Search
【歷史回顧】諾貝爾醫學獎的亞歷山大·弗萊明 (Alexander Fleming) 於1928 年在研究流感病毒時，觀察到黴菌在葡萄球菌培養皿上意外形成，並且黴菌在自身周圍形成了一個無菌圈。他將活性物質命名為青黴素，亦是抗生素領域開創的先河。
https://pc3mag.com/penicillin-928days/
#二次世界大戰 #抗生素 #當年今日 #病毒 #藥物 #諾貝爾 #青黴素
————————————————————
記得Follow埋小編我哋PC3嘅帳號哦
MeWe:https://bit.ly/3mvanuO
Facebook:https://bit.ly/39zmTG8
Instgram:https://bit.ly/3gZz7b2
Youtube:https://bit.ly/37mQDdG10
————————————————————
設定小編我哋PC3專頁「搶先看」！優先取得科技生活著數玩樂情報
設定教學：https://bit.ly/335Fwwp
[RESEARCH SERIES] Alexander Fleming - NGƯỜI BẮT ĐẦU KỶ NGUYÊN MỚI CỦA KHÁNG SINH
Năm 1929, Alexander Fleming xuất bản bài báo của mình phác thảo các đặc tính kháng khuẩn của penicillin, và bắt đầu kỷ nguyên kháng sinh trong y học. Ông là nhà sinh học và đồng thời là một nhà dược lý học người Scotland. Khám phá nổi tiếng nhất của ông là enzyme lysozyme vào năm 1923 và chất kháng sinh có hiệu quả rộng rãi đầu tiên trên thế giới benzylpenicillin (Penicillin G) từ nấm mốc Penicillium rubens vào năm 1928, nhờ đó ông đã được trao giải Nobel Sinh lý học hoặc Y học năm 1945 cùng với Ernst Boris Chain và Howard Walter Florey. Ông đã viết nhiều bài báo về vi khuẩn học, miễn dịch học, và hóa trị.
Và mọi người biết gì không? Bài báo của ông cách đây 98 năm vẫn còn được lưu truyền và là báu vật của các nhà nghiên cứu y học. Schofan nào muốn đọc thêm về bài báo này chị đính kèm link bên dưới nha.
Cả nhà có muốn series về nghiên cứu này sẽ có nhiều điều thú vị về khoa học như thế này không? Cmt bên dưới cho chị biết với nhé <3
ว่าด้วยเรื่องของ "n"
ช่วงนี้มีดราม่าค่อนข้างดังเกี่ยวกับการที่นายแพทย์ศูนย์วิจัยชื่อดังแห่งหนึ่ง ได้นำผลการทดลองที่มี "n=2" มาอ้างอิง อันเป็นผลให้คนทำมีมกันมากมาย ไปจนถึงมีอาจารย์ประจำสถาบันชื่อดังอีกแห่งหนึ่ง มาพยายามแย้งว่างานวิจัยที่ "n=1" มีตั้งเยอะแยะ ไปจนถึง "ขนาดไอสไตน์ยัง n=0"
แน่นอนว่าขึ้นชื่อว่าเป็นดราม่ามันก็เป็นเรื่องน่าปวดหู ไม่ค่อยสร้างสรรค์เท่าไหร่ แต่ในความไม่สร้างสรรค์นี้ มันก็เป็นโอกาสดีที่จะทำให้คนทั่วๆ ไปได้ตื่นตัวมากขึ้นเกี่ยวกับวิทยาศาสตร์ และหลักการที่ถูกต้องของวิทยาศาสตร์ ความยากลำบากก่อนที่จะมาเป็นงานวิจัยตีพิมพ์ที่ได้รับการยอมรับ ฯลฯ พูดง่ายๆ ก็คือ นอกจากโอกาสนี้คงจะไม่มีโอกาสอื่นอีกแล้วที่จะสามารถเขียนโพสต์อธิบายให้คนเข้าใจได้เกี่ยวกับ "n" และความสำคัญของมัน
- "n" คืออะไร?
