台無人車所做的事，就是模仿人類的開車行為。

除了無人車，「類神經網路」也能區分生物種類？

在上一段我們解釋了何謂類神經網路。一句話總結的話就是類神經網路就是連結在一起的人工神經元，而且可以透過無數次訓練盡量提高執行任務（比如說下棋或預測天氣）的準確率。在這一段中我將提到類神經網路與生物網路之間的關係。

類神經網路通常是由許多的「層」數以及每一層內的「神經元」數量所構成的；然而究竟需要多少層網路，或是每一層網路需要多少神經元，則沒有一定的準則。

我認為這是類神經網路最關鍵，卻也最難以決定的參數。舉例來說，先前提到過的自駕車 ALVINN 總共只有一層網路（不考慮輸入與輸出層的話），且這一層只包含 29 個神經元節點。但是現在如 Tesla 或其他品牌自駕車的類神經網路絕對比這個架構複雜許多。我們在設計類神經網路的時候，甚至需要不停地 trial-and-error 後才能決定「最佳」的網路架構，而這裡的「最佳」理所當然是由預測準確率來決定的。

那麼這和微生物或生命科學有什麼關係呢？這要先從一篇Nucleic Acids Research 論文³ 講起。在這篇論文中，卡內基美隆的研究人員試圖透過類神經網路試圖研究不同的細胞（比如說胚胎分化時期的 early-2-cell、late-2-cell、8-cell、16-cell，或不同種類的細胞如 fibroblast、BMDC、以及上皮細胞等），並查看這些細胞的基因表現是否有著明顯的差異。他們的研究標的是不同研究團隊定序出來的 single-cell RNASeq 資料。

簡單來說，他們希望將許多人體內不同種類細胞的 RNASeq 資料透過類神經網路處理後，能夠過濾雜訊，留下最清楚的基因表現訊號。其最終目的當然是透過分群演算法視覺化看出每種細胞的區別。

舉例來說，在論文的圖中，我們可以看到不同的人類細胞在經過類神經網路處理後，能夠有著最大化的分群效果；而且群與群之間大致上距離都相當遠，顯示出基因的表現量的確會隨著細胞的不同而不同。

在同一項研究中，研究人員也發現如果小心地設計類神經網路架構，並將其與生物意義結合的話，將能達到最好的效果。這裡說的與生物意義結合的意思，指的是在設計的類神經網路層級中考慮到生物網路的數量以及結構。

他們首先算出這些基因表現量資料，並將資料建成 protein-protein interaction (PPI) 與 protein-DNA interaction (PDI) 的網路系統，並找出裡面總共有 348 個彼此之間有關聯的子網路；而就在找出「348」這個神奇數字後，研究人員就將類神經網路的隱藏層設計成兩層，且各有著 348 個神經元節點，分別代表這 348 組 PPI 與PDI 子網路。他們發現這樣子的類神經網路設計將能達到最理想的分群效果。

好的。到底我之所以鋪了類神經網路和生物意義這些梗要幹嘛呢？當然最主要的目的就是要說明 2018 年 Nature Methods的論文¹ 到底在講什麼。這篇論文雖然也是走類神經網路路線，但是他們網路的設計相當極端：完全按照生物的代謝途徑 (metabolic pathway) 來設計神經元的分佈（作者群在另一篇論文⁴ 中提到他們就是受到這一篇 Nucleic AcidsResearch 的論文² 啟發而設計出這種奇妙的架構的）。

換句話說，這篇系統生物學的論文設計的類神經網路事實上已經不太有傳統的「隱藏層」的概念，而是完全按照代謝途徑連結人工神經元。透過這個方法，他們的類神經網路中總共包含了酵母菌的 2526 個子網路系統，分別代表不同的細胞代謝途徑。在經過訓練與比較後，這個經過特殊設計的網路結構可以準確地透過不同的基因表現預測酵母菌的細胞生長，並且預測的準確率比傳統數層緊密連結的類神經網路還要好上許多。

神秘的黑盒子，「類神經網路」是怎麼運作的？

在類神經網路的世界中，常常會聽到一個說法：以類神經網路為基礎架構的人工智慧預測模型是「黑盒子  (black box)」。這裡的黑盒子當然不是飛機出事後可以撿回來分析的那個，而是無法打開無法分析而且完全不曉得裡面到底在幹嘛的系統。為什麼會有這種說法呢？一切都要從類神經網路模型是如何訓練的開始講起。

