達文西的 DNA 密碼 -- Holy Child 是誰畫的？

Holy Child 是一幅以紅粉筆描繪的男童，五官是以羽毛般輕柔的筆觸勾勒出來，暈塗法(sfumato)讓他的面容輪廓略顯朦朧。2000 年代初期，購得此畫的已故藝術經紀人 Fred Kline 曾說這幅畫具有達文西的特有風格，例如左手排線法(left-handed hatching)，暗示這幅可能是達文西的畫作，不過到底是不是達文西畫的仍有爭議，有專家表示這可能是他的學生所作。

▍鑒定挑戰

目前藝術品的真偽鑑定主要依賴專家的鑑賞力和風格分析，而近年來興起的藝術組學(arteomics)是試圖從畫布、顏料和紙張中提取生物痕跡，例如 DNA 或蛋白質，希望可以輔助專家的判斷。

達文西的作品常有爭議，尋找達文西的 DNA 已成為藝術組學的焦點，成功的話可能會徹底改變藝術界鑑定和保護珍貴文物的方式。

不過，由於達文西的墓地在 19 世紀時遭到破壞，目前沒有確定已知是達文西本人的 DNA 樣本可作為比對，而且他也沒有直系後代，可以用來鑒定的只有間接證據，像是其哥哥弟弟的 Y 染色體樣本，以及考古學家試圖從其親屬的墓穴中提取 DNA。

古代 DNA 的研究中，鑑定達文西的 DNA 可說是最困難的項目之一。

▍達文西 DNA 計畫 LDVP

LDVP (Leonardo da Vinci DNA Project) 成立於 2014 年，目的是找到達文西本人的 DNA。該計劃是由來自兩大洲、超過三十幾位科學家組成的跨領域團隊，他們從正職工作中擠出時間，並從公共和私人來源拼湊資金，並展開多條戰線上，包括對藝術品進行採樣，以及從從古代和現存的推定達文西親屬身上提取 DNA。

▍達文西家族

達文西的父親 Ser Piero da Vinci 是佛羅倫斯的一位官員，他和好幾位女性生下了至少 23 個孩子。

達文西(Leonardo da Vinci)是在 1452 年出生於義大利 Vinci 附近的托斯卡尼 Anchiano 小村，身為一名公證人的私生子，他後來崛起成為文藝復興時期最耀眼的博學者(polymaths)之一。他解剖屍體以描繪解剖結構，繪製河川水流圖以設計運河，並在第一架直升機起飛前的數個世紀就草繪了直升機。他留下的畫作不到 20 幅，其中《蒙娜麗莎》和《最後的晚餐》最為著名，以及數千張素描、草圖和筆記，這些在 5 個世紀後繼續提供新的見解。

達文西於 1519 年 5 月 2 日在法國逝世，並安葬於 Amboise 的聖胡貝特禮拜堂(Chapel of Saint-Hubert)。

Museo Ideale Leonardo da Vinci 博物館館長 Alessandro Vezzosi 和達文西遺產協會的系譜學家 Agnese Sabato 仔細鑽研了教區名冊、遺囑和地契，以重建達文西的父系血統，自他於 1331 年出生的祖父直到現在。

在 2025 年 5 月出版的一本 400 頁巨著中，這兩人追溯了四條源自 Ser Piero da Vinci 且延續了 21 代未中斷的男性血脈。他們確認了 15 位在世的男性後代，其中一位在 12 月過世，現在是 14 位。

Ser Piero da Vinci 的墓在佛羅倫斯，但目前為止 LDVP 還無法進入。最近的歷史研究顯示，達文西的父系祖父 Antonio、一位叔叔和兩位同父異母的手足被埋葬在文西鎮聖十字教堂(Church of Santa Croce)的家族墓穴中，這座教堂在 20 世紀初曾整修過。

▍達文西的 DNA

第一步是鑑定出一些達文西的 DNA，以便與任何可能從藝術品中提取的遺傳物質進行比對。雖然負責 Amboise 墓地的官員表示研究團隊可以進入墓地採樣，但前提是他們必須先從其他地方分離出推定的達文西 DNA。

其他地方是哪裡？

Amboise 墓地裡的毛髮

他們想到 1863 年的時候，小說家兼經理人 Arsène Houssaye 曾經在 Amboise 墓地進行的挖掘，當時發現了一個頭骨和一綹金色毛髮，被認為是達文西的。這綹頭髮消失了數十年，直到 2019 年才重新現世，當時一位私人收藏家將其展覽在 Museo Ideale Leonardo da Vinci。

LDVP 團隊對單根頭髮進行放射性碳定年，從頭髮中提取古代 DNA 的好處是可以清除其表面的汙染物。

達文西的家族墓穴

接著，他們檢驗頭髮和藝術品中的粒線體 DNA，其含量約為細胞核染色體 DNA 的 100 倍，但粒線體 DNA 是遺傳自母親，而沒人知道達文西的母親 Caterina 葬在哪裡，她生下達文西時是一名 16 歲的僕人。

於是，LDVP 轉向男性親屬，想從 Y 染色體下手。Y 染色體的許多區段幾乎原封不動地從父親傳給兒子，不會像大多數染色體那樣與來自母親的基因發生重組。因此，Y 染色體可以保存一條跨越數世紀的生物軌跡。

2024 年 4 月，佛羅倫斯大學(UNIFI)的考古學家去家族墓穴展開了為期一個月的挖掘工作，他們挖掘出了玻璃珠、十字架、珠寶，以及來自大約五到六個人的遺骨，其中三塊是保存完好的骨頭，兩塊岩部顳骨(petrous temporal bones)和一塊內耳骨。放射性碳分析顯示其中一塊岩部顳骨的年代介於 1421 年至 1457 年之間，正是達文西祖父在世的時候，他們確認該個體為男性。

達文西的畫作

J. Craig Venter 的研究團隊改進從達文西藝術品中提取微量 DNA，他們先用濕潤的棉籤輕輕擦拭，再用乾棉籤擦拭，收集卡在紙張纖維中的樣本。紙張是多孔的，它會吸收汗水、皮屑、細菌、DNA，所有東西都會留在裡面。

研究團隊從 Holy Child 採集了樣本，並選取了另外三幅分別約作於 1501 年、1625 年和 1740 年的大師素描（兩幅義大利，一幅法國）做為比較。他們在 Holy Child 中發現甜橙樹(Citrus sinensis)的 DNA，這種樹在文藝復興時期種植於梅迪奇家族(Medici)的花園中作為權力的象徵，間接佐證了畫作的時代背景。

除此之外，他們也從該畫中恢復了大量人類 DNA，並和存在 23andMe 的 Kline DNA 進行比對。

排除了 Klline 和 DNA，其他的 DNA 是誰的？達文西、他工作室的某人，或者是 500 年來除了 Kline 之外曾接觸過《聖嬰》的任何人？

因此，他們尋找可能留有達文西男性親屬 DNA 痕跡的物品。

達文西父親的卷宗

達文西的父親留下了一條有希望的線索：他作為公證人時所編纂的卷宗，保存在佛羅倫斯國家檔案館，但檔案管理員不願允許採樣。位於托斯卡尼 Datini Palace 的 Prato Archive 檔案館限制較少，那裡保存著達文西祖父的堂表兄弟 Frosino di ser Giovanni da Vinci 在 1400 年代親筆寫的信件，Prato的檔案管理員允許 LDVP 進行乾擦採樣。

檔案管理員先前已將信件數位化，因此它們並非沒有現代汙染，但許多信件都用繩子和蠟精心密封，上面留有寄信人的拇指印，其中一封信的蠟封中含有大量人類 DNA，該信件也被發現充滿了瘧原蟲 Plasmodium malaria 的 DNA，因為瘧疾在文藝復興時期的托斯卡尼是地方性流行病。

達文西的 Y 染色體

LDVP 團隊於 2024 年底聯繫了 Y 染色體專家 Lee，他和傑克森實驗室的遺傳學家 Pille Hallast 將這些序列與約 9 萬個已知標記組成的面板進行比對，這些標記將 Y 染色體序列分組為稱為單倍群(haplogroups)的譜系。

研究團隊在 Holy Child 素描和 Frosino 的信件中，發現了相同的 Y 染色體單倍群(haplogroups) E1b1b。這是一個在托斯卡尼地區常見的遺傳譜系，雖然不能 100% 證明素描出自達文西，但排除了許多不相關的人，例如收藏家。

最新的 telomere-to-telomere 定序技術可以一次讀取數十萬個 DNA 鹼基對，使過去難以準確定序的 Y 染色體高度重複區段變得清晰。長讀取定序可能不適用於破碎的古代 DNA，但它是建立高解析度參考資料的強大工具，可以讓科學家在更廣泛的單倍群中，辨識出一組只屬於達文西家族的獨特變異，或許能將近親和許多其他同樣擁有 E1b1b 單倍群的人區分開來。

如果能精確辨識達文西的 Y 染色體，便可以將其他來源的 DNA 和其進行比對和鑑定。

除了達文西，該技術也可以被應用於辨識其他藝術家的作品，例如如 Ralph Albert Blakelock 和 Thomas Gainsborough。



Article:

Exclusive: Have scientists found Leonardo da Vinci’s DNA? | Science | AAAS


Publication:

H Singh, SV Rajagopala, R Hart et al. Biological signatures of history: Examination of composite biomes and Y chromosome analysis from da Vinci-associated cultural artifacts. bioRxiv (2026) DOI: 10.64898/2026.01.06.697880

佼佼者是怎麼培養出來的

大家在上學的時候，可能都聽過資優班或是天才，這些天才通常都是小時候可能測 IQ 的時候測出來，然後就開始集中訓練，譬如說數學資優班、音樂資優班，或是體育資優班等等，想要越早訓練，讓他的技能越專精，然後就得個奧林匹亞獎項或者是參加奧運等等。

