Loading [MathJax]/extensions/tex2jax.js

1

17
13

文字

分享

1
17
13

2021 年《Science》年度十大科學突破

PanSci_96
・2021/12/29 ・5289字 ・閱讀時間約 11 分鐘

轉眼就來到 2021 年的尾聲。今年,《Science》雜誌評選的「年度十大科學突破」橫跨眾多領域,包括 AI、天文、物理、生物、醫學,以及備受矚目的能源議題,趕快來看看究竟是哪十項突破吧!

十大突破之首——利用 AI 預測蛋白質結構

AI 預測兩種蛋白質如何在酵母菌中形成參與修復 DNA 的複合物。圖/SCIENCE

蛋白質是組成生物體不可或缺的分子。在 1950 年代,科學家透過分析 X 射線繪製蛋白質結構。然而,既有的方法在繪製成本上過於高昂,往往得耗費數年時間,因此在 1970 年代,科學家開始運用計算機建模,預測蛋白質的折疊方式。直到 2018 年,Google 旗下的 DeepMind 團隊開發了 AI 軟體「阿爾法摺疊」(AlphaFold),使得該領域研究取得突破性進展。

多虧這項 AI 技術,科學家得以精準、快速、大量繪製蛋白質結構。今年 7 月,DeepMind 團隊宣布他們成功分析了 350,000 種人體蛋白質,佔所有已知人體蛋白質的 44%,更預計在明年發布所有已知物種的蛋白質結構,約莫 1 億個。團隊也正在進行更進一步的研究,預測這些蛋白質如何在生物體內相互作用,用來製作新型抗病毒藥物。

在這 COVID-19 肆虐的大疫之年,科學家更利用阿爾法摺疊模擬 Omicron 變種病毒,研究棘蛋白突變帶來的影響,試圖找出中和抗體失效的原因。AI 預測蛋白質結構的技術不僅徹底革新分子生物學領域,也勢必在醫學領域大放異彩!

探勘古代洞穴,解鎖 DNA 寶庫

在墨西哥 Chiquihuite 洞穴記錄沉積物樣本的研究員。圖/SCIENCE

誰說沒有化石就不能研究古生物?科學家今年踏足古代洞穴,採集土壤裡的人類細胞核 DNA,藉此重建古代生態系,釐清世界各地穴居人的身份。在美國,Satsurblia 洞穴存有尼安德塔人未知譜系的女性 DNA;在西班牙,Estatuas 洞穴中的土壤 DNA 揭露 8 萬至 11.3 萬年前人類的遺傳特徵,證實在 10 萬年前的冰河時期結束後,某個尼安德塔人譜系取代了其他眾多人類譜系。

-----廣告,請繼續往下閱讀-----

除了人類以外,這種研究方法還可以運用在其他生物上,比如在墨西哥 Chiquihuite 洞穴中,有研究員採集到 1.2 萬年前的黑熊 DNA。與現代熊 DNA 比對後,科學家發現黑熊在上個冰河時期結束後,向北遷徙到阿拉斯加。

「核融合反應」的歷史性突破

192 道雷射光聚在微小的燃料芯塊周圍,準備進行融合反應。圖/SCIENCE

太陽之所以能發光發熱,供給地球能量,都要歸功於太陽內部不斷進行著的核融合反應。長期以來,科學家為了解決地球能源不足的問題,不斷嘗試人工進行核融合反應,可是要達到足夠產生融合反應的壓力和溫度非常困難(請參考:融合能量增益因子/維基百科)。今年,美國國家點火設施(NIF)運用 1.9 兆焦耳的雷射脈衝,壓縮胡椒粒大小的氘(氫的同位素),產出 1.35 兆焦耳的能量,遠高於先前實驗獲得的 17 萬焦耳。

目前,NIF 仍持續進行實驗,試圖藉由更換燃料或調整雷射脈衝數值來提高能量產出,找出能夠最大化能量轉換比例的組合。未來,或許融合反應能夠成為供給地球能源的主流方法!

COVID-19 口服藥「莫納皮拉韋」問世

默克藥廠研發的 COVID-19 口服藥「莫納皮拉韋」。圖/SCIENCE

COVID-19 口服藥終於問世啦!今年秋季,美國默克(Merck)藥廠發布數據,證明其研發的 COVID-19 口服藥「莫納皮拉韋」(Molnupiravir)可將未接種疫苗者的重症和死亡率降低 30%;如果在出現症狀的 3 日內服用輝瑞開發的口服藥 PF-07321332,則可降低 89% 住院率。

-----廣告,請繼續往下閱讀-----

雖然口服藥無法取代疫苗接種,卻扮演非常關鍵的角色。若是 Omicron 變異株造成大量突破性感染,或許口服藥就能接棒,防堵病毒擴散。

創傷後壓力症候群的新興療法——搖頭丸

正在進行 MDMA 治療的創傷後壓力症候群患者。圖/SCIENCE

什麼?搖頭丸還能治病?沒錯!這份發表在《Nature Medicine》的研究證實搖頭丸的主要成分「3,4-亞甲基二氧基甲基苯丙胺」(MDMA)可以減輕創傷後壓力症候群(PTSD)患者的症狀,而且效果十分顯著。該研究將 76 名受試者分成 MDMA 組和安慰劑組,接受 3 次療程,發現 MDMA 組有 67% 的病患試後不再符合 PTSD 的診斷標準,而安慰劑組僅有 32%。

