弓蟲挾鼠獻貓，謀取己利

本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位。

• 採訪撰文／田偲妤
• 美術設計／蔡宛潔

AI 的誕生，文理缺一不可

人工智慧（Artificial Intelligence，簡稱 AI）在 21 世紀的今日已大量運用在生活當中，近期掀起熱議的聊天機器人 LaMDA、特斯拉自駕系統、AI 算圖生成藝術品等，都是 AI 技術的應用。多數 AI 的研發秉持改善人類生活的人文思維，除了仰賴工程師的先進技術，更需要人文社會領域人才的加入。

中央研究院「研之有物」專訪院內人文社會科學研究中心蔡宗翰研究員，帶大家釐清什麼是 AI？文科人與工程師合作時，需具備什麼基本 AI 知識？AI 如何應用在人文社會領域的工作當中？

詩詞大對決：人與 AI 誰獲勝？

一場緊張刺激的詩詞對決在線上展開！人類代表是有「AI 界李白」稱號的蔡宗翰研究員，AI 代表則是能秒速成詩的北京清華九歌寫詩機器人，兩位以「人工智慧」、「類神經」為命題創作七言絕句，猜猜看以下兩首詩各是誰的創作？你比較喜歡哪一首詩呢？

答案揭曉！A 詩是蔡宗翰研究員的創作，B 詩是寫詩機器人的創作。細細賞讀可發覺，A 詩的內容充滿巧思，為了符合格律，將「類神經」改成「類審經」；詩中的「福落天赦」是「天赦福落」的倒裝，多念幾次會發現，原來是 Google 開發的機器學習開源軟體庫「Tensor Flow」的音譯；而「拍拓曲」則是 Facebook 開發的機器學習庫「Pytorch」的音譯，整首詩創意十足，充滿令人會心一笑的魅力！

相較之下，B 詩雖然有將「人工」兩字穿插引用在詩中，但整體內容並沒有呼應命題，只是在詩的既有框架內排列字句。這場人機詩詞對決明顯由人類獲勝！

由此可見，當前的 AI 缺乏創作所需的感受力與想像力，無法做出超越預先設定的創意行為。然而，在不久的將來，AI 是否會逐漸產生情感，演變成電影《A.I. 人工智慧》中渴望人類關愛的機器人？

AI 其實沒有想像中聰明？

近期有一則新聞「AI 有情感像 8 歲孩童？Google 工程師爆驚人對話遭停職」，讓 AI 是否已發展出「自我意識」再度成為眾人議論的焦點。蔡宗翰研究員表示：「當前的 AI 還是要看過資料、或是看過怎麼判讀資料，經過對應問題與答案的訓練才能夠運作。換而言之，AI 無法超越程式，做它沒看過的事情，更無法替人類主宰一切！」

會產生 AI 可能發展出情感、甚至主宰人類命運的傳言，多半是因為我們對 AI 的訓練流程認識不足，也缺乏實際使用 AI 工具的經驗，因而對其懷抱戒慎恐懼的心態。這種狀況特別容易發生在文科人身上，更延伸到文科人與理科人的合作溝通上，因不了解彼此領域而產生誤會與衝突。如果文科人可以對 AI 的研發與應用有基本認識，不僅能讓跨領域的合作更加順利，還能在工作中應用 AI 解決許多棘手問題。

「職場上常遇到的狀況是，由於文科人不了解 AI 的訓練流程，因此對 AI 產生錯誤的期待，認為辛苦標注的上千筆資料，應該下個月就能看到成果，結果還是錯誤百出，準確率卡在 60、70% 而已。如果工程師又不肯解釋清楚，兩方就會陷入僵局，導致合作無疾而終。」蔡宗翰研究員分享多年的觀察與建議：

如果文科人了解基本的 AI 訓練流程，並在每個訓練階段協助分析：錯誤偏向哪些面向？AI 是否看過這方面資料？文科人就可以補充缺少的資料，讓 AI 再進行更完善的訓練。