在類神經網路的世界中，每一個神經元可以接收來自數十甚至數百個神經元的訊號，並且可以傳送訊號給數十到數百個其他神經元。這種連接方式讓類神經網路的參數異常地多，且輕易就可以上到百萬千萬甚至億這種等級。我再次拿 ALVINN，那台 1989 年的無人車來當例子好了。

ALVINN 的輸入層有 1216 個神經元節點，中間的隱藏層有 29 個神經元，而輸出層有 45個神經元。這個相對來說架構非常簡單的類神經網路的參數就有 1216 X 29 X 45 = 1586880 個參數要考慮了，更別提其他
更複雜的深度學習類神經網路模型了。

事實上，參數數量多還在其次，真正的關鍵在於類神經網路的訓練方式。在訓練類神經網路時，我們往往會做以下兩件事：

1. 『 隨機』初始化類神經網路中的『所有』參數
2. 隨著每個樣本的預測對錯微調所有的參數

我來用實際生活案例舉個例子好了。假設你要登一座山，目標是山頂。這座山每個地方的地型都完全不一樣。所以從 A 點上山和從不一樣的 B 點或 C 點上山的路都不盡相同。假設隨機把你放在這座山邊的某一點，要你朝著山頂為目標前進。這時候你的每一步就都會是在「那個當下」最佳的往山頂路線。所以從不同的點上山路線就有可能會差異極大，雖然最後都能到山頂就是了。

類神經網路的黑盒子，就是來自這個初始化與細微調整。因為參數太多，而且微調整的方式會隨著初始位置的不同而不同，所以一個調整好的類神經網路雖然可以達到不錯的預測成果，但是幾乎沒有人知道為什麼能夠達到這個預測效果。

• 題外話，這個議題已經受到機器學習以及人工智慧界的重視了。許多人都在想辦法解開這個「黑盒子之謎」^{5, 6, 7}

再舉個例子。每個人的大腦會隨著發育環境的不同而有著不同的發展軌跡，所以幾乎沒有兩個人的大腦神經連結方式是完全相同的。雖然每個人都知道蘋果可以吃，或者是被打會痛；但是發展出這個知識的「神經元連結」則有可能每個人都不一樣。

參數設定越明確，越能解開「黑箱作業」！

回到主題。在前一段落提到的：完全按照代謝途徑建構的類神經網路，和其他網路系統不同的是，它有著「解開黑盒子」的效果呢。

這是因為這套「酵母菌的類神經網路預測模型」是完全按照「生物的代謝途徑」來連結的，所以雖然每個參數還是會因為類神經網路訓練過程而有所不同，但是我們可以得知某個神經元的總輸入參數值，也就是這個神經元的活化 (activation；中國翻成『激活』) 程度。只要將預測過程中每個神經元被活化的程度彼此比較，就能夠得知那個神經元扮演著最重要的角色；而這個神經元也就會是整個代謝途徑中最關鍵的基因或是調控因子。

下列 a、b 兩圖中皆可在這個類神經網路中，不同的基因活化後將會趨動不同的細胞反應，如 a 圖的 PMT1 與 IRE1 兩條基因與細胞壁的組成與強度有關，而 b 圖則可見 ERV7 與 RAD57 與DNA 的修復有著密切關聯性。

回到系統生物學，這套系統之所以對系統生物學的研究很有幫助的原因，在於它是一個可模擬生物在輸入各種訊號（如食物或環境刺激）後，將整個生物代謝途徑中最關鍵的基因標示出來的系統。礙於篇幅沒辦法將所有的元件講的非常清楚（比如說類神經網路本身就有一大堆參數要設定，然後訓練時也往往要扯到方程式微分模型之類的），只是很概略地將最大方向的概念用各種例子來說明。希望各位在讀完這個系列後能夠對何謂類神經網路有著最基本的認知，也能大致理解為什麼類神經網路會被詬病為「黑盒子」的原因。

參考文獻

1. Ma et al., “Using deep learning to model the hierarchical structure and function of a cell”, Nature Methods, 15:290–298, 2018.
2.  Pomerleau D., “ALVINN: an autonomous land vehicle in a neural network”, Advances in Neural Information Processing Systems 1, pp. 305-313, 1989.
3. Lin et al., “Using neural networks for reducing the dimensions of single-cell RNA-Seq data”, Nucleic Acids Research, 45(17):e156, 2017.
4. Yu et al., “Visible Machine Learning for Biomedicine”, Cell, 173(7):1562-1565, 2018.
5. Knight W., “The Dark Secret at the Heart of AI”, MIT Technology Review,2017.
6. Wisdom D., “Deciphering The Black Box of AI”, Medium, 2018.
7. Castelvecchi D., “Can we open the black box of AI?”, Nature 538:20-23, 2016.