可是這項結果也引起了對於雙盲實驗的質疑,因為試後有高達 90% 的受試者表示他們其實知道自己的組別,這可能大幅影響症狀改善的機率。目前正在進行更大型的實驗,若實驗結果確定 MDMA 能治療 PTSD,預計將在 2023 年提交美國食品藥物管理局(FDA)批准上市。

開發單株抗體,對抗各類傳染性疾病

單株抗體(紅色和藍色)對抗 COVID-19 病毒(紫色球狀物)假想圖。圖/SCIENCE

單株抗體(mAb,簡稱單抗)是融合腫瘤細胞與免疫細胞製造而成的人工抗體,不但有腫瘤細胞不斷分裂的能力,也有免疫細胞產生抗體的能力——簡單來說,單抗可以大量製造相同的抗體,更有效地打擊病毒。除了往年的伊波拉病毒、炭疽病、狂犬病單抗以外,今年也順利合成了瘧疾、愛滋病和呼吸道合胞病毒(RSV)的單抗。目前,科學家正在積極開發更多種類的單抗,首要目標是打擊流感、茲卡病毒和巨細胞病毒(CMV),使得這項新技術有望成為打擊傳染病的「標配」。

-----廣告,請繼續往下閱讀-----

「洞察號」揭密火星內部結構

地震波顯示火星有一層薄薄的地殼、地函和液態核心。圖/SCIENCE

自 2018 年「洞察號」(InSight)登陸火星至今,科學家蒐集 35 筆地震數據,藉以估計火星的地殼厚度、地函結構和地核大小。今年的數據分析結果出爐後,發現這顆紅色行星的平均地殼厚度不到 40 公里,地函非常淺,而且只有一層(不像地球有上、下兩層地函),地核特別巨大,佔了火星體積一半,主要組成元素是低密度的液態鐵和液態鎳,以及硫、氧、碳和氫等較輕元素。這是人類首次使用地震數據探測其他行星的內部結構,也是探索神秘火星的一大步。

改寫粒子物理學模型的繆子實驗

繆子在美國費米實驗室的磁場中旋轉。圖/SCIENCE

在 1960 年代,粒子物理學家提出理論解釋強核力、弱核力和電磁力,這三種理論被稱為標準模型。然而,科學家今年發現「繆子」(Muon)——一種比電子更重、更不穩定的粒子——其實際測得的 g 值(自旋角動量與磁性大小之間的關係)比標準模型所預測的還要大,且兩者的誤差範圍沒有交集。

目前,眾多科學家正在美國費米實驗室(FNAL)進一步分析實驗數據。假如繆子實驗沒有任何閃失,這樣的結果將撼動物理學界,徹底改寫擁有 50 年歷史的標準模型。

CRISPR 基因編輯——確實能在體內發揮療效!

RNA(藍色)將 DNA 切割酶(白色)引導至目標(橙色)。圖/SCIENCE

去年,科學家運用 CRISPR 基因編輯技術,在實驗室修改造血幹細胞,治癒鐮刀型貧血和乙型(β 型)地中海貧血。今年,科學家更大膽了,直接在人體內部署 CRISPR!研究結果顯示,這種基因編輯技術可以有效減少一種有毒的肝臟蛋白質數量,甚至改善遺傳性失明患者的視力,讓兩名幾乎完全失明的患者能夠感覺到光線,並且在昏暗的光線下避開障礙物。

-----廣告,請繼續往下閱讀-----

體外胚胎培養——研究生命體早期發育歷程

在罐中成長的小鼠胚胎可以幫助科學家更了解人類發育的早期階段。圖/SCIENCE

透過研究胚胎,科學家得以找出先天性缺陷和流產的原因,但礙於倫理學和法律規範,目前對於體外胚胎培養的了解並不多。今年,有團隊利用誘導性多能幹細胞(Induced pluripotent stem cell,簡稱 iPS 細胞)成功複製人類的囊胚(受精後準備孵化及著床的胚胎),另外有團隊發現皮膚細胞經 iPS 細胞誘導、轉化後,也可以產生類似囊胚的結構,作為體外胚胎實驗的替代品。

除了十大科學突破以外……

《SCIENCE》今年也特別列出三項影響科學發展的重大阻礙,包括難解的氣候議題、備受爭議的癌症新藥,以及在疫情之下遭受猛烈砲火抨擊的科學家。

越來越熱!減碳目標恐難以達成

這座位於德國博克斯貝格(Boxberg)的燃煤電廠預計 2038 年才會關閉。圖/SCIENCE

自從工業革命以來,全球氣溫升幅達到了 1.2°C,近年極端氣候事件更是層出不窮。對此,今年的聯合國氣候變遷大會(COP26)達成多項協議,包括將全球氣溫升幅限制在 1.5°C 以內、確立碳交易市場架構,以及減少碳排放量。然而,全球經濟現在依然大幅仰賴化石燃料,況且聯合國協議不具約束力,是否能達成減碳目標,必須取決於各國政策制訂。

