內嵌電子感應知器的組織培養術問世

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

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.

本文轉載自顯微觀點

電腦運算是近 20 年來生物影像突破繞射極限的可靠工具，例如 STORM（Stochastic Optical Reconstruction Microscopy）, PALM（Photo-Activated Localization Microscopy），以電腦記憶、疊合，將多次拍攝的零散螢光重建成完整輿圖，解析度極限可接近 10 奈米。

現在，透過電腦輔助的序列成像解析度增強術（RESI, Resolution Enhancement by Sequential Imaging），科學家能將細胞內分子的定位解析度大幅提升到埃（Ångström, Å.等於1/10奈米）的尺度，清晰定位緊鄰的分子、觀察它們在細胞內的變化。

RESI 定位可呈現 DNA 相鄰鹼基間距，超越超解析顯微鏡，達到與電子顯微鏡同等的解析度，而且只需基本的細胞固定，近乎完全保持樣本原貌。

在德國馬克斯．普朗克生化研究所率領團隊研發 RESI 的榮曼（Ralf Jungmann）認為，RESI 能填補介於光學顯微術與結構生物學之間的資訊空白，揭露更多複雜生命系統的真相，為分子生物學與藥物動力學開闢道路。

「發光順序」成為解析度新要素

使 RESI 成為「超級超解析」定位術（super-super resolution）的核心概念，是以不同 DNA 螢光探針對目標進行多次標記定位，定位過程由電腦為目標編上號碼（DNA-barcoding），使「發光順序」成為分辨目標的新維度，並以「定位次數」來大幅提升解析度、為量化分析提供充沛樣本。

例如，淋巴癌與自體免疫疾病的關鍵標靶：B 細胞表面 CD20 蛋白﹐雖然早已發現是重要的癌細胞特徵，也確認有效藥物，但其結構與分子動力學依然曖昧不明，學界對它的了解還不足以研發進一步療法。

儘管 CD20 蛋白的結構已被電子顯微鏡呈現，但電子顯微鏡的拍攝條件會破壞細胞膜結構，導致 CD20 變形、偏移。現在透過 RESI 進行定位，CD20 的構造、藥物效果，都可以在接近生理狀態下一探究竟。

在 RES I分析下，榮曼等學者發現 CD20 總是成對出現（as dimers），並且在關鍵藥物 RTX（一種抗 B 細胞的單株抗體）加入後，會在細胞膜上聚集成緊密的長鏈。這些資訊是過往電子顯微鏡與超解析光學顯微鏡都未曾展現的。

序列成像：以次序換取空間

各種超解析單分子定位術的共同難題，是兩個目標分子過於接近，連電腦運算也無法辨別。假使兩個距離 1 至 2 奈米的相同分子輪流被激發，PALM, STORM 等仰賴隨機放光的超解析定位術即使分別收到兩個光源的螢光訊號，重建時也容易將緊密的兩者混為一點。

榮曼也強調，當兩個螢光團的距離小於 10 奈米，近場光學效應會大幅影響光調控螢光染色分子（photoswitchable fluorescent dyes）的表現。分辨兩個距離數奈米甚至數埃（Å）的分子，是單分子定位技術的最後關卡。

面對諾貝爾級超解析技術也無法克服的障礙，RESI 巧妙地以「標記」技術避開了光學難關。RESI 採用進化版本的 DNA-PAINT，螢光探針與目標結合轉瞬即脫落，並能使相鄰的目標結合不同探針，避免兩者同時發光，兩個緊密的分子幾乎不會干擾彼此成像。

奠基於隨機放光的單分子定位術（SMLM），序列成像（Sequential Imaging）用不同顏色、不同激發光譜的 DNA 螢光探針，標記鄰近的兩個目標，使兩者輪流發光。如此一來，發光順序便成為辨別螢光標記的新方法：兩個目標距離僅 1 奈米左右，但因為發光順序、螢光顏色不同，在重建過程中能夠被電腦清楚區分。