史上最認真的學生：AI

認識 AI 的第一步，我們先從分辨什麼是 AI 做起。現在的數位工具五花八門，究竟什麼才是 AI 的應用？真正的 AI 有什麼樣的特徵？

基本上，有「預測」功能的才是 AI，你無法得知每次 AI 會做出什麼判斷。如果只是整合資料後視覺化呈現，而且人類手工操作就辦得到，那就不是 AI。

蔡宗翰研究員以今日常見的語音辨識系統為例，大家可以試著對 Siri、Line 或 Google 上的語音辨識系統講一句話，你會發現自己無法事先知曉將產生什麼文字或回應，結果可能正是你想要的、也可能牛頭不對馬嘴。此現象點出 AI 與一般數位工具最明顯的不同：AI 無法百分之百正確！

因此，AI 的運作需建立在不斷訓練、測試與調整的基礎上，盡量維持 80、90% 的準確率。在整個製程中最重要的就是訓練階段，工程師彷彿化身老師，必須設計一套學習方法，提供有助學習的豐富教材。而 AI 則是史上最認真的學生，可以穩定、一字不漏、日以繼夜地學習所有課程。

AI 的學習方法主要分為「非監督式學習」、「監督式學習」。非監督式學習是將大批資料提供給 AI，讓其根據工程師所定義的資料相似度算法，逐漸學會將相似資料分在同一堆，再由人類檢視並標注每堆資料對應的類別，進而產生監督式學習所需的訓練資料。而監督式學習則是將大批「資料」和「答案」提供給 AI，讓其逐漸學會將任意資料對應到正確答案。

學習到一定階段後，工程師會出試題，測試 AI 的學習狀況，如果成績只有 60、70 分，AI 會針對答錯的地方調整自己的觀念，而工程師也應該與專門領域專家一起討論，想想是否需補充什麼教材，讓 AI 的準確率可以再往上提升。

就算 AI 最後通過測試、可以正式上場工作，也可能因為時事與技術的推陳出新，導致準確率下降。這時，AI 就要定時進修，針對使用者回報的錯誤進行修正，不斷補充新的學習內容，讓自己可以跟得上最新趨勢。

在了解 AI 的基本特徵與訓練流程後，蔡宗翰研究員建議：文科人可以看一些視覺化的操作影片，加深對訓練過程的認識，並實際參與檢視與標注資料的過程。現在網路上也有很多 playground，可以讓初學者練習怎麼訓練 AI，有了上述基本概念與實務經驗，就可以跟工程師溝通無礙了。

AI 能騙過人類，全靠「自然語言處理」

AI 的應用領域相當廣泛，而蔡宗翰研究員專精的是「自然語言處理」。問起當初想投入該領域的原因，他充滿自信地回答：因為自然語言處理是「AI 皇冠上的明珠」！這顆明珠開創 AI 發展的諸多可能性，可以快速讀過並分類所有資料，整理出能快速檢索的結構化內容，也可以如同真人般與人類溝通。

著名的「圖靈測試」（Turing Test）便證明了自然語言處理如何在 AI 智力提升上扮演關鍵角色。1950 年代，傳奇電腦科學家艾倫・圖靈（Alan Turing）設計了一個實驗，用來測試 AI 能否表現出與人類相當的智力水準。首先實驗者將 AI 架設好，並派一個人操作終端機，再找一個第三者來進行對話，判斷從終端機傳入的訊息是來自 AI 或真人，如果第三者無法判斷，代表 AI 通過測試。

換而言之，AI 必須擁有一定的智力，才可能成功騙過人類，讓人類不覺得自己在跟機器對話，而這有賴自然語言處理技術的精進。目前蔡宗翰的研究團隊有將自然語言處理應用在：人文研究文本分析、新聞真偽查核，更嘗試以合成語料訓練臺灣人專用的 AI 語言模型。

讓 AI 替你查資料，追溯文本的起源

目前幾乎所有正史、許多地方志都已經數位化，而大量數位化的經典更被主動分享到「Chinese Text Project」平台，讓 AI 自然語言處理有豐富的文本資料可以分析，包含一字不漏地快速閱讀大量文本，進一步畫出重點、分門別類、比較相似之處等功能，既節省整理文本的時間，更能橫跨大範圍的文本、時間、空間，擴展研究的多元可能性。