充滿爭議的阿茲海默症新藥「Aduhelm」

正子斷層掃描(PET)顯示 Aduhelm 能有效清除 β 類澱粉蛋白斑塊。圖/SCIENCE

美國食品藥物管理局(FDA)近 20 年來首次核准阿茲海默症藥物,即百健(Biogen)藥廠開發的 Aduhelm。經臨床實驗證實,這種藥物能清除異常堆積在患者腦內的「β 類澱粉蛋白斑塊」,也就是失智症發病和惡化的原因。照理說,這是患者和家屬期盼以久的好消息,卻被不少大型醫院和醫學中心拒絕採用,因為在兩項大型臨床實驗中,只有一項實驗證明其改善認知功能的療效勝過安慰劑,卻沒有證據顯示 Aduhelm 有顯著的改善效果。

當疫情碰上政治形態——夾縫中求生存的科學家

比利時病毒學家範蘭斯特(Marc Van Ranst)收到來自極右派狙擊手柯寧斯(Jürgen Conings)的死亡威脅後躲避自保。圖/SCIENCE

長期以來,科學家遭受攻擊的事件層出不窮,但在今年,對於 COVID-19 的政治分歧引發大眾對科學家前所未有的敵意,包括各種形式的恐嚇、抗議和死亡威脅。遭受威脅的有美國首席防疫專家佛奇(Anthony Fauci)、英國首席醫療官惠提(Chris Whitty),以及世界各地的學者和防疫工作者。

-----廣告,請繼續往下閱讀-----

《Nature》訪問 321 名研究人員,發現有超過 50% 的人信譽受到攻擊,15% 的人收到死亡威脅,甚至有許多人從此辭去他們熱愛的研究工作。

-----廣告,請繼續往下閱讀-----
文章難易度
所有討論 1
PanSci_96
1262 篇文章 ・ 2413 位粉絲
PanSci的編輯部帳號,會發自產內容跟各種消息喔。

0

0
0

文字

分享

0
0
0
LDL-C 正常仍中風?揭開心血管疾病的隱形殺手 L5
鳥苷三磷酸 (PanSci Promo)_96
・2025/06/20 ・3659字 ・閱讀時間約 7 分鐘

本文與 美商德州博藝社科技 HEART 合作,泛科學企劃執行。

提到台灣令人焦慮的交通,多數人會想到都市裡的壅塞車潮,但真正致命的「塞車」,其實正悄悄發生在我們體內的動脈之中。

這場無聲的危機,主角是被稱為「壞膽固醇」的低密度脂蛋白( Low-Density Lipoprotein,簡稱 LDL )。它原本是血液中運送膽固醇的貨車角色,但當 LDL 顆粒數量失控,卻會開始在血管壁上「違規堆積」,讓「生命幹道」的血管日益狹窄,進而引發心肌梗塞或腦中風等嚴重後果。

科學家們還發現一個令人困惑的現象:即使 LDL 數值「看起來很漂亮」,心血管疾病卻依然找上門來!這究竟是怎麼一回事?沿用數十年的健康標準是否早已不敷使用?

膽固醇的「好壞」之分:一場體內的攻防戰

膽固醇是否越少越好?答案是否定的。事實上,我們體內攜帶膽固醇的脂蛋白主要分為兩種:高密度脂蛋白(High-Density Lipoprotein,簡稱 HDL)和低密度脂蛋白( LDL )。

-----廣告,請繼續往下閱讀-----

想像一下您的血管是一條高速公路。HDL 就像是「清潔車隊」,負責將壞膽固醇( LDL )運來的多餘油脂垃圾清走。而 LDL 則像是在血管裡亂丟垃圾的「破壞者」。如果您的 HDL 清潔車隊數量太少,清不過來,垃圾便會堆積如山,最終導致血管堵塞,甚至引發心臟病或中風。

我們體內攜帶膽固醇的脂蛋白主要分為兩種:高密度脂蛋白(HDL)和低密度脂蛋白(LDL)/ 圖片來源:shutterstock

因此,過去數十年來,醫生建議男性 HDL 數值至少應達到 40 mg/dL,女性則需更高,達到 50 mg/dL( mg/dL 是健檢報告上的標準單位,代表每 100 毫升血液中膽固醇的毫克數)。女性的標準較嚴格,是因為更年期後]pacg心血管保護力會大幅下降,需要更多的「清道夫」來維持血管健康。

相對地,LDL 則建議控制在 130 mg/dL 以下,以減緩垃圾堆積的速度。總膽固醇的理想數值則應控制在 200 mg/dL 以內。這些看似枯燥的數字,實則反映了體內一場血管清潔隊與垃圾山之間的攻防戰。

那麼,為何同為脂蛋白,HDL 被稱為「好」的,而 LDL 卻是「壞」的呢?這並非簡單的貼標籤。我們吃下肚或肝臟製造的脂肪,會透過血液運送到全身,這些在血液中流動的脂肪即為「血脂」,主要成分包含三酸甘油酯和膽固醇。三酸甘油酯是身體儲存能量的重要形式,而膽固醇更是細胞膜、荷爾蒙、維生素D和膽汁不可或缺的原料。