但是，長大之後有成就的人，都是從小時候就被發現是天才，然後提早開始訓練，然後越來越厲害嗎？或是一直都很厲害嗎？

最近有篇刊在 Science 的研究發現年輕的得獎者或是青年得獎者，和成年的得獎者是不同群的人。

照理說，如果小時候就是天才、就很厲害，從小就得獎，然後又一直在他的領域專精或是訓練，那他應該一路得獎到成年人，也就是說不管是青年族群或是成年族群，得獎的都是同一群人。

但是，世界上有成就的人或是各領域的佼佼者、冠軍，很多並不是從小就是天才，有些是後天努力得來的。

例如，有像莫札特(Mozart)、 Tiger Woods 或數學家陶哲軒(Terence Tao)這樣從小就是天才的人，也有像貝多芬(Beethoven)、 Michael Jordan 或達爾文(Charles Darwin)這樣早期表現平平、後來卻成就非凡的例子。

哪一種模式才是常態？

小時了了，大未必佳？還是大器晚成？

在這篇研究中，他們試圖探討四個問題：

1. 從小就是天才的族群、比賽冠軍，和成年後才有成就的族群，一直都是同一群人嗎？都是同一群人的比例占多少，是 90% 以上都是同一群人還是只有一小群人在年輕的時候得很多獎，長大後也得很多獎？
2. 成年後有成就的人，在年輕的時候就比別人厲害嗎？
3. 如果年輕的時候就是天才、舊的很多獎，是否可以預期他長大後的表現也很好，也會得很多獎？年輕時候是冠軍，長大後還會是冠軍嗎？
4. 要怎麼預測？誰才是會世界頂級的佼佼者？是從小時候就很厲害看出來嗎？

為了探討人類表現的最高邊界，研究團隊回顧整合了涵蓋近 3.5 萬名成人的國際頂尖表現者數據，將運動、科學、西洋棋和音樂等領域進行跨界綜合分析。

Q1. 早期和後期的傑出表現者在時間跨度上大多是同一群人嗎？

一項針對超過 50,000 名運動員（包含 3,375 名國際獎牌得主）的大型整合分析顯示，青少年時期的冠軍和成年時期的冠軍，極少是同一群人。

早期（青少年時期）的傑出表現者和後來（成年巔峰期）的傑出表現者，在很大程度上是兩個不重疊的群體(Discrete Populations)，也就是說「小時了了」的人，長大後未必是世界頂尖，而世界頂尖的人小時候往往不是最出色的。

▫️ 體育：青少年時期與成年時期的國際級運動員中，有近 90% 是不同的人，而在國際獎牌得主中，此比例更高達 88%。約 82% 的國際級青少年選手，長大後無法達到同等的國際水準，約有 72% 的國際級成人選手，在青少年時期並未達到國際水準。

▫️ 西洋棋：14 歲以下的「世界前 10 名」棋手和後來的「成年世界前 10 名」棋手，有 89% 是不同的人。

▫️ 學術：青少年時就讀前 6.7% 中學的人，和後來念頂尖大學的人，有 91% 是不同人。

▫️ 認知能力 vs. 收入：12 歲時認知能力排名前 1% 的人，和成年 30 幾歲時收入排名前 5% 的人，有 99% 是不同的人。

▫️ 學歷 vs. 收入：頂尖學校畢業的人，和 42 歲時收入排名前 5% 的人，約有 92% 是不同的人。頂尖學校畢業的人，和近 30 歲時收入排名前 5% 的人，也有 85% 是不同的人。

早期的頂尖表現者與成年後的巔峰表現者在很大程度上是兩個截然不同的群體。大多數成年後的頂尖人物，在早期階段並非是最優秀的；而大多數早期的神童，成年後也未維持在頂尖行列。

Q2. 世界最頂尖的表現者在早期就已經超越同儕了嗎？

分析結果顯示許多成年的世界頂尖人物，在年輕時並非同齡人中表現最好的。為了深入了解這一現象，研究團隊比較了世界級(World-class)和差點世界級(Just below highest level)兩組人的發展軌跡。

研究分析了三個不同領域的資料，結果一致：

• 運動員：比較 508 位世界級與 420 位國家級選手，發現世界級選手在早年的表現反而較低。
• 科學家：比較 330 位諾貝爾獎得主與 1595 位未獲獎的提名者，諾貝爾獎得主在早期的論文引用排名進展，比那些獲得提名但未獲獎的科學家還要慢。
• 西洋棋手：分析近十年來的世界前 3 名與排名第 4-10 名的棋手。雖然前 3 名在巔峰期的積分平均高出 48 分，但他們在 14 歲時的積分，平均卻比排名第 4-10 名的棋手低了 62 分。

在人類表現的最高層級中，「最巔峰表現」和「早期的表現」呈現負相關，也就是說，小時候表現最好的人，長大後往往不是最強的；反之亦然，這也暗示用來預測「早期成功」的因素和用來預測「成年後頂尖成就」的因素，很可能是截然不同的。

Q3. 預測早期傑出表現的因素，是否也能預測後期的巔峰表現？

研究發現，預測「青少年時期優異表現」的因素，和預測「成年後世界級表現」的因素，非但不同，而且常常是相反的。

▫️ 青少年菁英(Junior Elites)：與同齡表現較差者相比，他們通常較早開始專項運動、較早進入培訓計畫、較早達成里程碑。他們在主項運動上累積較多練習，但較少接觸其他運動。

▫️ 成年世界級選手(Senior World-Class)：與同齡的國家級選手相比，他們通常較晚開始專項運動、較晚進入培訓體系。關鍵差異在於，他們在主項運動上的早期練習量較少，但在其他運動上的練習量較多（平均在兒童與青少年時期從事 2 種其他運動長達 9 年）。

結論：那些能預測青少年時期成功的因素（如極早開始、大量專項訓練），往往與成年後的世界級成功無關，甚至是有害的。

Q4. 預測「世界最佳表現者」的因素是什麼？

這種「大器晚成」和「多元發展」的模式在其他領域同樣適用：

• 運動員：世界級運動員在兒童與青少年時期，平均從事過 2 項其他運動（長達 9 年），累積了較多的其他運動練習量。
• 科學界（諾貝爾獎得主）：和國家級獲獎者相比，諾貝爾獎得主早期的學術進展（如論文發表影響力、取得教職）反而較慢。然而，他們在科學內外（如藝術、音樂、手工藝）展現了更豐富的跨領域活動（平均多出 2 項愛好）。
• 藝術（歌劇作曲家）：作曲家的成功和其先前創作的單一類型作品數量呈負相關，但和跨類型的創作總量呈正相關，也就是說涉獵多種流派比專精單一流派在未來更有可能成功。此外，藝術家的創作爆發期(Hot streaks)通常發生在跨領域探索之後。

多元發展較好的可能原因

成年的級頂尖人物(World-Class)的成長軌跡和普遍認為的贏在起跑點不同，他們較少在早期便專攻一個領域，較多是早期玩多種領域(Multidisciplinary Practice)，邊向玩得廣而非玩得精，因此早期在各領域的進步幅度較小。

相較之下，早早就開始只專攻一個領域練習，雖然年輕時就可以有卓越的表現，但卻無法達到世界級的水準，大多數在成年後只能有國家級(National-Class)的表現。



研究團隊認為，可能有以下幾個原因：

1. Search-and-Match Hypothesis

▫️ 源於：勞動經濟學(labour market encomics)

透過在不同領域的廣泛接觸，更有機會找到最符合其天賦和興趣的領域，一旦找到了則更有可能有世界級的頂尖表現。

2. Enhanced-Learning-Capital Hypothesis

▫️ 源於：學習遷移理論(general learning transfer theory)

在不同領域中的多樣化學習任務和情境，能擴展個人的學習資本：

• 靈活思考：整合不同見解與方法，提升解決問題的能力，這對創造力至關重要。
• 適應力：讓學習者更懂得如何在不同情境下學習，成為高效的學習者。
• 理解學習原理：接觸多樣的方法論有助於掌握學習的本質，例如怎樣才能有效率的學習。

3. Limited-Risks Hypothesis

年輕時的跨領域學習可以減少一些阻礙或風險，例如：

• 過度訓練、倦怠與身心損耗。
• 過高的機會成本，例如犧牲家庭、教育或其他興趣。
• 興趣消退後，反而沒其他選擇，只能繼續做不再有興趣的事情。
• 在體育或音樂等領域中，因過度使用造成的傷害。

雖然目前的教育和觀念還是傾向贏在起跑點，越早決定方向、越早準備越好，不過也要想到，這樣做的風險也很高，因為就像是場賭博。賭父母自己的眼光。這麼說好了，有的父母覺得自己的小孩數學很強，以後可能得個諾貝爾獎之類的，殊不知他以為的牆其實只是他們讓小孩先學了，所以比起其他同學，他數學很厲害，但真的厲害嗎？未必。

然後父母就把小孩的未來賭在數學上，除了數學其他科目都不重要，如果之後發現其實他並不喜歡數學，或是數學並非是他的強項，之前好像是強項單純只是比其他人先學，加上父母濾鏡（我的小孩好棒棒），那小孩等於把成為其他領域頂尖人物的可能性都犧牲掉了，或是犧牲掉他本來可能有的興趣。

研究團隊出了黃金 N+2 法則建議，也就是與其只專攻一個項目，不如把一些時間分給其他領域，鼓勵學生去接觸其他領域。

例如：

• 足球教練：不要每週練 4-6 天足球，而是撥出時間讓球員去打籃球、網球或體操。
• 鋼琴老師：鼓勵學生學習第二樂器，例如長笛、小提琴或打擊樂。
• 物理資優班：鼓勵學生選修資工、生物或哲學。