在真實的細胞中，若想以不同嵌合片段（docking strands）標記鄰近的相同蛋白（例如Nup96 dimer, CD20 dimer），則多少需要仰賴運氣。目前的 RESI 使用隨機標記（stochastically labelling），而非直接指定標記種類與位置。

定位 Nup96 的實驗就是一個例子，榮曼團隊的4種嵌合片段中，需要有 2 種分別標記相鄰的 Nup96 蛋白，才能夠使兩個相鄰蛋白分別依序發光。榮曼強調，得到理想標記的機率，會隨著嵌合片段的種類提升。在榮曼團隊的定位實驗中，RESI 對 Nup96 的定位達到和掃描式電子顯微鏡同等精密的解析度。

榮曼認為：「理論上，透過發光順序的差異，RESI 技術可以分辨無限接近的兩點。」

定位次數帶來解析度新境界

基於光波繞射的性質，點光源的光線不會透過顯微鏡聚焦為理想的一點，而是呈現一個立體球狀照射範圍。這個讓科學家困擾一個半世紀的照射範圍，就是此光學系統的點擴散函數（PSF, Point Spread Function）。

在顯微鏡焦平面上，PSF 會形成一個中心最亮、四周漸黯的圓形光斑（艾里斑，Airy Disk），若兩個光點的光斑大幅重疊，就會難以辨別。這也就是遠場光學顯微鏡的最大天然障礙：阿貝繞射極限的由來。

包含 PALM, STORM 等超解析技術的單分子定位顯微術（SMLM, Single-Molecule Localization Microscopy）也必須考慮 PSF。它們定位解析度（也稱定位精準度，σ_SMLM），接近點擴散函數的標準差（σ_Diff）除以每次定位偵測光子數（N）的平方根：

 σ_SMLM ≈ σ_Diff / N^1/2

解析度數值愈小，代表辨別極限的距離愈近，定位結果愈清晰。超解析定位技術不斷追求的，就是縮小 σ_SMLM。

在點擴散函數標準差（σ_Diff）隨儀器性能固定的情況下，每次定位偵測的光子數 N 就是定位解析度的主要變數。多數單分子定位技術，都需要設法提升偵測光子數以看得更清晰。

與其他單分子定位術不同的是，RESI 採用的 DNA-PAINT 探針對目標分子反覆結合、脫落，不斷有新的螢光探針前仆後繼，迅速與目標短暫結合，可以對每個目標累積多次定位。

因此目標的「定位次數」（K）進入解析度數值核心。每個目標定位的解析度由單次定位的點擴散函數標準差（σ_SMLM），轉變為多次放光定位的平均值標準誤差（SEM, Standard Error of the Mean），其大小和定位次數（k）的平方根成反比。

SEM_≈ σ_SMLM / k^1/2 _≈  (σ_Diff / N^1/2) / k^1/2

此時只要提升定位次數（k），就可以得到更精密的定位（σ_RESI），毋須追求更強或更漫長的螢光來增加每次偵測的光子數（N）。再搭配以定位順序區分鄰近分子，RESI 就能得到近乎無限小的解析度。這種靈活的反覆定位模式，有賴 DNA-PAINT 技術奇特的「不牢固」結合（transient binding）搭配榮曼團隊研發的開源影像處理軟體Picasso 合力實現。

（DNA-PAINT 技術介紹請見：DNA-PAINT：短暫標記 奈米解析）

• Reinhardt, S.C.M., Masullo, L.A., Baudrexel, I. et al. Ångström-resolution fluorescence microscopy. Nature 617, 711–716 (2023).
• Max-Planck-Gesellshft. Ångström-resolution fluorescence microscopy. (2023)
• Agasti SS, Wang Y, et al. DNA-barcoded labeling probes for highly multiplexed Exchange-PAINT imaging. Chem Sci. 2017 Apr 1;8(4):3080-3091.