-----廣告,請繼續往下閱讀-----

這些血脂對身體運作至關重要,本身並非有害物質。然而,由於脂質是油溶性的,無法直接在血液裡自由流動。因此,在血管或淋巴管裡,脂質需要跟「載脂蛋白」這種特殊的蛋白質結合,變成可以親近水的「脂蛋白」,才能順利在全身循環運輸。

肝臟是生產這些「運輸用蛋白質」的主要工廠,製造出多種蛋白質來運載脂肪。其中,低密度脂蛋白載運大量膽固醇,將其精準送往各組織器官。這也是為什麼低密度脂蛋白膽固醇的縮寫是 LDL-C (全稱是 Low-Density Lipoprotein Cholesterol )。

當血液中 LDL-C 過高時,部分 LDL 可能會被「氧化」變質。這些變質或過量的 LDL 容易在血管壁上引發一連串發炎反應,最終形成粥狀硬化斑塊,導致血管阻塞。因此,LDL-C 被冠上「壞膽固醇」的稱號,因為它與心腦血管疾病的風險密切相關。

高密度脂蛋白(HDL) 則恰好相反。其組成近半為蛋白質,膽固醇比例較少,因此有許多「空位」可供載運。HDL-C 就像血管裡的「清道夫」,負責清除血管壁上多餘的膽固醇,並將其運回肝臟代謝處理。正因為如此,HDL-C 被視為「好膽固醇」。

-----廣告,請繼續往下閱讀-----
為何同為脂蛋白,HDL 被稱為「好」的,而 LDL 卻是「壞」的呢?這並非簡單的貼標籤。/ 圖片來源:shutterstock

過去數十年來,醫學界主流觀點認為 LDL-C 越低越好。許多降血脂藥物,如史他汀類(Statins)以及近年發展的 PCSK9 抑制劑,其主要目標皆是降低血液中的 LDL-C 濃度。

然而,科學家們在臨床上發現,儘管許多人的 LDL-C 數值控制得很好,甚至很低,卻仍舊發生中風或心肌梗塞!難道我們對膽固醇的認知,一開始就抓錯了重點?

傳統判讀失準?LDL-C 達標仍難逃心血管危機

早在 2009 年,美國心臟協會與加州大學洛杉磯分校(UCLA)進行了一項大型的回溯性研究。研究團隊分析了 2000 年至 2006 年間,全美超過 13 萬名心臟病住院患者的數據,並記錄了他們入院時的血脂數值。

結果發現,在那些沒有心血管疾病或糖尿病史的患者中,竟有高達 72.1% 的人,其入院時的 LDL-C 數值低於當時建議的 130 mg/dL「安全標準」!即使對於已有心臟病史的患者,也有半數人的 LDL-C 數值低於 100 mg/dL。

-----廣告,請繼續往下閱讀-----

這項研究明確指出,依照當時的指引標準,絕大多數首次心臟病發作的患者,其 LDL-C 數值其實都在「可接受範圍」內。這意味著,單純依賴 LDL-C 數值,並無法有效預防心臟病發作。

科學家們為此感到相當棘手。傳統僅檢測 LDL-C 總量的方式,可能就像只計算路上有多少貨車,卻沒有注意到有些貨車的「駕駛行為」其實非常危險一樣,沒辦法完全揪出真正的問題根源!因此,科學家們決定進一步深入檢視這些「駕駛」,找出誰才是真正的麻煩製造者。

LDL 家族的「頭號戰犯」:L5 型低密度脂蛋白

為了精準揪出 LDL 裡,誰才是最危險的分子,科學家們投入大量心力。他們發現,LDL 這個「壞膽固醇」家族並非均質,其成員有大小、密度之分,甚至帶有不同的電荷,如同各式型號的貨車與脾性各異的「駕駛」。

為了精準揪出 LDL 裡,誰才是最危險的分子,科學家們投入大量心力。發現 LDL 這個「壞膽固醇」家族並非均質,其成員有大小、密度之分,甚至帶有不同的電荷。/ 圖片來源:shutterstock

早在 1979 年,已有科學家提出某些帶有較強「負電性」的 LDL 分子可能與動脈粥狀硬化有關。這些帶負電的 LDL 就像特別容易「黏」在血管壁上的頑固污漬。

-----廣告,請繼續往下閱讀-----

台灣留美科學家陳珠璜教授、楊朝諭教授及其團隊在這方面取得突破性的貢獻。他們利用一種叫做「陰離子交換層析法」的精密技術,像是用一個特殊的「電荷篩子」,依照 LDL 粒子所帶負電荷的多寡,成功將 LDL 分離成 L1 到 L5 五個主要的亞群。其中 L1 帶負電荷最少,相對溫和;而 L5 則帶有最多負電荷,電負性最強,最容易在血管中暴衝的「路怒症駕駛」。

2003 年,陳教授團隊首次從心肌梗塞患者血液中,分離並確認了 L5 的存在。他們後續多年的研究進一步證實,在急性心肌梗塞或糖尿病等高風險族群的血液中,L5 的濃度會顯著升高。

L5 的蛋白質結構很不一樣,不僅天生帶有超強負電性,還可能與其他不同的蛋白質結合,或經過「醣基化」修飾,就像在自己外面額外裝上了一些醣類分子。這些特殊的結構和性質,使 L5 成為血管中的「頭號戰犯」。

