當 Turing 圖樣必須跟隨區域一起生長

Turing 圖樣在教科書中通常出現在一個很合作的空間：區域固定不動，兩種化學物質在每點反應，再以不同速度擴散，把近乎均勻的狀態變成條紋或斑點。然而，發育中的組織不會等計算完成才生長。它會伸長、稀釋內含物質，並改變哪些波長可以容納。

因此，今次研究不只問「有沒有 Turing 不穩定性」，而是問：

當反應—擴散區域生長，哪些生長率與動力學餘量能保留圖樣身分？哪些組合會令峰值分裂、合併或消失？

這是一個刻意使用合成參數的機制研究，不辨認任何指定生物的圖樣機制。它把四個常被分開教授的部分接起來：線性不穩定性、生長區域上的坐標變換、追蹤峰值事件，以及數值驗證。

一維生長區域上的 Turing 圖樣歷程，標示峰值事件與主導模態。 — **圖 1。** 代表性生長歷程。區域長度、活化物剖面、檢測峰值及頻譜資訊需要一起閱讀；任何單一面板都不是完整結果。

固定區域只是一個基準

考慮 Schnakenberg 動力學

f(u,v)=a-u+u^2v,\qquad g(u,v)=b-u^2v.

沒有空間時，均勻平衡為

u_*=a+b,\qquad v_*=\frac{b}{(a+b)^2}.

在平衡點計算 $(f,g)$ 的 Jacobian 可判斷局部反應穩定性。加入擴散後，波數為 $k$ 的 Fourier 模態使用

J_k=J-k^2 \begin{pmatrix} D_u&0\\ 0&D_v \end{pmatrix}.

在已聲明參數下，固定區域色散關係選出模態 5 為增長最快的可容許模態，最大線性增長率約為 $0.315$ 。這是一個重要而透明的基準：它交代初始固定區域、接近均勻狀態時，線性系統偏好甚麼。

但它並不表示生長中的非線性解最後一定有五個峰。原因有三個。第一，線性 Fourier 模態不等同非線性濃度曲線上數到的峰。第二，物理長度改變時，可容許波數也會移動。第三，已形成的圖樣具有歷史：即使另一波長開始較有利，現有峰仍可能持續；峰值也可能要到闊度與振幅跨過非線性門檻才分裂。

所以基準回答「初始固定區域上，均勻狀態附近哪個模態增長最快？」；研究實驗則回答「幾何本身改變時，正在形成的圖樣如何演化？」

把生長區間映射到固定計算坐標

物理坐標為 $x\in[0,L(t)]$ 。引入物質坐標

\xi=\frac{x}{L(t)},\qquad 0\le \xi\le1.

轉換後，均勻生長不只是改變擴散係數。活化物 $u$ 與抑制物 $v$ 遵從

\frac{\partial u}{\partial t} =a-u+u^2v+\frac{D_u}{L(t)^2}\frac{\partial^2u}{\partial \xi^2} -\frac{\dot L(t)}{L(t)}u,

\frac{\partial v}{\partial t} =b-u^2v+\frac{D_v}{L(t)^2}\frac{\partial^2v}{\partial \xi^2} -\frac{\dot L(t)}{L(t)}v.

兩個生長效應因而清楚可見。 $L(t)^{-2}$ 使物質坐標中的擴散隨物理區域伸長而減弱； $-\dot L/L$ 是稀釋項，表示相同模型物質分布在更長區間。遺漏任何一項，都會靜靜地改變所研究機制。

兩端採用無通量邊界，令 cosine 表示自然地配合問題。數值方法以反應及稀釋更新包圍一個隱式 cosine 頻譜擴散步。這並非聲稱唯一最佳求解器；選擇原因是邊界條件可直接表示、擴散子問題在所選步長穩定，而且可以獨立加密檢查。

「圖樣身分」需要操作定義

研究問題既然涉及分裂與合併，單一熱圖便不足夠。必須說清楚何時一個峰存在，以及何時其身分改變。

每個保存時間先按當時空間變異設定 prominence 規則，檢測局部極大值；相鄰時間的候選峰再按位置配對。未能配對的新峰記作出生；原有峰消失則記作死亡。這裡「拓撲事件」是謹慎的操作用語，描述顯著極值連接序列的改變，不是整個濃度場的正式拓撲不變量。

研究同時保留頻譜描述。離散 cosine 變換找出主導空間模態；正規化頻譜熵則量度能量集中於一個模態，還是分散到多個模態：

峰值數量描述肉眼可見的多重性；
主導模態描述最強諧波；
頻譜熵描述圖樣有多接近單一模態。

三者一致時有助確認；不一致時則提供額外訊息，而不是自動視為錯誤。

代表性運行發生了甚麼

計算由均勻平衡附近的小型固定種子擾動開始，以 $0.01$ 生長率運行至 $t=90$ 。物理長度最後約為初值的 $3.562$ 倍。

最終剖面有九個檢測峰。整段保存歷史共記錄十一個出生或死亡事件，最終主導 cosine 模態為 13。頻譜熵約為 $0.323$ ，表示狀態具有結構，但不是純單一諧波；最小狀態值約 $0.153$ ，保持正值。

這些數字應按歷程閱讀，而不是看成與固定區域模態 5 矛盾。模態 5 描述原始長度上的初始線性偏好；到終點時，區域已顯著伸長、非線性已飽和，而且曲線經過多個形成事件的區域。

圖 1 顯示事件時間。峰數可在長時間保持不變，即使長度持續增加；較後的分裂卻可能在短時間發生。因此，只比較第一張與最後一張圖會失去機制。兩個最終峰數相同的模擬，歷史與敏感度可以完全不同。

