HONDA 下一代 EV 科技 2026
風與雲剛剛好的秋天，特別適合讀這本書。那些有你的風景 不識者彭樹君
也許窗外還下著一些雨，這樣會更貼近閱讀的心情。
性傑的文字真好，像風，像雲，像潤澤無聲的溦雨，那麼自然又溫柔地沁入閱讀者的心底，滋養成一片開花的土地。
《那些有你的風景》分為四卷，分別是「失去的藝術」、「川流人生」、「記憶所繫之處」和「一起」，並附錄與石曉楓的「文學相對論」，其中許多篇章在成書之前已經讀過，當時就覺得被那些閃爍的靈光治癒了，之後再讀依然深有感觸。
我特別喜歡這本書裡的那些關於河流的書寫，那些記憶與情感，那些相聚與別離，那些悲憫與豁達，那些死亡與重生，在在皆是哀而不傷的深刻領悟。
讀這本書會讓人的心安靜下來。
也常常因爲共感書中的一段文字而掩卷思索，回想流過自己生命中的某些人生風景。
喜歡這本書，也喜歡性傑在扉頁上用好看的筆跡寫的字：
Dear樹君姐
遍路同行
守望相助
日光月光照亮
我們的日常
（書訊請見留言處）
#那些有你的風景
。。。。
林試所
【🖼️稀有植物的海角神同框－烏芙蓉＆芙蓉菊🌿】
臺灣有兩種苦情的海角植物，它們是 #芙蓉菊（蘄艾，𝑪𝒓𝒐𝒔𝒔𝒐𝒔𝒕𝒆𝒑𝒉𝒊𝒖𝒎 𝒄𝒉𝒊𝒏𝒆𝒏𝒔𝒆）和 #烏芙蓉（𝑳𝒊𝒎𝒐𝒏𝒊𝒖𝒎 𝒘𝒓𝒊𝒈𝒉𝒕𝒊𝒊）。這兩種植物因為外觀形態與蓮花相似而有芙蓉之名，並且在臺灣 #紅皮書 中都被列為 #受威脅 的物種。🌿
#芙蓉菊，又叫 #蘄艾，常見於臺灣的大街小巷，但在野外已經很稀少。這種植物的葉片簇生莖頂，遠看就像一朵朵白蓮花。然而，芙蓉菊有個悲劇性的別名－奪命芙蓉，因為過去許多人為了藥用價值採摘這種植物而冒險攀爬峭壁，結果不幸墜崖喪命。⛰️
與之相鄰而生的 #烏芙蓉，分布更加狹隘，主要生長在臺灣南部及蘭嶼和綠島的 #礁岩海岸 上。這種植物的基生葉呈蓮座狀生長，與蓮花相似。烏芙蓉也面臨著因藥用價值被大量盜採的壓力，相比芙蓉菊還更為罕見。🌼
這兩種植物同框的畫面在臺灣本島並不存在，必須要跑到 #離島 的 #礁岩海岸 才有機會目睹這樣的畫面。🌊
⚜️芙蓉菊 𝑪𝒓𝒐𝒔𝒔𝒐𝒔𝒕𝒆𝒑𝒉𝒊𝒖𝒎 𝒄𝒉𝒊𝒏𝒆𝒏𝒔𝒆 ⚜️
#菊科 多年生草本植物，主要分布在臺灣北部與東南部的珊瑚礁岩及懸崖上，也見於中國南部和琉球地區。這種植物因其稀少而受到保護，常被用作觀賞或藥用。
⚜️烏芙蓉 𝑳𝒊𝒎𝒐𝒏𝒊𝒖𝒎 𝒘𝒓𝒊𝒈𝒉𝒕𝒊𝒊 ⚜️
#藍雪科 多年生植物，主要生長在臺灣南部及蘭嶼和綠島的岩石海岸，也分布在小笠原群島和琉球。這種植物因其藥用價值被大量盜採，成為更為罕見的珍稀植物。
。。。準備十本書談日本文化的修學宮桂離宮 外人 太平時期
八犬神社的宮本武藏
明智周
【睿山電車奇遇】
一大早搭乘睿山電車，原本是要去修學院附近懷舊，看是否有可能在明天和"昨天的她"約會。不巧，經過一乘寺車站的時候，忽然看到宮本武藏要和吉岡一族決鬥的消息！
因此，趕緊下車火速趕往“下垂古木松”想要看看熱鬧！
可惜的是，晚到了好幾步，現場已是人去樓空，徒留後人無限嚮往的遺憾。
。。。。自說自話的留言 遺憾
1975級的分裂和
。。。。
多了Total加油站前後的街景
Before and After in Paris Rue de la Chapelle
Picture: @EmmanuelSVP
。。。。。
陳祖林 他們的杜邦老同事的聚會
我不知道的圓山大飯店20人聚會
禮品借花獻佛給七十歲生日的玉燕生日（雪山散步道經驗的遺忘之驚恐不安 癡呆症）
玉禪家的日本酒庫 清酒
福華飯店聚餐，
古典玫瑰咖啡台北台中東海美國
。。。。
科學門外漢的我，
牟中原老師的
2024 諾貝爾化學獎—-然後呢？
才剛剛發佈一篇fb 文介紹今年諾貝爾化學獎，按理我就不必囉嗦了。然後看到網路上一片對AI 歌功頌德就不安起來，只好說點反話。
如今，以AlphaFold（RoseTTaFold)為代表的使用深度學習人工智慧（AI）的蛋白質結構預測方法，可以於幾秒鐘內完成在原子解析度的蛋白質結構預測。目前，幾乎地球上所有已知的蛋白質結構都已被預測，生命科學的研究似乎已進入"後AlphaFold時代"。AlphaFold的發展給生命科學帶來了新的可能，自然也帶來了新的問題和挑戰。然後下一步?
