0

5
0

文字

分享

0
5
0

喜歡變化的我,如何在生技領域找到適合的位置?——《撕下標籤,成就最好的自己》

商周出版_96
・2021/06/03 ・4381字 ・閱讀時間約 9 分鐘

-----廣告,請繼續往下閱讀-----

  • 作者 / 丹尼爾‧古德曼
  • 譯者 / 許可欣

珍妮佛.帕克(Jennifer Park)

我小心地用鑷子操作放在組織培養箱裡的小管子,在管子中放了已經培養一週的膠原蛋白,膠原蛋白中養著幹細胞。所有東西都經過仔細的消毒——管子、管件和鑷子,下一步是把這個管子插入一個小箱子裡,希望裡面由脈動幫浦產生的規律「心跳」可以誘使細胞變成循環系統的平滑肌細胞。

一週後再檢查這項實驗,我已經可以聞到失敗的味道了。生長媒介散發出淡淡的雞湯味,配件周圍開始長出黴菌,某個煞費苦心的步驟裡,細菌入侵了。我不得不重新開始,把這個失敗、昂貴的實驗清理掉,並找到出錯的環節。一再而再重複。這就是我的研究所生活。

圖/Giphy

我喜歡變化,我喜歡到新的地方旅遊,嘗試新的食物,探索各種愛好。許多不同的事物都會引起我的興趣,所以多年來,我一直難以深入鑽研某一主題。我追求變化的欲望吸引我到麻省劍橋的塞爾文塔生技公司(Selventa),這家公司利用計算技術,使用系統生物學的方法來理解疾病和藥物的反應機制。

塞爾文塔的工作和我在研究所的生活大不相同——相較於專注於單一疾病,我學到的是許多疾病。我可以看到不同疾病間的機制趨勢,理解它們的差異。我覺得塞爾文塔的工作是有效率、廣泛且直接的——我們發展的藥物在未來幾年即可用來治療病患,而不是試圖了解未來某個時候可用在治療上的細胞功能。

-----廣告,請繼續往下閱讀-----

我也喜歡工作中的溝通,喜歡和不同的團隊合作,一起完成專案。我在塞爾文塔工作的時候,從個人貢獻者轉為研究總監,監督團隊合作和溝通。我最近加入另一個波士頓區的生技公司,在那裡我進一步進入管理層,成為業務發展總監。我在新的職位和客戶溝通,了解客戶及公司內部專案團隊的問題和目標,確保我們能滿足客戶的需求。我研究許多疾病,滿足了我對變化的渴望,我也繼續學習新的藥物、疾病和生物機制,這份工作有助於設計出真正有機會進入臨床的最佳療法。

科學和人文的早期學習

我在休士頓一個叫清湖(Clear Lake)的郊區長大,在很好的公立學校上學,父母都是太空總署的承包商,工作地點在詹森太空中心(Johnson Space Center)。父親在俄克拉荷馬州立大學取得電機工程博士,母親在費爾里.狄金生大學(Fairleigh Dickinson)攻讀英文碩士時認識了爸爸,但搬到休士頓後,她又在休士頓大學取得另一個電腦資訊系統碩士學位。

學習科學和人文知識對我們家來說,是成長的重要部分,我拿化學裝置做實驗,我爸會在我和妹妹上學途中提出數學問題,也會幫我們做科展的題目。透過我的母親,我也能接觸到藝術和音樂,她帶我們去聽古典音樂會,幫我們報名音樂和藝術課程。高中時,我參與了樂團,夢想自己能在紐約愛樂交響樂團(New York Philharmonic)演奏單簧管。

高中畢業時,兩大首選大學是柏克萊和康乃爾大學,我選了康乃爾,我想在美麗的郊區城鎮開創人生,而不是搬到已經有姐姐在那裡上大學的城市。在康乃爾,我修讀科學、工程、文學和音樂課程,我在管樂團和爵士樂隊演奏單簧管,心裡好奇當個音樂家會是什麼樣子的。我對自己的職業方向感到矛盾,但身為一個有務實教養的務實人,我選擇追求科學,這個選擇感覺比較穩定,也更有社會影響力。

-----廣告,請繼續往下閱讀-----
康乃爾大學。圖/Wikipedia

創造人生

康乃爾有個校外實習計畫,你可以在寒假期間跟著校友一起工作。因為我考慮之後從事醫學職業,我觀察到休士頓安德森癌症中心(MD Anderson Cancer Center)有名整型外科醫生會在病患移除腫瘤後重建他們的外型。我看到了病患諮詢和手術的過程,看著他們做出困難的決定,看著他們的結果,給我留下了深刻持久的印象。等回到康乃爾,我決定不當醫生了,我要做生物工程師,創造新的器官。

我有三次機會在康乃爾從事生物工程研究。第一個研究經驗是在大二後的暑假跟著賴瑞.沃克(Larry Walker)教授,我得以進入由國家科學基金會贊助的計畫,研究如何利用纖維素酶分解纖維素,以進行廢物處理。大三後的暑假,我在喬治亞理工學院(Georgia Tech)馬克.李文斯頓(Marc Levenston)博士的生物力學實驗室找到組織工程的研究機會,我在那裡學習細胞培養技術,利用不同的細胞外基質,從軟骨細胞裡培養類軟骨組織。在大四的時候,我被馬克.薩爾茨曼(Mark Saltzman)博士聘為大學部研究助理,協助進行牙科組織工程計畫,再次研究細胞和基質,創造組織替代物。

大四時,我花了很多時間在大學爵士樂隊演奏單簧管,幫助管理樂隊,同時練習單簧管、做研究還有上課。大四的最後,我發現一個親密的樂隊朋友,同時也是我的爵士老師要在秋天搬到舊金山灣區,所以我決定申請加州大學柏克萊分校就讀生物工程博士學位,我可以繼續研究組織工程,並和朋友兼爵士樂教授一起演奏音樂。在我心中仍存在一個可能性,我考慮當個音樂家,而不是生物工程師。

圖/Giphy

柏克萊是個研究生物工程的好地方;好幾個教授都在我感興趣的領域進行研究,我加入了法蘭克.索卡(Frank Szoka)博士的藥物運輸和基因治療實驗室。但因為我不確定要專注於哪個計畫,我認為自己需要更多的指導。所以也參加了李松(Song Li)博士的實驗室,李博士利用幹細胞和奈米纖維進行組織工程研究,他是一個新進教授,在實驗室裡還會親力親為,也有時間和學生在一起。後來我選擇李博士作為我的博士論文指導老師,成為他的第二名研究生。

-----廣告,請繼續往下閱讀-----

迷人的領域但乏味的實驗

在二○○一年,組織工程還是個新領域,希望能在實驗室培養出患病器官的生物替代品。幹細胞治療也是新的研究方向,它的願景是在適合的環境內,產生可以變成器官的細胞種類。我們的實驗室還紡出了由生物相容性材料組成的奈米纖維,作為細胞排列的支架,這在血管或神經的應用中非常重要。結合三個未來概念——組織工程、幹細胞和奈米纖維——我的研究論文似乎是劃時代又令人興奮的。我的博士論文聚焦於利用在機械力刺激分化幹細胞,創造血管組織,取代動脈粥樣硬化的血管。