例如我們想了解經典傳說《白蛇傳》是怎麼形成的？就可以應用 AI 進行文本溯源。白蛇傳的故事起源於北宋，由鎮江、杭州一帶的說書人所創作，著有話本《西湖三塔記》流傳後世。直至明代馮夢龍的《警世通言》二十八卷〈白娘子永鎮雷峰塔〉，才讓流傳 600 年的故事大體成型。

我們可以透過「命名實體辨識技術」標記文本中的人名、地名、時間、職業、動植物等關鍵故事元素，接著用這批標記好的語料來訓練 BERT 等序列標注模型，以便將「文本向量化」，進而找出給定段落與其他文本的相似之處。

經過多種文本的比較之後發現，白蛇傳的原型可追溯自印度教的那伽蛇族故事，傳說那伽龍王的三女兒轉化成佛、輔佐觀世音，或許與白蛇誤食舍利成精的概念有所關連，推測印度神話應該是跟著海上絲路傳進鎮江與杭州等通商口岸。此外，故事的雛型可能早從唐代便開始醞釀，晚唐傳奇《博異志》便記載了白蛇化身美女誘惑男子的故事，而法海和尚、金山寺等關鍵人物與景點皆真實存在，金山寺最初就是由唐宣宗時期的高僧法海所建。

在 AI 的協助之下，我們得以跨時空比較不同文本，了解說書人如何結合印度神話、唐代傳奇、在地的真人真事，創作出流傳千年的白蛇傳經典。

最困難的挑戰：AI 如何判斷假新聞

除了應用在人文研究文本分析，AI 也可以查核新聞真偽，這對假新聞氾濫的當代社會是一大福音，但對 AI 來說可能是最困難的挑戰！蔡宗翰研究員指出 AI 的弱點：

如果是答案和數據很清楚的問題，就比較好訓練 AI。如果問題很複雜、變數很多，對 AI 來說就會很困難！

困難點在於新聞資訊的對錯會變動，可能這個時空是對的，另一個時空卻是錯的。雖然坊間有一些以「監督式學習」、「文本分類法」訓練出的假新聞分類器，可輸入當前的新聞讓機器去判讀真假，但過一段時間可能會失準，因為新的資訊源源不絕出現。而且道高一尺、魔高一丈，當 AI 好不容易能分辨出假新聞，製造假新聞的人就會破解偵測，創造出 AI 沒看過的新模式，讓先前的努力功虧一簣。

因此，現在多應用「事實查核法」，原理是讓 AI 模仿人類查核事實的過程，尋找權威資料庫中有無類似的陳述，可用來支持新聞上描述的事件、主張與說法。目前英國劍橋大學為主的學者群、Facebook 與 Amazon 等業界研究人員已組成 FEVEROUS 團隊，致力於建立英文事實查核法模型所能運用的資源，並透過舉辦國際競賽，廣邀全球學者專家投入研究。

蔡宗翰教授團隊 2021 年參加 FEVEROUS 競賽勇奪全球第三、學術團隊第一後，也與合作夥伴事實查核中心及資策會討論，正著手建立中文事實查核法模型所需資源。預期在不久的將來，AI 就能幫讀者標出新聞中所有說法的資料來源，節省讀者查證新聞真偽的時間。

AI 的無限可能：專屬於你的療癒「杯麵」

AI 的未來充滿無限可能，不僅可以成為分類與查證資料的得力助手，還能照護並撫慰人類的心靈，這對邁入高齡化社會的臺灣來說格外重要！許多青壯年陷入三明治人（上有老、下有小要照顧）的困境，期待有像動畫《大英雄天團》的「杯麵」（Baymax）機器人出現，幫忙分擔家務、照顧家人，在身心勞累時給你一個溫暖的擁抱。

機器人陪伴高齡者已是現在進行式，新加坡南洋理工大學 Gauri Tulsulkar 教授等學者於 2021 年發表了一項部署在長照機構的機器人實驗。這名外表與人類相似的機器人叫「娜丁」（Nadine），由感知、處理、互動等三層架構組成，可以透過麥克風、3D和網路鏡頭感知用戶特徵、所處環境，並將上述資訊發送到處理層。處理層會依據感知層提供的資訊，連結該用戶先前與娜丁互動的記憶，讓互動層可以進行適當的對話、變化臉部表情、用手勢做出反應。

