還在慢慢判定菌種？讓微生物鑑定儀幫你一把！

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

• 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。

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！

• 施朝仁／財團法人食品工業發展研究所／生物資源保存及研究中心研究員

「我是誰？」微生物百百款，要如何鑑定？

對所有微生物研究的從業人員而言，無論是在學界、業界抑或是醫界，精確的微生物身份判定或鑑定，一直都是最重要的事情。

在學界，正確的菌種鑑定關係著研究生能不能順利畢業、教授的論文能不能發表；在業界，微生物產品中菌的正確性則關係著普羅大眾的健康與權益；在醫界，精確的菌種鑑別，更是影響醫生能否正確下藥，是攸關生死的重大任務。

傳統微生物的鑑定方法建立於形態觀察及生理生化反應的基礎上。

形態觀察不外乎菌長的圓還是扁？長還是短？有無鞭毛？會不會產生內孢子？革蘭氏染色是紅還是藍？菌落形態是濕潤隆起或是乾扁皺縮等等。生理反應要看菌的厭氧性、生長溫度、生長酸鹼值、耐鹽程度等。生化反應則是看對碳源的利用、碳水化合物的氧化或發酵、酵素反應等等。然而，這些檢測所謂的表現型特性 (phenotype) 的觀察或試驗，往往費時且耗工，甚至不一定精確。

時代在走，進步要有：微生物鑑定儀歷代演進

因應著科研人員對 「快速」、「可靠」 的渴望與需求，微生物鑑定平台也跟著快速演進中，更快、更準的套組與儀器不斷地推陳出新。以生化反應偵測為例，Biomerieux 公司在 1970 年代推出 的 API ® 鑑定產品堪稱全球最早開發的手工微生物鑑定系統。

這套系統將繁複的零散生化試劑融合成套裝式組合，曾被視為微生物領域中的黃金標準鑑定法，被廣泛運用在各領域當中，整個系統大約涵蓋 600 多種菌株，所需的鑑定時間只要 18-72 小時 。

然而，他畢竟還是 『手工套組』，操作時的試劑添加、結果判讀都還是得自己來。

於是另有廠商推出了半自動的鑑定系統，如 BiOLOG 公司推出的 MicroStation 微生物菌種鑑定系統 ，只要手動添加菌液到 96 孔樣本盤，反應結果就交由機器判讀、比對。這套系統可鑑定的菌株範圍更廣，多達 2500 種。

有了半自動系統後，當然就會有廠商研發全自動系統，Biomerieux 公司繼 API ® 系統後，再接再厲推出全自動微生物分析系統 Vitek 2 Compact，強調只要備妥菌液，機器就可以自動將菌液吸入測試卡內，在含有不同試劑的小反應槽裡進行反應，腸內桿菌最快 2-6 小時即可判定身份。

上述這些鑑定方式，都是根據微生物的表現型來進行判定，然而隨著分子生物技術的快速進步，基於微生物基因型的分類方法發展得如火如荼。不管是利用細菌的 16S RNA 基因序列，或是真菌的 18S RNA 基因序列，只要能取得目標微生物的 DNA，經過簡單的聚合酶連鎖反應 (PCR) 及定序反應就能獲得菌種的 DNA 序列。

也因此，線上基因序列資料庫的資料正以每日數以萬計的數量快速累積中。根據這些序列，生物資訊專家可快速的將各個微生物樣品進行比對分類，甚至畫出他們的系統演化樹圖。微生物學家只要將手上未知菌種的 16S 或18S rRNA 基因的序列與資料庫進行比對，很快地就能得到最接近的菌名，而且多數菌種的身份判定能精確到連同種不同品系都鑑定得出來。於是，現在的微生物從業人員，遇到未知菌株，第一個反應就是定序。至此，微生物鑑定平台正式進入了基因型的時代。

別再蝦等了，2小時內菌種鑑定迅速搞定

而隨著定序繼續的突飛猛進，尤其次世代定序儀的發展，更將微生物鑑定帶入另一個境地：不用純菌也不用活菌就可了解全菌組成的宏觀基因體世代 (metagenomics)。

不過這不是此篇重點，表過就好。對微生物生態學家、醫院微生物檢驗人員或食品、藥廠環境監控人員而言，每天所面對的絕對不會是簡單、少數幾株菌的鑑定工作，往往一次就是數百甚至上千個未知菌落。即使你的老闆很有錢，可以很豪邁地把全部的未知菌落 （菌液） 通通送去做定序，但別忘了還要先一個一個抽 DNA、跑 PCR、跑電泳確認增幅片段等等的工作得先進行，就算實驗室裡有錢到可以將上述工作都以全自動設備代勞，「時間」仍是無法避免的成本。