雖然這項科學聽來很迷人,實際實驗卻很乏味,而且經常失敗。研究經驗中最棒的部分是分析資料,以及找出生物化學論文和顯微術影像的趨勢,從這項工作中,我知道自己偏好分析,而不是直接實驗。六年後,我完成了研究,發表了有關機械刺激誘發幹細胞分化成不同細胞種類的論文。

圖/Giphy

研究所畢業後,我決定進入業界,從事會發展最終產品的實用計畫,但我很難找到這樣一份工作。大多數開出的職位需要博士後或業界經驗,我最後在麻省伍斯特的生技新創公司找到工作。先進細胞科技(Advanced Cell Technology,ACT)想利用胚胎幹細胞製作血液細胞,這個領域和我在研究所的心血管專業相似。在ACT工作一年後,我發表有關從胚胎幹細胞中分化出紅血球的論文,然而,這家新創公司的財務狀況不佳,我決定離開。

更好的選擇

我在求職搜尋引擎(Monster.com)上找工作,教育程度設為博士,業界工作經驗為零到一年。在所有開放的職缺中,只有一個符合這些指標,塞爾文塔這家公司的職位看起真的很有趣——分子和計算生物學的分析工作,但不用進實驗室。這個計畫讓我可以學習多種疾病,公司從事系統生物學的開發,專注於大局,在多年辛勞的實驗室生活後,這真的很吸引我。工作地點在劍橋,那裡是麻省生技業的中心,搬到劍橋的話,想參加音樂活動或是結識志同道合的年輕人也比較容易。

-----廣告,請繼續往下閱讀-----

不過,這份工作要利用電腦程式進行計算生物學,這兩個領域我都不熟悉。但我在面試時,對方說那些技巧都可以在就職後學習,他們需要的是有強大分子生物學背景的人,他要能讀懂生醫研究的期刊論文的人,我有他們要求的背景,也喜歡那裡的人、那份工作,所以我以科學家的身份加入塞爾文塔。

在塞爾文塔,我們為多種炎症、腫瘤和代謝疾病(如潰瘍性結腸炎、肺癌和糖尿病)創建了計算藥物模型。電腦做出統計預測後,我們會檢查機制,確保在該疾病的生物學上是合理的,然後利用已知機制、新的機制和相關文獻建立網絡。

圖/Giphy

一開始進入塞爾文塔,我感到不知所措,我從未做這麼深入的分子生物學,身邊的人看來都聰明又博學,但我最終找到了方法,不再拿自己和同事比較,我開始領導專案和團隊,也和客戶有更多互動。我知道自己的優勢在於管理技巧,例如內部溝通及解釋專案結果、對客戶的影響等。我的專長不是想出新奇的科學創意,而是連結人與人,看到大局,利用我對科學的知識,以及對里程碑、時間表的實際理解,幫助團隊更有效率地完成目標。

在塞爾文塔工作七年後,我決定利用我在溝通、管理、大局理解的優點,尋找生技界的另一個職位。我在二○一六年離開塞爾文塔,到另一個波士頓區生技建模公司應用生物數學公司從事業務開發工作。

-----廣告,請繼續往下閱讀-----

在應用生物數學公司裡,我們利用數學模式,幫助製藥/生技公司更加理解他們的藥物,找出最佳特性和劑量方案。我們的分析可以在臨床試驗前模擬病患的結果,以加速藥物開發的過程,讓實驗能安排優先順序。我會見客戶,確保我們的專案團隊能符合客戶需求,並尋找新專案的機會。我還是得做一些科學研究,必須了解疾病和有效的藥物機制,但我的角色主要是溝通。在我的新工作中,我可以看到全局,學習藥物開發的各個階段,我喜歡這份工作,從協助加速新藥開發、嘉惠病患中獲得滿足感。

關於主角

珍妮佛.帕克是麻薩諸塞州林肯市應用生物數學公司的業務開發總監,她擁有康乃爾大學的生物工程學士學位,和加州大學柏克萊分校的生物工程博士學位。

——本書摘自《撕下標籤,成就最好的自己》,2021 年 3 月,商周出版
-----廣告,請繼續往下閱讀-----
文章難易度
商周出版_96
123 篇文章 ・ 364 位粉絲
閱讀商周,一手掌握趨勢,感受愜意生活!商周出版為專業的商業書籍出版公司,期望為社會推動基礎商業知識和教育。

0

2
1

文字

分享

0
2
1
「融合蛋白」如何全方位圍剿狡猾癌細胞
鳥苷三磷酸 (PanSci Promo)_96
・2025/11/07 ・5944字 ・閱讀時間約 12 分鐘

-----廣告,請繼續往下閱讀-----

本文與 TRPMA 台灣研發型生技新藥發展協會合作,泛科學企劃執行

我們知道癌症是台灣人健康的頭號公敵。 為此,我們花了很多時間介紹最新、最有效的抗癌方法之一:免疫療法

免疫療法中最重要的技術就是抗體藥物。科學家會人工製造一批抗體去標記癌細胞。它們就像戰場上的偵察無人機,能精準鎖定你體內的敵人——癌細胞,為它們打上標記,然後引導你的免疫系統展開攻擊。

這跟化療、放射線治療那種閉著眼睛拿機槍亂掃不同。免疫療法是重新叫醒你的免疫系統,為身體「上buff (增益) 」來抗癌,副作用較低,因此備受好評。

-----廣告,請繼續往下閱讀-----

但尷尬的是,經過幾年的臨床考驗,科學家發現:光靠抗體對抗癌症,竟然已經不夠用了。

事情是這樣的,臨床上醫生與科學家逐漸發現:這個抗體標記,不是容易損壞,就是癌細胞同時設有多個陷阱關卡,只靠叫醒免疫細胞,還是難以發揮戰力。

但好消息是,我們的生技工程也大幅進步了。科學家開始思考:如果這台偵察無人機只有「標記」這一招不夠用,為什麼不幫它升級,讓它多學幾招呢?

這個能讓免疫藥物(偵察無人機)大進化的訓練器,就是今天的主角—融合蛋白(fusion protein)

-----廣告,請繼續往下閱讀-----
融合蛋白(fusion protein)/ 圖片來源:wikipedia

融合蛋白是什麼?