根據諾貝爾獎得主和世界冠軍的經驗，可知除了主項目之外，同時從事約 2 項額外領域，可以獲得最佳的廣度和深度平衡。



Article:

Science | Recent discoveries on the acquisition of the highest levels of human performance


Publication:

A Güllich, M Barth, DZ Hambrick et al. Recent discoveries on the acquisition of the highest levels of human performance. Science (2025) DOI: 10.1126/science.adt7790

三個可自主研究的 AI 科學家：Google DeepMind Co-Scientist, FutureHouse Robin 和 Sakana AI The AI Scientist

這篇主要是介紹幾個最近常上新聞的藥物研發 AI 模型，包括美國 Google 的 Co-Scientist 和 ERA、FutureHouse 的 Robin，以及日本 Sakana AI 的 The AI Scientist。

FutureHouse: Robin

在老藥新用(Drug repurposing)的歷史中，新療法機制的依據往往以記錄在之前的文獻中，但因為這些資訊很分散，除非讀完所有文獻並整合在一起，不然很難短時間內發現其中關聯，以至於新用法在很久以後才被發現，例如抑制 BRAF kinase 的抗癌藥物 dabrafenib 在被發現能預防聽力受損之前，中間足足隔了 10 年。

位於矽谷的 FutureHouse 開發的 Robin 是第一個能夠完全自動化的代理系統，可以透過整合文獻搜尋與資料分析生成研究假說、提出實驗方案、解讀實驗結果，並產生更新的假說，進而實現一種半自主的科學發現方法。透過應用 Robin，研究人員成功找到了一種治療乾性黃斑部病變(dry age-related macular degeneration, dAMD)的療法。

過去雖然有 AI 系統能協助生成假設或預測藥理特性，但尚未有系統能自動完成從「生成假設」到「分析實驗數據」再到「修正假設」的完整科學研究迴圈。。

系統的架構與流程

Robin 利用了多個代理人來執行特定任務，包括用 Crow 和 Falcon 進行文獻檢索，之後用 Finch 進行數

專門代理人協作

• Crow & Falcon：皆為基於 PaperQA2 的文獻檢索代理人，負責文獻檢索以支援假設生成，可存取科學文獻、臨床試驗報告和 Open Targets Platform。Crow 負責簡潔檢索，Falcon 負責深度檢索。
• Finch：專門負責分析實驗室產出的數據

人機協作：

• AI 生成假說：給定一個疾病，Robin 會自動識別相關的體外實驗模型，並提出可供測試的候選藥物。
• 人類執行實驗：研究人員根據 Robin 的建議進行實驗，並將產生的數據回饋給系統。

運作流程

研究人員只需輸入感興趣的疾病名稱，Robin 就會：

1. 自動找出模擬該疾病機制的合適體外實驗(in vitro assays)
2. 提出並篩選具潛力的藥物候選名單
3. (由人類進行實驗後將數據輸入)
4. 自主分析實驗原始數據
5. 解讀數據結果，並自動修正並生成下一輪的藥物候選假設。

Lab-in-the-loop 的迭代循環：Robin 提出假說 → 人類科學家進行實驗 → Robin 分析數據 → Robin 提出下一輪假說

應用案例：乾性黃斑部病變(dry age-related macular degeneration, dAMD)

為了證明 Robin 的研究功力，研究團隊將其應用於尋找乾性老年性黃斑部病變的新療法。

dAMD 是已開發國家導致不可逆失明的主因，目前治療選項有限，光是美國就有超過百萬人面臨失明的風險，且隨著人口老化，預估到 2050 年人數將增加三倍。

研究團隊賦予 Robin 尋找治療乾性黃斑部病變(dAMD)任務後，Robin 透過協調不同的專門代理人(Agents)來執行，和人類預估需要 294 小時相比，它在 30 分鐘內分析了 551 篇論文，並提出了一個新的假說：透過增加視網膜色素上皮(RPE)細胞的吞噬作用(phagocytosis)來治療 AMD。

每個循環分成兩個階段

第一階段：生成治療假設與實驗策略

當接收到目標疾病後，Robin 會啟動以下自動化流程：

1. 鎖定疾病機制：針對疾病病理提出一系列問題，由 Crow 解答並統整出 10 種潛在的致病機制。
2. 挑選實驗方法：針對每種機制，Crow 會提出對應的體外(in vitro)實驗，接著用大型語言模型作為裁判，透過兩兩比對選出排名最高的方法。
3. 篩選候選藥物：系統初步提出 30 種候選藥物，交由 Falcon 針對「藥物適用性」和「潛在限制」生成深度報告。
4. 候選藥物淘汰制：依據科學理論、藥理特徵和文獻，由 LLM 對候選藥物進行最終排名，隨後交由人類科學家審核並進行實驗室測試。

第二階段：自主分析和共識決

當人類完成實驗並上傳原始數據後，Robin 會交由 Finch 進行自動化分析。

▫️ 多軌分析(Multiple Trajectories)：為了避免單一分析的隨機性和主觀偏誤，系統會同時啟動 8 條獨立的 Finch 分析，產出可解釋和可重複的結果。

▫️ 共識決機制：待分析完成後，系統會進行統合分析(meta-analysis)，將所有獨立結果整合成有高度一致性的最終共識。

▫️ 進行下一輪迴圈：Robin 會從最後的分析結果中找出其代表的意義，並提出可進行的驗證實驗，以啟動下一輪的假設生成與藥物篩選，直到人類科學家獲得滿意的候選藥物為止。

在第一個迴圈中，研究團隊從候選藥物中挑選五個進行實驗：exendin-4, fingolimod, MFGE8, Y-27632，以及 5-aminoimidazole-4-carboxamide ribonucleotide (AICAR) 和 tauroursodeoxycholic acid (TUDCA) 的組合。

在透過人機協作的迭代實驗循環，他們先發現 ROCK 抑制劑 Y-27632 能顯著提升 RPE 細胞的吞噬功能，接著提出日本已核准用於治療青光眼的藥物 Glanatec® (ripasudil)。為了證明 ripasudil 可以促進吞噬作用，它接著提出並分析了其後續實驗，結果顯示可將脂質和膽固醇排出的 ABCA1 (ATP binding cassette subfamily A member 1) 的上升可以排出脂質，且其促進吞噬作用的效果比 Y-27632 還要好。

雖然 ROCK 抑制劑過去曾被提議用於治療濕性 AMD，但 Robin 是第一個提出將其用於乾性 AMD，並專門針對其改善吞噬作用效果的。

Google DeepMind: Co-Scientist

估狗的 AI 科學家 Co-Scientist 結合文獻搜尋、整理，以及大型語言模型，可以協助提出假設、找出跨領域間的連結，並規劃實驗。

科學家只需用自然語言輸入研究目標和限制條件，Co-Scientist 就能自動搜尋、學習相關文獻，進而推理、提出研究假設和實驗計畫，所提建議會引用相關文獻作為依據。

Expert-in-the-loop 的協作流程

這套系統是為了和人類科學家協同合作而設計出來的，不是要完全取代人類。科學家用自然語言在過程中隨時透過對話引導其方向、提供初始想法或修正 AI 的提案，和 AI 共同開發、進化並完善最終的研究產出。

Co-Scientist 是透過給予 AI 更多思考與運算時間(Test-time compute)，讓它進行自我疊代與進化，建立了一個會自我進化的虛擬研究團隊：

▫️ 專門代理人(Specialized agents)：系統內部分工細緻，包含生成(Generation)、反思(Reflection)、排序(Ranking)、進化(Evolution)、關聯性(Proximity)與統合分析(Meta-review)等不同的代理人，能運用非同步任務執行框架，靈活分配運算資源來進行科學推理，模擬真實人類的研究方法。

▫️ 自我進化的迴圈：代理人會進行類似自我博弈(Self-play)的科學辯論，透過網路搜尋等工具進行自我驗證與批判，包括虛擬代理人之間的「科學辯論」與「晉級淘汰機制」，將失敗的假設淘汰，並不斷疊代進化假說，形成自我進化的迴圈，最終產出最高品質的研究提案。

跨領域驗證：三大生物醫學應用

這項研究並未停留在理論階段，而是透過真實的實驗數據，證實了由 AI 生成的假設具備實際的科學價值。研究針對三個複雜度遞增的生物醫學領域進行了端到端的新實證發現。

1. 癌症老藥新用(Drug Repurposing for Cancer)：針對急性骨髓性白血病(AML)，AI 提出了幾種單一和組合療法，包括原本用來治離黑色素瘤的 Binimetinib，以及 IRE1α 抑制劑 KIRA6，且皆在細胞實驗中展現選擇性細胞毒性。除此之外，AI 針對之前第二期臨床的失敗經驗，提出了將其從後線移至一線治療的新策略，還能綜合病患人口學、風險分層與藥物動力學等真實世界變數，指出 Binimetinib 因其獨特的代謝路徑，能避開嚴重的藥物交互作用，非常適合體弱且接受過大量前期治療的 AML 患者。
2. 肝纖維化的全新治療標靶(De novo target discovery)：Co-Scientist 被指派為肝纖維化尋找全新的表觀遺傳標靶和對應藥物後，鎖定了三個標靶藥物，其中兩個在人類肝臟類器官(hepatic organoids)實驗中展現出不錯的抗纖維化、細胞再生能力，且沒有毒性外，其中一個還已是 FDA 核准的抗癌藥物 Vorinostat。
3. 推斷出抗生素抗藥性(AMR, antimicrobial resistance)機制：研究團隊測試系統能否找出 cf-PICIs 可在不同細菌間傳遞抗藥性基因的傳播機制，在只有極少背景資訊的情況下，Co-Scientist 在短短 2 天內獨立推論出 cf-PICIs 是透過與多樣化的噬菌體尾部互動來擴展宿主範圍，和人類研究團隊發現但尚未發表的細菌基因轉移機制一樣，展現了其和人類專家同等的科學推理能力。