長照機構的高齡住戶多數因身心因素、長期缺乏聊天對象，或對陌生事物感到不安，常選擇靜默不語，需要照護者主動引導。因此，娜丁內建了注視追蹤模型，當偵測到住戶已長時間處於被動狀態，就會自動發起話題。

實驗發現，在娜丁進駐長照機構一段時間後，住戶有一半的天數會去找她互動，而娜丁偵測到的住戶情緒多為微笑和中性，其中有 8 位認知障礙住戶的溝通能力與心理狀態有明顯改善。

至於未來的改進方向，研究團隊認為「語音辨識系統」仍有很大的改進空間，需要讓機器人能配合老年人緩慢且停頓較長的語速，音量也要能讓重聽者可以清楚聽見，並加強對方言與多語混雜的理解能力。

臺灣如要發展出能順暢溝通的機器人，首要任務就是要開發一套臺灣人專用的 AI 語言模型，包含華語、臺語、客語、原住民語及混合以上兩種語言的理解引擎。這需花費大量人力與經費蒐集各種語料、發展預訓練模型，期待政府能整合學界與業界的力量，降低各行各業導入 AI 相關語言服務的門檻。

或許 AI 無法發展出情感，但卻可以成為人類大腦的延伸，協助我們節省處理資料的時間，更可以心平氣和地回應人們的身心需求。與 AI 共存的未來即將來臨，如何讓自己的行事邏輯跟上 AI 時代，讓 AI 成為自己的助力，是值得你我關注的課題。

延伸閱讀

• 蔡宗翰（2022）。寫給中學生看的 AI 課：AI 生態系需要文理兼具的未來人才。三采文化出版。
• Tulsulkar, G., Mishra, N., Thalmann, N.M. et al (2021). Can a humanoid social robot stimulate the interactivity of cognitively impaired elderly? A thorough study based on computer vision methods. Vis Comput 37, 3019–3038.

人類必恭必敬稱家貓為「主子」，並自貶為「奴才」。陛下身體微恙，一團絨毛癱軟，表情內斂，叫貓奴如何揣測上意？懷疑牠受苦，便心急如焚。幾乎上演《還珠格格》裡，人家紫薇說沒事，爾康卻捨不得的虐心互動。貓咪說不定覺得：「……有這麼多人關心我，我已經不痛了……」人類仍在一邊：「可是，我好痛！」^[1]

在治療人類時，醫護人員會用視覺類比量表（Visual Analogue Scale）、臉譜疼痛量表（Wong-Baker faces pain scale）或 FLACC 量表^[註] 等工具，來評估患者疼痛的狀況。前二者靠病人自我評估，以數字或表情，象徵由舒適無恙，漸進到痛徹心扉的程度差異。 FLACC 則是醫護觀察嬰幼兒或無法言語溝通者，就其身體不適產生的行為變化來計分。^[2] 儘管每個人敏感的程度不同，至少單一病患前後的得分，能相互對照出疼痛是否得到緩解，或者更加惡化。因此，這些量表均可視為有效測量疼痛的方法。

問題是有口難言，又行徑鬼祟的貓咪怎麼辦？人貓猜心的瓊瑤戲碼，自古不斷重演，沒完沒了。

直到有天，獸醫們看不下去了…

貓咪苦臉量表

2017 年的時候，加拿大蒙特婁大學 Paulo Steagall 副教授以及他的團隊，招募了一票被送急診的病貓。在得到飼主同意後，他們比較疼痛的病貓、服用止痛藥的病貓，還有健康貓咪的表情舉止，研發出「貓咪苦臉量表」（Feline Grimace Scale），並將結果發表於 2019 年的《科學報告》（Scientific Reports）。^{[3, 4]} 其中列出幾個徵兆，可依級別給分，就此將貓咪的疼痛量化：