免疫療法遇到的問題,我們可以這樣理解:想像你的身體是一座國家,病毒、細菌、腫瘤就是入侵者;而抗體,就是我們派出的「偵察無人機」。

當我們透過注射放出這支無人機群進到體內,它能迅速辨識敵人、緊抓不放,並呼叫其他免疫單位(友軍)一同解決威脅。過去 20 年,最強的偵查機型叫做「單株抗體」。1998年,生技公司基因泰克(Genentech)推出的藥物赫賽汀(Herceptin),就是一款針對 HER2 蛋白的單株抗體,目標是治療乳癌。

這支無人機群為什麼能對抗癌症?這要歸功於它「Y」字形的小小抗體分子,構造看似簡單,卻蘊藏巧思:

  • 「Y」 字形上面的兩隻「叉叉」是敵人偵測器,能找到敵人身上的抗原特徵,並黏上去,稱為抗體結合區「Fab 區域」。
  • 「Y」 字形的「尾巴」就是我們說的「標籤」,它能通知免疫系統啟動攻擊,稱為結晶區域片段「Fc 區域」。具體來說,當免疫細胞在體內巡邏,免疫細胞上的 Fc 受體 (FcR) 會和 Fc區域結合,進而認出病原體或感染細胞,接著展開清除。

更厲害的是,這個 Fc 區域標籤還能加裝不同功能。一般來說,人體內多餘的分子,會被定期清除。例如,細胞內會有溶酶體不斷分解多餘的物質,或是血液經過肝臟時會被代謝、分解。那麼,人造抗體對身體來說,屬於外來的東西,自然也會被清除。

-----廣告,請繼續往下閱讀-----

而 Fc區域會與細胞內體上的Fc受體結合,告訴細胞「別分解我」的訊號,阻止溶酶體的作用。又或是單純把標籤做的超大,例如接上一段長長的蛋白質,或是聚乙二醇鏈,讓整個抗體分子的大小,大於腎臟過濾孔的大小,難以被腎臟過濾,進而延長抗體在體內的存活時間。

偵測器(Fab)加上標籤(Fc)的結構,使抗體成為最早、也最成功的「天然設計藥物」。然而,當抗體在臨床上逐漸普及,一個又一個的問題開始浮現。抗體的強項在於「精準鎖定」,但這同時也是它的限制。

「Y」 字形上面的兩隻「叉叉」是敵人偵測器,能找到敵人身上的抗原特徵,並黏上去,稱為抗體結合區「Fab 區域」/ 圖片來源:shutterstock

第一個問題:抗體只能打「魔王」,無法毀掉「魔窟」。 

抗體一定要有一個明確的「標的物」才能發揮作用。這讓它在針對「腫瘤」或「癌細胞本身」時非常有效,因為敵人身上有明顯標記。但癌細胞的形成與惡化,是細胞在「生長、分裂、死亡、免疫逃脫」這些訊號通路上被長期誤導的結果。抗體雖然勇猛,卻只能針對已經帶有特定分子的癌細胞魔王,無法摧毀那個孕育魔王的系統魔窟。這時,我們真正欠缺的是能「調整」、「模擬」或「干擾」這些錯誤訊號的藥物。

-----廣告,請繼續往下閱讀-----

第二個問題:開發產線的限制。

抗體的開發,得經過複雜的細胞培養與純化程序。每次改變結構或目標,幾乎都要重新開發整個系統。這就像你無法要求一台偵測紅外線的無人機,明天立刻改去偵測核輻射。高昂的成本與漫長的開發時間,讓新產線難以靈活創新。

為了讓免疫藥物能走向多功能與容易快速製造、測試的道路,科學家急需一個更工業化的藥物設計方式。雖然我們追求的是工業化的設計,巧合的是,真正的突破靈感,仍然來自大自然。

在自然界中,基因有時會彼此「融合」成全新的組合,讓生物獲得額外功能。例如細菌,它們常仰賴一連串的酶來完成代謝,中間產物要在細胞裡來回傳遞。但後來,其中幾個酶的基因彼此融合,而且不只是基因層級的合併,產出的酶本身也變成同一條長長的蛋白質。

-----廣告,請繼續往下閱讀-----

結果,反應效率大幅提升。因為中間產物不必再「跑出去找下一個酶」,而是直接在同一條生產線上完成。對細菌來說,能更快處理養分、用更少能量維持生存,自然形成適應上的優勢,這樣的融合基因也就被演化保留下來。

科學家從中得到關鍵啟發:如果我們也能把兩種有用的蛋白質,「人工融合」在一起,是否就能創造出更強大的新分子?於是,融合蛋白(fusion protein)就出現了。

以假亂真:融合蛋白的HIV反制戰

融合蛋白的概念其實很直覺:把兩種以上、功能不同的蛋白質,用基因工程的方式「接起來」,讓它們成為同一個分子。 

1990 年,融合蛋白 CD4 免疫黏附素(CD4 immunoadhesin)誕生。這項設計,是為了對付令人類聞風喪膽的 HIV 病毒。

-----廣告,請繼續往下閱讀-----

我們知道 T 細胞是人體中一種非常重要的白血球。在這些 T 細胞中,大約有六到七成表面帶有一個叫做「CD4」的輔助受體。CD4 會和另一個受體 TCR 一起合作,幫助 T 細胞辨識其他細胞表面的抗原片段,等於是 T 細胞用來辨認壞人的「探測器」。表面擁有 CD4 受體的淋巴球,就稱為 CD4 淋巴球。

麻煩的來了。 HIV 病毒反將一軍,竟然把 T 細胞的 CD4 探測器,當成了自己辨識獵物的「標記」。沒錯,對 HIV 病毒來說,免疫細胞就是它的獵物。HIV 的表面有一種叫做 gp120 的蛋白,會主動去抓住 T 細胞上的 CD4 受體。

一旦成功結合,就會啟動一連串反應,讓病毒外殼與細胞膜融合。HIV 進入細胞內後會不斷複製並破壞免疫細胞,導致免疫系統逐漸崩潰。

為了逆轉這場悲劇,融合蛋白 CD4 免疫黏附素登場了。它的結構跟抗體類似,由由兩個不同段落所組成:一端是 CD4 假受體,另一端則是剛才提到、抗體上常見的 Fc 區域。當 CD4 免疫黏附素進入體內,它表面的 CD4 假受體會主動和 HIV 的 gp120 結合。

-----廣告,請繼續往下閱讀-----

厲害了吧。 病毒以為自己抓到了目標細胞,其實只是被騙去抓了一個假的 CD4。這樣 gp120 抓不到 CD4 淋巴球上的真 CD4,自然就無法傷害身體。

而另一端的 Fc 區域則有兩個重要作用:一是延長融合蛋白在體內的存活時間;二是理論上能掛上「這裡有敵人!」的標籤,這種機制稱為抗體依賴性細胞毒殺(ADCC)或免疫吞噬作用(ADCP)。當免疫細胞的 Fc 受體與 Fc 區域結合,就能促使免疫細胞清除被黏住的病毒顆粒。

不過,這裡有個關鍵細節。

在實際設計中,CD4免疫黏附素的 Fc 片段通常會關閉「吸引免疫細胞」的這個技能。原因是:HIV 專門攻擊的就是免疫細胞本身,許多病毒甚至已經藏在 CD4 細胞裡。若 Fc 區域過於活躍,反而可能引發強烈的發炎反應,甚至讓免疫系統錯把帶有病毒碎片的健康細胞也一併攻擊,這樣副作用太大。因此,CD4 免疫黏附素的 Fc 區域會加入特定突變,讓它只保留延長藥物壽命的功能,而不會與淋巴球的 Fc 受體結合,以避免誘發免疫反應。

