金奈米棒搭配近紅外光 治癌療效多3成

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／照護線上編輯部
• 本文轉載自 Care Online 照護線上《瀰漫性大Ｂ細胞淋巴瘤（DLBCL）復發搶時間救命！健保給付抗體藥物複合體ADC治療：助提升反應率、存活期 血液專科醫師圖文解說》，歡迎喜歡這篇文章的朋友訂閱支持 Care Online 喔
• 加入照護線上 LINE 官方帳號，健康資訊不漏接

肺癌後又罹淋巴瘤！復發靠突破性治療–抗體藥物複合體 ADC 續命

「瀰漫性大 B 細胞淋巴瘤（Diffuse large B-cell lymphoma），簡稱 DLBCL，是一種有機會治癒的疾病，但並非每個人都能如此幸運。曾碰過一位讓我印象深刻的患者，他的淋巴瘤在第一線治療緩解多年後又再復發。」林口長庚醫院血液科施宣任醫師表示，「患者過去曾因罹患肺癌切除過肺臟，身體狀況難以承受自體幹細胞移植，面臨治療選擇相當有限的困境，狀況一度很不樂觀。」

幸運的是，當時針對 DLBCL 淋巴瘤的突破性新治療–抗體藥物複合體 ADC（Antibody-drug conjugate）剛好核准通過。根據臨床試驗數據，針對復發的病患，若於治療時再加上 ADC 藥物，完全反應率是傳統化療的兩倍，整體存活期更較傳統化療增加將近三倍！因此當時在討論後，立刻幫患者將 ADC 藥物加入治療組合中，後續也順利地達到完全緩解快一年，目前沒有復發跡象，持續門診追蹤。

台灣常見淋巴瘤 DLBCL 惡性度高！復發具抗藥性急需新治療突破

DLBCL 是台灣最常見的淋巴瘤。根據國健署癌症登記報告，台灣一年新增超過四千例淋巴癌個案中有九成屬於非何杰金氏淋巴瘤，超過一半是惡性度很高的 DLBCL，不僅進展快速，且可能侵犯全身器官，因此治療要越快越好，盡量避免等待空窗期。

施宣任醫師強調，「不像一些小細胞的低惡性度淋巴瘤可以等症狀明顯再治療，大細胞病變通常來勢洶洶，像 DLBCL 雖然會因為分期等因素，治療選擇上略有差異，但基本就是完全不能等！」過去 DLBCL 標準的第一線治療為化療藥物再加上 CD20 單株抗體的『免疫化學治療』，除化療毒殺腫瘤細胞外，同時藉由單株抗體直接促使帶有 CD20 的 B 細胞死亡達到緩解的效果。「大約 5~6 成的病患接受免疫化學治療後可以達成長期完全緩解也就是痊癒；剩下無法完全緩解的這群病患，又被稱作頑固型 DLBCL 淋巴瘤，因為已經對第一線藥物產生抗藥性，治療上較為棘手，需要更有效的新藥物選擇。」

ADC 治療雙管齊下 提升療效降低副作用 健保已開放第三線給付

ADC 是經臨床試驗證實有效 DLBCL 淋巴瘤治療的新突破選擇。ADC 藥物的『複合』二字，指的就是單株抗體與化療的結合，藉由單株抗體對腫瘤的精準指向性，將化療藥物直接送到腫瘤身邊，進行毒殺。施宣任醫師進一步解釋，「ADC 藥物的專一性優勢，除了讓治療效果更顯著外，相較傳統化療沒有目標性地作用，ADC 藥物透過單株抗體可達成如同讓淋巴瘤細胞直接把化療吞進去的效果，自然副作用也降低很多，病患比較少感覺噁心、想吐、掉髮等。」

臨床研究顯示，ADC 藥物合併免疫化學治療一起使用後，能夠增加頑固型或復發淋巴瘤病人的整體存活期和完全反應率，並具有更長的療效持續時間。「整體存活期約增加近3倍、達成完全反應的機率則增加2倍以上，對已產生抗藥性的病人來說，這樣的數字實屬難能可貴。」施宣任醫師指出，因此美國 NCCN 治療指引也建議，符合特定條件的 DLBCL 淋巴瘤病人，可優先考慮接受 ADC 藥物的治療組合。

「台灣的醫療基本都是與國際同步，特別會參考美國的作法，因此健保署也於今年（113年）2 月將 ADC 納入 DLBCL 淋巴瘤第三線給付，讓患者能夠在減輕經濟負擔的狀態下，快速接受與國際同步的最新治療。」