"n" ก็คือตัวอักษรภาษาอังกฤษตัวที่ 14... โอเค จริงจังกว่านั้นหน่อย "n" ก็คือ "ตัวแปร" ซึ่งเป็นภาษาหรูๆ ที่แปลว่ามันเป็นตัวแทนของอะไรสักอย่างหนึ่ง ซึ่งเราจะแทนเป็นอะไรก็ได้ แต่โดยธรรมเนียมปฏิบัติของสายคณิตศาสตร์ วิทยาศาสตร์ และสถิติแล้ว เรามักจะใช้ "n" แทนจำนวนนับจำนวนหนึ่ง (ซึ่งน่าจะมาจากที่ "N" เป็นตัวแทนของ Natural numbers หรือจำนวนนับนั่นเอง) และในแง่ของการทดลอง เรามักจะใช้ n แทนจำนวนครั้งที่ได้ทำการทดลองก่อนที่จะได้ผลตามที่รายงาน เช่น "n=2" แสดงว่าได้มีการทำการทดลองทั้งสิ้นสองครั้ง "n=88" แสดงว่าผลการทดลองนี้เกิดมาจากการวัด 88 ครั้ง เป็นต้น
- ทำไมต้องมี "n"? ทำไมเราต้องทดลองซ้ำ?
หลักการที่สำคัญอย่างหนึ่งของวิทยาศาสตร์ก็คือ "Reproducibility" นั่นก็คือไม่ว่าใครก็ตามจะต้องสามารถทำการทดลองซ้ำ และได้ผลไปในทางเดียวกัน และหากมีใครทดลองซ้ำแล้วไม่ได้ ผลการทดลองนั้นก็ต้องตกไป (แล้วค่อยไปว่ากันอีกทีว่ามันผิดตรงไหน) ตัวอย่างที่ดีอย่างหนึ่งของกรณีนี้ที่เพิ่งเกิดขึ้นมาไม่นาน ก็คือกรณีที่มีการค้นพบฟอสฟีนบนชั้นบรรยากาศของดาวศุกร์ ที่มีการรายงานไปในวันที่ 14 กันยายน 2020[1] ซึ่งต่อมาได้ลองนำข้อมูลเดียวกันมาวิเคราะห์แต่กลับพบว่าไม่สามารถพบสัญญาณของฟอสฟีนได้อีกต่อไป จากการวิเคราะห์เพิ่มเติมจึงพบว่าสาเหตุมาจากขั้นตอนการลดทอนข้อมูลของทีมแรกที่ใช้พหุนามถึงดีกรี 12 บวกกับ confirmation bias ที่ผู้ทดลองพยายามจะ "หา" ในสิ่งที่ต้องการจะเจออยู่แล้ว จึงบังเอิญไปสร้างสัญญาณนั้นขึ้น ไม่ว่าจะโดยตั้งใจหรือไม่ก็ตาม[2] แต่ผลก็คือ การทดลองซ้ำนี้ทำให้เราทราบว่าปัจจุบันเรายังไม่มีหลักฐานใดว่ามีฟอสฟีนบนชั้นบรรยากาศของดาวศุกร์ (ซึ่งไม่ได้หมายความว่าไม่มี เราแค่ยังไม่รู้แน่ชัดว่ามีหรือไม่)
นอกจากนี้ ในการศึกษาทางวิทยาศาสตร์หลายๆ ครั้ง เราไม่สามารถศึกษาข้อมูลทั้งหมดได้ แต่เราจำเป็นต้องศึกษาเพียงส่วนหนึ่งของ "ประชากร" ไม่ว่าจะหมายถึงประชากรมนุษย์จริงๆ ในทางการแพทย์ หรือประชากรของ "ตัวอย่าง" ซึ่งอาจจะเป็นสิ่งของที่ไม่มีชึวิต เช่น ประชากรดาวฤกษ์ ที่แต่ละตัวอย่างนั้นอาจจะมีความแตกต่างกันออกไป และเราต้องการข้อสรุปบางอย่าง เพื่อจะเป็นตัวแทนที่อธิบายถึงลักษณะของประชากรนั้นๆ โดยรวม เราจึงจำเป็นต้องมีการสุ่มประชากร และใช้สถิติในการอธิบาย
