關於 抗藥性例子 ，我們在網路上蒐集到這些相關的討論、資訊與評價

【盤尼西林】
希沙良從第一天微有乾癢感，第二天開始冒出痘痘（人中的悶痘最討厭了啊！），到第三天一早醫師見到時，已是右上嘴唇腫如香腸的狀態…
綜合問診後醫師判斷，應是上個禮拜打完疫苗之後所造成的免疫混亂，以致遭到細菌入侵…
而入侵的地方很可能是希沙良自己半昏迷間咬到的口内傷口…於是本人就又被開了抗生素，繼續過著發燒的日子…
要知道人在生病的時候發燒，算是一種保護的本能反應，適度發燒可以提升免疫系統的效能，不見得是件壞事，在可控制的範圍內，也不見得一定要把溫度壓下來。
（有關發燒的迷思大家可參考衛福部的文章➡️https://www.hpa.gov.tw/Pages/Detail.aspx?nodeid=1125&pid=1610）

這個是醫師所開的藥物──諾快寧膜衣錠，資料上寫的是青黴素類，其實也就是俗稱的盤尼西林Penicillin（盤尼西林可是20世紀最偉大的發現之一，是不是想到《仁醫》了啊！），但因盤尼西林同時也是一種致敏原，所以醫師在開立的時候也都一一確認了以往所有過敏的狀態。據藥品仿單，也就是隨盒所附説明書上所言（對，希沙良所有吃進肚子的東西都會想要了解），常見的副作用是膓瀉、噁心、嘔吐等（謝天謝地，這次希沙良終於沒中這些…），另外還有一些罕見的血液及淋巴系統、神經系統副作用，包括可逆性白血球減少、可逆性血小板減少等。
列出的適應症包括廣泛的格蘭氏陽性菌及格蘭氏陰性菌，舉些比較常聽聞的例子有葡萄球菌、鏈球菌、肺炎雙球菌、腦膜炎球菌、炭疽桿菌等感染症。這些細菌平常就存活在我們生活的周遭環境，甚至是身上、皮膚上（像是醫務人員葡萄球菌的帶菌率可能高達70％以上，且多為耐藥菌株），伺機就會入侵人體作亂。當然，對於像是幼稚園常爆發感染的流行性感冒桿菌（B型流感嗜血桿菌）也有效果，只是一般較不會開到這種等級藥物，會開到這個已經算是被列入重度感染（嗚…）。看來這情況那天應該問可不可以直接打一針的…。

有關於抗生素的使用，就是醫師開多少天，就是要吃多少天，要依循指示定時服用，就算覺得症狀已經好轉也一定要依程序吃完它，更不要想說留著以後吃或和他人的混用，這些都是造成細菌突變産生抗藥性的原因。不要以為這些都是小事，試想以後如果這些可能致病致死的病菌再也殺不死，那痛苦的就絕對是人類自己！不可不慎！

啊，這篇好多科普，難道希沙良也該走上這條路來拍拍影片麼？笑@希沙良的部屋。#台北 #某處
※文中如有任何錯誤，尚祈各位先進不吝指導，俾便改正。
-_
《希沙良的部屋》部落格➡️kisara.fc2.net
更多IG限定獨家請發落➡️bit.ly/kisaraig
-
#希沙良的部屋 #科普 #處方用藥 #青黴素 #盤尼西林 #抗生素 #藥品仿單 #副作用 #抗藥性細菌 #免疫 #發燒
#ペニシリン #抗生物質 #医薬品添付文書 #耐性菌 #熱がある #ポピュラーサイエンス #科学普及 #台湾
#Penicillin #antibiotics #packageinsert #bacteria #fever #Popularscience #taiwan #kisara #fallowme

迎接終端AI新時代：讓運算更靠近資料所在

作者 : Andrew Brown，Strategy Analytics
2021-03-03

資料/數據(data)成長的速度越來越快。據估計，人類目前每秒產出1.7Mb的資料。智慧與個人裝置如智慧型手機、平板電腦與穿戴式裝置不但快速成長，現在我們也真正目睹物聯網(IoT)的成長，未來連網的裝置數量將遠遠超越地球的人口。

這包括種類繁多的不同裝置，像是智慧感測器與致動器，它們可以監控從震動、語音到視覺等所有的東西，以及幾乎大家可以想像到的所有東西。這些裝置無所不在，從工廠所在位置到監控攝影機、智慧手錶、智慧家庭以及自主性越來越高的車輛。隨著我們企圖測量生活週遭數位世界中更多的事物，它們的數量將持續爆炸性成長。

資料爆量成長，讓許多企業把資料從內部部署運作移到雲端。儘管集中到雲端運算的性質，在成本與資源效率、彈性與便利性有它的優點，但也有一些缺點。由於運算與儲存在遠端進行，來自終端、也就是那些在網路最邊緣裝置的資料，需要從起始點經過網際網路或其他網路，來到集中式的資料中心(例如雲端)，然後在這裡處理與儲存，最後再傳回給用戶。