耳朵姿態（ear position）：貓耳的尖角向外分開，並略為朝後旋轉。^{[3, 5]}

_{圖／參考資料 5}

瞇眼程度（orbital tightening）：上下眼瞼之間的空隙，小於眼睛的寬度，或是完全緊閉。^{[3, 5]}

_{圖／參考資料 5}

口鼻緊繃（muzzle tension）：口鼻（即臺語所謂「喙管」的部位）由圓轉扁，而呈橢圓形。^{[3, 5]}

_{圖／參考資料 5}

觸鬚變化（whiskers change）：觸鬚從平常放鬆的圓弧，撐直且稍微向前。^{[3, 5]}

_{圖／參考資料 5}

頭部位置（head position）：原本處於全身最高處的貓頭，降至低於肩膀，並往下垂。^{[3, 5]}

_{圖／參考資料 5}

貓臉疼痛辨識技術

目前受惠於物種專屬苦臉量表的，除了貓，還有鼠、兔、馬、羊、豬和貂等動物。受過訓練的獸醫，能精準判讀牠們的表情，用這些工具，來評估牠們的疼痛指數。隨著科技的進步，到了 2022 年《科學報告》期刊再次關懷貓咪的痛楚時，另一群科學家拿出「貓臉辨識技術」，試圖取代專業的肉眼觀察。^[6]

臉部校正

臉部校正是建立辨識系統的要務。先調整貓臉的特徵（landmarks，即照片上標有號碼的黑點），讓它們在空間中對齊，減少幾何上的變異，方便接下來的步驟進行。原則上，校正後的貓臉必須：^[6]

1. 在畫面正中央；
2. 旋轉直到雙眼的連線呈水平；
3. 尺寸都約略相同。

_{圖／參考資料 6 ，figure 1}

模型１：特徵基準（landmark-based）

在找到貓臉的特徵後，依據「貓咪苦臉量表」的觀察部位，將貓臉特徵（黑點）分為：左眼、右眼、額頭與耳朵，以及口鼻和觸鬚，四個區塊向量。然後，多加一些貓鼻子的照片，進行「資料擴增」（data augmentation），^[6] 彌補原始資料的不足，以強化機器學習。^[7] 不過，團隊事後發現，這次的資料擴增，成效不彰。^[6]

_{圖／參考資料 6 ，figure 3}

處理這些照片的計算模型，是一種叫做「多層感知器」（Multi-Layer Perceptron）的人工神經網路（artificial neural network）。^[6] 就像人的神經系統，有好多神經元相互連結，將輸入的資料從上一層送到下一層，經過多層運算後再輸出。^{[8, 9]}

模型２：深度學習（deep learning）

研究團隊把大量沒有標註特徵的貓照，在校正角度和尺寸後，餵給 ResNet50 。^[6] 這是一種有五十層的深度學習模型，早已預先訓練好怎麼逐層辨識貓咪的輪廓、曲線及其它識別特徵。^[10] 套用該模型的同時，還要進行實驗需要的特定調整，例如：加上「痛」與「不痛」的分類標籤。^[6]

貓的痛，AI 有多懂？

上述兩個模型的實測，在判讀貓咪是否疼痛時，都有超過 72% 的準確率，算是相當不錯的成果。不過，在完全替代人工判讀之前，可能還要擴建訓練辨識系統的資料庫。因為當初請來的照片模特兒，是 29 隻準備接受卵巢子宮切除術的短毛母貓，年紀約幾個月到一歲多。拿牠們術前、術後，以及使用止痛劑前後的照片來訓練 AI ，雖然是個不錯的點子，但無法代表多元的貓咪社群。^[6] 將來的實驗，若能涵蓋其他性別、年齡和品種，相信貓咪們會覺得更加窩心。

備註

FLACC 量表： FLACC 是臉（face）、腿（legs）、活動（activity）、哭（cry）與  安撫（consolability）的縮寫。每個項目依觀察到的狀態，給 0 到 2 分，總分最高 10 分。^[2]