เพราะเหตุใดเราจึงต้องทำการทดลองซ้ำ? ถ้าให้ตอบแบบง่ายๆ ก็คือ "เพื่อให้รู้ว่าเราไม่ได้ 'ฟลุ๊ค'" ลองนึกตัวอย่างง่ายๆ ว่าเราต้องการสำรวจน้ำหนักโดยเฉลี่ยของชาวเกาะแห่งหนึ่ง หากเราชั่งคนแรกได้ 103 กก. เราสามารถสรุปได้หรือไม่ ว่าชาวเกาะส่วนมากนั้นหนักเกิน 100 กก.? แน่นอนว่านี่ไม่ใช่คำตอบที่ถูก เพราะเราไม่มีทางทราบได้ว่าไอ้คนที่หนัก 103 กก. นั้น เป็นคนที่มีน้ำหนักเป็นค่าเฉลี่ย หรือว่าเรา 'ฟลุ๊ค' บังเอิญไปสำรวจคนที่หนักที่สุดบนเกาะพอดี
วิธีเดียวที่จะทำให้แน่ใจว่าเราไม่ได้ 'ฟลุ๊ค' ก็คือการสุ่มตัวอย่างอีกครั้งหนึ่ง ซึ่งแน่นอนว่าต่อให้เราสุ่มอีกครั้ง ก็ไม่มีอะไรการันตีว่าเราจะไม่ 'ฟลุ๊ค' ได้คนที่หนักที่สุดสองดันดับแรกของเกาะมาด้วยกันทั้งคู่ แต่อย่างน้อยเราก็รู้ว่าโอกาสที่จะฟลุ๊คเช่นนั้นมันก็ลดน้อยลงไปอย่างมาก และยิ่งเราเพิ่มประชากรมากเท่าใด ตราบใดที่กลไกในการ "สุ่ม" ของเรานั้นเป็นไปโดยสุ่มอย่างแท้จริง ก็ยิ่งมีโอกาสน้อยลงๆ ที่ประชากรที่เราสุ่มมานั้นจะมีน้ำหนักผิดปรกติไปจากค่าเฉลี่ย
ซึ่งยิ่งเรามี n เยอะเท่าไหร่ ก็จะยิ่งดี เพราะคงจะแทบเป็นไปไม่ได้เลยที่เราจะสุ่มเจอชาวเกาะ 10,000 คนที่น้ำหนักเกินร้อยพร้อมๆ กัน... เว้นเสียแต่ว่าชาวเกาะจำนวนมากนั้นมีน้ำหนักเกิน 100 กก. จริงๆ
ซึ่งค่า n ที่เหมาะสมนั้น ไม่มีกฏตายตัว ว่าจะต้องมี n อย่างน้อยเท่าไหร่จึงจะเพียงพอ ขึ้นอยู่กับปัจจัยหลายๆ อย่าง และในหลายๆ กรณีนั้นเราก็ไม่สามารถเพิ่ม n ได้มากไปเสียเท่าไหร่
แต่หากเราย้อนกลับไปที่เงื่อนไขของ reproducibility เราก็จะทำความเข้าใจได้ง่ายขึ้น สมมติว่าเราสุ่มน้ำหนักชาวเกาะมาสองคน เรามั่นใจได้แค่ไหนว่า หากมีนักวิจัยคนอื่นสุ่มน้ำหนักชาวเกาะมาอีกสองคน เขาจะได้ค่าเท่ากัน? ถ้าหากว่าเราไม่มีความมั่นใจว่าจะได้คำตอบเดิม ทางที่ดีที่สุดก็คือ "ทำซ้ำ" จนกว่าจะมั่นใจเพียงพอ แน่นอนว่าไม่มีอะไรบอกว่า n=1,000 นั้นจะเพียงพอแล้ว แต่ถึงระดับนั้นเราอาจจะมีความมั่นใจเพียงพอแล้วว่า หากคณะอื่นมาสำรวจด้วยกลไกการสุ่มแบบเดียวกับเรา น่าจะได้ผลที่ไม่ต่างจากเรามากเท่าใดนัก (ซึ่งเราอาจพูดได้ว่ามีความเกี่ยวข้องกับ Confidence Interval สามารถอ่านได้จากโพสต์ที่โพสต์ไปเมื่อวาน[3])
ซึ่งนี่เป็นเพียงการพูดแบบง่ายๆ ที่เราสามารถใช้สามัญสำนึกในการทำความเข้าใจได้ ในความเป็นจริงแล้วนักวิทยาศาสตร์นั้นมีกลไกทางสถิติอีกมากมายที่จะบอกว่าโอกาสที่ค่านั้นจะสะท้อนถึงค่าจริงของประชากรนั้นมากเพียงพอแล้วหรือยัง
- ขนาดไอสไตน์ยัง "n=0"
นี่เป็นความเข้าใจผิดอย่างหนึ่งที่คนมักจะมีต่อนักทฤษฎี คนมักจะเข้าใจกันว่านักทฤษฎีนั้นเพียงแค่คิดทฤษฎีออกมาก็จบแล้ว ซึ่งในฐานะที่เป็นนักวิจัยสาขาดาราศาสตร์ฟิสิกส์ภาคทฤษฎ๊ ผมขอตอบว่านี่ไม่เป็นความจริงแต่อย่างใด จริงอยู่ว่าหน้าที่ของนักทฤษฎ๊คือการคิดค้นและนำเสนอทฤษฎีใหม่ แต่... จุดประสงค์ของการคิดค้นทฤษฎีเหล่านั้นคือการนำมาอธิบายปรากฏการณ์ที่เกิดขึ้นในธรรมชาติ เราจึงทำการยืนยันทฤษฎีของเราได้ เพียงการนำมาทดสอบกับสังเกตการณ์จริงเพียงเท่านั้น
ทฤษฎีวิทยาศาสตร์นั้นจะต้องมี testable prediction ก็คือ จะต้องสร้างคำทำนายอะไรบางอย่างที่สามารถนำไปทดสอบได้จริง เช่น ผมซึ่งคิดค้นทฤษฎีแรงโน้มถ่วงใหม่ที่จะมาอธิบายแทนพลังงานมืด ผมอาจจะต้องเสนอว่าหากทฤษฎีของผมนั้นเป็นความจริง เราจะพบว่าการขยายตัวของเอกภพจะต้องแตกต่างกับกรณีที่มีพลังงานมืดในลักษณะนี้ และเราจะสามารถตรวจวัดความแตกต่างได้หากเราสังเกตใน CMB โดยใช้วิธีนี้ และหากข้อมูลนั้นมีอยู่แล้วผมอาจจะต้องยืนยันว่าเราสามารถสังเกตเห็นสัญญาณดังกล่าวได้จริง หรือนักทฤษฎีอีกสายอาจจะเพียงแค่ "เสนอ" และรอให้การสังเกตการณ์ในอนาคตเป็นตัวพิสูจน์ว่าทฤษฎีของเขานั้นจริงหรือไม่
ทฤษฎีของไอสไตน์ก็เช่นเดียวกัน ไม่ได้เป็นเพียง n=0 นั่งนึกทางในแล้วก็จบแต่อย่างใด แต่ไอสไตน์ต้องใช้ความพยายามเป็นอย่างมากในการแสดงให้เห็นว่าทฤษฎีนี้ไม่เพียงแต่สามารถอธิบายทฤษฎีแรงโน้มถ่วงได้พอๆ กันกับทฤษฎีของนิวตันอยู่เดิมแล้ว แต่ยังสามารถอธิบายปรากฏการณ์ที่นิวตันไม่สามารถอธิบายได้ เช่น การส่ายวงโคจรของดาวพุธ รวมไปถึงคำทำนายว่าจะสามารถสังเกตเห็นการเปลี่ยนตำแหน่งของดาวฤกษ์ระหว่างเกิดสุริยุปราคา ที่ Sir Arthur Eddington ได้ยืนยันในที่สุด และยังมีคำทำนายอื่นๆ อีกมากที่เราเพิ่งจะมายืนยันกันได้ในเร็วๆ นี้ เช่น frame-dragging effect โดย Gravity Probe B, Gravitational Wave โดย LIGO และอีกมากที่ยังรอคอยการยืนยัน
ดังนั้น จะเห็นได้ว่าแม้กระทั่งนักทฤษฎี ก็ยังต้องอ้างอิงการสังเกตการณ์ในการยืนยันทฤษฎี และไม่ใช่ n=0 อย่างที่เขากล่าวอ้าง
- มีการค้นพบอีกมากที่ "n=1"
มีคนยกตัวอย่างขึ้นมาถึง "การค้นพบเพนนิซิลลิน หาก Fleming แค่โยนจานเพาะเชื้อทิ้ง โดยปราศจากความสังเกตและการหาเหตุผลมาอธิบาย โลกนี้ก็จะไม่มีวันค้นพบ Penicillin"
แต่ความเป็นจริงแล้ว Alexander Flemming ผู้ค้นพบเพนนิซิลิน เขาก็ไม่ได้อ้างอิงมาจาก n=1 อย่างที่เข้าใจกันผิดๆ แต่เขาสังเกตจาก n นับล้านตัวของเชื้อรา ที่สามารถยับยั้งแบคทีเรียได้ (ไม่ใช่ว่ามองเพียงว่าหนึ่งจานเพาะเชื้อ แล้วก็บอกว่า n=1) และก็แน่นอนว่า Alexander Flemming นั้นก็ไม่ได้สรุปผลเพียงแค่จากจานเดียว เพราะเขาต้องไปทำการทดลองเพื่อยืนยันเพิ่มเติมอีกมากมาย
ความเป็นจริงแล้ว สาขาดาราศาสตร์นี่แหล่ะ ที่เป็นสาขาหนึ่งที่ยืนยันการค้นพบจาก n จำนวนน้อยๆ บ่อยครั้ง เนื่องจากปรากฏการณ์หลายๆ อย่างทางดาราศาสตร์นั้นอาจจะเป็น transient และเกิดขึ้นเพียงครั้งเดียว เช่น LIGO ค้นพบการชนกันของหลุมดำ[4] เนื่องจากหลุมดำนั้นจะไม่ได้เกิดการชนกันอีกแล้ว และคลื่นความโน้มถ่วงของการชนนั้นก็ผ่านเลยโลกของเราไปแล้ว และไม่ได้มีเครื่องตรวจวัดอื่นอีก เราจะยืนยันได้อย่างไรว่าการค้นพบนี้เกิดขึ้นจริง?
เช่นเดียวกัน แม้ว่าเหตุการณ์นี้จะเป็นเหตุการณ์เดียว แต่การยืนยันว่ามีการชนกันของคลื่นความโน้มถ่วงนั้น เกิดขึ้นจากจำนวนจุดข้อมูลนับพันจุด ซึ่งถูกนำไป fit กับโมเดลการเกิดคลื่นความโน้มถ่วง และตรงกันกับการรวมตัวกันของหลุมดำสองหลุมมวล 29 และ 36 เท่าของดวงอาทิตย์อย่างไม่ผิดเพี้ยน และนอกจากนี้ก่อนที่จะมาเป็นข้อมูลจะต้องมีการเทียบกับ baseline ก่อนที่จะยืนยันได้ว่าข้อมูลที่เกิดขึ้นนั้นมีนัยะสำคัญเป็นอย่างมากเทียบกับสัญญาณรบกวนปรกติ ไม่เพียงเท่านั้น คลื่นความโน้มถ่วงนี้ถูกยืนยันทั้งโดยเครื่องตรวจวัดที่ Hanford, Washington และ Livingston, Louisiana พร้อมกันโดยไม่ผิดเพี้ยน จึงเป็นการยากที่จะเกิดขึ้น "โดยบังเอิญ" และแท้จริงแล้วเกิดขึ้นจากข้อมูลเป็นจำนวนมาก และ n นับหลายล้านชุดข้อมูล
และถึงแม้ว่าการสังเกตการณ์ปรากฏการณ์หลายๆ อย่างในทางดาราศาสตร์นั้นจะไม่สามารถทำซ้ำได้ แต่เรายังพิจารณาเงื่อนไข Reproducibility ได้ว่า "ในทางทฤษฎีแล้ว หากเหตุการณ์เดิมเกิดขึ้นซ้ำอีก สังเกตโดยกล้องเดิมด้วยวิธีเดิม เราก็เชื่อว่าเราจะน่าได้ผลเช่นเดิม" ซึ่งนักดาราศาสตร์ก็ต้องทำทุกวิถีทางเพื่อที่จะให้แน่ใจว่าคำกล่าวเบื้องต้นนั้นเป็นความจริง และเราก็ได้ยืนยันโดยการทำการสังเกตการณ์ปรากฏการณ์อื่นที่ใกล้เคียงกันและได้ผลสอดคล้องกันอย่างต่อเนื่อง
- สรุป: เราสามารถทำการค้นพบที่ n=2 ได้หรือไม่?
