自閉症也能談戀愛？——《非常律師禹英禑》愛情歷程分析

本文轉載自中央研究院「研之有物」，為「中研院廣告」

• 採訪撰文｜劉韋佐
• 責任編輯｜田偲妤
• 美術設計｜蔡宛潔

人工智慧將改變以人為主的法治領域？

由人工智慧擔任警察，再也不是科幻電影的情節，交通管制常見的科技執法就是應用 AI 辨識闖紅燈、未依規定轉彎、車輛不停讓行人等違規行為。 AI 的客觀、高效率正在挑戰以人為審判主體的法治領域，這樣的轉變會對我們產生什麼影響呢？中央研究院「研之有物」專訪院內歐美研究所陳弘儒助研究員，他將帶我們思考：當 AI 取代人類執法時，將如何改變人們對守法的認知？

想像有一天你正在尖峰時段開車，車子停在十字路口等紅燈時，後方出現一輛急駛而來的救護車，你為了讓道必須開過停止線。這時你是否願意冒著違規被開罰的風險？還是承擔風險以換取他人盡速就醫？

在上述情境中，針對「要不要闖紅燈」我們經歷了一段價值判斷過程。如果剛好十字路口有真人警察，他的判斷可能是：這是情急之下不得不的行為，並非蓄意違規。

然而，如果負責執法的是「法律人工智慧系統」（Artificially legal intelligent，簡稱 ALI）情況可能截然不同。

ALI 這個詞源自 Mireille Hildebrandt 的研究，在概念上可區分為兩類：採取傳統程式碼的 IFTTT（if this then that）、運用機器學習的資料驅動。前者是注重法律推理或論證的計算機模型，將法律規範轉為程式碼，藉由程式編寫來執行法律任務。後者則透過大量資料的學習，來預測行為範式，用於再犯率、判決結果預測上有較好的成果。

一般情況下，應用在交通管制的 ALI 會辨識車輛是否超速、闖紅燈等違規行為，不過交通情境千變萬化，ALI 能否做出包含「道德價值的判斷」將是一大挑戰！

中研院歐美研究所陳弘儒助研究員察覺，人工智慧（AI）正在左右人們對守法的價值判斷及背後的因果結構，進而反思當我們將原本由人來判斷的事項，全權交由 AI 來執行時，可能產生哪些潛移默化的影響？

讓我們與陳弘儒展開一場從法哲學出發的對話，探索 AI 與法治價值之間的緊張關係。

怎麼會對「人工智慧」（AI）與「法律人工智慧系統」（ALI）產生研究興趣？

會對 AI 感興趣是因為我很早就對電腦有興趣，我原本大學想唸資訊工程，因為高中有些科目沒辦法唸，於是去唸文組，大學進入法律系就讀，研究所考入「基礎法學組」研讀法哲學。

後來我到美國讀書，當時 AlphaGo 的新聞造成很大的轟動，啟發我思考 AI 的應用應該有些法律課題值得探討，於是開始爬梳 AI 與法律的發展脈絡。

AI 這個詞大概在 1950 年代被提出，而 AI 與法律相關的討論則在 1970、80 年代就有學者開始思考：我們能否將法律推理過程電腦程式化，讓電腦做出跟法律人一樣的判斷？

事實上，AI 沒有在做推理，它做的是機率的演算，但法律是一種規範性的判斷，所有判斷必須奠基在法律條文的認識與解釋上，給予受審對象合理的判決理由。

這讓我好奇：如果未來廣泛應用 AI 執法，法律或受法律規範的民眾會怎麼轉變？

至於真正開始研究「法律人工智慧系統」（ALI）是受到我父親的啟發。有一陣子我經常開車南北往返，有一天我跟父親聊到用區間測速執法的議題。交通部曾在萬里隧道使用區間測速，計算你在隧道裡的平均速率，如果超速就開罰。

父親就問我：「政府有什麼理由用區間測速罰我？如果要開罰就必須解釋是哪一個時間點超速。」依照一般的數學邏輯，你一定有在某個時間點超速，所以平均起來的速率才會超過速限，可是法律判斷涉及規範性，我們必須思考背後的正當性課題，不能只用邏輯解釋，這啟發我逐漸把問題勾勒出來，試圖分析執法背後的規範性意涵。

如果將執行法律任務的權限賦予 AI，可能暗藏什麼風險？

我們先來談人類和 AI 在做判斷時的差別。人類無時無刻都在做判斷，判斷的過程通常會先做「區分」，例如在你面前有 A 和 B 兩個選項，在做判斷前必須先把 A 和 B 區分開來，讓選項有「可區別性」。

