《自然》發表了2024年值得關注的七大技術－大片段DNA插入、人工智慧設計蛋白質、腦機介面、 細胞圖譜、超高解析度顯微成像、3D列印奈米材料和DeepFake檢測。與往年相比，今年最大的變化在於，人工智慧（AI）的進步成為許多令人興奮的技術創新的核心支撐。

值得一提的是，高彩霞團隊開發的大片段DNA精準定點插入新工具PrimeRoot入選，這也是自2018年首次評選以來，第一項來自中國學者的技術成果入選。

大片段DNA插入

2023年12月，美國FDA批准了首個基於CRISPR-Cas9的基因編輯療法上市，用於治療鐮狀細胞疾病，幾天前，FDA進一步批准了該療法用於治療輸血依賴性β-地中海貧血。這是基因編輯在臨床應用上的重大勝利。

CRISPR-Cas9及相關基因編輯技術透過使用Cas9等核酸酶切割DNA雙股來實現對基因的敲除或引入小的序列變化，其很難實現精確的可編程的大片段DNA序列的插入。而最近的一些研究成果，讓科學家們能夠替換或插入大片段DNA。

2023年4月，中國科學院遺傳與發育生物學研究所高彩霞團隊在Nature Biotechnolgy期刊發表了題為：Precise integration of large DNA sequences in plant genomes using PrimeRoot editors 的研究論文。

該研究將團隊先前開發的ePPE（Engineered Plant Prime Editor）與劉如謙團隊開發的epegRNA（Engineered pegRNA）結合，在植物細胞內建立了dual-ePPE系統，實現了最高效率可達50%以上的短片段DNA的精準定點插入。接著將dual-ePPE與篩選出的高效的酪胺酸家族位點特異性重組酶Cre結合，開發了能夠實現大片段DNA精準插入的PrimeRoot系統。該系統在水稻和玉米中能夠實現一步法大片段DNA的精準定點插入，效率可達6%，成功插入的片段長度最長長達11.1kb，且插入完全精準可預測，在編輯效率和精準性上具有顯著優勢。

高彩霞研究員，照片來源：Stefen Chow

高彩霞研究員表示，PrimeRoot系統高效、精準插入大片段DNA的能力，可透過基因敲入廣泛用於賦予作物對疾病和病原體的抗性，從而繼續推動基於CRISPR的植物基因組工程的創新浪潮。相信這項新技術可以應用於任何植物物種。

2022年11月，麻省理工學院的Omar Abudayyeh、Jonathan Gootenberg團隊在Nature Biotechnology期刊發表了題為：Drag-and-drop genome insertion of large sequences without double-strand DNA cleavage using CRISPR-didirectegrases 的研究論文。

研究將來自噬菌體的絲胺酸整合酶與Cas9切口酶（只切斷DNA一條鏈，而不造成DNA雙股斷裂）結合，開發了一種名為PASTE的新型基因編輯技術。PASTE在gRNA的引導下切割特定基因組位點，此時Cas9切口酶融合的逆轉錄酶將整合酶所需的附著位點序列整合進切割位點。透過這種方式，就可以將整合酶所需的附著位點插入基因組中的任何位置，而且這種插入不會造成DNA雙股斷裂，此時，整合酶就可以與附著位點結合，將大片段DNA序列插入。此技術能夠以更安全、更有效的方式取代突變基因，也可向哺乳動物及人類細胞定點插入長達36kb的超長DNA片段。

2022年2月，史丹佛大學叢樂團隊在Nature Cell Biology期刊發表了題為：dCas9-based gene editing for cleavage-free genomic knock-in of long sequences 的研究論文。

研究將來自噬菌體的DNA精確重組酶—單鏈退火蛋白（SSAP），與DNA切割活性喪失的dCas9系統結合，開發出了一種新型基因編輯工具— dCas9-SSAP，可在不產生DNA在雙股斷裂的情況下，實現長達2kb的大片段DNA的高效、精準定點插入。