從 DNA 藍圖到生物積木:融合蛋白的設計巧思

融合蛋白雖然潛力強大,但要製造出來可一點都不簡單。它並不是用膠水把兩段蛋白質黏在一起就好。「融合」這件事,得從最根本的設計圖,也就是 DNA 序列就開始規劃。

我們體內的大部分蛋白質,都是細胞照著 DNA 上的指令一步步合成的。所以,如果科學家想把蛋白 A 和蛋白 B 接在一起,就得先把這兩段基因找出來,然後再「拼」成一段新的 DNA。

不過,如果你只是單純把兩段基因硬接起來,那失敗就是必然的。因為兩個蛋白會互相「打架」,導致摺疊錯亂、功能全毀。

這時就需要一個小幫手:連接子(linker)。它的作用就像中間的彈性膠帶,讓兩邊的蛋白質能自由轉動、互不干擾。最常見的設計,是用多個甘胺酸(G)和絲胺酸(S)組成的柔性小蛋白鏈。

設計好這段 DNA 之後,就能把它放進細胞裡,讓細胞幫忙「代工」製造出這個融合蛋白。接著,科學家會用層析、電泳等方法把它純化出來,再一一檢查它有沒有摺疊正確、功能是否完整。

如果一切順利,這個人工設計的融合分子,就能像自然界的蛋白一樣穩定運作,一個全新的「人造分子兵器」就此誕生。

CD4免疫黏附素問世之後,融合蛋白逐漸成為生物製藥的重要平台之一。而且現在的融合蛋白,早就不只是「假受體+Fc 區域」這麼單純。它已經跳脫模仿抗體,成為真正能自由組裝、自由設計的生物積木。

CD4免疫黏附素問世之後,融合蛋白逐漸成為生物製藥的重要平台之一 / 圖片來源:wikipedia

融合蛋白的強項,就在於它能「自由組裝」。

以抗體為骨架,科學家可以接上任何想要的功能模組,創造出全新的藥物型態。一般的抗體只能「抓」(標記特定靶點);但融合蛋白不只會抓,還能「阻斷」、「傳遞」、甚至「調控」訊號。在功能模組的加持下,它在藥物設計上,幾乎像是一個分子級的鋼鐵蜘蛛人裝甲。

一般來說,當我們選擇使用融合蛋白時,通常會期待它能發揮幾種關鍵效果:

  1. 療效協同: 一款藥上面就能同時針對多個靶點作用,有機會提升治療反應率與持續時間,達到「一藥多效」的臨床價值。
  2. 減少用藥: 原本需要兩到三種單株抗體聯合使用的療法,也許只要一種融合蛋白就能搞定。這不僅能減少給藥次數,對病人來說,也有機會因為用藥減少而降低治療成本。
  3. 降低毒性風險: 經過良好設計的融合蛋白,可以做到更精準的「局部活化」,讓藥物只在目標區域發揮作用,減少副作用。

到目前為止,我們了解了融合蛋白是如何製造的,也知道它的潛力有多大。

那麼,目前實際成效到底如何呢?

一箭雙鵰:拆解癌細胞的「偽裝」與「內奸」

2016 年,德國默克(Merck KGaA)展開了一項全新的臨床試驗。 主角是一款突破性的雙功能融合蛋白──Bintrafusp Alfa。這款藥物的厲害之處在於,它能同時封鎖 PD-L1 和 TGF-β 兩條免疫抑制路徑。等於一邊拆掉癌細胞的偽裝,一邊解除它的防護罩。

PD-L1,我們或許不陌生,它就像是癌細胞身上的「偽裝良民證」。當 PD-L1 和免疫細胞上的 PD-1 受體結合時,就會讓免疫系統誤以為「這細胞是自己人」,於是放過它。我們的策略,就是用一個抗體或抗體樣蛋白黏上去,把這張「偽裝良民證」封住,讓免疫系統能重新啟動。

但光拆掉偽裝還不夠,因為癌細胞還有另一位強大的盟友—一個起初是我軍,後來卻被癌細胞收買、滲透的「內奸」。它就是,轉化生長因子-β,縮寫 TGF-β。

先說清楚,TGF-β 原本是體內的秩序管理者,掌管著細胞的生長、分化、凋亡,還負責調節免疫反應。在正常細胞或癌症早期,它會和細胞表面的 TGFBR2 受體結合,啟動一連串訊號,抑制細胞分裂、減緩腫瘤生長。

但當癌症發展到後期,TGF-β 跟 TGFBR2 受體之間的合作開始出問題。癌細胞表面的 TGFBR2 受體可能突變或消失,導致 TGF-β 不但失去了原本的抑制作用,反而轉向幫癌細胞做事

它會讓細胞骨架(actin cytoskeleton)重新排列,讓細胞變長、變軟、更有彈性,還能長出像觸手的「偽足」(lamellipodia、filopodia),一步步往外移動、鑽進組織,甚至進入血管、展開全身轉移。

更糟的是,這時「黑化」的 TGF-β 還會壓抑免疫系統,讓 T 細胞和自然殺手細胞變得不再有攻擊力,同時刺激新血管生成,幫腫瘤打通營養補給線。

為了對抗這個內奸,默克在 Bintrafusp Alfa 的結構裡,加上了一個「TGF-β 陷阱(trap)」。就像 1989 年的 CD4 免疫黏附素用「假受體」去騙 HIV 一樣,這個融合蛋白在體內循環時,會用它身上的「陷阱」去捕捉並中和游離的 TGF-β。這讓 TGF-β 無法再跟腫瘤細胞或免疫細胞表面的天然受體結合,從而鬆開了那副壓抑免疫系統的腳鐐。

為了對抗這個內奸,默克在 Bintrafusp Alfa 的結構裡,加上了一個「TGF-β 陷阱(trap)」/ 情境圖來源:shutterstock

告別單一解方:融合蛋白的「全方位圍剿」戰

但,故事還沒完。我們之前提過,癌細胞之所以難纏,在於它會發展出各種「免疫逃脫」策略。

而近年我們發現,癌細胞的「偽良民證」至少就有兩張:一張是 PD-L1;另一張是 CD-47。CD47 是癌細胞向巨噬細胞展示的「別吃我」訊號,當它與免疫細胞上的 SIRPα 結合時,就會抑制吞噬反應。

為此,總部位於台北的漢康生技,決定打造能同時對付 PD-L1、CD-47,乃至 TGF-β 的三功能生物藥 HCB301。

雖然三功能融合蛋白聽起來只是「再接一段蛋白」而已,但實際上極不簡單。截至目前,全球都還沒有任何三功能抗體或融合蛋白批准上市,在臨床階段的生物候選藥,也只佔了整個生物藥市場的 1.6%。

漢康生技透過自己開發的 FBDB 平台技術,製作出了三功能的生物藥 HCB301,目前第一期臨床試驗已經在美國、中國批准執行。

免疫療法絕對是幫我們突破癌症的關鍵。但我們也知道癌症非常頑強,還有好幾道關卡我們無法攻克。既然單株抗體在戰場上顯得單薄,我們就透過融合蛋白,創造出擁有多種功能模組的「升級版無人機」。