คำตอบก็คือ "ขึ้นอยู่กับว่าเรากำลังพยายามจะสรุปผลว่าอะไร" ถ้าสมมติเราต้องการสรุปว่า "ฮิปโปสีชมพูบินได้มีอยู่จริง" แน่นอนว่าเราต้องการเพียงแค่ n=1 เพียงฮิปโปสีชมพูบินได้เพียงตัวเดียว เราก็สามารถยืนยันข้อสรุปของเราได้แล้ว และต่อให้เราพูดถึงภูมิที่เกิดจากวัคซีน หากเราต้องการสรุปแค่ว่า "วัคซีนทำให้เกิดภูมิ" ก็คงไม่ผิดอะไรหากจะใช้ภูมิจากประชากรคนเดียวในการยืนยัน (เพราะจริงๆ จำนวน antibody นับหมื่นที่ตรวจพบในเลือดต่างหาก ที่เป็นตัวยืนยัน)
แต่หากเราต้องการสรุปว่า "ประชากรที่ได้รับวัคซีนสามเข็มนี้มีภูมิในอัตราที่สูงกว่าประชากรที่ได้รับวัคซีนเพียงสองเข็มอยู่ถึง 30 เท่า" เราคงต้องถามว่าหากเราใช้เพียง n=2 เราจะมั่นใจได้อย่างไรว่าค่าที่วัดได้จากประชากรสองคนนั้น สามารถสะท้อนถึงประชากรผู้ที่จะฉีดวัคซีนสามเข็มในอนาคต และหากเราเจาะตรวจคนถัดไป เราจะยังพบว่าภูมิยังมากกว่าในปริมาณ 30 เท่าอยู่อีกหรือไม่?
ถ้าไม่ เราก็ควรจะรอจนกว่าจะแน่ใจในระดับหนึ่ง ก่อนที่จะมานำเสนอผลงานให้คนอื่นฟัง ไม่งั้นก็จะโดนทัวร์ลงเช่นนี้แล
อ้างอิง/อ่านเพิ่มเติม:
[1] https://www.facebook.com/matiponblog/photos/1407760732767462/
[2] https://www.facebook.com/matiponblog/photos/1440851326125069/
[3] https://www.facebook.com/matiponblog/photos/1633172406892959
[4] https://www.facebook.com/matiponblog/photos/427749910768554
靠資源回收一夜暴富，聽起來就像天方夜譚。但世界上真的有很多幸運兒，在不經意間被天上掉下的餡餅砸中。下面這些人無意間找到了寶藏，瞬間變成富翁，讓人超羨慕。
Track:：TheFatRat - Oblivion
Music provided by TheFatRat.
Watch：https://youtu.be/Gc3tqnhmf5U
Track:：TheFatRat - Elegy
Music provided by TheFatRat.
Watch：https://youtu.be/PL-uPCeXRzM
相關資料：
http://bit.ly/2IXgiIA
alexander fleming 在 Nobel Prize - “Mould juice” became penicillin. Alexander ... 的推薦與評價
Mould juice” became penicillin. Alexander Fleming first called the bacteria-killing substance that he had discovered in 1928 in moulds for "mould... ... <看更多>