當 L5 出現時,它並非僅僅路過,而是會直接「搞破壞」:首先,L5 會直接損傷內皮細胞,讓細胞凋亡,甚至讓血管壁的通透性增加,如同在血管壁上鑿洞。接著,L5 會刺激血管壁產生發炎反應。血管壁受傷、發炎後,血液中的免疫細胞便會前來「救災」。

-----廣告,請繼續往下閱讀-----

然而,這些免疫細胞在吞噬過多包括 L5 在內的壞東西後,會堆積在血管壁上,逐漸形成硬化斑塊,使血管日益狹窄,這便是我們常聽到的「動脈粥狀硬化」。若這些不穩定的斑塊破裂,可能引發急性血栓,直接堵死血管!若發生在供應心臟血液的冠狀動脈,就會造成心肌梗塞;若發生在腦部血管,則會導致腦中風。

L5:心血管風險評估新指標

現在,我們已明確指出 L5 才是 LDL 家族中真正的「破壞之王」。因此,是時候調整我們對膽固醇數值的看法了。現在,除了關注 LDL-C 的「總量」,我們更應該留意血液中 L5 佔所有 LDL 的「百分比」,即 L5%。

陳珠璜教授也將這項 L5 檢測觀念,從世界知名的德州心臟中心帶回台灣,並創辦了美商德州博藝社科技(HEART)。HEART 在台灣研發出嶄新科技,並在美國、歐盟、英國、加拿大、台灣取得專利許可,日本也正在申請中,希望能讓更多台灣民眾受惠於這項更精準的檢測服務。

一般來說,如果您的 L5% 數值小於 2%,通常代表心血管風險較低。但若 L5% 大於 5%,您就屬於高風險族群,建議進一步進行影像學檢查。特別是當 L5% 大於 8% 時,務必提高警覺,這可能預示著心血管疾病即將發作,或已在悄悄進展中。

-----廣告,請繼續往下閱讀-----

對於已有心肌梗塞或中風病史的患者,定期監測 L5% 更是評估疾病復發風險的重要指標。此外,糖尿病、高血壓、高血脂、代謝症候群,以及長期吸菸者,L5% 檢測也能提供額外且有價值的風險評估參考。

隨著醫療科技逐步邁向「精準醫療」的時代,無論是癌症還是心血管疾病的防治,都不再只是單純依賴傳統的身高、體重等指標,而是進一步透過更精密的生物標記,例如特定的蛋白質或代謝物,來更準確地捕捉疾病發生前的徵兆。

您是否曾檢測過 L5% 數值,或是對這項新興的健康指標感到好奇呢?

-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

0
0

文字

分享

0
0
0
月子中心群聚風險高!一人感染呼吸道融合病毒(RSV)可傳五人,寶寶最危險
careonline_96
・2025/05/07 ・2274字 ・閱讀時間約 4 分鐘

圖 / 照護線上

「年紀越小,感染病毒與併發重症的風險就越高!尤其是未滿六個月前的嬰兒」台中榮民總醫院兒科主任陳伯彥醫師表示,對新生嬰幼兒來說,因為免疫系統尚在發育,容易受到各種病毒的威脅。在後疫情時代,群聚感染更是需要慎重看待的議題。

群聚感染指的是在同一環境中,至少有兩名或以上人員先後出現相似症狀或感染同一病原,這容易造成病毒快速且具規模的傳播,常發生於月子中心等產後護理之家、幼兒園、長照機構等場所。陳伯彥醫師提到,現在很多產後護理機構都美輪美奐,重視舒適環境與設備,有許多共用空間與團康活動。但因為人流複雜、若陪伴探望家屬有輕微症狀、家中有大寶等都可能讓病毒入侵,若無妥善做到分區照護與管控,群聚感染就很容易爆發。

嬰幼兒最常見感染病毒RSV 傳染力極高

常見的嬰幼兒群聚感染病毒包括呼吸道融合病毒、COVID-19、流感病毒、腸病毒、輪狀病毒、流行性腦脊髓膜炎等。其中以呼吸道融合病毒(Respiratory syncytial virus, RSV)最為常見。陳伯彥醫師表示,研究統計資料表示,約九成嬰幼兒在2歲前都有感染過 RSV,因 RSV 具有高度傳染性,一名感染者可傳染給五位,主要透過飛沫與接觸等方式傳染。從觀察來看,台灣一年四季都有案例,其中在夏秋兩季達到高峰,四、五月雨季也會多一些。

嬰幼兒慎防呼吸道融合病毒
圖 / 照護線上

RSV 無終生免疫 嬰幼兒重症嚴重恐致命 

陳伯彥醫師指出,每個人都可能感染 RSV,不過兩歲以下的嬰幼兒、早產兒與慢性肺病、先天性心臟等高風險族群更容易因感染併發急重症,住院比例很高。特別是感染 RSV 後也不會產生終生免疫,仍有機會再次感染。