對於一些傳統的應用，這種方式雖然還可以接受，但越來越多的使用場景就是無法承受終端與雲端之間，資訊被接力傳遞產生的延遲。我們必須即時做出決策，網路延遲要越小越好。基於這些原因，開始有人轉向終端運算；越來越多人轉而使用智慧終端，而去中心化的程度也越來越高。此外，在這些即時應用中產生的龐大資料量，意味著處理與智慧必須在本地以分散的方式進行。

與資料成長連袂而來的，是人工智慧與機器學習(ML)也朝終端移動，並且越來越朝終端本身移動。大量來自真實世界的資訊，需要用ML的方式來進行詮釋與採取行動。透過AI與ML，是以最小的延遲分析影像、動作、影片或數量龐大的資料，唯一可行且合乎成本效益的方式。運用AI與ML的演算法與應用將在邊緣運作，在未來還將會直接在終端裝置上進行。

資料正在帶動從集中化到分散化的轉變

隨著資訊科技市場逐漸發展與成熟，網路的設計以及在其運作的所有裝置，也都跟著進化。全盛時期從服務數千個小型客戶端的主機，一直到客戶端伺服器模型中使用的越來越本地化的個人電腦運算效能，基礎架構持續重組與最佳化，以便更貼近網路上的裝置以及符合運作應用的需求。這些需求包含檔案存取與資料儲存，以及資料處理的需求。

智慧型手機與其他行動裝置的爆炸性成長，加上物聯網的快速成長，促使我們需要為如何讓資產進行最佳的部署與安排進行評估。而影響這個評估的因素，包括網路的可用性、安全性、裝置的運算力，以及把資料從終端傳送到儲存設備的相關費用，近來也已轉向使用分散式的運算模型。

從邊緣到終端：AI與ML改變終端典範

在成本、資源效率、彈性與便利性等方面，雲端有它的優點，裝置數量的急遽增加(如圖2)，將導致資料產出量大幅增加。這些資料大部份都相當複雜且非結構化的，這也是為何企業只會分析1%~12% 的資料的原因之一。把大量非結構化的資料送到雲端的費用相當高、容易形成瓶頸，而且從能源、頻寬與運算力角度來看，相當沒有效率。

在終端執行進階處理與分析的能力，可協助為關鍵應用降低延遲、減少對雲端的依賴，並且更好地管理物聯網產出的巨量資料。

終端AI：感測、推論與行動

在終端部署更多智慧的主要原因之一，是為了創造更大的敏捷性。終端裝置處於網路的最邊緣與資料產生的地方，可以更快與更準確地做出回應，同時免除不必要的資料傳輸、延遲與資料移動中的安全風險，可以節省費用。

處理能力與神經網路的重大進展，正協助帶動終端裝置的新能力，另一股驅動力則是對即時資訊、效率(傳送較少的資訊到雲端)、自動化與在多數情況下，對近乎即時回應的需求。這是一個三道步驟的程序：傳送資料、資料推論(例如依據機器學習辨識影像、聲音或動作)，以及採取行動(如物件是披薩，冰箱的壓縮機發出正常範圍外的聲音，因此發出警告)。

感測

處理器、微控制器與感測器產生的資料量相當龐大。例如，自駕車每小時要搜集25GB的資料。智慧家庭裝置、智慧牙刷、健身追蹤器或智慧手錶持續進化，並且與以往相比，會搜集更多的資料。

它們搜集到的資料極具價值，但每次都從各個終端節點把資料推回給雲端，數量又會過多。因此必須在終端進行處理。倘若部份的作業負載能在終端本身進行，就可以大幅提升效率。

推論

終端搜集到的資料是非結構性的。當機器學習從資料擷取到關聯性時，就是在進行推論。這表示使用AI與ML工具來幫忙訓練裝置辨識物件。拜神經網路的進展之賜，機器學習工具越來越能訓練物件以高度的精準度辨識影像、聲音與動作，這對體積越來越小的裝置，極為關鍵。

例如，圖4顯示使用像ONNX、PyTorch、Caffe2、Arm NN或 Tensorflow Lite 等神經網路工具，訓練高效能的意法半導體(ST)微控制器(MCU)，以轉換成最佳化的程式碼，讓MCU進行物件辨識(這個的情況辨識對象是影像、聲音或動作)。更高效能的MCU越來越常利用這些ML工具來辨識動作、音訊或影像，而且準確度相當高，而我們接下來馬上就要對此進行檢視。這些動作越來越頻繁地從邊緣，轉移到在終端運作的MCU本身。

行動

資料一旦完成感測與推論後，結果就是行動。這有可能是回饋簡單的回應(裝置是開啟或關閉)，或針對應用情況進行最佳化(戴耳機的人正在移動中，因此會針對穩定度而非音質進行最佳化)，或是回饋迴路(根據裝置訓練取得的機器學習，輸送帶若發出聲音，顯示它可能歪掉了)。物聯網裝置將會變得更複雜且更具智慧，因為這些能力提升後，運算力也會因此增加。在我們使用新的機器學習工具後，一些之前在雲端或終端完成的關鍵功能，將可以移到終端本身的內部進行。

終端 AI：千里之行始於足下

從智慧型手機到車輛，今日所有電子裝置的核心都是許多的處理器、微控制器與感測器。它們執行各種任務，從最簡單到最複雜，並需要各式各樣的能力。例如，應用處理器是高階處理器，它們是為行動運算、智慧型手機與伺服器設計；即時處理器是為例如硬碟控制、汽車動力傳動系統，與無線通訊的基頻控制使用的非常高效能的處理器，至於微控制器處理器的矽晶圓面積則小了許多，能源效率也高出很多，同時擁有特定的功能。

這意味著利用ML工具訓練如MCU等較不複雜元件來執行的動作，之前必須透過威力更強大的元件才能完成，但現在邊緣與雲端則是理想的場所。這將讓較小型的裝置以更低的延遲執行更多種類的功能，例如智慧手錶、健康追蹤器或健康照護監控等穿戴式裝置。

隨著更多功能在較小型的終端進行，這將可以省下資源，包括資料傳輸費用與能源費用，同時也會產生極大的環境衝擊，特別是考量到全球目前已有超過200億台連網裝置，以及超過2,500億顆MCU(根據Strategy Analytics統計數據)。

TinyML、MCU與人工智慧

根據Google的TesnsorFlow 技術主管、同時也是深度學習與TinyML領域的指標人物 Pete Warden 表示：「令人相當興奮的是，我還不知道我們將如何使用這些全新的裝置，特別是它們後面代表的科技是如此的吸引人，我無法想像那些即將出現的全新應用。」

微型機器學習(TinyML)的崛起，已經催化嵌入式系統與機器學習結合，而兩者傳統上大多是獨立運作的。TinyML 捨棄在雲端上運作複雜的機器學習模型，過程包含在終端裝置內與微控制器上運作經過最佳化的模式識別模型，耗電量只有數毫瓦。

物聯網環境中有數十億個微型裝置，可以為各個產業提供更多的洞察與效率，包括消費、醫療、汽車與工業。TinyML 獲得 Arm、Google、Qualcomm、Arduino等業者的支持，可望改變我們處理物聯網資料的方式。

受惠於TinyML，微控制器搭配AI已經開始增添各種傳統上威力更強大的元件才能執行的功能。這些功能包括語音辨識(例如自然語言處理)、影像處理(例如物件辨識與識別)，以及動作(例如震動、溫度波動等)。啟用這些功能後，準確度與安全性更高，但電池的續航力卻不會打折扣，同時也考量到各種更微妙的應用。

儘管之前提到的雲端神經網路框架工具，是取用這個公用程式最常用的方法，但把AI函式庫整合進MCU，然後把本地的AI訓練與分析能力插入程式碼中也是可行的。這讓開發人員依據從感測器、麥克風與其他終端嵌入式裝置取得的訊號導出資料模式，然後從中建立模型，例如預測性維護能力。

如Arm Cortex-M55處理器與Ethos U55微神經處理器(microNPU)，利用CMSIS-DSP與CMSIS-NN等常見API來簡化程式碼的轉移性，讓MCU與共同處理器緊密耦合以加速AI功能。透過推論工具在低成本的MCU上實現AI功能並符合嵌入式設計需求極為重要，原因是具有AI功能的MCU有機會在各種物聯網應用中轉變裝置的設計。

AI在較小型、低耗電與記憶體受限的裝置中可以協助的關鍵功能，我們可以把其精華歸納至我們簡稱為「3V」的三大領域：語音(Voice，如自然語言處理)、視覺(Vision，如影像處理)以及震動(Vibration，如處理來自多種感測器的資料，包括從加速計到溫度感測器，或是來自馬達的電氣訊號)。

終端智慧對「3V」至關重要

多數的物聯網應用聚焦在一些特定的領域：基本控制(開/關)、測量(狀態、溫度、流量、噪音與震動、濕度等)、資產的狀況(所在地點以及狀況如何？)，以及安全性功能、自動化、預測性維護以及遠端遙控(詳見圖 6)。

Strategy Analytics的研究顯示，許多已經完成部署或將要部署的物聯網B2B應用，仍然只需要相對簡單的指令，如基本的開/關，以及對設備與環境狀態的監控。在消費性物聯網領域中，智慧音箱的語音控制AI已經出現爆炸性成長，成為智慧家庭指令的中樞，包括智慧插座、智慧照明、智慧攝影機、智慧門鈴，以及智慧恆溫器等。消費性裝置如藍牙耳機現在已經具備情境感知功能，可以依據地點與環境，在音質優先與穩定度優先之間自動切換。