參考資料

1. 瓊瑤經典台詞》小時候看超感動，長大看卻啼笑皆非的 7 大經典場景（風傳媒，2020）
2. Pain assessment and measurement (The Royal Children’s Hospital Melbourne, 2019)
3. Evangelista MC, Watanabe R, Leung VSY, et al. (2019) ‘Facial expressions of pain in cats: the development and validation of a Feline Grimace Scale’. Scientific Reports, 9, 19128.
4. Me-owch — could resting cat face tell us about kitty’s pain? (CBC, 2020)
5. Feline Grimace Scale – Practice your pain assessment skills using the FGS! (Université de Montréal, 2019)
6. Feighelstein M, Shimshoni I, Finka LR, et al. (2022) ‘Automated recognition of pain in cats’. Scientific Reports, 12: 9575.
7. 2021 iThome 鐵人賽－DAY21 資料正規化與資料增強（Data Normalization & Data Augmentation）（IT邦幫忙，2021）
8. 2019 iT 邦幫忙鐵人賽－06. 深度學習的架構分析：多層感知器（IT邦幫忙，2019）
9. 神經網路（IBM，2020）
10. 何謂遷移學習?（NVIDIA，2019）

由霍亂弧菌（Vibrio cholerae）引發的霍亂，是常見的人類傳染病。有意思的是，霍亂弧菌這般能入侵生物體的細菌，本身也會被病毒等異形入侵，有免疫的需求。

在最近發表的論文中，霍亂向我們展現了以前未知的免疫手法，不但能抵抗病毒，還能對付「質體」。霍亂究竟如何避免成為宿主的命運？質體又是什麼呢？^{[參考資料 1, 2]}

細菌 vs 質體 vs 病毒大亂鬥：細菌也不想被寄生

細菌和人類一樣，都是用染色體上的 DNA 承載遺傳訊息。不過除了染色體以外，細菌也常常配備額外的「質體（plasmid）」，它們是 DNA 圍成的圈圈，獨立於細菌的染色體之外，具有自己的遺傳訊息，會自己複製。

質體如果單方面依賴細菌供養、當個快樂的寄生蟲，那麼對細菌來說，質體就是個占空間的東西，只會耗費宿主的資源，對細菌是最差的狀況。但是，質體上也有基因，如果那些基因具備抗藥性等作用，那質體便對細菌有利。換句話說，質體和細菌的關係並不一定，有可能是有利、有害，或是沒有利也沒有害，視狀況而定。

細菌有時候具備攻擊質體的能力，例如近來作為基因改造工具而聲名大噪的 CRISPR，原本便是細菌用來抵禦病毒、質體的免疫系統。神奇的是，許多攻擊目標為質體的 CRISPR 套組，本身就位於質體上頭，令人懷疑其動機不單純。

比方說，A 質體攜帶一套攻擊 B 質體的 CRISPR，那麼 A 質體的目的，到底是保護自己寄宿的細菌不被 B 質體入侵，或是維護自己的地位不要被 B 質體搶走呢？不好說，不好說。

細菌對付質體的手段除了 CRISPR，還有一招是利用「Argonaute」蛋白質，啟動針對質體的排外機制；有時候兩者兼備，就是不給質體活路。^{[參考資料 3]}

了解上述資訊，便能體會霍亂新研究的奧妙：質體無法生存的霍亂弧菌，既沒有 CRISPR，亦沒有 Argonaute，卻有以前不知道的另外兩招。

沒有質體的霍亂弧菌

儘管大家的印象中，霍亂就是一款危害人類的傳染病，不過野生的霍亂弧菌有很多品系，除了 O1 和 O139 兩個亞型之外，大部分其實不怎麼會感染人類。歷史上霍亂有過七次大流行，目前第七次大流行的型號為 O1 旗下的 E1 Tor，也稱作 7PET。

過往導致大流行的型號以及野生霍亂品系，細菌中一般都帶著質體，可是如今廣傳的 E1 Tor 卻常常沒有。假如人為將質體送進細菌體內，一開始倒是沒什麼阻礙，可是複製繁殖十代以後的細菌，卻幾乎不再擁有質體。

因此我們可以假設，霍亂第七次大流行的主角，可能比同類們多出些什麼，讓它新增了排除質體的能力。既然不是其餘細菌使用的 CRISPR 與 Argonaute，應該是某種目前未知的手段。

研究者一番搜尋後，從霍亂基因組上找到 2 處有關係的區域，稱它們為 DdmABC 和 DdmDE（Ddm 為 DNA-defence module 縮寫），兩者各自都有排擠新質體的能力，一起合作效果更好。