Sakana AI: The AI Scientist

日本東京的 Sakana AI 公司在 2024 年八月推出全球第一個可全自動完成科學發現流程的工具 AI Scientist，能從文獻搜尋、提出假說、設計實驗、執行程式碼到撰寫論文一條龍完成，並把三篇 AI 生成的論文投稿到 2025 年四月的 ICLR (International Conference on Learning Representations)工作坊，在主辦方知情並設立對照實驗的情況下，有一篇通過了人類專家的審查並被接受。

AI Scientist 的運作機制

AI Scientist 是由多個 AI 代理(agent)組成，建立在 GPT-4o 或 Claude Sonnet 4 等大型語言模型(LLMs)之上，自動執行文獻搜尋、提出假設、設計研究方向和實驗、自己寫程式碼、執行並測量效率、最後產出完整論文。

研究團隊另開發自動審稿人來評估產出的品質，並以真實人類撰寫的論文進行測試，結果顯示該系統能準確預測學術會議的接受與否，其評審表現與人類審查員相當。

現實世界測試

AI Scientist 生成的 3 篇論文被混入該研討會共 43 篇的投稿中，為了確保審查的客觀性，評審們雖然被告知其中有 AI 生成的論文，但並不知道具體是哪幾篇，維持盲審機制。

最後，在三篇 AI 生成論文中，有一篇通過同儕審查，為史上第一個 AI 自主系統通過人類同儕審查的 AI 生成論文。

該篇論文獲得 6、7、6 的評分，平均 6.33 分，名列所有投稿的前 45%，成功跨越了該研討會的平均錄取門檻。

研究團隊內部也對這 3 篇論文進行了評估，結論與外部評審一致：該篇論文確實達到了研討會的發表標準，但他們也承認，目前 AI 生成的論文原創性多為中等，作者表示其論文品質還不足以達到 ICLR 主會議(Main conference)等高標準的學術要求。

此外，AI Scientist 目前還只能做計算類型的研究，還無法進行需要實體實驗或田野調查的研究。



References:

J Gottweis, WH Weng, A Daryin, et al. Accelerating scientific discovery with Co-Scientist. Nature (2026) DOI: 10.1038/s41586-026-10644-y

AE Ghareeb, B Chang, L Mitchener, et al. A multi-agent system for automating scientific discovery. Nature (2026) DOI: 10.1038/s41586-026-10652-y

C Lu, C Lu, RT Lange, et al. Towards end-to-end automation of AI research. Nature (2026) DOI: 10.1038/s41586-026-10265-5

自駕實驗室 (3/3)：自主實驗室的商業模式

自主實驗室目前大概分成兩種商業模式，一種是實體的 SDL，另一種則是雲端實驗室(Cloud Lab)。

所謂實體的 SDLs 就是像 Adam, Eve 和 Genesis 這種，通常是大藥廠在用，SDL 公司直接幫藥廠內建 SDLs，例如 Telescope Innovations 和輝瑞的合作。

Cloud Lab 則是 Lab-as-a-Service，是一個完全自動化的實體實驗室，但透過網路讓全球研究者遠端控制與使用。Cloud Lab 比較適合中小型公司，因為你不需要自己建立一個實驗室，也不用自己操作任何儀器，所有步驟都由 Cloud Lab 的機器人與自動化系統 24/7 執行，這類的服務包括 Ginkgo Cloud Lab 和 Emerald Cloud Lab (ECL)。

簡單來說，如果 Cloud Lab 是執行實驗的手，AI model 是大腦的話，SDL 就是大腦 + 手：

◻️  Cloud Lab = 服務項目為實驗室（Lab-as-a-Service），提供遠端執行能力（hands）。

你告訴它「我要跑這個實驗」，它就幫你跑完，把數據傳回來。你還是得自己決定要做什麼實驗。

→ 商業模式：按使用量收費，強調便利性與通量。

◻️ SDL = 服務項目為自主科學家，提供閉迴路自主開發能力（brain + hands）。

你只告訴它「我的研究目標是 X」，AI 自己想出假設、設計實驗、讓機器人跑、分析結果、再決定下一步。

→ 商業模式：企業級解決方案，賣的是開發速度與新知識，常以多年度合作或成果導向收費。



2026 年市場觀察

• Cloud Lab 越來越流行，因為入門容易，適合不想自己養實驗室的團隊。
• SDL 則是高價值商業模式，主要被大藥廠與材料公司採用，例如 Telescope Innovations 已把 SDL 賣給 Pfizer 和韓國 KPBMA，LabGenius EVA 與 Sanofi 簽多個合作。
• 兩者正在融合：很多新 SDL 會把 Cloud Lab 當作物理執行後端，形成 AI co-scientist + Cloud Lab 的混合解決方案。

🌐  Telescope Innovations (UBC spin-off)

Telescope Innovations 是一家加拿大 UBC 的 spin-off 公司，創辦人兼 CTO 為 UBC 化學系教授 Dr. Jason Hein，他同時也是 Acceleration Consortium 的 scientific advisor。

Telescope 主要開發全自動的化學合成和優化平台，主要產品包括 Self-Driving Labs (SDLs) 與 DirectInject-LC™。他們開發的 SDL 平台可全天候自主規劃、執行、分析並持續優化實驗，效率遠高於傳統人工方式，服務項目涵蓋製藥、化學品及高價值材料開發，能幫助客戶加速化學過程開發、降低研發與製造成本，並快速從實驗室階段推進至商業化生產規模。

• DirectInject-LC™：全自動即時反應採樣系統，可直接從化學反應器中採樣、注入儀器進行分析的液相層析儀(Liquid Chromatography)，可加速過程優化，已由 METTLER TOLEDO 全球經銷。
• SDLs：整合協作機器人、即時分析儀器與 AI 決策系統，主要用於化學合成、結晶過程優化及材料開發等，可模組化擴展，解決從「發現」到「大規模生產」之間的瓶頸。

◻️ 產業合作

自 2024 年起和輝瑞(Pfizer)共同開發 SDL 技術，第一座 SDL 已於 2025 年安裝完成，第二座進階的 SDL 則於 2026 年一月 正式安裝完成。合作目標是透過整合自動化機器人和人工智慧，大幅加速藥物開發、合成優化和 scale-up 流程。

2025 年則和韓國製藥與生物製藥製造商協會(KPBMA)合作，在該年 12 月完成安裝韓國第一座藥物 SDL，作為第一個由 AI 驅動的 R&D 訓練中心，推動韓國製藥業全面採用 SDL。

官方網站：Telescope Innovations

🌐 Trilobio (Trilobio Self-Driving Lab platform + Trilobot)

Trilobio 成立於 2021 年，2025 年的種子輪募到 $8M，目標是建立生物實驗室專用的 SDL。

目前的主要產品是 Trilobio OS 和 Trilobot One，Trilobio OS 可以設計實驗、分析結果，Trilobot 則用來執行實驗，兩者合在一起變成為一個閉環的 SDL。

• Trilobio OS: 可以整合 AI 和硬體機器人成為一個閉環的 SDL，使用者透過其介面設計實驗、偵測實驗執行的情況，以及 AI 的優化過程。
• Trilobot: 自動化機器人，最多同時支援 8 種 lab tools，例如 pipette、gripper、tube opener 等等，以及 16 個用來放 tip box 和 96-well plates 等耗材的位置，要說的話大概就是小型的 Beckman Biomek。

2025 年 10 月正式宣布 Trilobot One 與 OS 後，已開放預購與 demo，目前美國已有多個實驗室使用他們的 SDLs。看起來營業模式將是單純賣這台生物用 SDL，它主打的方向大概是體積小，可以放在 bench 上使用，不然我覺得 Beckman 只要在做個閉環的 AI 系統，結合現有的 Biomek，就可以轉身變成生物用 SDL，功能應該會比 Trilobio 的多，因為只能放八個 devices 我覺得太少了，大概只能做個簡單的 cloning，要做比較複雜的可能要兩台 Trilobot，這樣就和 Biomek 差不多大了吧？

官方網站：Trilobio

☁️ Ginkgo Bioworks: Ginkgo Cloud Lab

Ginkgo Bioworks 是一家美國合成生物製藥公司，早期的服務項目非常廣泛，涵蓋農業上的基改微生物、食品香料、工業酶，以及醫療相關的基因治療、細胞治療和生物製劑等等外，還有實驗儀器自動化等等。2019 年估值達 42 億美元，是當時全球最大的私人生物技術公司之一，不過 2021 年 SPAC上市後面臨財務困難，當時被認為在破產邊緣。

從現在的網站看來，公司已大幅重組，他們把大多數的業務都砍掉了，只留下儀器自動化這一塊，從它的 Cloud Lab 和 ChatGPT 的合作看起來，是想專攻自主實驗室，而且這個重組和業務轉型的成效不錯。目前來看，Q1 收入雖然不如預期，遠低於分析師預估的 $41M，導致股價波動，但現金充足、重組持續推進，轉型自主實驗室的方向明確。公司仍處於高風險轉型期，但有改善跡象。

◻️ GPT-5 (OpenAI) + Nebula (Ginkgo Bioworks)

OpenAI 和 Ginkgo Bioworks 合作打造了一個自主實驗室(autonomous laboratory)，OpenAI 提供 GPT-5 來負責解釋實驗結果、設計實驗方案，並記錄實驗筆記。Ginkgo Bioworks 則提供 RAC (Reconfigurable Automation Cart) 用來執行一些簡單的實驗步驟。

簡單來說，ChatGPT 是頭腦，RAC 是執行實驗的手。

他們發表在今年二月 bioRxiv 預印本的研究中，自主實驗室參考了西北大學的博士生 Meagan Olsen 發表在 bioRxiv 的論文後，設計並優化條件進行測試。Olsen 花費 4 個月進行超過 40 次實驗，測試了 1,231 種 CFPS 的配方組合，將成本降低至原來的六分之一以下 。而自主實驗室透過迭代優化，GPT-5 + RAC 的組合將蛋白質的生產成本降至每克 422 美元 。相較於 Olsen 等人創下的每克 698 美元的最低成本，成功將成本降低 40% 外，也將產量(g/L)還提升 27%。

◻️ 商業模式：菜單制

Ginkgo Bioworks 在今年三月宣布啟動它的 Ginkgo Cloud Lab，結合他的 Nebula 自主實驗室。位在波士頓的 Nebula 自主實驗室已部署大量 Reconfigurable Automation Carts (RACs)，目前已經有 50+ 個 RAC，預計在 2026 年底擴增到 100+ 個。

Ginkgo Cloud Lab 採用 LaaS 模式，網站上已有多個 protocol，每個 protocl 會寫實驗步驟和條件，研究人員在該頁面選擇想要跑的 protocol 後便可直接下單，機器人會全自動執行，完成後將數據回傳。例如其中一個 protocol 是 cell-free 蛋白表現、純化和定量，給它 DNA 序列後，Nebula 會在 96-well plates 進行蛋白表現，接著用 magnetic beads 純化，然後在定量，作為量產化前的測試和最佳化，每個蛋白的價格為 $155。它也有提供針對表現量低的蛋白進行優化，每個蛋白為 $199。除此之外，有 AI 代理 EstiMate 幫忙評估可行性與報價。

它也有賣 RAC 等硬體設備，搭配他們的軟體，建立自己的理想實驗室。

官方網站：Ginkgo Bioworks

論文：

ML Olsen, CE Copeland, CA Sundberg, et al. Design-driven optimization of low-cost reagent formulations for reproducible and high-yielding cell-free gene expression. bioRxiv (2025) DOI: 10.1101/2025.08.01.668204

AA Smith, EL Wong, RC Donovan, et al. Using a GPT-5-driven autonomous lab to optimize the cost and titer of cell-free protein synthesis. bioRxiv (2026) DOI: 10.64898/2026.02.05.703998

☁️ Emerald Cloud Lab

Emerald Cloud Lab (ECL) 是另一個商業化的雲端實驗室(Cloud Lab)，由卡內梅隆大學(Carnegie Mellon University, CMU)的校友 D.J. Kleinbaum 與 Brian Frezza 在 2010 年時共同創辦 Emerald Therapeutics。之後，他們開發了一套實驗室作業系統(laboratory operating system)，並於 2014 年將這套技術從 Emerald Therapeutics 中獨立出來，推出 Emerald Cloud Lab 服務。2016 年時，他們將 ECL 獨立出來成為一家公司，截自目前的總融資額約 1.52 億美元資金。

ECL 是一個高度自動化的實體實驗室，配備超過 200 種儀器，包括 HPLC、質譜儀、NMR、PCR、流式細胞儀、ELISA 等等。研究人員只需透過它們的 ECL Command Center® 設計實驗、傳送樣本，機器人就會自動執行所有步驟，包括準備樣品、操作儀器、收集和分析數據等等，最後在把結果回傳到你的資料庫。

◻️ 商業模式：訂閱制

和 Ginkgo Cloud Lab 那種已經有現成的 protocol 不同，ECL 需要自己制定實驗流程和寫 command，有點類似 Beckman Biomek，在它的 Command Center 點選你要用的儀器和設定流程。它有很多儀器可以選，例如你要純化蛋白，就可以選 sample preparation, incubator, FPLC, Westen blot 等等之類的。跟 Ginkgo Cloud Lab 相比，學習和使用的門檻較高一點。

沒有設定好的 protocol 讓你挑，因此是採用訂閱制(subscription-based)，提供不同的方案，包括供學術套餐、企業訂閱等等，實際費用需跟他們的業務討論過後才知道，付費後即可遠端使用。

ECL 和 CMU 關係密切，2021 年時和 CMU 合作，目標是打造全球第一個大學雲端實驗室(CMU Cloud Lab)。

◻️ Coscientist + ECL

2023 年 CMU 的研究團隊讓其 AI 系統 Coscientist 在 ECL 上執行化學實驗，這是 ECL 作為商業平台被用於 AI 自主科學的重要案例，結果發表在 2023 年的 Nature。

他們的 Coscientist 是一個由 GPT-4 和 Claude 等大型語言模型驅動的 AI 代理系統，可以自主設計實驗後，在硬體設備上執行化學實驗，研究團隊將其在 Emerald Cloud Lab 上實際運行。

Coscientist 的特色為：

• 可用自然語言指令：只需輸入簡單的自然語言指令，例如尋找具有特定性質的化合物，Coscientist 就能接手後續的所有工作。
• 全自動化流程：AI 代理系統會自動在網路上搜尋文獻和統整資訊、選擇最佳的實驗方法，將實驗設計轉成自動化儀器可讀取的 API 指令，再交由 Emerald Cloud Lab 完成實驗。

在這個研究中，研究團隊給一個簡單的指令：Perform multiple Suzuki reactions (執行多個鈴木偶聯反應)，並告訴它有哪些試劑可用。

Coscientist 便在 Emerald Cloud Lab 的設備自主完成了以下流程：

1. 自行上網搜尋文獻，了解 Suzuki–Miyaura 和 Sonogashira 偶聯反應的原理、化學計量、條件。
2. 選擇正確的反應物，並根據化學合理性規則決定使用哪些試劑。
3. 寫程式計算用量：自動生成 Python 程式碼來控制液體處理機器人 OT-2。
4. 實際執行反應：在雲端實驗室機器人上混合試劑、加熱、反應。
5. 分析結果：使用 GC-MS 確認是否成功合成目標產物。
6. 迭代優化：根據前一次實驗數據，繼續調整條件來提升產率。

結果，Coscientist 不只很快就設計出正確的實驗流程，並且成功合成出目標產物，顯示它在自我學習、統整資訊、判斷最佳實驗方法和設計實驗上的強大能力，已經像個自主科學家。

不過，目前 Coscientist + ECL 的模式並沒有商業化，未來會不會則不知到，但我認為這是個趨勢。

官方網站：Emerald Cloud Lab (ECL)

• CMU 新聞稿：AI Coscientist automates scientific discovery
• NSF 新聞稿：Meet 'Coscientist,' your AI lab partner

☁️ Lila Sciences: AI Science Factory (AISF)

Lila Sciences 是一家由 Flagship Pioneering 於 2023 年 創立的 AI 科學公司，總部位於美國麻州 Cambridge，目標是打造 Scientific Superintelligence，去年10 月完成 A 輪擴展融資，總融資金額達到 $550M，NVIDIA（NVentures）也是投資者之一。

他們的目標是透過結合 AI 模型 LILA Iris™ 和硬體的自主實驗室 AI Science Factory™，形成一個完整閉環系統，提供端到端(end-to-end)的服務。ILA Iris™ 能自主生成假設、設計實驗、分析結果和迭代學習， AI Science Factory™ 則負責執行實驗，目前看起來將會是個 L4+ 的自主實驗室。

AISF 打造完成後可應用於藥物開發（抗體、mRNA、細胞療法）、新材料開發、潔淨能源（如氫能催化劑、碳捕獲）、國防航太、石油化工等等。

商業模式將跟 Ginkgo Cloud Lab 和 ECL 類似，同樣是 Lab-as-a-Service (LaaS™)，用戶可透過 LILA Iris 設計實驗和存取結果，可能會採訂閱制。最大的不同在於 Lila Sciences 具備完整的自主迭代優化(closed-loop self-driving)能力，而 Ginkgo 和 ECL 目前仍較偏向用戶導向的執行模式。費用尚未公開，目前主要為邀請制和客製化合作，主力 Cambridge 工廠預計 2026 年 Q3 正式啟用。

官方網站：Lila Sciences

💬 全部外包可行嘛？

個人覺得 LaaS 的商業模式是趨勢，將會像是現在 AI 普遍化的情形，大公司還在持續裁員消減人力，但也越來越多小公司，幾個人就可以開一間公司，很多東西可以交給 AI，人類負責決策的部分。

最近聽到吳淡如提到阿米巴模式，是說以最少人力經營公司，其他東西都外包。他的阿米巴模式是來自於日本航空的前董事長和執行長稻盛和夫的阿米巴經營，就是把公司分成好幾個獨立承擔收支盈虧的單位，就像是分成多個小公司。

生醫產業目前還無法像大多數的公司，可以很多事情直接交給 AI 以快速精簡人事，因為很多 wet lab 和技術細節還無法全靠 AI，不過如果 SDL 可以達到 L4，看起來是有可能的，尤其在看過 ECL 的設備後，發現其實很多都是可以交給機器做，像是 SDS-PAGE 和 WB，之前以為不行，只是我孤陋寡聞啊！

之前在跟做 molecular docking 的朋友聊天時，他說他們設計好之後，wet lab screening 的部分就外包出去。後來在 LinkedIn 有位業務跟我聯繫，說他們公司專做 assays，很多大公司都外包給他們。

後來想了一下，發現其實整個抗體研發的過程都可以外包出去，於是問了 Gemini 和 Perplexity 這樣做的可能性，結果它們都說可以，而且還說這叫 Virtual Biotech，有一家叫 Nimbus Therapeutics 的生技公司就是典型案例。而 Virtual Biotech 這個概念早在 2000 年代中期，全球金融危機時變開始流行。