-----廣告,請繼續往下閱讀-----

感染 RSV 的常見初期症狀包括鼻塞、咳嗽、喉嚨痛、發燒等。因嬰幼兒的氣管細小,容易因為 RSV 感染而堵塞,造成嬰幼兒出現喘鳴、發出咻咻聲、呼吸急促甚至呼吸窘迫、發紺等情況。RSV 潛伏期約3天,病程進展快速,從像感冒的症狀演變成重症不到一週,容易導致下呼吸道感染,發展成細支氣管炎、肺炎等嚴重併發症,若心肺功能較差,還會危及生命。部分患者可能出現續發性的細菌感染或中耳炎,讓整個住院治療時間拖更長,短則十天,嚴重者甚至要在加護病房接受插管治療,治療期間可能長達兩週以上。

對於 RSV 感染後的治療,陳伯彥醫師表示,考量到嬰兒身體發育狀況,擴張劑、類固醇、與抗生素這些治療方式都不建議使用,主要採取支持性療法,給予氧氣、補充水分及營養,慢慢對抗病毒。「因為RSV沒有特效藥來專門治療,目前的防治策略是大力呼籲預防勝於治療。」

呼吸道融合病毒預防勝於治療
圖 / 照護線上

由於成人在感染 RSV 後的症狀較輕微,可能在不知不覺中將病毒傳染給嬰幼兒。建議家長、照顧者要戴口罩、勤洗手,特別是嬰幼兒容易有唾液、鼻涕沾附物體,環境加強消毒非常重要,也可檢視托嬰機構是否有做好消毒與分區照護控制管理。另一方面,可以選擇替嬰幼兒施打單株抗體。陳伯彥醫師說明,目前尚無嬰幼兒使用的 RSV 疫苗,單株抗體與疫苗不同,是直接打抗體到身體提供保護。雖然保護期比起疫苗透過抗原產生的自發抗體較短,但對於容易受到急重症威脅的嬰幼兒是非常重要的有效防護措施。

呼吸道融合病毒預防重點提醒
圖 / 照護線上

群聚感染高風險環境 接種單株抗體保護嬰幼兒

目前除了針對早產兒、慢性肺病、先天性心臟病等高風險族群,有健保的短效型單株抗體之外,也已有可適用於一般嬰幼兒的自費長效型單株抗體,單次施打提供六個月以上的保護力,可以在嬰幼兒免疫系統發育期給予及時支援。根據臨床數據,健康嬰兒施打長效型單株抗體後,可減少併發重症,並降低八成住院率,家長也免於工作請假日夜看顧,大幅減輕照護壓力和經濟負擔。

-----廣告,請繼續往下閱讀-----

陳伯彥醫師表示,國外會在明顯的 RSV 流行季來臨前替嬰幼兒接種。但台灣無顯著的流行季,且考量 RSV 的高傳染性與後續健康威脅,建議高風險族群一定要盡早施打。此外,父母送嬰幼兒送到月子中心或托嬰機構等群聚感染高風險的場所之前,都可以考慮接種單株抗體,以降低感染與重症的風險。萬一不幸發生 RSV 群聚感染,也可以盡快施打,能快速產生肺部保護性抗體,降低急重症產生。

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

0

1
0

文字

分享

0
1
0
數智驅動未來:從信任到執行,AI 為企業創新賦能
鳥苷三磷酸 (PanSci Promo)_96
・2025/01/13 ・4938字 ・閱讀時間約 10 分鐘

-----廣告,請繼續往下閱讀-----

本文由 鼎新數智 與 泛科學 共同規劃與製作

你有沒有想過,當 AI 根據病歷與 X 光片就能幫你診斷病症,或者決定是否批准貸款,甚至從無人機發射飛彈時,它的每一步「決策」是怎麼來的?如果我們不能知道 AI 的每一個想法步驟,對於那些 AI 輔助的診斷和判斷,要我們如何放心呢?

馬斯克與 OpenAI 的奧特曼鬧翻後,創立了新 AI 公司 xAI,並推出名為 Grok 的產品。他宣稱目標是以開源和可解釋性 AI 挑戰其他模型,而 xAI 另一個意思是 Explainable AI 也就是「可解釋性 AI」。

如今,AI 已滲透生活各處,而我們對待它的方式卻像求神問卜,缺乏科學精神。如何讓 AI 具備可解釋性,成為當前關鍵問題?

-----廣告,請繼續往下閱讀-----
AI 已滲透生活各處,而我們對待它的方式卻像求神問卜,缺乏科學精神。如何讓 AI 具備可解釋性,成為當前關鍵問題?圖/pexels

黑盒子模型背後的隱藏秘密

無法解釋的 AI 究竟會帶來多少問題?試想,現在許多銀行和貸款機構已經使用 AI 評估借貸申請者的信用風險,但這些模型往往如同黑箱操作。有人貸款被拒,卻完全不知原因,感覺就像被分手卻不告訴理由。更嚴重的是,AI 可能擅自根據你的住所位置或社會經濟背景給出負面評價,這些與信用風險真的相關嗎?這種不透明性只會讓弱勢群體更難融入金融體系,加劇貧富差距。這種不透明性,會讓原本就已經很難融入金融體系的弱勢群體,更加難以取得貸款,讓貧富差距越來越大,雪上加霜。