彌漫性大B細胞淋巴瘤（DLBCL）治療與日常照護小提醒

現今 DLBCL 淋巴瘤的治療已朝多元選擇邁進，但免疫化學治療仍是重要的骨幹治療。施醫師提醒，包括 ADC 藥物等不同治療組合，都會搭配不同的化學藥物，毒性雖有高有低，但都可能造成免疫力低下，因此治療期間，應盡可能降低感染的機會，避免出入人潮較多的公共場所；近期流感、新冠等呼吸道傳染症疾病也較盛行，DLBCL 的病人更應提高警覺，小心預防。

• 本文轉載自 Care Online 照護線上《瀰漫性大Ｂ細胞淋巴瘤（DLBCL）復發搶時間救命！健保給付抗體藥物複合體ADC治療：助提升反應率、存活期 血液專科醫師圖文解說》，歡迎喜歡這篇文章的朋友訂閱支持 Care Online 喔
• 加入照護線上 LINE 官方帳號，健康資訊不漏接

本文轉載自顯微觀點

DNA-PAINT：易脫落的奈米「漆」

DNA-PAINT 屬於單分子定位顯微術（SMLM）大家族一員，它突破繞射極限的途徑類似 PALM 與 STORM：以閃爍（blinking）的螢光讓多個目標分子的位置輪番呈現，最後將多次定位影像以電腦疊合重建成完整的超解析分子地圖。結合電腦運算輔助和光學成像的統計原理，DNA-PAINT 可以達成極端細緻的 RESI 定位術，清楚區別兩個距離不到 1 奈米的螢光來源。

單看字面，DNA-PAINT 給人「以 DNA 作為油漆」的印象。事實稍有不同，這種技術以 DNA 作為「點累積奈米成像術」（PAINT , Point Accumulation for Imaging in Nanoscale Topography）的探針。接上螢光染劑的短小 DNA 片段，可以靈敏標記蛋白質、染色體以及許多細胞內構造。

DNA-PAINT 的特別之處，在於利用「不牢固」的螢光標記製造閃爍效果。不同於 PALM, STORM 以光調控「固著在目標上」的螢光來源，DNA-PAINT 使用與目標連結力量薄弱的螢光探針，結合目標之後會快速分離。只有在探針與目標結合的瞬間，同時被激發光照射，探針上的螢光團才能發出螢光。目標分子與螢光探針分離後，依然保有和下一個探針結合的能力，因此不必擔心螢光團的放光能力衰退。

DNA-PAINT 使用的 DNA 探針片段長度不超過 10 個鹼基，又稱寡核苷酸（oligonucleotides 或oligomers）。這些短小 DNA 片段可以附加上螢光染劑的螢光團分子，成為螢光探針。

DNA 探針的結合對象是另一段互補的 DNA 片段，此互補序列會預先透過抗體與定位目標連結，等待 DNA 探針前來結合。DNA 探針因為具有螢光團，被稱為「成像片段（imager strand）」，而牢固於目標的互補序列則稱為「嵌合片段（docking strand）」。對生物細胞進行 DNA-PAINT 時，嵌合片段與目標分子之間常有抗體或配體做為銜接，需要類似免疫螢光染色的前置作業，目標表面的抗原也可以因應實驗需求進行設計。

因為兩個短小 DNA 片段之間的結合力有限，成像片段與嵌合片段結合後會快速分離。而螢光團只有在結合目標時才容易放光，因此可以形成閃爍的螢光定位標記。經由電腦疊合閃爍的定位影像，DNA-PAINT 可以達成 10 奈米左右的超解析定位，若沒有序列成像的幫助，依然無法突破奈米以下解析度的光學障礙。

核孔複合體（Nuclear Pore Complex）上的 Nup96 蛋白是科學家經常探索的重要目標，即使是超解析顯微術也未能在自然狀態下呈現其構造。隆曼團隊以 RESI 對 Nup96 進行定位，不但清楚定位出符合電子顯微鏡拍攝的 8 對 Nup96 蛋白沿著核孔形成環狀結構，還能清楚呈現每對蛋白之間的 11 奈米的間距。

結合序列成像（Sequential Imaging）與 DNA-PAINT 兩種技術，RESI 讓科學家得以運用一般門檻的顯微儀器、耗材，就能達到超乎以往想像的定位解析度。而 DNA-PAINT 這種巧妙的定位方法並非一蹴而就，而是數種有趣的技術累積而成。

PAINT 起源：不穩定又不專一的尼羅紅

PAINT（Point Accumulation for Imaging in Nanoscale Topography, 點累積奈米成像術）系列定位法的螢光探針由一個螢光染劑分子與一個分子探針（probe）構成。親和性抗體、寡核苷酸（短小 DNA 片段）都可作為分子探針的材料，再由此探針結合目標分子或其上的抗體。除了 DNA-PAINT, PAINT 家譜上還有 FRET-PAINT, Exchange-PAINT, u-PAINT 等不同特質的成員。