我有時會在 UpWork 和 Kolabtree 上面看看有什麼 projects，時不時會看見有 startup 在找人設計 assays，但同時也希望對方 has access to labs，每次看到都會想，到底在 UpWork 和 Kolabtree 上面的 freelancers 誰會有實驗室資源，除非那是他自己的實驗室，但如果自己有實驗室，又何必當在上面當 freelancers，現在想想，這些公司其實可以直接用 Ginkgo Cloud Lab 或 ECL，就不用要求對方有實驗室可以用，就算對方有，也不可能免費讓你使用吧？那還不如用 Ginkgo Cloud Lab 或 ECL？

在更進一步，如果有 SDL 的 LaaS，那需要外包的部分就只有老鼠實驗和 clinical trials 的部分，只是不曉得 Lila Sciences 或未來的其他公司收費會是多少。



☕️ 如果你喜歡這篇內容，歡迎賞一杯咖啡。😊

合作邀約: nonproscience@gmail.com
📍 文稿：科普文、公司文、產業文等等
📍 諮詢：實驗設計、加拿大研究所、生科產業

自駕實驗室 (2/3)：AI 時代，藥廠自備 SDL 才跟得上潮流

除了學術界和研究機構開發的自主實驗室，業界也不可避免的加入，畢竟藥物開發就是要搶快。目前大多數 SDL 主要應用在化學或小分子藥物，生物製劑雖然近十幾年來漸漸成為顯學，但相較小分子藥物在製程上還是複雜很多，不過已經有幾家生技公司開始用 SDL，也有大藥廠和 AI/ML 合作將 SDL 導入原本的自動化機器人中，例如今年一月在 JPM，Eli Lilly 和 NVIDIA 宣布合作建一個 AI factory。

🌐 LabGenius Therapeutics

LabGenius Therapeutics 是一家位於英國倫敦的生技公司，成立於 2012 年，目標是結合 AI 和自動化機器，開發治療性抗體，尤其是多特異性抗體，其核心技術平台是 EVA™，早期曾獲得多輪融資，包括 2024 年高達 3500 萬英鎊的 B 輪融資。

EVA™ 平台

EVA™ 是一個高度自動化、閉路(closed-loop)的 SDL，整合了人工智慧、機器人和合成生物學，能快速設計、製造、測試並優化抗體分子，其閉路循環(Design-Build-Test-Learn)分為 Dry Lab 和 Automation Lab 兩個部分。

• Dry Lab：AI 使用 ML 模型和先前實驗數據進行優化，預測和設計抗體。
• Automation Lab：用自動化機器人進行抗體生產和測試，一次可生產高達 2,300 個多特異性抗體。

抗體測試後的結果會回饋給 ML 模型進行優化，然後再次設計、生產、測試，每次循環需要不到 6 個禮拜，比傳統抗體開發快很多，可大幅加速開發流程。

該平台適用於各種抗體，包括 T-cell engagers (TCE)、ADCs、NK-cell engagers、TCR-based engagers、放射偶聯物等多種抗體種類。

最新進展

他們目前正準備申請 IND 的藥物 LGTX-101 便是由 EVA™ 找出來的，是一個針對 Nectin-4 x CD3，可用來治療多種癌症的的雙特異 TCE 。

2025 年和 Sanofi 開始第二個合作，主要是利用 EVA™ 平台優化針對炎症的 NANOBODY®。

公司網站：LabGenius Therapeutics

🌐 BigHat Biosciences

BigHat 是一家成立於 2019 年，位於加州 San Mateo 的生技公司，專攻各種抗體開發，包括 IgG、多特異性 IgG、scFv、ADC、TCE 和 VHH 等等，他們的核心技術為 RADS，結合 LIMS 系統 Reccy™ 和自動化的實體實驗室後便是 Milliner™ Platform，一個端到端的抗體開發平台。

• RADS (Reccy Antibody Design Studio)：先用少量的數據開始訓練模型，之後每週用 Milliner 產生的大量高品質數據訓練模型，自動評估並挑選最佳模型來設計下一輪抗體，然後用實驗結果持續迭代優化(active learning)。
• 自動化實驗室：進行抗體純化和功能測試等等，將測試結果送到 Recoy。
• Reccy™：LIMS，負責控制儀器、整合 RADS 和實驗獲得的數據。

一個端到端的循環，也就是訓練、學習、設計、抗體測試到優化(design-build-test)，只需一個禮拜。

最新進展

目前的產品線已癌症的抗體藥為主，大多是 TCE，其中 BHB810 (CDH17 ADC) 已進入臨床準備階段，預計今年6 月左右啟動 Phase 1/2 試驗。

除了自己開發抗體，他們也和多個藥廠合作，包括 J&J, Mer 和 Amgen。

公司網站：BigHat Biosciences

🌐 AbSci

AbSci 是一家成立於 2011 年，位於華盛頓州溫哥華的已上市生技公司，結合 Gen AI 和實體實驗室開發抗體藥，其核心技術為 Integrated Drug Creation™ Platform，該平台結合訓練用的數據、AI 和實體實驗室，形成一個閉環實驗室，可把單一循環(design–test–optimize)時程縮短至六週。

Integrated Drug Creation™ Platform

這個開發全新抗體的閉環 SDL 平台包括了兩個部分：

• Origin-1: 生成隨機的全新抗體序列、in silico screening、分析測試結果，進行優化。
• 自動化實驗室：包括 SoluPro®、SPR、ACE Assay™ 和 HiPrBind™ Assay 等等

在他們最新的 preprint (Levine et al, 2026) 中描述了完整個抗體開發流程，包括：

1. 生成全新抗體：使用 使用 Origin-1 (原本的 Denovium Engine™) 的 AbsciGen 生成全新的的序列。
2. 評估 & 預測：使用 Origin-1 的 AbsciBind 幫抗體評分，挑出分數高的抗體。
3. 建立抗體資料庫：設計和建立客製化的抗體資料庫。
4. 抗體表現：利用 SoluPro® 表現抗體。
5. 抗體篩選：利用 ACE Assay™ 和 HiPrBind™ 篩選出親合力、表現量和效能、品質最佳的抗體。
6. 迭代優化：利用每次循環獲得的新數據進行優化。
7. 擴增 & 轉移：優化生產條件並將技術轉讓給合作夥伴。

產品線

目前進入第一期臨床試驗的有 ABS-101 和 ABS-201。

ABS-101 是用來治療發炎性腸道疾病 (Inflammatory Bowel Disease, IBD)，針對 TL1A (Tumor necrosis factor-like ligand 1A) 的抗體。根據其 10-K 資料，該藥雖然仍處於 Phase 1，但已將其內部開發暫緩，轉而積極尋求外部合作夥伴。

ABS-201 則是用來治療雄性禿(Androgenetic Alopecia)，針對 prolactin receptor (PRLR) 的抗體，該藥於 2025 年 12 月啟動 Phase 1/2a (HEADLINE trial)，目前正在進行單次劑量遞增(single ascending dose)階段，預計 2026 年下半年有初步 POC (proof-of-concept)結果。

合作藥廠 & 投資方

合作藥廠包括 AstraZeneca 和 Merck (MSD)，投資者也不少，AMD 除了在 AI 上的合作外，也透過 PIPE Investment 投資了 2000 萬鎂。其他機構投資人包括 ARK, BlackRoc 和 Vanguard 等等。

新聞：Absci Pursues Google-Sized Ambitions in Drug Discovery, Manufacturing: After helping partners design better biologics faster, the drug and target discovery company aspires to build its own pipeline and bolster AI capabilities

公司網站：AbSci

🌐 Insitro

Insitro 是一家成立於 2018 年，位於舊金山的生技公司，創辦人 Daphne Koller 的專業領域是 ML，因此 Insitro 也是主打用 AI 解開生物上的難題，推出各種 AI 平台，包括 ChemML™ platform、TherML™ (Therapeutic Machine Learning) platform，POSH (Pooled Optical Screening in Human cells) platform, Virtual Human™ platform, ClinML™ platform 等等，透過整合自動化實驗室和機器學習產生大量的數據，以及臨床數據來訓練 AI 模型，藉此找出致病機制、治療標靶和藥物開發，涉及領域包括代謝疾病、神經性疾病、眼科疾病和癌症。

他們今年一月收購以色列 AI 公司 CombinAbleAI，其模型可用來設計和優化抗體，整合進它的 TherML™ 後便可完整其在生物製劑上的自主學習和分析系統，成為涵蓋小分子、寡核苷酸、抗體等的 modality-agnostic AI 設計平台。

• ChemML™: 用於開發小分子藥物，和自動化實驗室結合後，已是端到端(design-make-test)的閉環 SDL。
• ClinML™: 利用 AI 分析各種臨床資料
• CellML™: 產生和分析大量的 in vitro 實驗數據
• Virtual Human™: 整合 ClinML™ 的臨床數數和 CellML™ 的細胞實驗數據，可用來找出致病機制。
• TherML™: 利用 Virtual Human™ 的數據，並整合 ChemML™ 平台，成為一個全藥物模態（modality-agnostic）的統一系統，可自主學習、設計、分析與優化小分子、寡核苷酸(oligonucleotides)和抗體等生物製劑，與自動化實驗室結合後，成為端到端的閉環 SDL。

產品線

目前正準備申請 IND 的是和 Eli Lilly 合作的，用來治療脂肪肝疾病 MASH 的 CTRO-1013 和 CTRO-1029，兩者皆為 siRNA。

合作藥廠 & 投資方

除了 Eli Lilly 外，合作對象還有 BMS，合作項目為用來治療 ALS 的小分子藥物。

自 2019 年開始 A 輪融資到 2021 年的 C 輪融資，總共募到約 6.43 億美元。C 輪是由加拿大退休基金(Canada Pension Plan Investment Board, CPP Investments)領投，其他投資者還有 ARCH Venture 和 SoftBank Investment Advisers 等等。

公司網站：Insitro

藥廠和 AI 公司的合作

除了買人家整套 SDL，或找公司來設置一座 SDL，還有一個方式就是買軟體。

OpenProtein.AI 是一間約十人的小型新創，成立於 2021 年，主要產品是其設計蛋白質的 AI 模型 PoET-2，可以從實驗數據中學習，然後進行優化，只要透過他的平台和自動化機器人連接，就可以變成一個端到端、閉路循環的 SDL。

他們的雲端平台採用 SaaS 訂閱制，學術界使用完全免費，目前沒有業界付費使用的價格。

Boehringer Ingelheim 自去年(2025)便開始和他們合作，成功導入平台後，今年決定進一步擴大 OpenProtein.AI 平台的應用範圍，並投入開發客製化抗體的功能。

另一個例子則是今年一月在 JPM，Eli Lilly 和 NVIDIA 宣布要共同斥資 10 億美元打造 Co-innovation Lab ，NVIDIA 提供超級電腦 LillyPod 和爲生科打造的 AI 平台 BioNeMo，結合 Eli Lilly 自己的自動化的代理實驗室(Agentic wet labs)，實驗數據能即時回傳給 AI 模型進行學習，而 AI 模型又能馬上生成新的預測並發送給實體實驗室進行測試，形成一個自主實驗室，可 24 小時全天候實驗。

新聞：NVIDIA and Lilly Announce Co-Innovation AI Lab to Reinvent Drug Discovery In the Age of AI

不專業碎念

目前大多數的 SDLs 還是以化學、材料為主，跟生物製劑相比簡單很多，也很容易 scale-up。想將 SDLs 應用在生物製劑上還有很多要進步，但應該也不是做不到，目前看起來是 scale-up 比較難，但是在初期開發上，我覺得在幾年內應該是做得到的。

生物製劑不只是抗體，還包括細胞和基因療法，不過因為我之前是做抗體的，所以比較多是著墨在這塊，而且跟細胞和基因治療相比，我認爲用 SDL 開發抗體較為容易，除了量產這塊一樣要克服的瓶頸較多，但在初期開發上是可行的，也的確已經有不少公司在做。

不過，沒想到加拿大基金(CPP)那麼看好 Insitro，竟然還領投，我該為我未來的退休金擔心嘛？😂

其實還有更多的想法，但因為跟下一篇比較有關，所以就放在下一篇吧！



☕️ 如果你喜歡這篇內容，歡迎賞一杯咖啡。😊

合作邀約: nonproscience@gmail.com
📍 文稿：科普文、公司文、產業文等等
📍 諮詢：實驗設計、加拿大研究所、生科產業

超營養海豹奶 — 多樣化的乳寡醣

所有哺乳動物的乳汁都有一套基本的營養組合：脂肪、蛋白質和醣類（碳水化合物）。

不過，雖然成分都大同小異，但是各個成分依小北鼻的生存需求而演化成不同的比例，例如人類的母乳屬於低脂肪(~3-5%)、低蛋白質和高醣類，這個比例比較適合哺乳期較長，需要持續穩定供應能量的靈長類。

而冠海豹(Hooded Seal)的北鼻因為生活在環境較惡劣的北大西洋和北極海域，牠們需要趕快長大，哺乳期只有四天。為了在這麼短的時間內讓北鼻趕快獨立生活，牠們的乳汁超級營養，是目前已知脂肪含量最高的，超過 60%。在這四天裡，冠海豹北鼻每天能喝下約 7.5 公斤的超高脂乳汁。斷奶時，牠們的體重幾乎增加一倍，而這些脂肪會迅速轉化為一層厚厚的脂肪層(blubber)，讓牠們可以在冰冷海洋中保暖。

除了冠海豹，大西洋灰海豹北鼻的哺乳期也相對短，只有 17 天，牠們必須在不到三個禮拜內快速建立消化系統和免疫系統，以抵禦北大西洋環境壓力。

和海豹的成長策略形成鮮明對比的是黑犀牛(Black Rhino)，牠們的乳汁非常清淡，脂肪含量只有約 0.2%，因為繁殖週期非常緩慢，懷孕期超過一年，而哺乳期更是長達近兩年，所以雖然很稀，但是可以喝兩年。😂

海豹北鼻可以快速成長、快速變胖，以及建立免疫系統，為嚴酷海洋生活做好萬全準備，除了母奶中的脂肪外，母乳中還有什麼秘方可以幫牠們在短時間內達成目標？

乳寡糖的重要性

母乳中的其中一個重要成分是乳寡糖(Milk Oligosaccharides, MOs)，是一種帶有 3-10 個短單醣鏈的乳糖，單醣(monosaccharides)包括葡萄糖、半乳糖(galactose)、岩藻糖(fucose)和唾液酸(sialic acids)。這些乳寡糖因為褐藻醣基化(fucosylation)、唾液酸基化(sialylation)和硫酸化(sulfation)等等修飾，結構很多樣，也帶有不同的功能，可以和不同物種的病原體、免疫細胞和共生微生物進行不同的交互作用。

目前泛哺乳動物的乳寡糖有超過 650 種已知結構，之前的研究已鑑定出超過 200 種獨特的人類乳寡糖結構，其中最大的是由 18 個單醣組成。

結構複雜的大西洋灰海豹乳寡糖

瑞典哥德堡大學(University of Gothenburg)和查爾摩斯理工大學(Chalmers University of Technology)的研究團隊認為海豹奶應該有什麼特殊配方，才能有此功效，因此對大西洋灰海豹奶進行分析。

研究團隊從蘇格蘭海岸的五隻野生大西洋灰海豹(Halichoerus grypus)媽媽身上採集了母乳，採集時間橫跨整個哺乳期，也就是平均約 17天左右，包括產後第 2, 7, 13, 17/18/19 天，總共 20 個母乳樣本。

接著，他們用質譜分析(Mass Spec)結合 AI 模型，解析其中 240 種醣類的結構，分析其在哺乳期間的動態變化。

分析結果發現，海豹奶的複雜性遠超過人類母乳。研究團隊在海豹奶中鑑定出 332 種獨特的寡醣分子，與人類母乳中約 250 種相比，其數量多出約 33%，而在經結構分析過的 240 種寡醣中，有 166 種(69%)的結構是之前沒看過的。

另外，有些乳寡糖的大小也前所未見，目前已知人類母乳中最大的寡糖是 18 個單醣，但是他們發現有的海豹奶的乳寡糖竟然有 28 個單醣組成那麼大。

海豹奶乳寡糖被修飾的比例也很高，有約 50% 被岩藻糖基化(fucosylated)，40% 為唾液酸岩藻糖基化(sialofucosylated)，這種高比例的岩藻糖基化特徵與人類母乳相似。

硫酸化是海豹母乳寡醣中一種非常普遍的修飾，研究團隊共發現 53 種獨特的硫酸化結構，其中 48 種是新發現的，使灰海豹成為已知擁有最多硫酸化母乳寡醣的物種。

乳寡糖的功能

海豹奶中這些結構複雜的乳寡醣，幫海豹寶寶提供各種的保護與支持。

• 岩藻糖基化(Fucosylation)：這類結構常被鑑定為有效的受體誘餌(decoy receptors)，在人乳和大西洋灰海豹乳汁中都非常豐富。在乳類生物學中受體誘餌是指乳汁中的寡糖利用其與宿主細胞表面聚醣相似的結構，吸引病原體與之結合，防止它們附著在寶寶的腸道上引發感染。
• 巨大寡糖(Giant MOs)：這些分子有複雜的分支結構，能多價呈現(multivalent presentation)多個結合位點，例如如唾液酸或岩藻糖基，使它們變成可溶性受體誘餌。
• 硫酸鹽化(Sulfation)：能增強受體誘餌的效力

除此之外，乳寡醣也是益生菌的優質食物，有助於在寶寶的腸道中建立最初的健康微生物群落。

海豹奶會隨時間變化

有趣的是海豹奶的成分比例是會隨著寶寶的成長而調整的，他們發現雖然海豹的哺乳期只有約 17 天，但隨著海豹寶寶的成長，乳汁中的成分和乳寡醣組成在不同時間點會有所變化，其整體多樣性會越變越高。

根據採集時間，可以大致分為三個時段：

1. 早期奶水 (Early): 產後約第 2-5 天可被檢測到，乳汁中含有乳糖(lactose)、唾液酸乳糖(sialyllactose)與岩藻糖基乳糖 (fucosyllactose)為主，不過在隨後的幾天內，濃度會迅速下降。

2. 穩定奶水 (Stable): 主要的乳寡醣特徵為 Type-2 H-抗原和 LacdiNAc，這些結構可以提供免疫調節和抵抗病原體的功能。

3. 晚期奶水 (Late): 乳寡醣的整體多樣性增加，富含 Lewis Y 抗原和硫酸化寡醣(sulfated MOs)。



這些醣類的功能包括：

• 抵抗病原體與抗生物膜
• 調節腸道微生態
• 免疫調節與抗發炎
• 促進胃腸道的發育，並能降低腸道滲透性。

▍海豹奶寡醣可以用來幹嘛？

由於這些海豹乳寡醣有抵抗病原體等功能，未來也許可以添加到嬰兒配方奶粉中，以更接近母乳的功能，增強嬰兒的免疫系統。除此之外，它的抗生物膜特性或許也可用來替代抗生素或是合並使用，避免促進細菌的抗藥性。

另外就是大家最愛(?)的保健食品，可能有些保健食品公司會想要拿來當維持腸胃道健康的產品。😂



☕️ 如果你喜歡這篇內容，歡迎賞一杯咖啡。😊

合作邀約: nonproscience@gmail.com
📍 文稿：科普文、公司文、產業文等等
📍 諮詢：實驗設計、加拿大研究所、生科產業



Article:

Seal milk more refined than breast milk | University of Gothenburg


Publications:

C Jin, J Lundstrøm, CR Cori et al. Seal milk oligosaccharides rival human milk complexity and exhibit functional dynamics during lactation. Nat Commun (2025) DOI: 10.1038/s41467-025-66075-2

漢他病毒 (Hantavirus) - 新世界 vs. 舊世界

漢他病毒最早是 1976 年時在南韓發現的，之後於 1978 年在韓國漢灘江(Hantaan River)附近分離出來，所以那株病毒叫漢灘病毒(Hantaan virus)，這個病毒屬則被命名為漢他病毒屬。

在病毒被辨識出來之前，有記錄的第一次大規模疫情是 1951 年韓戰期間有超過 3000 位聯合國士兵感染韓國出血熱(Korean hemorrhagic fever, KHF)，又稱流行性出血熱(epidemic hemorrhagic fever, EHF)。1976 年時，韓國首爾大學的李鎬汪(이호왕)教授和美國 CDC 合作，從老鼠漢灘江附近的赤背條鼠(Apodemus agrarius coreae)的肺組織分離出具感染性的病毒株。

1980 年代時發現，亞洲都會區中類似症狀的病例是由溝鼠(Rattus norvegicus)傳播的漢城病毒(SEOV)所引起，而歐洲的流行性腎病(nephropathia epidemica, NE)則被發現是由普馬拉病毒(PUUV)所引起，其宿主為堤岸田鼠(bank vole, Myodes glareolus)。全球每年可能有高達 15 萬起類似病例，其中超過一半發生在中國。

1982 年時，WHO 將這類具有相似臨床症狀的疾病統一定名為腎症候群出血熱(Haemorrhagic fever with renal syndrome, HFRS)。

在 1993 年之前，都沒分什麼新世界、舊世界。直到 1993 年五月，美國爆發漢他病毒肺症候群(HPS, hantavirus pulmonary syndrome)疫情，或稱漢他病毒心肺症候群(HCPS, hantavirus cardiopulmonary syndrome)。拜分子生物學進步所賜，科學家在短短數週內就鑑定出病原體為無名病毒(SNV, Sin Nombre virus)，為新世界病毒第一次爆發的疫情，自此分成舊世界和新世界兩種漢他病毒。

病毒結構

▫️ 病毒分類：Bunyavirales (布尼亞病毒目), Hantaviridae (漢他病毒科), Orthohantavirus (正漢他病毒屬), 超過 38 種病毒株，通常依地區和臨床症狀分為新世界(New World)和舊世界(Old World)。

• 新世界：主要分佈在美洲，代表種為 Sin Nombre orthohantavirus (SNV, 無名病毒，主要宿主為鹿鼠)、Andes orthohantavirus (ANDV, 安地斯病毒)。
• 舊世界：主要分佈在歐亞，代表種為 Hantaan orthohantavirus (HTNV, 漢灘病毒)、Puumala orthohantavirus (PUUV, 普馬拉病毒)、Seoul orthohantavirus (SEOV, 首爾病毒)。

▫️ 病毒大小：Enveloped, 80 - 120 nmm, 多形性(Pleomorphic)或球形；套膜上佈滿了由 Gn 和 Gc 醣蛋白組成的刺突 (Spikes)，排列成網格狀。

🧬 基因體：(-)ssRNA, segmented, 12 kb; 分為 S (N protein, ~1.7kb), M (GPC, ~1.7kb), L (RdRp, ~6.5kb)三個節段 (Tripartite)

▫️ 病毒蛋白

• N (Nucleoprotein)：核殼蛋白，病毒顆粒中最多的蛋白，包覆和保護各個 RNA 片段組成三個 RNP (ribonucleoprotein)。
• Gn, Gc (Glycoproteins)：膜表面的醣蛋白(glycoproteins)轉譯後會被蛋白酶切割成 Gn 和 Gc，負責附著宿主細胞及膜融合。
• L (polymerase)：RdRP (RNA-dependent RNA polymerase), helicase 和 endoribonuclease，負責病毒複製與轉錄。

🧪 存活力：在宿主體外存活時間不長，在室溫下的乾燥排泄物中可存活 2 - 3 天，在潮濕、陰暗的環境中可存活較久，可以超過 10 天。因具套膜而對脂溶劑敏感，10% 漂白水、70% 酒精、Lysol 等清潔劑皆可迅速滅活病毒。

症狀 & 傳播途徑

❄️ 盛行季節：全年皆有風險，只要有齧齒類動物存在。常見於春季和初夏，因為人們開始清理閒置的度假小屋、倉庫或穀倉，容易揚起帶有病毒的灰塵；或是齧齒類動物因氣候回暖開始活躍。

症狀

依病毒種類分為漢他病毒肺症候群(Hantavirus pulmonary syndrome, HPS)和腎症候群出血熱 (HFRS)，舊世界主要症狀為腎症候群出血熱，新世界為漢他病毒肺症候群。

漢他病毒肺症候群(HPS)

HPS 又稱漢他病毒心肺症候群(HCPS, hantavirus cardiopulmonary syndrome)，主要為北美新世界病毒引起的症狀，包括 Sin Nombre 病毒。

• 早期 (疲勞期, 1-3天)：發燒、劇烈肌肉痠痛 (特別是大腿、臀部、背部等大肌群)、頭痛、噁心、嘔吐。
• 晚期 (心肺期，發病後 4-10 天)：咳嗽、呼吸急促、感覺像肺部被勒緊或溺水。肺部微血管通透性增加導致嚴重肺水腫，致死率高，約 35-40%。

腎症候群出血熱 (HFRS)

主要為歐亞的舊世界病毒引起的症狀，包括漢灘病毒。症狀為突發高燒、皮下出血、血壓降低、嚴重腎功能衰竭造成的少尿。

傳播途徑

主要是經由吸入被受感染齧齒類動物的尿液、糞便或唾液污染的灰塵。除此之外，如果觸摸受污染的物體後再觸摸口鼻也可能被感染。絕大多數漢他病毒不會人傳人，不過南美洲的 Andes virus (安地斯病毒) 曾有極少數人傳人案例報告。

安第斯病毒(Andes virus, ANDV)最早發現於 1995 年三、四月時，阿根廷西南部 El Bolson 附近的家族群聚中出現 HPS 病例，其臨床表現類似北美的 Sin Nombre virus，但是病毒的基因序列和舊世界或北美病毒不同，確認為全新病毒株，並被命名為安地斯病毒(Andes virus)。

之後於 1996 年年底，該地區又爆發一次規模較大的疫情，總共有 20 人確診為安地斯病毒感染，**致死率高達 50%。**由於部分病例並沒有接觸到嚙齒動物，只接觸過確診患者，因此懷疑其人傳人的可能性。

接著，2018 年時發生了截自目前為止記錄中最大規模的人傳人安第斯病毒疫情，共有 32 位確診，11 人死亡，致死率 32.4%。帶原者在11 月時參加了一個約 100 人的生日派對時已發燒，雖然只呆了約 90 分鐘，但感染了 5 名近距離接觸者，之後在透過家庭、葬禮等社交場合傳給其他人。

在那之後，2025 年自今，阿根廷持續有安地斯病毒確診案例的通報，目前已累積有 101 個案例，光是今年就有 42 例，為近年最大規模，死亡率約 31 - 39%，不過大多數是鼠傳人。

2021 年的系統性回顧論文認為目前的證據不足以證明安地斯病毒為人傳人，因為之前人傳人的疫情中，並沒有確認除了帶原者外，其他人並沒有明確未接觸過嚙齒類動物的證據，尤其是在疫區，更需要未接觸過的對照組。

感染機制

1. 受體結合：病毒醣蛋白(Gn/Gc)和宿主細胞表面的 Integrins 結合以進入血管內皮細胞（特別是肺部或腎臟）和肺泡巨噬細胞。 2. 發病：病毒本身通常不直接殺死細胞，而是引發強烈的免疫反應，例如細胞激素風暴(cytokine storm)，會導致血管內皮細胞間隙變大，引發嚴重的微血管滲漏(vascular leakage)，造成肺水腫(HPS)或腎衰竭／出血(HFRS)。

💊 治療藥物：目前無無核准的抗病毒藥物，病發後以支持性療法(supportive care)為主，包括插管(Intubation)以維持呼吸，在極重症呼吸衰竭時，需用葉克膜(ECMO)支持心肺功能，直到病毒消退。

目前臨床文獻有提到的抗病毒藥物為 Ribavirin，但只有在 HFRS 早期施用有效，但在用在 HPS 則效果不彰。

💉 疫苗：

• 北美／歐洲：目前還沒有 FDA 核准上市的疫苗
• 亞洲：針對舊世界型病毒，中國和韓國有使用滅活疫苗可供使用，例如 Hantavax，但對新世界病毒無效。

資料來源：Health Canada, US CDC, WHO, ICTV, ViralZone

References:

CDC | An Unusual Hantavirus Outbreak in Southern Argentina: Person-to-Person Transmission?

JH Kuhn, CS Schmaljohn. A Brief History of Bunyaviral Family Hantaviridae. Diseases (2023) DOI: 10.3390/diseases11010038

CB Jonsson, LTM Figueiredo, O Vapalahti. A Global Perspective on Hantavirus Ecology, Epidemiology, and Disease. Clin Microbiol Rev (2010) DOI: 10.1128/cmr.00062-09



☕️ 如果你喜歡這篇內容，歡迎賞一杯咖啡。😊

合作邀約: nonproscience@gmail.com
📍 文稿：科普文、公司文、產業文等等
📍 諮詢：實驗設計、加拿大研究所、生科產業