叢樂認為，對於體內基因編輯而言，PASTE尺寸太大，需要三個獨立的AAV病毒載體毒才能遞送，因此，其編輯效率可能不如尺寸更小的dCas9-SSAP。

深度學習用於蛋白質設計

20年前，華盛頓大學的David Baker等人在Science期刊發表論文【2】，取得了一項里程碑式成就：他們使用計算工具從頭設計了一個全新蛋白質－Top7，該蛋白由93個胺基酸殘疾組成，能夠如預期般折疊，且非常穩定，但它沒有任何有意義的生物學功能。

David Baker教授

而現在，在David Baker等人的努力下，從頭設計蛋白質已經一種成熟的工具，用於生成定制酶，及其他基於蛋白質的藥物、疫苗和藥物遞送載體。這種進步的大部分歸因於越來越多的將蛋白質序列與其結構聯繫起來的資料庫，但人工智慧的技術進步也同樣重要。

例如，2023年2月，David Baker團隊在Nature期刊發表論文，從頭設計了人造螢光素酶，這也是科學界首次基於深度學習的人工智慧來創造自然界中不存在的酶。2023年4月，David Baker團隊在Science期刊發表論文，利用基於強化學習的人工智慧從頭設計了全新且有功能的蛋白奈米顆粒，為疫苗和藥物遞送載體開發開闢了全新道路。2023年12月，David Baker團隊在Nature期刊發表論文，利用基於深度學習的人工智慧從頭設計了具有高親和力和特異性的全新蛋白質，這為抗體設計和疾病診斷打開了新思路。

腦機介面

2012年，Pat Bennett被診斷出患上了漸凍症（ALS），而且她的情況比較特殊，她的腦幹更早開始惡化，她在還能行走、打字的時候，就已經無法使用嘴唇、舌頭、喉部和下顎的肌肉運動來清晰地發聲，她的大腦能夠嘗試發聲，但肌肉已無法執行這一命令，從而失去了說話的能力。

2022年3月，她參加了由史丹佛大學Francis Willett教授領導的腦機介面臨床試驗，研究團隊在她的大腦皮質表面植入了四個微型細電極陣列（每個陣列包含8×8個電極），用於收集單一細胞的神經活動，植入的陣列連接到金線上並透過電纜連接到電腦上，並訓練人工智慧（AI）來解碼她試圖進行的發聲。

Pat Bennett正在進行測試

2023年8月，Francis Willett團隊將這項研究以：A high-performance speech neuroprosthesis 為題，發表在了Nature期刊。

論文顯示，透過植入皮質內腦機介面（iBCI），並透過訓練人工智慧（AI）軟體，能夠將漸凍症（ALS）患者Pat Bennett大腦中的神經活動即時轉化為文字，轉化速度可達每分鐘62個單詞，總詞彙量高達125000，相比已有的腦機介面速度更快、準確度更高、詞彙覆蓋率更大。這項研究展示了一條可行的路徑以恢復漸凍症等癱瘓者的語言溝通能力。

Nature同期也發表了來自加州大學舊金山分校的張復倫（Edward Chang）團隊題為：A high-performance neuroprosthesis for speech decoding and avatar control 的研究論文。

該研究開發了一種新型腦機介面（BCI） ，結合人工智慧（AI）技術，可以高效能、即時將因腦幹中風而嚴重癱瘓的患者大腦訊號同時轉化為三種輸出形式：文字、語音和控制一個頭像，從而幫助嚴重癱瘓者恢復溝通能力。

這些腦機介面裝置的開發成功應用，代表了神經科學和神經工程學研究的重大進步，對於緩解因癱瘓性神經損傷和疾病而失聲的人的痛苦有巨大潛力。

細胞圖譜

Wellcome Sanger研究所的Sarah Teichmann和現任基因泰克公司的研究和早期開發負責人Aviv Regev於2016年發起了一項規模龐大、雄心勃勃的人類細胞圖譜（Human Cell Atlas，HCA） 計劃。該計劃有近100個國家的約3000名科學家參與，而​​HCA本身也是一個更廣泛的細胞和分子圖譜交叉生態系統的一部分，包括人類生物分子圖譜計劃（HuBMAP）和腦部計劃（BICCN）。

去年，已有數十項研究展示了使用這些技術產生器官特異性圖譜的進展。2023年，Nature發布了一個論文集（go.nature.com/3vbznk7） ，重點介紹了HuBMAP的進展，Science則發布了一篇論文集，詳細介紹了BICCN的工作（go.nature.com/3nsf4ys） 。