AI 不僅影響貸款,還可能影響司法公正性。美國部分法院自 2016 年起使用「替代性制裁犯罪矯正管理剖析軟體」 COMPAS 這款 AI 工具來協助量刑,試圖預測嫌犯再犯風險。然而,這些工具被發現對有色人種特別不友好,往往給出偏高的再犯風險評估,導致更重的刑罰和更嚴苛的保釋條件。更令人擔憂的是,這些決策缺乏透明度,AI 做出的決策根本沒法解釋,這讓嫌犯和律師無法查明問題根源,結果司法公正性就這麼被悄悄削弱了。

此外,AI 在醫療、社交媒體、自駕車等領域的應用,也充滿類似挑戰。例如,AI 協助診斷疾病,但若原因報告無法被解釋,醫生和患者又怎能放心?同樣地,社群媒體或是 YouTube 已經大量使用 AI 自動審查,以及智慧家居或工廠中的黑盒子問題,都像是一場越來越複雜的魔術秀——我們只看到結果,卻無法理解過程。這樣的情況下,對 AI 的信任感就成為了一個巨大的挑戰。

為什麼人類設計的 AI 工具,自己卻無法理解?

原因有二。首先,深度學習模型結構複雜,擁有數百萬參數,人類要追蹤每個輸入特徵如何影響最終決策結果,難度極高。例如,ChatGPT 中的 Transformer 模型,利用注意力機制(Attention Mechanism)根據不同詞之間的重要性進行特徵加權計算,因為機制本身涉及大量的矩陣運算和加權計算,這些數學操作使得整個模型更加抽象、不好理解。

-----廣告,請繼續往下閱讀-----

其次,深度學習模型會會從資料中學習某些「特徵」,你可以當作 AI 是用畫重點的方式在學習,人類劃重點目的是幫助我們加速理解。AI 的特徵雖然也能幫助 AI 學習,但這些特徵往往對人類來說過於抽象。例如在影像辨識中,人類習慣用眼睛、嘴巴的相對位置,或是手指數量等特徵來解讀一張圖。深度學習模型卻可能會學習到一些抽象的形狀或紋理特徵,而這些特徵難以用人類語言描述。

深度學習模型通常採用分佈式表示(Distributed Representation)來編碼特徵,意思是將一個特徵表示為一個高維向量,每個維度代表特徵的不同方面。假設你有一個特徵是「顏色」,在傳統的方式下,你可能用一個簡單的詞來表示這個特徵,例如「紅色」或「藍色」。但是在深度學習中,這個「顏色」特徵可能被表示為一個包含許多數字的高維向量,向量中的每個數字表示顏色的不同屬性,比如亮度、色調等多個數值。對 AI 而言,這是理解世界的方式,但對人類來說,卻如同墨跡測驗般難以解讀。

假設你有一個特徵是「顏色」,在傳統的方式下,你可能用一個簡單的詞來表示這個特徵,例如「紅色」或「藍色」。但是在深度學習中,這個「顏色」特徵可能被表示為一個包含許多數字的高維向量,向量中的每個數字表示顏色的不同屬性,比如亮度、色調等多個數值。圖/unsplash

試想,AI 協助診斷疾病時,若理由是基於醫生都無法理解的邏輯,患者即使獲得正確診斷,也會感到不安。畢竟,人們更相信能被理解的東西。

打開黑盒子:可解釋 AI 如何運作?我們要如何教育 AI?

首先,可以利用熱圖(heatmap)或注意力圖這類可視化技術,讓 AI 的「思維」有跡可循。這就像行銷中分析消費者的視線停留在哪裡,來推測他們的興趣一樣。在卷積神經網絡和 Diffusion Models 中 ,當 AI 判斷這張照片裡是「貓」還是「狗」時,我需要它向我們展示在哪些地方「盯得最緊」,像是耳朵的形狀還是毛色的分布。

-----廣告,請繼續往下閱讀-----

其次是局部解釋,LIME 和 SHAP 是兩個用來發展可解釋 AI 的局部解釋技術。

SHAP 的概念來自博弈,它將每個特徵看作「玩家」,而模型的預測結果則像「收益」。SHAP 會計算每個玩家對「收益」的貢獻,讓我們可以了解各個特徵如何影響最終結果。並且,SHAP 不僅能透過「局部解釋」了解單一個結果是怎麼來的,還能透過「全局解釋」理解模型整體的運作中,哪些特徵最重要。

以實際的情景來說,SHAP 可以讓 AI 診斷出你有某種疾病風險時,指出年齡、體重等各個特徵的影響。

LIME 的運作方式則有些不同,會針對單一個案建立一個簡單的模型,來近似原始複雜模型的行為,目的是為了快速了解「局部」範圍內的操作。比如當 AI 拒絕你的貸款申請時,LIME 可以解釋是「收入不穩定」還是「信用紀錄有問題」導致拒絕。這種解釋在 Transformer 和 NLP 應用中廣泛使用,一大優勢是靈活且計算速度快,適合臨時分析不同情境下的 AI 判斷。比方說在醫療場景,LIME 可以幫助醫生理解 AI 為何推薦某種治療方案,並說明幾個主要原因,這樣醫生不僅能更快做出決策,也能增加患者的信任感。

-----廣告,請繼續往下閱讀-----

第三是反事實解釋:如果改變一點點,會怎麼樣?