在 2006 年由沙羅諾夫（A. Sharonov）和霍克崔瑟（R. M. Hochstraser）發表的第一代 PAINT 中，僅僅使用螢光染料尼羅紅（Nile Red）為標記。這種染劑在含水溶劑中無法發光，必須進入磷脂層等非極性環境才能展現其螢光活性。

因此尼羅紅無須結合探針，只要以低濃度加入樣本溶液中，就能觀察到其進入細胞膜脂雙層、大型磷脂囊泡（large unilamella vesicles）表層等疏水性環境中，受到激發放出螢光。尼羅紅與磷脂層的親和性不強，很快就會再次脫離，也容易遭到光漂白（photobleaching）而失去螢光，因此可作為一種閃爍的螢光定位標記。

尼羅紅可以結合所有疏水性（hydrophobic）的構造，無法真的標記特定分子，缺乏分子生物學重視的專一性。但它開啟了 PAINT 以「不牢固螢光染劑」增進解析度的先河。與多數螢光顯微術追求螢光團穩定性與強度的定位技巧背道而馳。

4 年後，吉安諾內（G. Giannone）和荷西（E. Hosy）以具目標專一性的配體，例如抗體蛋白，連接螢光團形成螢光探針，達成具有專一性的 PAINT 超解析定位。透過進步的生化技術製作配體，這種技術幾乎可以定位所有類型的目標，因此被命名 universal-PAINT, 簡稱 uPAINT。

uPAINT 可以提升多種目標的定位解析度，但其螢光探針即使游離在溶液中，也能接受激發、放出螢光，形成背景雜訊。且結合螢光染劑的抗體無法穿透細胞膜，因此只能定位細胞膜上的目標。

因此 uPAINT 必須限縮激發光照射的範圍，對準目標、減少雜訊，例如微調全內反射顯微鏡（TIRF）的角度，形成「高傾斜層光照明」（Highly Inclined and Laminated Optical sheet, HILO）以限定激發範圍。

同在 2010 年，隆曼與史坦豪爾（C. Steinhauer）嘗試以寡核苷酸為探針，定位 DNA 摺紙構造（DNA origami structure）上的目標，達到了奈米等級的解析度。DNA-based Point Accumulation for Imaging in Nanoscale Topography 正式誕生，善用「不牢固的螢光探針」與電腦運算的輔助，以一般螢光顯微鏡就能突破繞射極限。

無限調色的虛擬油漆：Exchange-PAINT

2014 年，隆曼與同事阿凡達尼歐（M. S. Avendaño）、沃爾斯坦（J. B. Woehrstein）發表 DNA-PAINT 的巧妙變化，除了同時以不同探針標記不同構造，達成精準的多重定位（multiplexed localization），更實現以一種螢光超解析定位多種目標，讓多重標記的潛力加速實現。

這種多重標記被隆曼與同事稱為 Exchange-PAINT，同樣使用 DNA 片段作為探針。在同一個樣本的 10 種不同目標上，連結了 10 種不同的嵌合片段（docking strands），隆曼等人再以 10 種互不干涉的短小 DNA 序列（orthogonal sequences）作為成像片段（imager strands）。

他們每次只加入一種成像片段，針對一種目標進行閃爍（blinking）定位，並由電腦套上特定顏色，接著洗去既有成像片段，再加入下一種成像片段。最後將所有目標的獨立定位圖疊合起來，便能得到完整的奈米級定位。

只需要一種螢光染劑接上多種成像片段，Exchange-PAINT 便能以基本的實驗設備達到多重目標的超解析定位，不像多重標記的 DNA-PAINT 受限於染劑顏色數目，Exchange-PAINT 的門檻在於互不相干寡核甘酸片段的數目，在實驗中幾乎不可能窮盡。而可以使用一般螢光顯微鏡與螢光染劑達到埃（ångström）解析度的 RESI 技術，就是將 Exchange-PAINT 的多種目標定位應用於單種目標定位，透過不同探針標記同種目標製造發光順序落差，大幅提升解析度。

在「眼見為真」的生物學影像趨勢中，「增加偵測光子數量」是螢光顯微技術提升解析度的基礎光學原理，也是最主流的技術改良方向。而 DNA-PAINT 系列技術跳脫了對光子數量的追求，不受螢光染劑的光漂白及螢光壽命限制，以快速脫落的探針另闢蹊徑，使低成本的超解析影像得以實現，更展現生物物理學蘊藏的廣泛技術可能性。

• DNA-PAINT 的最新應用：RESI序列成像解析度增強術
• Jungmann, Ralf, et al.  Nature methods 11.3 (2014): 313-318.
• Agasti, Sarit S., et al.  Chemical science 8.4 (2017): 3080-3091.
• Nieves, Daniel J., Katharina Gaus, and Matthew AB Baker. Genes 9.12 (2018): 621.
• Schlichthaerle, Thomas, et al.  Angewandte Chemie 131.37 (2019): 13138-13142.