在資料龐大的情況下，AI 的優勢在於能協助人類快速做好區分，可是做判斷還需經歷一段 AI 難以觸及的複雜過程。人類在成長過程中會發展出一套顧及社會與文化認知的世界觀，做判斷時通常會將要區分的選項放進這個世界觀中，最終做出符合社會或自身考量的抉擇。

當我們將判斷程序交由 AI 執行，就會涉及「判斷權限移轉」的問題，這經常在日常生活中發生，你只要發現原本自己可以執行的事情，有另外一個對象做的比你好或差不多好，你就會漸漸把判斷的工作交給它，久而久之，你大概會覺得這是很好的做法，因為可以節省大量時間。

我擔心這種判斷權限移轉會快速且廣泛的發生，因為 AI 的工作效率極高，可以大幅節省人力成本，但是哪一些權限可以放給 AI？哪一些權限人類一定要守住？我們經常沒有充足的討論，等到發生問題再亡羊補牢可能為時已晚。

以讓道給救護車而闖紅燈的情境為例，如果讓 AI 來做交管，可以節省警察人力，又可以快速精準地開罰，卻迫使民眾需額外花時間，證明闖紅燈有正當理由。如果是真人警察來判斷，警察通常會認為你的行為有正當理由而不開罰。這對於受法律規範的民眾來說，會產生兩種全然不同的規範作用。

AI 產生的規範作用會讓民眾擔心事後銷單的麻煩程序，如果無法順利解決，可能會訴諸民意代表或上爆料公社，並漸漸改變民眾對守法的態度。而真人警察產生的規範作用，將使民眾自主展現對法律的高度重視，雖然當下的行為牴觸法律，卻是行為人經過多方權衡後做的判斷，相信法律會支持自己出於同理心的行為。

使用 AI 執法除了看上它的高效率，也是因為和真人相比 AI 不會受私情影響，比較可以做出公正的判斷。如果從法治觀念來看，為何決策權不能全權交由 AI 執行？

我認為法治的核心價值在臺灣並沒有很好的發展，我們常想的是怎麼用處罰促成民眾守法，長久下來可能會得到反效果。當人們養成凡事規避處罰的習慣，一旦哪天不再受法律約束，可能會失去守法的動機。

事實上，法治最根深柢固的價值為：

法律作為一種人類行為規範的展現，促使民眾守法的方式有很多種，關鍵在於尊重人的道德自主性，並向民眾陳述判決理由。

給理由非常重要，可以讓民眾不斷透過理由來跟自己和法律體系溝通。如此也可以形成一種互惠關係，使民眾相信，國家公權力能用適當的理由來制定法律，而制定出的法律是以尊重公民自主性為主。當民眾理解法律對我所處的社會有利，會比較願意自動產生守法的動機。

AI 執法看似比人類「公正無私」，但它的執法方式以處罰為主、缺乏理由陳述，也沒有對具體情境的「敏感性」。人跟人之間的互動經常需要敏感性，這樣才能理解他人到底在想什麼。這種敏感性是要鍛鍊的，真人警察可在執法過程中，透過拿捏不同情境的處理方式來累積經驗。

例如在交通尖峰時段應該以維持交通順暢為原則，這時警察是否具備判斷的敏感性就很重要，例如看到輕微的違規不一定要大動作開罰，可以吹個警笛給駕駛警示一下就好。

我越來越覺得人類這種互動上的敏感性很重要，我們會在跟他人相處的過程中思考：跟我溝通的對象是什麼樣的人？我在他心中是什麼模樣？然後慢慢微調表現方式，這是人類和 AI 最根本的不同。

相較於法律人工智慧，ChatGPT 等生成式 AI 強大的語言功能似乎更接近理想中的 AI，其發展可能對我們產生哪些影響？

我認為會有更複雜的影響。ChatGPT 是基於大型語言模型的聊天機器人，使用大量自然語言文本進行深度學習，在文本生成、問答對話等任務上都有很好的表現。因此，在與 ChatGPT 互動的過程中，我們容易產生一種錯覺，覺得螢幕後好像有一名很有耐心的真人在跟你對話。

事實上，對於生成式 AI 來說，人類只是刺激它運作的外在環境，人機之間的互動並沒有想像中的對等。

仔細回想一下整個互動過程，每當外在環境（人類）給 ChatGPT 下指令，系統才會開始運作並生成內容，如果我們不滿意，可以再調整指令，系統又會生成更多成果，這跟平常的人際互動方式不太一樣。

資工人員可能會用這個理由說明，生成式 AI 只是一種工具，透過學習大量資料的模式和結構，從而生成與原始資料有相似特徵的新資料。

上述想法可能會降低人們對「資料」（Data）的敏感性。由於在做 AI 訓練、測試與調整的過程中，都必須餵給 AI 大量資料，如果不知道資料的生產過程和內部結構，後續可能會產生爭議。