兩套手法獨立運作，就是不要讓質體留下！

DdmABC 與 DdmDE 都能替霍亂細胞排除質體，但是運作方式不同。

DdmDE 會直接攻擊，令質體無法繼續在細菌體內生存，尤其容易攻擊比較小的質體；這個攻擊過程中，應該有其他蛋白質參與，不過詳細機制仍有待探索。

負責打擊質體的 DdmDE，其基因周圍還有兩套免疫系統的基因：R/M 與 Zorya，它們的任務都是消滅入侵的噬菌體（感染細菌的病毒）。因此霍亂的染色體上，這些基因共同構成一組對抗外來異形的陣地，稱為防禦島（defence island）。

DdmABC 則似乎更傾向「促進選汰」的手法，霍亂如果攜帶質體，不論質體自身大小，DdmABC 都會產生毒性；這使得質體數目較少的細菌，繁殖時產生競爭優勢，多代以後脫穎而出的霍亂，將剩下不再攜帶質體的個體。

有意思的是，霍亂細胞的 DdmABC 能排擠質體，也能屠殺入侵的噬菌體。所以它是一套雙重功能的免疫系統，同時防禦噬菌體和質體這兩種異形。

演化上 DdmABC 與 DdmDE 從何而來呢？在資料庫中比對 DNA 序列，ABCDE 這 5 個基因都找不到非常相似的近親基因，所以本題暫時不得而知。

其餘霍亂同類都沒有這兩串基因，所以它們是 E1 Tor 品系新獲得的玩意；幾個新基因組合形成新功能，或許有助於 E1 Tor 當年在霍亂內戰中勝出，成為第七次大流行的主角。總之，它們都通過長期天擇競爭的考驗，贏得一席之地。

質體對細菌可能有害也可能有利，若是通通不要，等於是徹底斷絕獲利的機會。如今廣傳的這款霍亂，為什麼演化成這般樣貌，值得持續探索。

戒備森嚴，多重防禦的細菌免疫

由這些研究我們可以觀察到，細菌儘管是只有一顆細胞的簡單生物，也配備多重免疫系統，抵抗各種入侵者。以極為成功的霍亂 E1 Tor 品系來說，它配備 R/M、Zorya、DdmDE 三款防禦病毒的機制，以及 DdmABC、DdmDE 兩套排擠質體的手法，能夠全方位對抗試圖入侵的病毒和質體。

霍亂弧菌之外的許多細菌，又配備記錄入侵者遺傳訊息的 CRISPR 系統，精準識別目標並且攻擊，類似人類的後天免疫。CRISPR 此一特質，使它變成智人的基因改造工具。

而類似先天免疫，無差別切割入侵者的 R/M 系統，其各種限制酶（restriction enzyme），早已從 1970 年代起成為常見的基因改造工具，可謂分子生物學實驗的元老。

新發現霍亂的 DdmABC、DdmDE 免疫系統，除了增加學術知識，也有應用潛力。探索細菌、質體、病毒間的大亂鬥，不只能認識更多免疫與演化，也可能找到對付細菌的新招，還有機會啟發分子生物學的新工具。

延伸閱讀

• 現代流行病學之父──約翰・斯諾誕辰│科學史上的今天：3/15
• 鼠疫桿菌至少 3800 年前，成為跳蚤騎士
• 推理要在實驗室：為什麼有些細菌會致病、有些不會呢？
• 當科技發展跑在世界前面，科學家該做什麼？基因編輯技術 CRISPR 共同發明人——珍妮佛．道納專訪
• 【2020 諾貝爾化學獎】基因剪刀 CRISPR：它如何改寫人類的生命密碼？

參考資料

1. Jaskólska, M., Adams, D. W., & Blokesch, M. (2022). Two defence systems eliminate plasmids from seventh pandemic Vibrio cholerae. Nature, 1-7.
2. Cholera-causing bacteria have defences that degrade plasmid invaders
3. Kuzmenko, A., Oguienko, A., Esyunina, D., Yudin, D., Petrova, M., Kudinova, A., … & Kulbachinskiy, A. (2020). DNA targeting and interference by a bacterial Argonaute nuclease. Nature, 587(7835), 632-637.

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁。