關於 生物學領域 ，我們在網路上蒐集到這些相關的討論、資訊與評價

[科技未來 如果成真]實例: 挽救生命的合成生物學解決方案

如果我們能夠將物理學和生物學相結合，在矽晶片表面迅速研發出經濟實惠的新型個體化藥物，用於治療癌症、代謝紊亂和傳染病，那會怎麼樣？現在想像一下，如果這種突破性技術能夠利用大自然的力量，並為人類提供應對醫藥、製造業和農業領域最關鍵挑戰的途徑，又會怎麼樣。

合成生物學並非科幻小說中遙不可及的幻想，而是一項革命性的跨學科新技術，旨在使生物學技術輕鬆實現工程設計。這項技術融合了化學、生物學、電腦科學和工程學的各種先進技術，用於設計和製造自然界中不存在的生物組分、解決方案和系統。可以將合成生物學看作是一個基於生物學的工具包，它使用抽象、標準化和自動化構造來改變我們構建生物系統的方式，並擴展可行產品的範圍。

Evonetix一直在重新定義生物學和開發一種以前所未有的精度和規模合成長鏈DNA的截然不同的解決方案。這家生物技術初創公司的使命是促進合成生物學領域的快速發展，提高開發合成生物解決方案（如可以挽救生命的疫苗）的質量和速度並降低其成本，從而改善全球人口健康。

為了快速開發先進平台並將其推向市場，Evonetix需要一個具有深厚領域知識、生物傳感器解決方案、MEMS處理和半導體精密製程專業知識的合作夥伴。 Evonetix選擇攜手ADI公司及其創新中心Analog Garage，助力實現願景，並將DNA合成交到全球每一位研究人員的手中。

完整故事請見https://www.analog.com/en/signals/articles/synthetic-biology-life-saving-solutions.html

「它將改變一切！」

DeepMind AI解決生物學50年來重大挑戰，破解蛋白質分子折疊問題。

本週振奮全球AI界的消息：Google旗下人工智能企業DeepMind發布了最新 AlphaFold成果，這是全球AI界無比振奮的重大科研突破。蛋白質存在於我們世界中的所有有機物體及奧妙人體中，全新的AlphaFold 算法揭秘了生物學界50年來試圖破解蛋白質分子折疊的難題，這項AI帶來的重大突破，將幫助科學家弄清某些困擾人們的疾病機制、加速找出新型流行病的具體原因（比如今年的全球新冠大流行），促進新藥設計、幫助農業增產、解析可有效降解廢棄物的嶄新成分、甚至探索為大氣減碳的全新解決方案。

我特別期待 AlphaFold 能為人類健康、環境生活推向更寬廣的可能性。在魔幻2020 最後一個月，這真是一個讓人懷抱希望的全新技術可能性，期待 AlphaFold之後締造更多 AI for Good 落地應用。

以下文章詳盡解釋了這項突破，內容經《機器之心》微信公眾號授權轉載。

▎生物學界最大的謎團之一，蛋白質折疊問題被 AI 破解了。

11 月 30 日，一條重磅消息引發了科技界所有人的關注：谷歌旗下人工智能技術公司 DeepMind 提出的深度學習算法「Alphafold」破解了出現五十年之久的蛋白質分子折疊問題。

最新一代算法 Alphafold 2，現在已經擁有了預測蛋白質 3D 折疊形狀的能力，這一複雜的過程對於人們理解生命形成的機制至關重要。

DeepMind 重大科研突破的消息一出即被《Nature》、《Science》等科學雜誌爭相報導，新成果也立刻獲得了桑達爾 · 皮查伊、伊隆 · 馬斯克等人的祝賀。

科學家們表示，Alphafold 的突破性研究成果將幫助科研人員弄清引發某些疾病的機制，並為設計藥物、農作物增產，以及可降解塑料的「超級酶」研發鋪平道路。

「這是該研究領域激動人心的一刻，」DeepMind 創始人、首席執行官德米斯 · 哈薩比斯說道。 「這些算法今天已經足夠成熟強大，足以被應用於真正具有挑戰性的科學問題上了。」

蛋白質對於生命至關重要，它們是由氨基酸鏈組成的大型複雜分子，其作用取決於自身獨特的 3D 結構。弄清蛋白質折疊成何種形狀被稱為「蛋白質折疊問題」。在過去 50 年裡，蛋白質折疊一直是生物學領域的重大挑戰。

DeepMind 的 AlphaFold 讓人類在這一問題上取得了重要突破。在今年的國際蛋白質結構預測競賽 CASP 中，DeepMind 開發的 AlphaFold 最新版本擊敗了其他選手，在準確性方面比肩人類實驗結果，被認為是蛋白質折疊問題的解決方案。這一突破證明了 AI 對於科學發現，尤其是基礎科學研究的影響。

在兩年一次的 CASP 競賽中，各組爭先預測蛋白質的 3D 結構。今年，AlphaFold 擊敗了所有其他小組，並在準確性方面與實驗結果相匹配。

對於不熟悉生物領域的人來說，CASP 的大名可能有些陌生——CASP 全稱 The Critical Assessment of protein Structure Prediction，旨在對蛋白質結構預測進行評估，被譽為蛋白質結構預測的奧林匹克競賽。 CASP 從 1994 年開始舉辦，每兩年一屆，目前正在進行的一屆是 11 月 30 日開始的 CASP14。

而 DeepMind 這一突破有什麼影響？

用哥倫比亞大學計算生物學家Mohammed AlQuraishi 在Nature 文章中的話來說，「可以說這將對蛋白質結構預測領域造成極大影響。我懷疑許多人會離開該領域，因為核心問題已經解決。這是一流的科學突破，是我一生中最重要的科學成果之一。」

▎蛋白質折疊問題

蛋白質的形狀與它的功能密切相關，而預測蛋白質結構對於理解其功能和工作原理至關重要。很多困擾全人類的重大問題（如尋找分解工業廢料的酶）基本上都與蛋白質及其扮演的角色有關。

多年以來，蛋白質結構一直是熱門的研究話題，研究者使用核磁共振、X 射線、冷凍電鏡等一系列實驗技術來檢測和確定蛋白質結構。但這些方法往往依賴大量試錯和昂貴的設備，每種結構的研究都要花數年時間。

1972 年，美國科學家 Christian Anfinsen 因「對核糖核酸酶的研究，特別是對其氨基酸序列與生物活性構象之間聯繫的研究」獲得諾貝爾化學獎。在頒獎禮上，他提出了一個著名的假設：從理論上來說，蛋白質的氨基酸序列應該可以完全決定其結構。這一假設引發了長達五十年的探索，即僅僅基於蛋白質的一維氨基酸序列計算出其三維結構。

但這一思路的挑戰在於，在形成三維結構之前，蛋白質的理論折疊方式是一個天文數字。 1969 年，Cyrus Levinthal 指出，如果使用蠻力計算的方式來枚舉一種蛋白質可能存在的構象，要花費的時間甚至比宇宙的年齡還要長。 Levinthal 估計，一種蛋白質大約存在 10^300 種可能構象。但在自然界中，蛋白質會自發折疊，有些只需幾毫秒，這被稱為 Levinthal 悖論。

CASP 14 比賽最新結果：AlphaFold 中位 GDT 高達 92.4

CASP 競賽由 John Moult 和 Krzysztof Fidelis 兩位教授於 1994 年創立，每兩年進行一次盲審，以促進蛋白質結構預測方面的新 SOTA 研究。

一直以來，CASP 選擇近期才經過實驗確定的蛋白質結構，作為參賽團隊測試其蛋白質結構預測方法的目標（有些結構即使在評估時仍然處於待確定狀態）。這些蛋白質結構不會事先公佈，參賽者也必須對其結構進行盲測，最後將預測結果與實驗數據進行對比。正是基於這種嚴苛的評估原則，CASP 一直被稱為預測技術評估方面的「黃金標準」。

CASP 衡量預測準確率的主要指標是 GDT（Global Distance Test），範圍從 0 到 100，可以理解為預測的氨基酸殘基在正確位置閾值距離內的百分比。 John Moult 教授表示，GDT 分數在 90 分左右，即可視為對人類實驗方法具備競爭力。

在剛剛公佈的第14 屆CASP 評估結果中，DeepMind 的最新AlphaFold 系統在所有預測目標中的中位GDT 達到92.4，意味其平均誤差大概為1.6 埃（Angstrom），相當於一個原子的寬度（或0.1納米）。即使在難度最高的自由建模類別中，AlphaFold 的中位 GDT 也達到了 87.0。

歷屆 CASP 競賽自由建模類別中預測準確率中位數的提升情況，度量指標為 BEST-OF-5 GDT。

CASP 競賽自由建模類別中的兩個目標蛋白質示例。 AlphaFold 能夠預測出高度準確的蛋白質結構。

這些令人振奮的結果開啟了生物學家使用計算結構預測作為科研主要工具的時代。 DeepMind 提出的方法對於某些重要的蛋白質類別尤其有用，例如膜蛋白（membrane protein）。膜蛋白很難結晶，因此很難通過實驗方法來確定其結構。

該計算工作代表了在蛋白質折疊這一具備 50 年曆史的生物學問題上的驚人進展，比該領域人士成功預測蛋白質折疊結構早了幾十年。我們將很興奮，它能從多個方面對生物學研究帶來基礎性改變。 ——Venki Ramakrishnan 教授（諾貝爾獎得主，英國皇家學會會長）

▎DeepMind 這樣解決蛋白質折疊問題

2018 年，DeepMind 團隊使用初始版 AlphaFold 參加 CASP13 比賽，取得了最高的準確率。之後，DeepMind 將 CASP13 方法和相關代碼一併發表在 Nature 上。而現在，DeepMind 團隊開發出新的深度學習架構，並使用該架構參加 CASP14 比賽，達到了空前的準確率水平。這些方法從生物學、物理學、機器學習，以及過去半個世紀眾多科學家在蛋白質折疊領域的工作中汲取靈感。

我們可以把蛋白質折疊看作一個「空間圖」，節點表示殘基（residue），邊則將殘基緊密連接起來。這個空間圖對於理解蛋白質內部的物理交互及其演化史至關重要。對於在 CASP14 比賽中使用的最新版 AlphaFold，DeepMind 團隊創建了一個基於注意力的神經網絡系統，並用端到端的方式進行訓練，以理解圖結構，同時基於其構建的隱式圖執行推理。該方法使用進化相關序列、多序列比對（MSA）和氨基酸殘基對的表示來細化該圖。

通過迭代這一過程，該系統能夠較強地預測蛋白質的底層物理結構，並在幾天內確定高度準確的結構。此外，AlphaFold 還能使用內部置信度度量指標判斷預測的每個蛋白質結構中哪一部分比較可靠。

DeepMind 團隊在公開數據上訓練這一系統，這些數據來自蛋白質結構數據庫（PDB）和包含未知結構蛋白質序列的大型數據庫，共包括約 170,000 個蛋白質結構。該系統使用約 128 個 TPUv3 內核（相當於 100-200 個 GPU）運行數週，與現今機器學習領域出現的大型 SOTA 模型相比，該系統所用算力相對較少。

此外，DeepMind 團隊透露，他們準備在適當的時候將這一 AlphaFold 新系統相關論文提交至同行評審期刊。

AlphaFold 主要神經網絡模型架構概覽。該模型基於進化相關的蛋白質序列和氨基酸殘基對運行，迭代地在二者的表示之間傳遞信息，從而生成蛋白質結構。

▎對現實世界的潛在影響

「讓 AI 突破幫助人們進一步理解基礎科學問題」，經過 4 年的研究攻關，現在 AlphaFold 正在逐步實現 DeepMind 初創時的願景，在藥物設計和環境可持續性等領域都產生了重要的影響。

馬克斯· 普朗克演化生物學研究所所長，CASP 評估員Andrei Lupas 教授表示：「AlphaFold 的精確模型讓我們解決了近十年來被困擾的蛋白質結構，重新啟動關於信號如何跨細胞膜傳輸的研究。 」

DeepMind 表示願與其他研究者合作，以進一步了解 AlphaFold 在未來幾年的潛力。除了作用於經過同行評審的論文以外，DeepMind 還在探索如何以最佳的可擴展方式為系統提供更廣泛的訪問可能。

同時，DeepMind 的研究者還研究了蛋白質結構預測如何幫助人們理解一些特殊的疾病。例如，通過幫助識別存在故障的蛋白質，並推斷其相互作用的方式，來理解一些疾病的原理。這些信息能夠讓藥物開發更加精確，從而補充現有的實驗方法，並更快找到更有希望的治療方法。

AlphaFold 是十分卓越的，它在預測結構蛋白質的速度和精度上有著驚人的表現。這一飛躍證明了計算方法對於生物學中的轉換研究，加速藥物研發過程都具有廣闊的前景。

同時許多證據也表明，蛋白質結構預測在未來的大流行應對上是有用的。今年早些時候，DeepMind 使用 AlphaFold 預測了包括 ORF3a 在內的幾種未知新冠病毒蛋白質結構。在 CASP14 中，AlphaFold 預測了另一種冠狀病毒蛋白質 ORF8 的結構。目前，實驗人員已經證實了 ORF3a 和 ORF8 的結構。儘管具有挑戰性，並且相關序列很少，但與實驗確定的結構相比，AlphaFold 在兩種預測上都獲得了較高的準確率。