• 本文轉載自MiTalkzine，原文《類神經網路、人工智慧與微生物》
• 歡迎訂閱微雜誌MiTalkzine，加入 MiTalker 的行列，一起來認識這個星球上千萬種各式各樣的微生物吧！

• 許嘉合／中央研究院／生物多樣性研究中心／博士後研究員

由目前的證據推測，科學家們認為這可能是因為神經系統在演化上出現的時間比後天免疫系統還早，在後天免疫系統還沒發展出來的年代，神經系統在動物演化的長河中就扮演了與細菌房客交流的重要的角色！

「靠！絞痛又開始了，而且一陣比一陣還痛！」心裡忍不住的罵了髒話後，我還是認命的吞下ㄧ顆止痛藥。對許多受原發性經痛困擾的女性朋友來說，止痛藥才是我們的好朋友。真不知道痛覺神經演化出來折磨人幹麻？其實，這一切的始作俑者就讓我們怪罪給水螅與它的祖先！

水螅 (hydra) 生活在淡水中[註1]， 屬於刺絲胞動物門 (Cnidaria)、水螅蟲綱 (Hydrozoa)。同樣隸屬於刺絲胞動物門的還有水母、海葵、珊瑚。它們擁有簡單的散漫神經系[註2]，是第一群具有神經系統的動物。其中水螅因為構造簡單，培養、繁殖容易的特性，最適合拿來當模式物種來研究神經傳導。

• [註1]：水螅構造簡單，呈輻射對稱：觸手環繞在口部周圍用以捕食；基盤用來附著或移動。雌雄同體，有精巢和卵巢可行有性生殖，但通常行無性的出芽生殖。常見的種類有綠水螅與褐水螅。

• [註2]：水螅擁有最簡單的散漫神經系統，神經系統缺乏統整訊息的中樞，具有兩種不同的神經細胞，包括感覺細胞 (sensorycells) 與多極神經元 (ganglionneurons)。水螅上皮細胞表層的黏膜主要成分為醣蛋白複合物，適合細菌居住。

神經系統的功能與定義一直都被認為是清晰無疑的：它可以接收環境中的物理、化學訊息，讓生物能感知、並能對這些訊息有所反應或行動。然而近年來科學家發現神經系統在演化初期可能具有不同功能，可能被用來與周遭環境中的微生物溝通，還能控制微生物菌相的組成。疑！這聽起來是不是很像後天免疫系統的工作內容？由目前的證據推測，科學家們認為這可能是因為神經系統在演化上出現的時間比後天免疫系統還早，在後天免疫系統還沒發展出來的年代，神經系統在動物演化的長河中就扮演了與細菌房客交流的重要的角色！

不會說話的水螅房東，如何和他的細菌房客溝通？

然而，水螅到底是怎麼利用神經系統來跟它們的細菌房客溝通的呢？在水螅 Hydra magnipapillata 的上皮細胞 (epithelialcell) 表面，有群細菌定居在那。裡面數量最多（佔了 75% 以上）的成員是 β- 變形菌綱（β-Proteobacteria）的成員，尤其是曲桿菌屬 (Curvibacter) 的菌種。第二多和第三多的居民則是 γ- 變形菌綱 (γ-Proteobacteria) 和擬桿菌門 (Bacteroidetes) 的菌種。

細菌房客的種類組成會受水螅房東的種類和健康狀況影響，並且會受水螅上皮細胞分泌的抗微生物胜肽 (antimicrobialpeptides) 抑制。然而，抗微生物胜肽的生成又會受到神經系統的抑制（圖3，a）。因此，科學家在缺乏神經系統的水螅突變個體上，發現過量的抗微生物胜肽導致上皮細胞原有的 β- 變形菌綱菌種大量減少到只剩下原本的一成。但是原來的第三名擬桿菌門菌種的數量則增加了十倍。所以雖然社區裡面的總菌口數還是維持不變，但組成卻大大的改變了。