融合蛋白強的不是個別的偵查或阻敵能力,而是一組可以「客製化組裝」的平台,用以應付癌細胞所有的逃脫策略。

Catch Me If You Can?融合蛋白的回答是:「We Can.」

未來癌症的治療戰場,也將從尋找「唯一解」,轉變成如何「全方位圍剿」癌細胞,避免任何的逃脫。

-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

1
0

文字

分享

0
1
0
解密機器人如何學會思考、觸摸與變形
鳥苷三磷酸 (PanSci Promo)_96
・2025/09/09 ・6820字 ・閱讀時間約 14 分鐘

-----廣告,請繼續往下閱讀-----

本文與 Perplexity 合作,泛科學企劃執行

「Hello. I am… a robot.」

在我們的記憶裡,機器人的聲音就該是冰冷、單調,不帶一絲情感 。它們的動作僵硬,肢體不協調,像一個沒有靈魂的傀儡,甚至啟發我們創造了機械舞來模仿那獨特的笨拙可愛。但是,現今的機器人發展不再只會跳舞或模仿人聲,而是已經能獨立完成一場膽囊切除手術。

就在2025年,美國一間實驗室發表了一項成果:一台名為「SRT-H」的機器人(階層式手術機器人Transformer),在沒有人類醫師介入的情況下,成功自主完成了一場完整的豬膽囊切除手術。SRT-H 正是靠著從錯誤中學習的能力,最終在八個不同的離體膽囊上,達成了 100% 的自主手術成功率。

-----廣告,請繼續往下閱讀-----

這項成就的意義重大,因為過去機器人手術的自動化,大多集中在像是縫合這樣的單一「任務」上。然而,這一場完整的手術,是一個包含數十個步驟、需要連貫策略與動態調整的複雜「程序」。這是機器人首次在包含 17 個步驟的完整膽囊切除術中,實現了「步驟層次的自主性」。

這就引出了一個讓我們既興奮又不安的核心問題:我們究竟錯過了什麼?機器人是如何在我們看不見的角落,悄悄完成了從「機械傀儡」到「外科醫生」的驚人演化?

這趟思想探險,將為你解密 SRT-H 以及其他五款同樣具備革命性突破的機器人。你將看到,它們正以前所未有的方式,發展出生物般的觸覺、理解複雜指令、學會團隊合作,甚至開始自我修復與演化,成為一種真正的「準生命體」 。

所以,你準備好迎接這個機器人的新紀元了嗎?

-----廣告,請繼續往下閱讀-----

只靠模仿還不夠?手術機器人還需要學會「犯錯」與「糾正」

那麼,SRT-H 這位機器人的外科大腦,究竟藏著什麼秘密?答案就在它創新的「階層式框架」設計裡 。

你可以想像,SRT-H 的腦中,住著一個分工明確的兩人團隊,就像是漫畫界的傳奇師徒—黑傑克與皮諾可 。

  • 第一位,是動口不動手的總指揮「黑傑克」: 它不下達具體的動作指令,而是在更高維度的「語言空間」中進行策略規劃 。它發出的命令,是像「抓住膽管」或「放置止血夾」這樣的高層次任務指令 。
  • 第二位,是靈巧的助手「皮諾可」: 它負責接收黑傑克的語言指令,並將這些抽象的命令,轉化為機器手臂毫釐不差的精準運動軌跡 。

但最厲害的還不是這個分工,而是它們的學習方式。SRT-H 研究團隊收集了 17 個小時、共 16,000 條由人類專家操作示範的軌跡數據來訓練它 。但這還只是開始,研究人員在訓練過程中,會刻意讓它犯錯,並向它示範如何從抓取失敗、角度不佳等糟糕的狀態中恢復過來 。這種獨特的訓練方法,被稱為「糾正性示範」 。

SRT-H 研究團隊收集了 17 個小時、共 16,000 條由人類專家操作示範的軌跡數據來訓練它 。 / 圖片來源:shutterstock

這項訓練,讓 SRT-H 學會了一項外科手術中最關鍵的技能:當它發現執行搞砸了,它能即時識別偏差,並發出如「重試抓取」或「向左調整」等「糾正性指令」 。這套內建的錯誤恢復機制至關重要。當研究人員拿掉這個糾正能力後,機器人在遇到困難時,要不是完全失敗,就是陷入無效的重複行為中 。

-----廣告,請繼續往下閱讀-----

正是靠著這種從錯誤中學習、自我修正的能力,SRT-H 最終在八次不同的手術中,達成了 100% 的自主手術成功率 。

SRT-H 證明了機器人開始學會「思考」與「糾錯」。但一個聰明的大腦,足以應付更混亂、更無法預測的真實世界嗎?例如在亞馬遜的倉庫裡,機器人不只需要思考,更需要實際「會做事」。

要能精準地與環境互動,光靠視覺或聽覺是不夠的。為了讓機器人能直接接觸並處理日常生活中各式各樣的物體,它就必須擁有生物般的「觸覺」能力。

解密 Vulcan 如何學會「觸摸」

讓我們把場景切換到亞馬遜的物流中心。過去,這裡的倉儲機器人(如 Kiva 系統)就像放大版的掃地機器人,核心行動邏輯是極力「避免」與周遭環境發生任何物理接觸,只負責搬運整個貨架,再由人類員工挑出包裹。

-----廣告,請繼續往下閱讀-----

但 2025 年5月,亞馬遜展示了他們最新的觸覺機器人 Vulcan。在亞馬遜的物流中心裡,商品被存放在由彈性帶固定的織物儲物格中,而 Vulcan 的任務是必須主動接觸、甚至「撥開」彈性織網,再從堆放雜亂的儲物格中,精準取出單一包裹,且不能造成任何損壞。

2025 年5月,亞馬遜展示了他們最新的觸覺機器人 Vulcan / 圖片引用:https://www.aboutamazon.com/news

Vulcan 的核心突破,就在於它在「拿取」這個動作上,學會了生物般的「觸覺」。它靈活的機械手臂末端工具(EOAT, End-Of-Arm Tool),不僅配備了攝影機,還搭載了能測量六個自由度的力與力矩感測器。六個自由度包含上下、左右、前後的推力,和三個維度的旋轉力矩。這就像你的手指,裡頭分布著非常多的受器,不只能感測壓力、還能感受物體橫向拉扯、運動等感觸。

EOAT 也擁有相同精確的「觸覺」,能夠在用力過大之前即時調整力道。這讓 Vulcan 能感知推動一個枕頭和一個硬紙盒所需的力量不同,從而動態調整行為,避免損壞貨物。

其實,這更接近我們人類與世界互動的真實方式。當你想拿起桌上的一枚硬幣時,你的大腦並不會先計算出精準的空間座標。實際上,你會先把手伸到大概的位置,讓指尖輕觸桌面,再沿著桌面滑動,直到「感覺」到硬幣的邊緣,最後才根據觸覺決定何時彎曲手指、要用多大的力量抓起這枚硬幣。Vulcan 正是在學習這種「視覺+觸覺」的混合策略,先用攝影機判斷大致的空間,再用觸覺回饋完成最後精細的操作。