另一個關於資料的疑慮是，生成式 AI 的研發與使用涉及很多權力不對等問題。例如現在主流的人工智慧系統都是由私人公司推出，並往商業或使用者付費的方向發展，代表許多資料都掌握在這些私人公司手中。

資料有一種特性，它可以萃取出「資訊」（Information），誰有管道可以從一大群資料中分析出有價值的資訊，誰就有權力影響資源分配。換句話說，多數人透過輸入資料換取生成式 AI 的服務，可是從資料萃取出的資訊可能在我們不知情的狀況下對我們造成影響。

面對勢不可擋的生成式 AI 浪潮，人文社會學者可以做些什麼？

國外對於 AI 的運用開始提出很多法律規範，雖然國外關於價值課題的討論比臺灣多，但並不代表那些討論都很細緻深入，因為目前人類跟 AI 的相遇還沒有很久，大家還在探索哪些議題應該被提出，或賦予這些議題重新認識的架構。

這當中有一個重要課題值得思考：

我們需不需要訓練 AI 學會人類的價值判斷？

我認為訓練 AI 理解人類的價值判斷很可能是未來趨勢，因為 AI 的發展會朝人機互動模式邁進，唯有讓 AI 逐漸理解人類的價值為何，以及人類價值在 AI 運作中的局限，我們才有辦法呈現 AI 所涉及的價值課題。

當前的討論多數還停留在把 AI 當成一項技術，我認為這種觀點將來會出問題，強大的技術如果沒有明確的價值目標，是一件非常危險的事情。實際上，AI 的發展必定有很多價值課題涉入其中，或者在設計上有一些價值導向會隱而不顯，這將影響 AI 的運作與輸出成果。

思考怎麼讓 AI 理解人類價值判斷的同時，也等於在問我們人類：對我們來說哪一些價值是重要的？而這些重要價值的基本內容與歧異為何？

我目前的研究有幾個方向，一個是研究法律推理的計算機模型（Computational models of legal reasoning）；另一個是從規範性的層面去探討，怎麼把價值理論、政治道德（Political morality）、政治哲學等想法跟科技界交流。未來也會透過新的視野省視公民不服從議題。

這將有助科技界得知，有很多價值課題需要事先想清楚，影響將擴及工程師怎麼設計人工智慧系統？設計過程面臨哪些局限？哪些局限不應該碰，或怎麼把某些局限展現出來？我覺得這些認識都非常重要！

鐵面無私的 ALI ？人類與人工智慧執法最大的分野是什麼？

陳弘儒是臺灣少數以法哲學理論研究法律人工智慧系統（ALI）的學者，他結合各種現實情境，與我們談論 ALI、生成式 AI 與當代法治價值的緊張關係。

由於 ALI 擅長的資料分類與演算，與人類判斷過程中涉及的世界觀與敏感性思辨，有著根本上的差異；以處罰為主、缺乏理由陳述的判斷方式，也容易影響民眾對公權力的信任。因此陳弘儒認為，目前 ALI 應該以「輔助人類執法」為發展目標，讓人類保有最終的判斷權限。

至於現正快速發展的生成式 AI ，根據陳弘儒的觀察，目前仍有待各方專家探索其中的價值課題，包括資料提供與使用的權力不對等、哪些人類價值在訓練 AI 的過程中值得關注等。

在過去多是由人文社會學者提出警告，現在連 AI 領域的權威專家也簽署公開信並呼籲：AI 具有與人類競爭的智慧，這可能給社會和人類帶來巨大風險，應該以相應的關注和資源進行規劃和管理。

在訪談過程中，有一件令人印象深刻的小插曲，陳弘儒希望我們不要稱呼他「老師」，因為他從小就畏懼老師、警察等有權威身分的人，希望以更平等的方式進行對話。

假如今天以 AI 進行採訪，整個談話過程或許能不受倫理輩分影響，但這也讓我們意識到，在 AI 的世界裡，許多人際互動特有的敏感性、同理反思都可能不復存在。

陳弘儒的研究讓我們體會，AI 在法治領域的應用不僅是法律問題，背後更包含深刻的哲學、道德與權力課題，也讓我們更了解法治的核心價值：

法律要做的不只是規範人們的行為，而是透過理由陳述與溝通展現對每個人道德自主性的尊重。

理解期望值，有助於分析賭場裡的大部分賭局，以及美國中西部和英國的嘉年華會中，常有人玩、但一般人比較不熟悉的賭法：骰子擲好運（chuck-a-luck）。

招攬人來玩「骰子擲好運」的說詞極具說服力：你從 1 到 6 挑一個號碼，莊家一次擲三顆骰子，如果三個骰子都擲出你挑的號碼，莊家付你 3 美元。要是三個骰子裡出現兩個你挑的號碼，莊家付你 2 美元。