如同我們檢視的結果，終端AI可以在「3V」核心領域提供價值，而它觸及的許多物聯網領域，遍及B2B與B2C的應用：

震動：包含來自多種感測器資料的處理，從加速計感測器到溫度感測器，或來自馬達的電氣訊號。
視覺：影像與影片辨識；分析與識別靜止影像或影片內物件的能力。
語音：包括自然語言處理(NLP)、瞭解人類口中說出與寫出的語言的能力，以及使用人類語言與人類交談的能力-自然語言產生(NLG)。
垂直市場中有多種可以實作AI技術的使用場景：

震動

可以用來把智慧帶進MCU中的終端AI的進展，有各式各樣的不同應用領域，對於成本與物聯網裝置與應用的效用，都會帶來衝擊。這包括我們在圖6中點出的數個關鍵物聯網應用領域，包括：

溫度監控；
壓力監控；
溼度監控；
物理動作，包括滑倒與跌倒偵測；
物質檢測(漏水、瓦斯漏氣等) ；
磁通量(如鄰近感測器與流量監控) ；
感測器融合(見圖7)；
電場變化。

一如我們將在使用場景單元中檢視的，這些能力有許多可以應用在各種被普遍部署的物聯網應用中。

語音

語音是進化的產物，也是人類溝通非常有效率的方式。因此我們常常想要用語音來對機器下指令，也不令人意外；聲音檢測是持續成長的類別。語音啟動在智慧家庭應用中很常見，例如智慧音箱，而它也逐漸成為啟動智慧家庭裝置與智慧家電的語音中樞，如電視、遊戲主機與其他新的電器。

在工業環境中，供車床、銑床與磨床等電腦數值控制(CNC)機器使用的電腦語音引擎正方興未艾。iTSpeex的ATHENA4是第一批專為這些產品設計的語音啟動作業系統。這些產品往往因為安全原因，有離線語音處理的需求，因此終端 AI 語音發展在這裡也創造出有趣的機會。用戶可以指示機器執行特定的運作，並從機器手冊與工廠文件，立即取用資訊。

語音整合在車輛中也相當關鍵。OEM 代工廠商持續對車載娛樂系統中的語音辨識系統，進行大量投資。語音有潛力成為最安全的輸入模式，因為它可以讓駕駛的眼睛持續盯著道路，而雙手仍持續握著方向盤。

對於使用觸控螢幕或硬體控制器通常需要多道步驟的複雜任務，語音辨識系統特別能勝任。這些任務包括輸入文字簡訊、輸入目的地、播放特定歌曲或歌曲子集，以及選擇廣播電台頻道。其他的服務包含如拋錨服務(或bCall)與禮賓服務。

視覺

正如我們之前已經檢視過，終端 AI 提供視覺領域全新的機會，特別是與物件檢測及辨識相關。這可能包括觀察生產線的製造瑕疵，以及找出自動販賣機需要補貨的庫存。其他實例包括農業應用，例如依據大小與品質為農產品分級。

曳引機裝上機器視覺攝影機後，我們幾乎可以即時檢測出雜草。雜草冒出後，AI可以分類雜草並估算它對農產收穫的潛在威脅。這讓農民可以鎖定特定的雜草，並打造客製的除草解決方案。機器視覺然後可以檢測除草劑的效用，並找出農地中仍具抗藥性的殘餘雜草。

使用場景

預測性維護工具已經從擷取與比較震動的量測資料，進化到提出即時的資產監控。藉由連接物聯網感測器裝置與維護軟體，我們也可能做到遠端監控。

震動分析

這種類型的預測性維護在旋轉型機器密集的製造工廠裡，相當常見。震動分析可以揭露鬆脫、不平衡、錯位與軸承磨損等狀況。例如，把震動計量器接上靠近選煤廠離心泵浦內部承軸處，就可以讓工程師建立起正常震動範圍的基線。超出這個範圍的震動，可能顯示滾珠軸承出現鬆動，需要更換。

磁感測器融合

磁感測器利用磁性浮筒與一系列可以感應並與液體表面一起移動的感測器，測量液面的高低。所有的這些應用都使用一個固定面上的磁感測器，它與附近平面的磁鐵一起作動，與這個磁鐵相對應的感測器也會移動。

聲學分析(聲音)

與震動分析相似，聲測方位分析也是供潤滑技師使用，主要是專注在主動採取潤滑措施。這意味我們可以避免移動設備時產生的過度磨損，否則會為了修理造成代價高昂的停機。實際的例子可能包括測量輸送皮帶的承軸狀況。出現過度磨損時，承軸會因為潤滑不足或錯位出現故障，可能造成整個生產流程的中斷。

聲學分析(超音波)

聲音聲學分析雖然可以用來進行主動與預測性維護，超音波聲學分析卻只能用於預測性維護。它可以在超音波範圍內找出與機器摩擦及壓力相關的聲音，並使用在會發出較細微聲音的電氣設備與機器設備。我們可以說這一類型的分析與震動或油量分析相比，更可以預測即將出現的故障。目前它部署起來比其他種類的預防性維護花費較高，但終端 AI 的進展可以促成這種細微層級的聲學檢測，大幅降低部署的費用。