-----廣告,請繼續往下閱讀-----

靠著這項能力,Vulcan 已經能處理亞馬遜倉庫中約 75% 的品項,並被優先部署來處理最高和最低層的貨架——這些位置是最容易導致人類員工職業傷害的位置。這也讓自動化的意義,從單純的「替代人力」,轉向了更具建設性的「增強人力」。

SRT-H 在手術室中展現了「專家級的腦」,Vulcan 在倉庫中演化出「專家級的手」。但你發現了嗎?它們都還是「專家」,一個只會開刀,一個只會揀貨。雖然這種「專家型」設計能有效規模化、解決痛點並降低成本,但機器人的終極目標,是像人類一樣成為「通才」,讓單一機器人,能在人類環境中執行多種不同任務。

如何教一台機器人「舉一反三」?

你問,機器人能成為像我們一樣的「通才」嗎?過去不行,但現在,這個目標可能很快就會實現了。這正是 NVIDIA 的 GR00T 和 Google DeepMind 的 RT-X 等專案的核心目標。

過去,我們教機器人只會一個指令、一個動作。但現在,科學家們換了一種全新的教學思路:停止教機器人完整的「任務」,而是開始教它們基礎的「技能基元」(skill primitives),這就像是動作的模組。

-----廣告,請繼續往下閱讀-----

例如,有負責走路的「移動」(Locomotion) 基元,和負責抓取的「操作」(Manipulation) 基元。AI 模型會透過強化學習 (Reinforcement Learning) 等方法,學習如何組合這些「技能基元」來達成新目標。

舉個例子,當 AI 接收到「從冰箱拿一罐汽水給我」這個新任務時,它會自動將其拆解為一系列已知技能的組合:首先「移動」到冰箱前、接著「操作」抓住把手、拉開門、掃描罐子、抓住罐子、取出罐子。AI T 正在學會如何將這些單一的技能「融合」在一起。有了這樣的基礎後,就可以開始來大量訓練。

當多重宇宙的機器人合體練功:通用 AI 的誕生

好,既然要學,那就要練習。但這些機器人要去哪裡獲得足夠的練習機會?總不能直接去你家廚房實習吧。答案是:它們在數位世界裡練習

NVIDIA 的 Isaac Sim 等平台,能創造出照片級真實感、物理上精確的模擬環境,讓 AI 可以在一天之內,進行相當於數千小時的練習,獨自刷副本升級。這種從「模擬到現實」(sim-to-real)的訓練管線,正是讓訓練這些複雜的通用模型變得可行的關鍵。

-----廣告,請繼續往下閱讀-----

DeepMind 的 RT-X 計畫還發現了一個驚人的現象:用來自多種「不同類型」機器人的數據,去訓練一個單一的 AI 模型,會讓這個模型在「所有」機器人上表現得更好。這被稱為「正向轉移」(positive transfer)。當 RT-1-X 模型用混合數據訓練後,它在任何單一機器人上的成功率,比只用該機器人自身數據訓練的模型平均提高了 50%。

這就像是多重宇宙的自己各自練功後,經驗值合併,讓本體瞬間變強了。這意味著 AI 正在學習關於物理、物體特性和任務結構的抽象概念,這些概念獨立於它所控制的特定身體。

AI 正在學習關於物理、物體特性和任務結構的抽象概念,這些概念獨立於它所控制的特定身體。/ 圖片來源:shutterstock

不再是工程師,而是「父母」: AI 的新學習模式

這也導向了一個科幻的未來:或許未來可能存在一個中央「機器人大腦」,它可以下載到各種不同的身體裡,並即時適應新硬體。

這種學習方式,也從根本上改變了我們與機器人的互動模式。我們不再是逐行編寫程式碼的工程師,而是更像透過「示範」與「糾正」來教導孩子的父母。

NVIDIA 的 GR00T 模型,正是透過一個「數據金字塔」來進行訓練的:

  • 金字塔底層: 是大量的人類影片。
  • 金字塔中層: 是海量的模擬數據(即我們提過的「數位世界」練習)。
  • 金字塔頂層: 才是最珍貴、真實的機器人操作數據。

這種模式,大大降低了「教導」機器人新技能的門檻,讓機器人技術變得更容易規模化與客製化。

當機器人不再是「一個」物體,而是「任何」物體?

我們一路看到了機器人如何學會思考、觸摸,甚至舉一反三。但這一切,都建立在一個前提上:它們的物理形態是固定的。

但,如果連這個前提都可以被打破呢?這代表機器人的定義不再是固定的形態,而是可變的功能:它能改變身體來適應任何挑戰,不再是一台單一的機器,而是一個能根據任務隨選變化的物理有機體。

有不少團隊在爭奪這個機器人領域的聖杯,其中瑞士洛桑聯邦理工學院特別具有代表性,該學院的仿生機器人實驗室(Bioinspired Robotics Group, BIRG)2007 年就打造模組化自重構機器人 Roombots。

有不少團隊在爭奪這個機器人領域的聖杯,其中瑞士洛桑聯邦理工學院(EPFL)特別具有代表性。該學院的仿生機器人實驗室(BIRG)在 2007 年就已打造出模組化自重構機器人 Roombots。而 2023 年,來自 EPFL 的另一個實驗室——可重組機器人工程實驗室(RRL),更進一步推出了 Mori3,這是一套把摺紙藝術和電腦圖學巧妙融合的模組化機器人系統。

2023 年來自 EPFL 的另一個實驗室—可重組機器人工程實驗室(RRL)推出了 Mori3 © 2023 Christoph Belke, EPFL RRL

Mori3 的核心,是一個個小小的三角形模組。別看它簡單,每個模組都是一個獨立的機器人,有自己的電源、馬達、感測器和處理器,能獨立行動,也能和其他模組合作。最厲害的是,它的三條邊可以自由伸縮,讓這個小模組本身就具備「變形」能力。

當許多 Mori3 模組連接在一起時,就能像一群活的拼圖一樣,從平面展開,組合成各種三維結構。研究團隊將這種設計稱為「物理多邊形網格化」。在電腦圖學裡,我們熟悉的 3D 模型,其實就是由許多多邊形(通常是三角形)拼湊成的網格。Mori3 的創新之處,就是把這種純粹的數位抽象,真正搬到了現實世界,讓模組們化身成能活動的「實體網格」。

這代表什麼?團隊已經展示了三種能力:

  • 移動:他們用十個模組能組合成一個四足結構,它能從平坦的二維狀態站立起來,並開始行走。這不只是結構變形,而是真正的協調運動。
  • 操縱: 五個模組組合成一條機械臂,撿起物體,甚至透過末端模組的伸縮來擴大工作範圍。
  • 互動: 模組們能形成一個可隨時變形的三維曲面,即時追蹤使用者的手勢,把手的動作轉換成實體表面的起伏,等於做出了一個會「活」的觸控介面。

這些展示,不只是實驗室裡的炫技,而是真實證明了「物理多邊形網格化」的潛力:它不僅能構建靜態的結構,還能創造具備複雜動作的動態系統。而且,同一批模組就能在不同情境下切換角色。

想像一個地震後的救援場景:救援隊帶來的不是一台笨重的挖土機,而是一群這樣的模組。它們首先組合成一條長長的「蛇」形機器人,鑽入瓦礫縫隙;一旦進入開闊地後,再重組成一隻多足的「蜘蛛」,以便在不平的地面上穩定行走;發現受困者時,一部分模組分離出來形成「支架」撐住搖搖欲墜的橫樑,另一部分則組合成「夾爪」遞送飲水。這就是以任務為導向的自我演化。

這項技術的終極願景,正是科幻中的概念:可程式化物質(Programmable Matter),或稱「黏土電子學」(Claytronics)。想像一桶「東西」,你可以命令它變成任何你需要的工具:一支扳手、一張椅子,或是一座臨時的橋樑。

未來,我們只需設計一個通用的、可重構的「系統」,它就能即時創造出任務所需的特定機器人。這將複雜性從實體硬體轉移到了規劃重構的軟體上,是一個從硬體定義的世界,走向軟體定義的物理世界的轉變。

更重要的是,因為模組可以隨意分開與聚集,損壞時也只要替換掉部分零件就好。足以展現出未來機器人的適應性、自我修復與集體行為。當一群模組協作時,它就像一個超個體,如同蟻群築橋。至此,「機器」與「有機體」的定義,也將開始動搖。

從「實體探索」到「數位代理」

我們一路見證了機器人如何從單一的傀儡,演化為學會思考的外科醫生 (SRT-H)、學會觸摸的倉儲專家 (Vulcan)、學會舉一反三的通才 (GR00T),甚至是能自我重構成任何形態的「可程式化物質」(Mori3)。

但隨著機器人技術的飛速發展,一個全新的挑戰也隨之而來:在一個 AI 也能生成影像的時代,我們如何分辨「真實的突破」與「虛假的奇觀」?

舉一個近期的案例:2025 年 2 月,一則影片在網路上流傳,顯示一台人形機器人與兩名人類選手進行羽毛球比賽,並且輕鬆擊敗了人類。我的第一反應是懷疑:這太誇張了,一定是 AI 合成的影片吧?但,該怎麼驗證呢?答案是:用魔法打敗魔法。

在眾多 AI 工具中,Perplexity 特別擅長資料驗證。例如這則羽球影片的內容貼給 Perplexity,它馬上就告訴我:該影片已被查證為數位合成或剪輯。但它並未就此打住,而是進一步提供了「真正」在羽球場上有所突破的機器人—來自瑞士 ETH Zurich 團隊的 ANYmal-D

接著,選擇「研究模式」,就能深入了解 ANYmal-D 的詳細原理。原來,真正的羽球機器人根本不是「人形」,而是一台具備三自由度關節的「四足」機器人。

如果你想更深入了解,Perplexity 的「實驗室」功能,還能直接生成一份包含圖表、照片與引用來源的完整圖文報告。它不只介紹了 ANYmal-D 在羽球上的應用,更詳細介紹了瑞士聯邦理工學院發展四足機器人的完整歷史:為何選擇四足?如何精進硬體與感測器結構?以及除了運動領域外,四足機器人如何在關鍵的工業領域中真正創造價值。

AI 代理人:數位世界的新物種

從開刀、揀貨、打球,到虛擬練功,這些都是機器人正在學習「幫我們做」的事。但接下來,機器人將獲得更強的「探索」能力,幫我們做那些我們自己做不到的事。

這就像是,傳統網路瀏覽器與 Perplexity 的 Comet 瀏覽器之間的差別。Comet 瀏覽器擁有自主探索跟決策能力,它就像是數位世界裡的機器人,能成為我們的「代理人」(Agent)

它的核心功能,就是拆解過去需要我們手動完成的多步驟工作流,提供「專業代工」,並直接交付成果。

例如,你可以直接對它說:「閱讀這封會議郵件,檢查我的行事曆跟代辦事項,然後草擬一封回信。」或是直接下達一個複雜的指令:「幫我訂 Blue Origin 的太空旅遊座位,記得要來回票。」

接著,你只要兩手一攤,Perplexity 就會接管你的瀏覽器,分析需求、執行步驟、最後給你結果。你再也不用自己一步步手動搜尋,或是在不同網站上重複操作。

AI 代理人正在幫我們探索險惡的數位網路,而實體機器人,則在幫我們前往真實的物理絕境。

立即點擊專屬連結 https://perplexity.sng.link/A6awk/k74… 試用 Perplexity吧! 現在申辦台灣大哥大月付 599(以上) 方案,還可以獲得 1 年免費 Perplexity Pro plan 喔!(價值 新台幣6,750)

◆Perplexity 使用實驗室功能對 ANYmal-D 與團隊的全面分析 https://drive.google.com/file/d/1NM97…

-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

1
0

文字

分享

0
1
0
「牠」比人類更懂團隊合作?生存 3000 萬年的選址專家,蜜蜂用搖擺舞選擇完美家園——《跟達爾文學投資》
今周刊出版
・2024/12/07 ・2877字 ・閱讀時間約 5 分鐘

-----廣告,請繼續往下閱讀-----

搖擺舞的祕密:蜜蜂如何用舞步傳遞築巢地點?

蜜蜂已經存續 3000 萬年。牠們經歷了多個冰河時代、數以千計的環境災難、大大小小源源不斷的掠食者,以及地球歷史上最具破壞性生物的到來:人類。

蜜蜂一生中最重要的決定,就是選擇牠們的家。我稱之為「決定」,因為這就是個決定:這似乎遵循一個過程,可能需要數小時甚至數天,而蜂群中的每隻蜜蜂似乎都有發言權。不同於進食、交配或戰鬥,對蜜蜂來說,選擇一個家,似乎是一個刻意又「深思熟慮」的過程。

蜜蜂是高度社會性的生物,生活在數以千計的蜂群中,彼此之間距離非常靠近。蜂巢裡通常有一個由工蜂餵養和保護的女王蜂,這些工蜂全都是不育的雌蜂 。一個蜂群通常在冬季結束時分裂成幾個蜂群(swarm)。每一個蜂群都需要找到一個新家來建造蜂巢,扶養工蜂幼蟲,並為下一個冬天建造儲藏蜂蜜的蜂房。

因此,當蜜蜂創造一個新的蜂群時,牠們最重要的任務是找到合適的築巢地點以建立蜂巢。牠們的家需要一個空腔體積,來容納足夠的蜂蜜以度過整個冬天。此外,入口需要離地面夠高,以防止地面上的掠食者瞄準蜜蜂。入口也應該很小,以確保隱蔽性和溫暖,以便蜂巢免受極端強風等惡劣天氣因素的影響。