人類肺部的細胞圖譜描述了不同的細胞類型及其調節方式

Sarah Teichmann表示，還有相當多的工作要做，估計至少需要五年才能完成HCA計畫。但當計畫完成時，產生的人類細胞圖譜將是無價之寶。例如可以使用細胞圖譜資料來指導組織和細胞特異性藥物開發，也有助於了解癌症等複雜疾病的風險和病因。

超高解析度顯微成像

Stefan Hell、Eric Betzig和William Moerner因打破限制光顯微鏡空間分辨率的「衍射極限」而獲得2014年諾貝爾化學獎，這讓我們得以在數十奈米級分辨率下進行分子尺度的成像實驗。然而，科學家們渴望得到更好的結果，他們也正在取得快速進展，努力縮小超解析度顯微鏡與結構生物學技術之間的差距。

Stefan Hell團隊在2022年開發了一種名為MINSTED的方法，使用專用光學顯微鏡，可以以2.3埃的分辨率分辨出單一螢光標籤。

馬克斯普朗克生物化學研究所的Ralf Jungmann團隊在2023年開發了一種序列成像（RESI）的增強分辨率的方法，可以分辨出DNA鏈上的單個鹼​​基對，使用標準的螢光顯微鏡實現了埃級解析度。

RESI方法可以對DNA中的單一鹼基對進行成像

由哥廷根大學醫學中心神經科學家Ali Shaib和Silvio Rizzoli領導的團隊開發的一步法奈米尺度膨脹（ONE）顯微鏡方法，雖然沒有完全達到上述埃級分辨率水平，但ONE顯微鏡提供了前所未有的機會，可以直接成像單一蛋白質和多蛋白複合物的精細結構細節，無論是在孤立狀態還是在細胞中。

3D列印奈米材料

在奈米尺度下，會發生很多奇怪而有趣的事情，這可能會使材料科學變得難以預測，但這也意味著我們可以在奈米尺度製造具有獨特性質的輕質材料，例如更高的強度、與光或聲的客製化互動以及增強的催化或能量儲存能力。目前有幾種精確製造此類奈米材料的策略，其中大多數使用雷射誘導光敏材料的圖案化“光聚合”，在過去幾年中，科學家們在克服這些方法的限制方面取得了相當大的進展。

但目前3D列印奈米材料還存在幾個挑戰，首先是速度， 使用光聚合技術組裝奈米結構的速度大約比其他奈米級3D列印方法快三個數量級。這一速度可能已經足夠用於實驗室使用，但對於大規模生產或工業流程來說還是太慢了。第二個挑戰是並非所有材料都可以直接透過光聚合來列印，例如金屬。但加州理工學院的Julia Greer開發出一種替代方法，將光聚合水凝膠作為微尺度模板，然後注入金屬鹽並進行處理，使金屬在收縮的同時具有模板的結構。最後是成本，這可能是最難突破的挑戰，許多光聚合方法中使用的脈衝雷射系統成本超過50萬美元，但好在更便宜的替代品正在出現。

利用水凝膠製作了微型金屬結構

DeepFake偵測

公開可用的生成式人工智慧演算法的爆炸性增長，使得生成令人信服但完全人為的圖像、音訊和視訊變得簡單。紐約州立大學布法羅分校的電腦科學家呂思偉教授表示，他已經看到許多人工智慧生成的與軍事衝突有關的「Deepfake」圖像和音訊。使用者使用人工智慧產生欺騙性內容，呂思偉和其他媒體取證專家致力於偵測和攔截它們。

生成式人工智慧開發人員的一個解決方案是在人工智慧模型的輸出中嵌入隱藏訊號，產生人工智慧生成內容的浮水印。其他策略則著重於內容本身，例如，一些偽造影片用一個人的臉部特徵替換了另一個人的臉部特徵，新的演算法可以在被替換特徵的邊界處識別偽造痕跡。呂思偉團隊開發了一個演算法——DeepFake-O-Meter，可以從不同角度分析影片內容，以識別「Deepfake」內容。這些識別工具是有用的，但可以預見，我們與人工智慧產生的錯誤訊息和內容的鬥爭可能還會持續多年。