不只展示一條漂亮軌跡

單次運行適合解釋，但不足以支持雙參數聲稱。因此，研究同時改變生長率與動力學餘量；後者把反應系統移向或移離不穩定邊界。

生長率與動力學餘量下的最終峰數及拓撲事件相圖。 — **圖 2。** 生長率 × 動力學餘量相圖。數值與邊界標示補充顏色，即使不依賴色相也可閱讀各區域。

相圖說明「生長越快，峰越多」過於簡單。生長確實提供更多物理空間，卻同時加強稀釋，並改變不穩定模態可增長的時間。接近動力學邊界時，擾動可能在模擬時窗內從未顯著到足以計算；深入不穩定區後，生長可觸發反覆分裂；另一些參數組合則先形成暫態特徵，後來再失去。

較有意義的是把結果分成機制區域：

持續： 圖樣特徵伸長時仍可辨認；
插入或分裂： 新峰在原有峰之間出現；
失去或合併： 峰低於 prominence，或結合成較少結構；
抑制： 擾動在模擬時窗內未形成穩健圖樣。

這些名稱只描述已聲明模擬器與檢測規則，不是發育生物學表型。

解讀之前先做數值驗證

圖樣形成 PDE 很容易產生有說服力的數值假象。粗網格會改變可解析模態，大步長會額外阻尼或放大結構，峰值閾值亦可製造事件。因此，驗證圖屬於主要證據，而不是看不見的附錄。

比較固定區域色散、網格與時間步加密、質量殘差及最小狀態的驗證圖。 — **圖 3。** 四類獨立檢查：分析線性基準、加密趨勢、平衡殘差與正值。數值驗證可收窄計算疑問，卻不能驗證生物機制。

空間與時間加密

共同比較設定分別在粗、參考及細解析度重跑。相對細解的 $L^2$ 誤差由約 $2.93\times10^{-2}$ 降至 $6.12\times10^{-3}$ ，細解本身按定義為零；三個設定的最終峰數同為三。

代表性故事有九峰，原因是它與專門加密案例使用不同、但各自明確的設定。兩個角色需要分開：加密必須同類比較；故事則選擇最能解釋機制的配置。

平衡殘差

在生長區域上，簡單要求「總質量不變」是錯誤檢查，因為反應、稀釋與物理體積都會貢獻。實作改為計算模型所要求的平衡殘差；各加密層級最大絕對值約為 $1.3\times10^{-3}$ 。它不是數學證明，但若生長或擴散項遺漏，這個數量級診斷會暴露問題。

正值

已報告運行中，活化物與抑制物最低濃度均高於零。這同時是物理解讀的基本合理性與數值診斷，但正值本身不證明準確；一條平滑而正的錯誤解仍然是錯誤解，所以必須與收斂及色散關係並列。

峰值檢測器改變會怎樣？

Prominence 是量測模型的一部分。提高門檻可令小肩位由「事件」變成「沒有事件」；降低門檻則可能把數值漣漪錯分成多個峰。因此，精確事件數必須寫成條件於已聲明規則。

較穩定的結論是跨視角的：

區域生長會移動可容納的空間尺度；
稀釋與擾動增幅互相競爭；
非線性歷史包含持續期與事件形成期；
固定區域線性模態不能決定最終峰數；
在測試範圍內，所述機制區域通過本文使用的數值檢查。

更進一步可跨 prominence 門檻建立極值持續圖，或延續生長區域上的非線性圖樣分支，降低對單一檢測器的依賴，而不假裝「圖樣身分」完全與觀察方法無關。

研究沒有證明甚麼

計算沒有證明任何指定組織使用 Schnakenberg 動力學，也沒有估計生物生長率、擴散係數或分子濃度。模型假設一維均勻生長、兩端無通量、兩個反應場及合成初始擾動；細胞重排、各向異性生長、力學回饋、受體結合、基因調控與量測噪聲都不在模型內。

所以合適結論是：

在已聲明的生長區域反應—擴散模型中，幾何生長透過演化中的波長、稀釋及非線性歷史共同改變圖樣拓撲。

若要把它轉化成指定生物聲稱，需要獨立量度幾何、動力學、運輸尺度與分子讀出，並測試競爭機制。

作為建模例子有何價值

這個例子把不同章節連成一條可檢查證據鏈。線性代數與穩定性分析提供色散基準；坐標變換揭示幾何如何進入 PDE；頻譜方法實作無通量擴散；訊號處理把濃度場變成事件；加密與平衡檢查限制數值解讀；科學寫作則把機制聲稱保留在合成模型內。

這比漂亮條紋圖更有用，因為每一步都可被挑戰。改變生長律，重做相圖；改變 prominence，檢查事件持續性；改變求解器，比較場；只有在資料來源與用途清楚時才加入資料。

參考文獻

A. M. Turing, “The chemical basis of morphogenesis,” Philosophical Transactions of the Royal Society B, 1952. doi:10.1098/rstb.1952.0012.
S. Paul, J. Adetunji, and T. Hong, “Widespread biochemical reaction networks enable Turing patterns without imposed feedback,” Nature Communications, 2024. doi:10.1038/s41467-024-52591-0.
C. Husbands 等, “A diffusible small-RNA-based Turing system dynamically coordinates organ polarity,” Nature Plants, 2024. doi:10.1038/s41477-024-01634-x.
J. D. Murray, Mathematical Biology II: Spatial Models and Biomedical Applications, 3rd ed., Springer, 2003. doi:10.1007/b98869.