-----廣告,請繼續往下閱讀-----

那麼,蜜蜂如何選擇建蜂巢的地方?牠們會跳舞。

假設各位決定研究蜜蜂如何選擇築巢地點,那麼將會觀察到這樣的情形。當來自母蜂群的蜜蜂分裂成一小群時,幾十名偵察員會朝向不同的方向飛去,查看方圓5公里內適合的築巢地點。當偵察員遇到一個吸引牠的地點時,牠會回到蜂群並表演搖擺舞,向姊妹們傳達該地點的距離、方向和品質(雄蜂是懶惰鬼,牠們不做任何事;牠們唯一的工作就是使女王受孕)。舞蹈的持續時間與到新地點的距離成正比,蜜蜂搖擺的角度代表牠們相對於太陽向外飛行的角度,搖擺的強度(舞蹈次數)表示新地點的品質。

由於偵察兵已經飛越了一大片區域,所以牠們會向蜂巢夥伴宣傳許多相距甚遠的地點。蜂群中的蜜蜂跟隨各種偵察員的腳步,檢查廣泛分散的地點,然後返回蜂群進行搖擺舞。

因此一開始,偵察員會宣傳幾個可能的築巢地點,似乎試圖將牠們的同伴招募到每個選定的地點,這看起來是一個相當混亂的場景。然而,幾個小時或幾天後,所有蜜蜂都開始跳舞,只支持一個地點。一旦達成共識,蜂群就會飛到選定的位置。但是,其實蜂群是沒有領袖的(女王蜂只是一部繁殖機器,完全依賴工蜂提供食物和福利)。因此,我們會得出一個(正確的)結論,築巢地點的選擇是由所有蜜蜂參與的民主過程完成的。

-----廣告,請繼續往下閱讀-----

一旦觀察到這種現象,各位可能會問以下一些問題:這種幾乎百分之百共識的民主過程,是如何運作的?

Close-up of one Bee on a sunflower

從混亂到共識:蜂群如何民主選擇完美地點

正如我之前提到的,蜜蜂需要選擇一個高品質的地點來確保牠們的生存。但不明顯的是,如果牠們可以有多個高品質的地點供選擇,牠們幾乎總會選出一個最好的地點。這些挑剔的蜜蜂不會接受「夠好」的選項。當科學家在蜜蜂的飛行範圍內,人為創造一些良好的築巢地點時,他們發現蜜蜂幾乎總是聚集在最好的地點。更令人驚訝的是,蜜蜂很少先找到最佳築巢地點;但一段時間過後,即使蜜蜂發現最佳地點的時間比其他稍差的地點晚得多,最終還是會達成共識選擇最佳地點。

研究人員已經證明,蜜蜂在評估築巢地點的品質方面有著絕對的標準。牠們搖擺舞的活力轉化為跳舞的次數,代表特定場地的品質。蜜蜂需要 15 分鐘到 1 小時來評估一個潛在的地點。牠會檢查空腔的外部,並花很多時間在裡面四處走動和短途飛行。如果蜜蜂在第一次檢查時發現築巢地點很理想,就會回到蜂群中,用搖擺舞來宣傳該地點。如果另一隻蜜蜂跟著牠來到這個地方,當這隻蜜蜂回到蜂群時,她會跳(持續時間和強度)幾乎完全相同的搖擺舞。蜜蜂有一個評估巢穴品質的通用標準。

所有蜜蜂在選擇築巢地點時,都有一致的興趣。牠們的共識是經過一段時間才建立的,因此,最後所有蜜蜂都只支持一個地點,而這幾乎總是最好的地點。但是,共識是如何達成的?

-----廣告,請繼續往下閱讀-----

最初,科學家們假設蜜蜂偵察員將舊巢的地點與新地點(其他跳舞的偵察員把牠找來新地點)進行比較。如果她發現新地點的品質比較高,就會不再支持舊的地點,並更積極地跳舞以表示對新地點的肯定,但事實證明這是錯的。大多數蜜蜂只會前往一個築巢地點,很少有蜜蜂會前往 2 個以上的地點。

Close up view of the working bees on honey cells

湯瑪斯.西利(Thomas Seeley)和其他人的艱苦研究揭示了建立共識過程背後的奧祕,只有兩個要素。首先,正如我們已經知道的,蜜蜂會為了一個品質更好的地點而跳更多舞;第二,蜂群中的蜜蜂會隨機跟著在跳舞的蜜蜂,以探索新的地點。

但是,這兩個簡單的行動如何導致對最佳地點近乎百分之百的共識?

簡單卻高效:蜜蜂如何以數學模型找到最佳家園

假設有3名偵察員,牠們評估 3 個可能的新築巢地點— A、B 和 C —品質各不相同。假設地點 A 是最好的,地點 C 是最差的。在評估了地點 A 之後,第一個偵察員返回蜂群並跳了 20 次舞。第二個偵察員評估地點 B 並跳了 10 次舞。最後,第三名偵察員在評估地點 C 後,只跳了 5 次。

-----廣告,請繼續往下閱讀-----

讓我們假設蜂群中有 100 隻蜜蜂在等待牠們的偵察姊妹回來。請記住,牠們會隨機跟隨任何一隻跳舞的蜜蜂,然後去探索令這隻蜜蜂興奮的地方。由於第一隻蜜蜂的舞蹈占了 57%(20 ÷ 35),因此蜂群中的 100 隻蜜蜂有 57 隻會跟著第一隻蜜蜂。按照同樣的邏輯,29 隻蜜蜂會去評估地點 B,只有 14 隻蜜蜂會評估地點C。當這 100 隻蜜蜂回到蜂群時,會發生什麼事?

來自地點 A 的 57 隻蜜蜂每隻跳 20 支舞=1140 支舞

來自地點 B 的 29 隻蜜蜂每隻跳10支舞=290 支舞

來自地點 C 的 14 隻蜜蜂每隻跳 5 支舞=70 支舞

因此,地點 A 現在貢獻了蜜蜂表演的舞蹈循環總數的 76%(1140÷1500),而第一輪為 57%。在下一輪中,蜜蜂隨機跟著任何一隻跳舞的姊妹。因此 76% 的等待蜜蜂會去探索地點 A。

如果這個過程繼續下去,就會發現對最佳地點 A 的應援將繼續暴增—在第三輪中,按照同樣的邏輯,對地點 A 的支持度將增加到 88% —直到幾乎所有蜜蜂都只支持地點 A 為止。

各位是否像我第一次讀到這個過程時一樣感到目瞪口呆?大家了解這是什麼情況嗎?蜜蜂要做出一個非常複雜且充滿挑戰的決定。但牠們卻利用一個非常簡單的過程:為一個更好的地點而更加努力地跳舞,並隨機跟著一隻跳舞的姊妹。

-----廣告,請繼續往下閱讀-----

——本文摘自《跟達爾文學投資:取經大自然,從物競天擇脫穎成為市場贏家!》,2024 年 10 月,今周刊出版,未經同意請勿轉載。

-----廣告,請繼續往下閱讀-----

討論功能關閉中。