解決的方法就是基質輔助雷射脫附游離飛行時間式質譜儀，以下簡稱 MALDI-TOF MS ，這項技術近年已被廣泛應用在微生物鑑定與研究上。此儀器的原理為：

將樣品與基質 （通常為有機酸） 混合，以鐳射光激發樣品，讓樣品氣化游離後，飛行至偵測器，系統再將樣品中所有蛋白質、胜肽、代謝物等依質量大小以圖譜呈現。

這就像是要分析一個班級（細胞）的學生體重（全細胞蛋白質）組成，讓學生穿上感應槍聲會強迫起跑的特定衣物（基質），並排站於起跑線（樣本盤），鳴槍（雷射激發）後起跑。學生裡體重輕的跑得快，體重重的跑得慢，裁判在終點線依抵達順序將學生排序，排列於司令台（圖譜），則可得到該班級學生體重組成（蛋白質指紋圖譜）。

MALDI-TOF MS 解析微生物的全細胞蛋白質分子量大小範圍在 2000-20000 Da 之間，此區間的蛋白質以核醣體蛋白等胞內負責持家的蛋白質為主⁴。核糖體蛋白在不同菌種都需要用到且需求量相當，所以不易受到外在培養條件影響，故質譜訊號有良好重複性與再現性，可作為菌種鑑別之依據。MALDI-TOF MS 設備的製造商已與德國菌種中心合作，將已知菌株的蛋白質指紋圖譜建立資料庫，利用相同物種指紋圖譜一致的特性，將未知樣本圖譜與已知圖譜比對，則可快速完成微生物身分鑑定。

對於一般微生物而言，其解析度已能達到 「種」 層次的鑑別，甚至是近緣物種之區分，因而被認為具有取代細菌 16S rRNA 基因定序比對之潛力^1,2,3。MALDI-TOF MS 技術比對菌株細胞裡的多種蛋白質，而 16S/18S rRNA 基因的比對只用一個基因為代表。想像要區分兩個班級的特色差異，分析全班同學的體重組成，似乎比只抓班長出來比較身高體重來的宏觀一些。

利用 MALDI-TOF MS 進行微生物分類鑑別最大優勢在於時間成本的降低。只要將欲分析的菌落直接塗抹於樣本盤，覆以特定基質即可，而且每個樣品盤可同時處理 96 個樣品，上機後 2 小時內即可完成所有分析。每一個樣品點所需使用的試劑耗材花費低於百元新台幣，相較於前述的手動微生物鑑定套組－API® 與半自動－BiOLOG 或全自動鑑定系統－Vitek 2，甚至是 16S rRNA 基因序列分析，在操作上更加簡便且成本更低，因此非常適用於短時間內進行大量樣品之快速分群鑑別分析。想做菌種鑑定，你不用再苦等生化反應與定序結果了，試試 MALDI-TOF MS吧！

1. Dieckmann, R. Helmuth, R. Erhard, M. and Malorny, B. 2008. Rapid classification and identification of salmonellae at the species and subspecies levels by whole-cell matrix-assisted laser desorption ionization-time of flight mass spectrometry. Appl. Environ. Microbiol. 74:7767–7778.
2. Ruiz-Moyano, S. Tao, N. Underwood, MA. and Mills, DA. 2012. Rapid discrimination of Bifidobacterium animalis subspecies by matrix-assisted laser desorption ionization-time of flight mass spectrometry. Food Microbiol. 30:432–437.
3. Sedo, O. Vadurova, A. Tvrzova, L. and Zdrahal, Z. 2013. The influence of growth conditions on strain differentiation within the Lactobacillus acidophilus group using matrix-assisted laser desorption/ionization time-of- flight mass spectrometry profiling. Rapid Commun. Mass Spectrom. 27:2729–2736.
4. Wieser, A, Schneider, L. and Jung, J. 2012. MALDI-TOF MS in microbiological diagnostics-identification of microorganisms and beyond (mini review). Appl. Microbiol. Biotechnol. 93:965–974.

本文轉載自MiTalkzine，原文《還在等菌種鑑定結果？試試 MALDI-TOF MS吧！》

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

• 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！

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