Molecular Devices

  AI 讀懂細胞的那一刻，原來的分析流程已經落伍 No-code AI 正在讓我們用前所未有的速度讀懂細胞在說什麼——這不只是技術進步，也是讓解藥少走一點冤枉路的方式。 前年冬天在朋友家聚會時，來了對年輕夫妻，媽媽年紀看來三十出頭，全程戴著毛帽，看來額外的孱弱，後面聊起來才知道她確診的是三陰性乳癌（Triple-Negative Breast Cancer， TNBC ）——我捏了把冷汗，這種乳癌因為沒有荷爾蒙受體、沒有 HER2 標靶可用，能打的幾乎只剩化療。看著她虛弱到站起來都費勁，但還有個才兩歲大的孩子討抱抱，還有大好的人生等著她，可是命運既然如此殘酷，真是唏噓。我們長期在第一線和研究人員站在一起，深知新藥和治療方法開發的不易，但源自這種對生命的熱愛，和真實生活的觸動，希望我們的技術和努力能幫忙加速研究，有機會讓更多像她一樣的病人，早一點得到有效的治療。 這幾年 AI 帶來的改變，世界正在不斷地加速——而「讀懂細胞」這件事，已經不再需要一個資深的研究人員一個個圈選，或是要懂 Python 才能做機器學習， 高內涵篩選（High-Content Screening，HCS）的問題，已經從「拍得到」變成「看得懂」——而看得懂這件事，現在研究者自己就做得到，不用再等工程師排隊。 研究者要跟上的，不是一套新軟體，是一整套「讀細胞」的方式被重寫了 三年前談 AI 影像分析，講的還是找一個懂 machine learning 的人來訓練模型；現在講的是生物學家自己用滑鼠標兩張圖就能開始。差別不在演算法有多聰明，而在門檻被砍掉了一大截——像 SAM（Segment Anything Model）這類基礎分割模型，本身已經看過海量圖像、學會辨認邊界在哪裡，使用者要做的只是告訴它這次的目標長怎樣， 不用從零教它什麼叫細胞 。 傳統 Threshold 分割 需寫程式的 ML pipeline No-code AI 建模門檻 免寫程式，但每批次都要人工重調 需要 Python / CellProfiler 技能 免寫程式，滑鼠標記目標與背景即可訓練 跨批次一致性 光照、染色略有差異就要重調 一致，但維護成本高 深度學習自動抓特徵，較不受微幅波動影響 上手時間 快，但長期維護成本高 慢，需要工程師介入 快，生物學家自己就能上手 這件事重要的地方，不在分析變快，而在 分析變...