熱顯影

熱顯影利用紅外線影像來監控互動機器零件的溫度，讓任何異常情況很快變得顯而易見。具備終端 AI 能力的裝置，可以長期檢測微細的變化。與其他對事故敏感的監視器一樣，它們會觸發排程系統，自動採取適當的行動來預防零件故障。

消費者與智慧家庭

將語音運用在消費者與智慧家庭，是最常看到的場景之一。這包括智慧型手機與平板電腦上、未包含電話整合功能的裝置，例如螢幕尺寸有限的穿戴式裝置。這類型的裝置包含智慧手錶與健康穿戴式裝置，可以為各種功能提供免動手的語音啟動。像 Amazon 的 Echo 或 Google 的 Home 等智慧音箱市場的成長，說明消費者對於可接收與提供語音互動等現有裝置的強勁需求，與日俱增。

消費者基於各種理由使用智慧音箱，最常見的使用場景為：

聽音樂；
控制如照明等智慧家庭裝置；
取得新聞與天氣預報的更新；
建立購物與待辦事項清單。

除了像智慧音箱與智慧電視等消費裝置，智慧家庭裝置語音的使用，也顯現相當的潛力。諸如連網門鈴(如 ring.com)等裝置與連網的煙霧偵測器(例如 Nest Protect 煙霧與一氧化碳警報)目前都已上市可供消費者選購，它們結合了語音與視覺的感測器融合功能以及運動檢測。有了連網的煙霧偵測器，裝置在偵測到煙霧或一氧化碳時，可以發出語音警告。

終端 AI 為強化這些能力提供了全新機會，而且常常結合震動(動作)、視覺與語音控制。例如，增加姿態辨識來控制例如電視等家電，或是把語音控制嵌入白色家電，即是以最低成本強化功能性最直接的方式。

健康照護

用來發現醫護資訊的 AI 驅動終端裝置的應用，將為病況的治療與診斷，提供更多的價值。這種資訊可能是資料，也可能是影像、影片以及說出的話，我們可以透過 AI 進行型態與診斷分析。這些資料將引發全新、更有效的治療方法，為整個產業節省成本。受惠於終端 AI 的進展，像 Google Duplex 等語音系統的複雜性將會降低。例如門診預約等勞力密集的工作，也可以轉換成 AI 活動。利用自然語言語音來延伸 AI 的使用，也可以把 AI 用在第一線的病人診斷，然後再由醫師接手提供諮詢。

其他健康照護實例包括像 Wewalk5 等物件，這是一個供半盲與全盲人員使用的智慧拐杖。它使用感測器來檢測胸口水平以上的物件，並搭配 Google Maps 與 Amazon Alexa 等 app，方便使用者提出問題。

結論

由於連網的終端裝置數量越來越多，這個世界也越來越複雜。連接到網際網路的裝置已經超過 300 億個，而微控制器的數量也超過 2,500 億，每年還會增加約 300 億個。越來越多的程序開始進行自動化，不過，把大量資料傳送到雲端涉及的延遲以及邊緣運算的額外費用，意味著許多全新、令人興奮且引人矚目的物聯網使用場景，可能無法開花結果。

解決這些挑戰的答案，並不是為雲端資料中心持續增添運算力。降低出現在邊緣的延遲雖然會有幫助，但不會解決日益分散的世界的所有挑戰。我們需要把智能應用到基礎架構中。

儘管為終端裝置增添先進的運算能力在十年前仍不可行，TinyML 技術近來的提升，已經讓位處相當邊緣的裝置 (也就是終端本身)增添智能的機會大大改觀。在終端增加運算與人工智慧能力，可以讓我們在源頭搜集到更多更具關聯性與相關的資訊。隨著裝置與資料的數量持續攀升，在源頭掌握情境化與具關聯性的資料，具有極大的價值，並將開啟全新的使用場景與營收機會。

終端裝置的機器學習，可以促成全新的終端 AI 世界。新的應用場景正在崛起，甚至跳過傳送大量資料的需求，因而紓解資料傳輸的瓶頸與延遲，並在各種作業環境中創造全新機會。終端 AI 將為我們開啟一個充滿全新機會與應用場景的世界，其中還有很多我們現在想像不到的機會。

附圖：圖1：從集中式到分散式運算的轉變。
(資料來源：《The End of Cloud Computing》，by Peter Levine，Andreessen Horowitz)
圖2：全球上網裝置安裝量。
(資料來源：Strategy Analytics)
圖3：深度學習流程。
圖4：MCU的視覺、震動與語音。
(資料來源：意法半導體)
圖5：AI 工具集執行模型轉換，以便在MCU上執行經最佳化的神經網路推論。
(資料來源：意法半導體)
圖6：物聯網企業對企業應用的使用-目前與未來。
(資料來源：Strategy Analytics)
圖7：促成情境感知的感測器融合。
(資料來源：恩智浦半導體)

資料來源：https://www.eettaiwan.com/20210303nt31-the-dawn-of-endpoint-ai-bringing-compute-closer-to-data/?fbclid=IwAR0JTRpNsJUl-DmSNpfIcymGQpkQaUgXixEaczwDpELxGCaCeJpkTyoqUtI

【mRNA疫苗臨床試驗95％有效! mRNA疫苗會是COVID-19的救世主嗎？】：發表在新英格蘭醫學期刊（NEJM）上的兩篇論文提到【註1】，兩個mRNA疫苗臨床研究分別收案3萬多人與4萬多人，在打完疫苗之後的兩個月追蹤當中，施打疫苗讓COVID-19感染率減少了95%！【註3】
　　
在本文開始前，在此先簡述說明一下「分子生物學的中心法則」，建立對DNA、RNA、mRNA的基礎認識。
　　
■分子生物學的中心法則 (central dogma)(圖1)
用最簡單最直接的方式來描述的話，生物體的遺傳訊息是儲存在細胞核的DNA中，每次細胞分裂時，DNA可以複製自己 (replication)，因而確保每一代的細胞都帶有同樣數量的DNA。
　　
而當細胞需要表現某個基因時，會將DNA的訊息轉錄 (transcribe) 到RNA上頭，再由RNA轉譯 (translate) 到蛋白質，而由蛋白質執行身體所需要的功能。這也就是所謂的分子生物學的中心法則 (central dogma)。
　　
對於最終會製造成蛋白質的基因來說，RNA是扮演了中繼的角色，也就是說遺傳訊息本來儲存在 DNA 上頭，然後經過信使 RNA (messenger RNA, mRNA) 的接棒，最後在把這個訊息傳下去，製造出蛋白質。【註4】
　　
■冠狀病毒的基因組由RNA構成
RNA不如DNA穩定，複製過程容易出錯，因此一般RNA病毒的基因組都不大。但冠狀病毒鶴立雞群，基因組幾乎是其他RNA病毒的三倍長，是所有RNA病毒中最大、最複雜的種類。
　　
冠狀病毒還能以重組RNA的方式，相當頻繁地產生變異，但是基因組中位在最前端的RNA序列相對穩定，因為其中有掌控病毒蛋白酶與RNA聚合酶的基因，一旦發生變異，冠狀病毒很可能無法繼續繁衍。
　　
目前抗病毒藥物的研發策略之一，正是設法抑制病毒RNA複製酶（RdRp）。而最前端的RNA序列也是現階段以反轉錄聚合酶連鎖反應（RT-PCR）檢驗新冠病毒時鎖定的目標。中央研究院院士賴明詔表示，不同病毒的核酸序列當中還是有各自的獨特變異，正好用來區分是哪一種冠狀病毒。【註5】
　　
■SARS-CoV-2是具有3萬個鹼基的RNA病毒
中國科學院的《國家科學評論》（National Science Review）期刊【註2】，2020年3月發表《關於SARS-CoV-2的起源和持續進化》論文指出，現已發生149個突變點，並演化出L、S亞型。
　　
病毒會變異的原因可略分成兩種：
▶一是「自然演變」
冠狀病毒是RNA病毒，複製精準度不如DNA病毒精準度高，只要出現複製誤差，就是變異。
▶二是「演化壓力」
當病毒遇到抗體攻擊，就會想辦法朝有抗藥性的方向演變，找出生存之道。【註6】
　　
■mRNA 疫苗是一種新型預防傳染病的疫苗
近期，美國莫德納生物技術公司（Moderna）與輝瑞公司（Pfizer），皆相繼宣布其COVID-19 mRNA疫苗的研究成果。
　　
莫德納公司在2020年11月30日宣布他們的mRNA-1273疫苗在三期臨床試驗達到94.1％（p<0.0001）的超高保護力，受試者中約四成為高風險族群（患糖尿病或心臟病等），7000人為高齡族群（65歲以上），另也包含拉丁裔與非裔族群（報告中未提到亞洲裔）。
　　
傳統大藥廠輝瑞公司，亦在美國時間11月18日發佈令人振奮的新聞稿：他們的RNA疫苗（BNT162b2）三期臨床試驗已達設定終點，保護力高達95％（p<0.0001）。該試驗包含了4萬名受試者，其中約有四成受試者為中高齡族群（56～85歲），而亞洲裔受試者約占5％。
　　
■mRNA疫苗為什麼可以對抗病毒？
為什麼mRNA疫苗會有用？就讓我們先從疫苗的原理「讓白血球以為有外來入侵者談起」。
　　
在過往，疫苗策略大致上可分為兩種：
● 將病毒的屍體直接送入人體，如最早的天花疫苗（牛痘，cowpox）、小兒麻痺疫苗（沙克疫苗，polio vaccines）、肺結核疫苗（卡介苗，Bacillus Calmette-Guérin, BCG）以及流感疫苗等。
　
✎補正
卡介苗 BCG(Bacillus Calmette-Guerin vaccine) ：卡介苗是一種牛的分枝桿菌所製成的活性疫苗，經減毒後注入人體，可產生對結核病的抵抗力，一般對初期症候的預防效果約85％，主要可避免造成結核性腦膜炎等嚴重併發症。
　
▶以流感疫苗為例，科學家通常先讓病毒在雞胚胎大量繁殖後，再將其殺死，也有部分藥廠會再去除病毒屍體上的外套膜（envelope），進一步降低疫苗對人體可能產生的副作用後，再製成疫苗。
　　
● 將病毒的蛋白質面具，裝在另一隻無害的病毒上再送入人體，如伊波拉病毒（Ebola virus disease, EVD）疫苗等。
▶以伊波拉病毒疫苗為例，科學家會剪下伊波拉病毒特定的醣蛋白（glycoproteins）基因，置換入砲彈病毒（Rhabdoviridae）的基因組中，使砲彈病毒長出伊波拉病毒的醣蛋白面具。
　　
上述例子都是將致命病毒的部分殘肢送入人體，當病毒被樹突細胞（dendritic cells）或巨噬細胞（macrophages）等抗原呈現細胞（antigen-presenting cell, APC）吃掉後，再由細胞將病毒殘肢吐出給其他白血球，進而活化整個免疫系統，然而，mRNA疫苗採取了更奇詭的路數 - 「讓人體細胞自己生產病毒殘肢！」
　　
■mRNA 疫苗設計原理(圖2)
將人工設計好可轉譯出病毒蛋白質片段的mRNA，包裹於奈米脂質顆粒中，送入淋巴結組織內，奈米脂質顆粒會在細胞中釋出RNA，使人體細胞能自行產出病毒蛋白質片段，呈現給其他白血球，活化整個免疫系統。
　　
■mRNA疫苗設計流程(圖3)
1「科學家獲得病毒的全基因序列」
因社群媒體的發達、公衛專家、病毒研究者以及期刊編輯的努力，這次的COVID-19病毒序列很快的被發表；中國北京疾病管制局的研究團隊，挑選了九位患者，其中有八位，都有前往華南海鮮市場的病史，並從這些患者採取了呼吸道分泌物的檢體，運用次世代定序 (NGS，Next Generation Sequencing) 的方式，拼湊出新型冠狀病毒全部與部分的基因序列。並陸續將這些序列資料，提供給全世界的病毒研究者交互確認，修正序列的錯誤。
　　
2「解析病毒基因群裡所有的功能，選定目標蛋白質(Covid-19病毒棘蛋白質)」
以冠狀病毒為例，通常會選病毒表面的棘狀蛋白（spike protein）。因為棘蛋白分布於病毒表面，可作為白血球的辨識目標，同時病毒需透過棘蛋白和人體細胞受體（receptor）結合，進而撬開人體細胞，因此以病毒繁殖的策略而言，此處的蛋白質結構較穩定。
　　
3「製造要送入人體的mRNA，挑選出會製造棘蛋白的mRNA進行修飾」
挑選會轉譯（translation）出目標蛋白質的mRNA，並進行各項修飾，以提高該人工mRNA在細胞裡被轉譯成蛋白質的效率。如：輝瑞的mRNA疫苗（BNT162b1）選用甲基化（methylation）後的偽尿嘧啶（1-methyl-pseudouridine）取代mRNA裡的原始尿嘧啶（uracil, U），有助於提升mRNA的穩定性，並提高mRNA被轉譯成病毒棘蛋白的效率。
　　
4「將人工mRNA裹入特殊載體，將mRNA包裹入特殊載體顆粒中」
因為mRNA相當脆弱且容易被分解，因此需要對載體進行包裹和保護。然而，有了載體後，接踵而來的問題是「該怎麼送到正確的位置（淋巴結）？」。而輝瑞和莫德納不約而同地都選用了奈米脂質顆粒（lipid nanoparticles）包裹mRNA載體，奈米脂質顆粒通常由帶電荷的脂質（lipid）、膽固醇（cholesterol）或聚乙二醇（polyethylene glycol, PEG）修飾過的脂質等組成，可以保護RNA，並將mRNA送到抗原呈現細胞豐富的淋巴結組織。
　　
5「包覆mRNA的奈米脂質顆粒，注射在肌肉組織」
使其能循環到淋巴結，被淋巴結中的細胞吃掉。奈米脂質顆粒釋放出mRNA，使細胞產出病毒蛋白質片段，進而呈現給其他白血球並活化整個免疫系統。【註7】
　　
mRNA可將特定蛋白質的製造指示送至細胞核糖體（ribosomes）進行生產。mRNA 疫苗會將能製造新冠病毒棘狀蛋白的 mRNA 送至人體內，並不斷製造棘狀蛋白，藉此驅動免疫系統攻擊與記憶此類病毒蛋白，增加人體對新冠病毒的免疫力，最終 mRNA 將被細胞捨棄。
　　
值得注意的是，由於 mRNA 疫苗並無攜帶所有能製造新冠病毒的核酸（nucleic acid），且不會進入人體細胞核，所以施打疫苗無法使人感染新冠病毒。
　　
Pfizer、BioNTech 研發的 BNT162b2 是美國第 1 個取得 EUA 的 mRNA 疫苗，施打對象除成年人，還包含 16 歲以上非成年人。且相比 Moderna 製造的 mRNA-1273 疫苗，患者施打第 2 劑 BNT162b2 的副作用較輕微。
　　
Moderna 也不遑多讓，mRNA-1273 於 2020 年 12 月中取得 EUA，且具備在 -20°C 儲存超過 30 天的優勢。在臨床試驗中，使用 mRNA-1273 的 196 位受試者皆無演變成重度 COVID-19，相較安慰劑組中卻有 30 人最終被標為重度 COVID-19 患者。【註8】
　　
為了觸發免疫反應，許多疫苗會將一種減弱或滅活的細菌注入我們體內。mRNA疫苗並非如此。相反，該疫苗教會我們的細胞如何製造出一種蛋白質，甚至一種蛋白質片段，從而觸發我們體內的免疫反應。如果真正的病毒進入我們的身體，這種產生抗體的免疫反應可以保護我們免受感染。【註9】
　　
【Reference】
▶DNA的英文全名是Deoxyribonucleic acid，中文翻譯為【去氧核糖核酸】
▶RNA 的英文全名是 Ribonucleic acid，中文翻譯為【核糖核酸】。
　　
1.來源
➤➤資料
∎【註1】
Baden LR, El Sahly HM, Essink B, et al. Efficacy and Safety of the mRNA-1273 SARS-CoV-2 Vaccine. N Engl J Med. 2020 Dec 30:NEJMoa2035389. doi: 10.1056/NEJMoa2035389. Epub ahead of print. PMID: 33378609; PMCID: PMC7787219.
https://www.nejm.org/doi/full/10.1056/NEJMoa2035389
　　
Polack FP, Thomas SJ, Kitchin N, et al. Safety and Efficacy of the BNT162b2 mRNA Covid-19 Vaccine. N Engl J Med. 2020 Dec 31;383(27):2603-2615. doi: 10.1056/NEJMoa2034577. Epub 2020 Dec 10. PMID: 33301246; PMCID: PMC7745181.
https://www.nejm.org/doi/full/10.1056/NEJMoa2034577
　　
∎【註2】
Xiaoman Wei, Xiang Li, Jie Cui, Evolutionary perspectives on novel coronaviruses identified in pneumonia cases in China, National Science Review, Volume 7, Issue 2, February 2020, Pages 239–242, https://doi.org/10.1093/nsr/nwaa009
　　
∎【註3】
▶蘇一峰 醫師：https://www.facebook.com/bsbipoke
▶中時新聞網 「mRNA疫苗臨床試驗95％有效 醫：哪國搶到就能結束比賽」：
https://www.chinatimes.com/realtimenews/20210104004141-260405?chdtv
　　
∎【註4】
( 台大醫院 National Taiwan University Hospital-基因分子診斷實驗室)「DNA、RNA 以及蛋白質」：https://www.ntuh.gov.tw/gene-lab-mollab/Fpage.action?muid=4034&fid=3852
　　
∎【註5】
《科學人》粉絲團 - 「新冠病毒知多少？」：https://sa.ylib.com/MagArticle.aspx?id=4665
　　
∎【註6】
(報導者 The Reporter)【肺炎疫情關鍵問答】科學解惑 - 10個「為什麼」，看懂COVID-19病毒特性與防疫策略：https://www.twreporter.org/a/covid-19-ten-facts-ver-2
　　
∎【註7】
科學月刊 Science Monthly - 「讓免疫系統再次偉大！mRNA疫苗會是COVID-19的救世主嗎？」：https://www.scimonth.com.tw/tw/article/show.aspx?num=4823&page=1
　　
∎【註8】
GeneOnline 基因線上 「4 大 COVID-19 疫苗大解密！」 ：https://geneonline.news/index.php/2021/01/04/4-covid-vaccine/
　　
∎【註9】
(CDC)了解mRNA COVID-19疫苗
https://chinese.cdc.gov/coronavirus/2019-ncov/vaccines/different-vaccines/mrna.html
　　
➤➤照片
∎【註4】：
圖1、分子生物學中心法則
　　
∎【註7】：
圖2：mRNA 疫苗設計原理
圖3：mRNA 疫苗設計流程圖
　　
　　
2. 【國衛院論壇出版品 免費閱覽】
▶國家衛生研究院論壇出版品-電子書(PDF)-線上閱覽:
https://forum.nhri.org.tw/publications/
　　
3. 【國衛院論壇學術活動】
▶https://forum.nhri.org.tw/events/
　　
#國家衛生研究院 #國衛院 #國家衛生研究院論壇 #國衛院論壇 #衛生福利部 #疾病管制署 #COVID-19 #mRNA疫苗 #新英格蘭醫學醫學期刊 #NEJM

衛生福利部 / 疾病管制署 - 1922防疫達人 / 財團法人國家衛生研究院 / 國家衛生研究院-論壇