除此之外， 神經細胞還會分泌另一種叫做 NDA-1 神經胜肽 (cationic neuropeptie)， 去控制主要細菌居民曲桿菌 (Curvibacter) 在自己身體上的分佈位置！這種神經胜肽 NDA-1 在水螅的觸手細胞製造得比較多，合成後會被傳送至上皮細胞表面的黏液層中，用來抑制曲桿菌生長（圖3，b）。這也是為什麼曲桿菌主要出現在水螅的軀幹而非觸手上的原因。這個結果證實水螅能用神經系統控制細菌社區的成員組成與分布位置。

垃圾吃垃圾大？長細菌的水螅好壯壯？

但是，如果你以為細菌只能單方面受制於水螅，那就錯了！細菌與水螅的溝通是雙向的。雖然目前還沒有直接的證據，可是當研究人員用抗生素去除掉水螅身上的細菌後，發現如果水螅身上沒有細菌的話，身體收縮的頻率會不正常升高。另外在水螅胚胎發育的過程中，如果和有正常菌陪伴成長的水螅胚胎相比，無菌的水螅胚胎在發育時更容易發生嚴重的真菌感染。所以，好房客細菌可以保庇你健康長大！而為了要讓好房客細菌乖乖的、不離家出走、不失控，神經系統可是擔負著重要的使命呢！

整合目前在水螅的研究結果，科學家推測神經系統不但可以偵測環境中的細菌、辨認出其中的特定菌種，還可以依據細菌房客組成的不同，來調節體內的生理代謝狀況或控制、篩選體表菌相的組成。當有房客搗亂時，它們還可以引發上皮細胞的先天免疫反應，來維持秩序。

當研究回到人身上，有腦的我們也能和細菌溝通嗎？

藉由研究模範房東水螅與細菌房客的對話，我們才有機會進一步瞭解神經、免疫系統與共棲微生物的交互作用。例如水螅上的共棲菌如何影響神經系統的放電，以及如何影響水螅的行為。這樣的研究對應到人類，就和最近很夯的：腸腦軸線 (gut-brain axis) 有關。所謂的「腦腸軸線」，是指腸與腦兩個器官間有神經網路讓彼此，連結溝通。近年來科學家發現，藉由這條專線，腸內的菌群可以影響大腦的發育、功能與內分泌系統；而大腦也利用這條熱線控制腸胃道內的內分泌與免疫反應，進而影響了腸道內的菌群組成。

所以當你緊張時可能會拉肚子或引起腸躁症；而當你飲食不正常造成腸內菌相失衡時，也可能引起過敏反應或增加焦慮、憂鬱行為。廣義來說，腦腸軸線其實包含了腸道菌群、神經系統、內分泌系統與免疫系統。其研究範疇更可以橫跨微生物學、生理學與神經心理學，在高等生物上所牽涉到的反應非常的錯綜複雜。因此，或許藉由研究小巧簡單的神經模式物種－水螅，能夠幫助我們釐清一些蛛絲馬跡，找到新的答案。

在了解了神經系統的重要性與在演化中所扮演的角色後，我比較能體諒神經系統這一路走來所負擔的工作既複雜又辛苦。我想下次經痛時，我我我….. 髒話會少罵一點的！

參考資料

1. Augustin R, Schröder K, Murillo Rincón AP, Fraune S, Anton-Erxleben F, Herbst E-M et al. (2017). A secreted antibacterial neuropeptideshapes the microbiome of Hydra. Nature Communications 8: 698.
2. Bosch TCG, Miller DJ (2016). The hydra holobiont: a tale of several symbiotic lineages. In: Bosch TCG, Miller DJ (eds). The Holobiont Imperative: Perspectives from Early Emerging Animals. Springer Vienna: Vienna. pp 79-97.
3. Murillo-Rincon AP, Klimovich A, Pemoller E, Taubenheim J, Mortzfeld B, Augustin R et al. (2017). Spontaneous body contractions are modulated by the microbiome of Hydra. Sci Rep 7: 15937.
4. Reece JB, Urry LA, Cain ML, Wasserman SA, Minorsky PV, Jackson RB (2010). Campbell Biology, 9th edition. Pearson Education.
5. Foster JA, McVey Neufeld KA (2013). Gut–brain axis: how the microbiome influences anxiety and depression. Trends Neurosci 36: 305-
   312.

本文轉載自MiTalkzine，原文《神經散漫的水螅與細菌小房客的對話》

歡迎訂閱微雜誌MiTalkzine，加入 MiTalker 的行列，一起來認識這個星球上千萬種各式各樣的微生物吧！

訂閱連結：https://goo.gl/Qo59iG