首先AI 做的是並不是透過折疊過程預測。從蛋白質資料庫（PDB）中提取的模式提供現成的“零件清單”，完全繞過折疊過程。這些圖案是從已解決的問題中提取的模式。PDB 中的結構是完全預先組織的，就好似只看一部電影快進到最後一幕而不看前兩個小時來說故事(劇透)。正如Rose等最近在(PNAS)發表的評論中所說，"我們知道蛋白質折疊的結果，但不知道其中發生了什麼"。值得注意的是，蛋白質折疊是在活細胞中進行的，但我們對細胞複雜環境內蛋白質折疊過程的理解還非常少。
關於蛋白質折疊最早的熱力學研究可以追溯到二十世紀七十年代，諾貝爾獎得主Anfinsen提出了蛋白質折疊的熱力學假說。Anfinsen在實驗中發現蛋白質折疊與環境因素有關，意味著其中還有動力學問題。沿著熱力學方向，Wolynes於1995年首次系統地闡述了能量景觀模型 （圖1）。如今，人們可以測定蛋白質折疊過程中多種熱力學參數的變化。在動力學研究方面，人們根據實驗和電腦類比研究提出了多種現象學模型以描述折疊過程中的結構變化。
經典的蛋白質折疊問題，即多肽鏈如何折疊成具有三維結構的蛋白質分子，多是用體外實驗進行研究的。然而，蛋白質折疊是在活細胞中進行的，細胞內的蛋白質折疊指新生肽鏈從核糖體上合成出來到最終成熟為有活性的功能蛋白質，還包括蛋白質的修飾、轉運、跨膜、組裝、分泌乃至降解等過程，其中蛋白質構象的動態變化也受到細胞內環境因素（如pH、離子、黏度、極性等）和其他生物大分子（如分子伴侶）的共同調節。
自伽利略和牛頓以來的科學史告訴我們一旦了解原理，就會得到更準確的解決方案，意想不到的見解和揭示性的預測可能會很快跟進。事實上，科學的最終目的是透過制定第一原理來了解重複出現的模式。例如，第谷(Tycho Brahe) 的大量行星運動的觀測被簡化為開普勒的觀測三個定律，最後牛頓將其轉化為物理學。以此類推，利用人工智慧輔助預測蛋白質結構模式識別可與門德列夫的彙編週期表相媲美，但是到底它只是一個模式識別，最終到1926我們才真正了解元素週期表源自量子力學。因此，支持Protein Folding的研究至關重。
進入"後AlphaFold"時代，科學家們更需要通過跨領域的深度跨領域融合來解析蛋白質折疊問題。AI輔助的結構解析能給細胞內蛋白質全景圖的繪製提供強大助力，而深入揭示細胞內影響蛋白質折疊和功能的各種調節因素又會給AI的訓練提升提供更多的回饋資訊，有助於全方位描繪細胞內蛋白質動態過程。隨之而來的將會是對蛋白質折疊背後的物理化學原理更深入的理解，這對於準確預測蛋白質結構，理性設計乃至生產有特定功能的新型蛋白質，有效治療蛋白質折疊異常相關疾病等具有重要意義。
現在以為AI 是了解蛋白質折疊的終極武器的人，就如同1900 年以為週期表對化學就夠了，不必擔心它是反應什麼低層結構。機器學習不過就是某種人臉辨識，它本身並不給你終極了解。
。。。。
沒有留言:
張貼留言