除了加速對已知疾病的了解，AlphaFold 還具備很多令人興奮的技術潛力：探索數億個目前還沒有模型的數億蛋白質，以及未知生物的廣闊領域。由於 DNA 指定了構成蛋白質結構的氨基酸序列，基因組學革命使大規模閱讀自然界的蛋白質序列成為可能——在通用蛋白質數據庫（UniProt）中有 1.8 億個蛋白質序列。相比之下，考慮到從序列到結構所需的實驗工作，蛋白質數據庫（PDB）中只有大約 170000 個蛋白質結構。在未確定的蛋白質中可能有一些新的和未確定的功能——就像望遠鏡幫助人類更深入的觀察未知宇宙一樣，像 AlphaFold 這樣的技術可以幫助找到未確定的蛋白質結構。

▎開創新的可能

AlphaFold 是 DeepMind 迄今為止取得的最重要進展之一，但隨著後續科學研究的開展，依然有很多問題尚待解決。 DeepMind 預測的結構並非全部都是完美的。還有很多要學習的地方，包括多蛋白如何形成複合體，如何與 DNA、RNA 或者小分子交互，以及如何確定所有氨基酸側鏈的精確位置。此外，在與他方合作的過程中，還需要學習如何以最好的方式將這些科學發現應用在新藥開發以及環境管理方式等諸多方面。

對於所有致力於科學領域中計算和機器學習方法的人而言，像 AlphaFold 這樣的系統彰顯了 AI 作為基礎探索輔助工具的驚人潛力。正如 50 年前 Anfinsen 提出的遠超當時科研能力所及的挑戰一樣，這個世界依然有諸多未知的方面。

DeepMind 取得的這一進展令人們更加堅信，AI 將成為人類擴展科學知識邊界的最有用工具之一，同時也期待未來多年的艱苦工作能夠帶來更偉大的發現。

影片及原文，參考 DeepMind官方部落客 https://deepmind.com/blog/article/alphafold-a-solution-to-a-50-year-old-grand-challenge-in-biology

以人體構造來看，人類根本無法輕易離開地球啊😭

【百年抗疫:1918後，被流感改變的世界】(Influenza: The Hundred Year Hunt to Cure the Deadliest Disease in History)

這本書其實是在新冠病毒流行前就撰寫好的，主要是作者希望能夠追查分析從1918年西班牙流感(倒楣的西班牙其實他們根本不是發源地)之後，當時人類的反省，跟所使用的藥物與治療方式和人類的文明發展究竟有甚麼改變。

這本書中間提到了好幾個很特別的議題，包含了美國的1976疫苗接種爭議，包含了媒體面對1918年疫情的低調與瞞報，包含了美國為了每一次流感疫情而儲備的戰略物資(但他沒說為什麼這次新冠疫情流行中那麼多的口罩跟防護服卻沒派上用場)~~~317頁的短短作品，建議各位一看。

【作者簡介

傑瑞米．布朗（Jeremy Brown）

　　資深急診醫師，美國衛生研究院（NIH）緊急醫療研究辦公室主任。
　　布朗博士在英國倫敦長大，曾就讀於英國知名學府倫敦大學學院醫學院，並在美國波士頓醫學中心完成急診醫學的住院實習。

　　在進入美國衛生研究院服務之前，他先在喬治華盛頓大學急診醫學部擔任研究主任，並曾任急診科愛滋病毒監測計畫創始主任，期間他曾獲得美國衛生研究院三筆資助用於研究一項新的腎結石療法，並在大學部教授臨床研究、宗教與科學課程。

　　他是四十多篇經學術領域同儕審查過的論文和四本書的作者，其中包括牛津大學出版社出版的兩本急診醫學教科書。
　　他目前與妻子住在馬里蘭州銀泉市。
　　他的觀點文章發表在《紐約時報》和《華盛頓郵報》上，也為大眾科學雜誌《發現》撰稿。

譯者簡介

王晨瑜

　　復旦大學生物學系畢，復旦大學藥學碩士，目前從事醫藥風險投資。】

本集主題：「演算法的一百道陰影：從Facebook到Google，假新聞與過濾泡泡，完整說明解析、影響、形塑我們的演算法」介紹

訪問編輯： 王正緯

內容簡介：
從選餐廳到選總統，演算法正全面影響我們的生活？
Facebook和劍橋分析公司分享用戶個資，讓演算法操弄人心？
Google的搜尋演算法暗藏性別與種族歧視？

讓應用數學權威帶我們一一解答以上的問題。

　　我們對科技與網路的仰賴有如開了一扇窗，讓數學家和資料研究者得以窺探我們的生活。他們不斷蒐集資料，了解我們去哪裡旅行、上哪裡購物、買些什麼、對什麼感興趣，進而預測我們的生活習慣。有些人甚至宣稱，這些資料就足以操弄人心、改變國家輿論。但這些資料到底多可靠？唯有了解數學做得到和做不到什麼，才能明白演算法正如何改變我們的生活。

演算法到底能多了解我們？
2018年Facebook爆出與劍橋分析公司分享用戶個資的事件。劍橋分析公司宣稱，他們能從資料中分析出個人的政治傾向，以針對這些人投放量身打造的競選宣傳。然而這些劍橋分析公司取得的資料，真的能讓他們做成一個完整的「人格分析」演算法嗎？另外，Google引以為傲的搜尋演算規則，是否會擴大我們的偏見，讓我們「學會」歧視？

了解演算法，不必再對科技擔心受怕
　　演算法和操弄人心的恐慌正在蔓延，而本書作者帶領我們遍觀各種演算法，看見數學不為人知的一面。藉由訪問走在演算法研究最前端的科學家並自己做數學實驗分析佐證，作者除了解釋數學與統計如何運用於現實生活，也說明了現今社群演算法的能力與極限，讓我們更了解現今的網路服務是如何影響我們。

作者簡介：桑普特David Sumpter
　　現任瑞典烏普薩拉大學應用數學系教授。於英國倫敦出生，蘇格蘭長大，在曼徹斯特大學取得數學博士學位，曾於牛津大學擔任皇家學院訪問學者，後至瑞典任教，研究領域包括魚群及蟻群的運作機制、足球隊的傳球路線分析、社會隔離、機器學習及人工智慧等等。
　　除了為《經濟學人》、《電訊報》、《當代生物學》期刊、《今日數學》等雜誌撰寫文章，桑普特也獲得數學暨數學應用學院（IMA）的凱薩琳．理查茲獎，獎勵他向大眾推廣數學的貢獻。Soccermatics是他的第一本書。

出版社粉絲頁： 貓頭鷹書房

YouTube頻道，可以收看
https://goo.gl/IQXvzd

podcast平台，可以收聽
SoundOn　https://bit.ly/3oXSlmF
Spotify　https://spoti.fi/2TXxH7V
Apple　https://apple.co/2I7NYVc
Google　https://bit.ly/2GykvmH
KKBOX　https://bit.ly/2JlI3wC
Firstory　https://bit.ly/3lCHDPi

請支持六個粉絲頁
李基銘主持人粉絲頁：https://www.facebook.com/voh.lee
李基銘新聞報粉絲頁：https://www.facebook.com/voh.twnews
李基銘的影音頻道粉絲頁：https://www.facebook.com/voh.video
漢聲廣播電台「fb新鮮事」節目粉絲頁：https://www.facebook.com/voh.vhbn
漢聲廣播電台「快樂玩童軍」節目粉絲頁：https://www.facebook.com/voh.scout
漢聲廣播電台「生活有意思」節目粉絲頁：https://www.facebook.com/voh.life

今天理查在解題時，
學生提問肛門屬於身體的哪個系統？
你知道答案嗎？讓我們繼續看下去！
#生物學剔除
#肛門屬於哪個系統
#國中生
----------------------------------------------------------
⚗想看更多理查老師生活👇
瘋狂理查FB➡https://goo.gl/a8owhN
瘋狂理查IG➡qrain0519
----------------------------------------------------------
◤第一季全紀錄(精華片段)◢
▶https://goo.gl/wVUaQs
◤理查實驗室EP1◢試做古早味超級大椪糖
▶https://goo.gl/AGwUMu
◤理查實驗室EP2◢遇到山難也餓不死?教你熱量的概念啦
▶https://goo.gl/mmdVo3
◤理查實驗室EP3◢不用練武功!用物理完美斬玻璃
▶https://goo.gl/WqUYp6
◤理查實驗室EP4◢火燒房子啦~在家也能放天燈嗎?
▶https://goo.gl/emY5W5
◤理查實驗室EP5◢百支仙女棒一起燃燒會有多鎂?
▶https://goo.gl/6XvdR9
◤理查實驗室EP6◢自製電石炸彈發出有如巨砲般聲響
▶https://goo.gl/bSCXMm
◤理查實驗室EP7◢用信號彈材料製作引線結果變煙霧彈
▶https://goo.gl/Doy9iE
◤理查實驗室EP8◢召喚來自未知領域的暗黑物質
▶https://goo.gl/nfwrQp
◤理查實驗室EP9◢造化弄人的皂化反應ft.C.Herstory手工皂
▶https://goo.gl/KLKt7v
◤理查實驗室EP10◢用日式烤麻糬製作白玉螺旋丸
▶https://goo.gl/QAnLSr
◤理查實驗室EP11◢瘋狂氫氣大爆炸
▶https://goo.gl/ZePTBR