如果 AI 告訴你:「這家銀行不會貸款給你」,這時你可能會想知道:是收入不夠,還是年齡因素?這時你就可以問 AI:「如果我年輕五歲,或者多一份工作,結果會怎樣?」反事實解釋會模擬這些變化對結果的影響,讓我們可以了解模型究竟是如何「權衡利弊」。

最後則是模型內部特徵的重要性排序。這種方法能顯示哪些輸入特徵對最終結果影響最大,就像揭示一道菜中,哪些調味料是味道的關鍵。例如在金融風險預測中,模型可能指出「收入」影響了 40%,「消費習慣」占了 30%,「年齡」占了 20%。不過如果要應用在像是 Transformer 模型等複雜結構時,還需要搭配前面提到的 SHAP 或 LIME 以及可視化技術,才能達到更完整的解釋效果。

講到這裡,你可能會問:我們距離能完全信任 AI 還有多遠?又或者,我們真的應該完全相信它嗎?

-----廣告,請繼續往下閱讀-----

我們終究是想解決人與 AI 的信任問題

當未來你和 AI 同事深度共事,你自然希望它的決策與行動能讓你認可,幫你省心省力。因此,AI 既要「可解釋」,也要「能代理」。

當未來你和 AI 同事深度共事,你自然希望它的決策與行動能讓你認可,幫你省心省力。圖/unsplash

舉例來說,當一家公司要做一個看似「簡單」的決策時,背後的過程其實可能極為複雜。例如,快時尚品牌決定是否推出新一季服裝,不僅需要考慮過去的銷售數據,還得追蹤熱門設計趨勢、天氣預測,甚至觀察社群媒體上的流行話題。像是暖冬來臨,厚外套可能賣不動;或消費者是否因某位明星愛上一種顏色,這些細節都可能影響決策。

這些數據來自不同部門和來源,龐大的資料量與錯綜關聯使企業判斷變得困難。於是,企業常希望有個像經營大師的 AI 代理人,能吸收數據、快速分析,並在做決定時不僅給出答案,還能告訴你「為什麼要這麼做」。

傳統 AI 像個黑盒子,而可解釋 AI (XAI)則清楚解釋其判斷依據。例如,為什麼不建議推出厚外套?可能理由是:「根據天氣預測,今年暖冬概率 80%,過去三年數據顯示暖冬時厚外套銷量下降 20%。」這種透明解釋讓企業更信任 AI 的決策。

-----廣告,請繼續往下閱讀-----

但會解釋還不夠,AI 還需能真正執行。這時,就需要另一位「 AI 代理人」上場。想像這位 AI 代理人是一位「智慧產品經理」,大腦裝滿公司規則、條件與行動邏輯。當客戶要求變更產品設計時,這位產品經理不會手忙腳亂,而是按以下步驟行動:

  1. 檢查倉庫物料:庫存夠不夠?有沒有替代料可用?
  2. 評估交期影響:如果需要新物料,供應商多快能送到?
  3. 計算成本變化:用新料會不會超出成本預算?
  4. 做出最優判斷,並自動生成變更單、工單和採購單,通知各部門配合執行。

這位 AI 代理人不僅能自動處理每個環節,還會記錄每次決策結果,學習如何變得更高效。隨時間推移,這位「智慧產品經理」的判斷將更聰明、決策速度更快,幾乎不需人工干預。更重要的是,這些判斷是基於「以終為始」的原則,為企業成長目標(如 Q4 業績增長 10%)進行連續且動態地自我回饋,而非傳統系統僅月度檢核。

這兩位 AI 代理人的合作,讓企業決策流程不僅透明,還能自動執行。這正是數智驅動的核心,不僅依靠數據驅動決策,還要能解釋每一個選擇,並自動行動。這個過程可簡化為 SUPA,即「感知(Sensing)→ 理解(Understanding)→ 規劃(Planning)→ 行動(Acting)」的閉環流程,隨著數據的變化不斷進化。

偉勝乾燥工業為例,他們面臨高度客製化與訂單頻繁變更的挑戰。導入鼎新 METIS 平台後,偉勝成功將數智驅動融入業務與產品開發,專案準時率因此提升至 80%。他們更將烤箱技術與搬運機器人結合,開發出新形態智慧化設備,成功打入半導體產業,帶動業績大幅成長,創造下一個企業的增長曲線。

-----廣告,請繼續往下閱讀-----

值得一提的是,數智驅動不僅帶動業務增長,還讓員工擺脫繁瑣工作,讓工作更輕鬆高效。

數智驅動的成功不僅依賴技術,還要與企業的商業策略緊密結合。為了讓數智驅動真正發揮作用,企業首先要確保它服務於具體的業務需求,而不是為了技術而技術。

這種轉型需要有策略、文化和具體應用場景的支撐,才能讓數智驅動真正成為企業持續增長的動力。

還在猶豫數智驅動的威力?免費上手企業 AI 助理!👉 企業 AI 體驗
現在使用專屬邀請碼《 KP05 》註冊就享知:https://lihi.cc/EDUk4
訂閱泛科學獨家知識頻道,深入科技趨勢與議題內容。

👉立即免費加入

-----廣告,請繼續往下閱讀-----