假如三個骰子裡只出現一個你挑的號碼，莊家付你 1 美元。如果你挑的號碼一個也沒有出現，那你要付莊家 1 美元。賽局用三個不同的骰子，你有三次機會贏，而且，有時候你還不只贏 1 美元，最多也不過輸 1 美元。

我們可以套用名主持人瓊安．李維絲（Joan Rivers）的名言（按：她的名言是：「我們能聊一聊嗎？」），問一句：「我們能算一算嗎？」（如果你寧願不算，可以跳過這一節。）不管你選哪個號碼，贏的機率顯然都一樣。不過，為了讓計算更明確易懂，假設你永遠都選 4。骰子是獨立的，三個骰子都出現 4 點的機率是 1/6×1/6×1/6＝1/216，你約有 1/216 的機率會贏得 3 美元。

僅有兩個骰子出現 4 點的機率，會難算一點。但你可以使用第 1 章提到的二項機率分布，我會在這裡再導一遍。三個骰子中出現兩個 4，有三種彼此互斥的情況：X44、4X4 或 44X，其中 X 代表任何非 4 的點數。而第一種的機率是 5/6×1/6×1/6＝5/216，第二種和第三種的結果也是這樣。三者相加，可得出三個骰子裡出現兩個 4 點的機率為 15/216，你有這樣的機率會贏得 2 美元。

同樣的，要算出三個骰子裡只出現一個 4 點的機率，也是要將事件分解成三種互斥的情況。得出 4XX 的機率為 1/6×5/6×5/6＝25/216，得到 X4X 和 XX4 的機率亦同，三者相加，得出 75/216。這是三個骰子裡僅出現一個 4 點的機率，因此也是你贏得 1 美元的機率。

要計算擲三個骰子都沒有出現 4 點的機率，我們只要算出剩下的機率是多少即可。算法是用 1（或是100％）減去（1/216 +15/216 + 75/216），得出的答案是 125/216。所以，平均而言，你每玩 216 次骰子擲好運，就有 125 次要輸 1 美元。

這樣一來，就可以算出你贏的期望值（$3×1/216）+（$2×15/216）+（$1×75/216）+（–$1×125/216）＝$（–17/216）＝–$0.08。平均來說，你每玩一次這個看起來很有吸引力的賭局，大概就要輸掉 8 美分。

尋找愛情，有公式？

面對愛情，有人從感性出發，有人以理性去愛。兩種單獨運作時顯然效果都不太好，但加起來⋯⋯也不是很妙。不過，如果善用兩者，成功的機率可能還是大一些。回想舊愛，憑感性去愛的人很可能悲嘆錯失的良緣，並認為自己以後再也不會這麼愛一個人了。而用比較冷靜的態度去愛的人，很可能會對以下的機率結果感興趣。

在我們的模型中，假設女主角——就叫她香桃吧（按：在希臘神話中，香桃木﹝Myrtle﹞是愛神阿芙蘿黛蒂﹝Aphrodite﹞的代表植物，象徵愛與美）有理由相信，在她的「約會生涯」中，會遇到 N 個可能成為配偶的人。對某些女性來說，N 可能等於 2；對另一些人來說，N 也許是 200。香桃思考的問題是：到了什麼時候我就應該接受X先生，不管在他之後可能有某些追求者比他「更好」？我們也假設她是一次遇見一個人，有能力判斷她遇到的人是否適合她，以及，一旦她拒絕了某個人之後，此人就永遠出局。

為了便於說明，假設香桃到目前為止已經見過 6 位男士，她對這些人的排序如下：3—5—1—6—2—4。這是指，在她約過會的這 6 人中，她對見到的第一人的喜歡程度排第 3 名，對第二人的喜歡程度排第 5 名，最喜歡第三個人，以此類推。如果她見了第七個人，她對此人的喜歡程度超過其他人，但第三人仍穩居寶座，那她的更新排序就會變成 4—6—1—7—3—5—2。每見過一個人，她就更新追求者的相對排序。她在想，到底要用什麼樣的規則擇偶，才能讓她最有機會從預估的 N 位追求者中，選出最好的。

要得出最好的策略，要善用條件機率（我們會在下一章介紹條件機率）和一點微積分，但策略本身講起來很簡單。如果有某個人比過去的對象都好，且讓我們把此人稱為真命天子。如果香桃打算和 N 個人碰面，她大概需要拒絕前面的 37％，之後真命天子出現時（如果有的話），就接受。

舉例來說，假設香桃不是太有魅力，她很可能只會遇見 4 個合格的追求者。我們進一步假設，這 4 個人與她相見的順序，是 24 種可能性中的任何一種（24＝4×3×2×1）。

由於 N＝4，37％ 策略在這個例子中不夠清楚（無法對應到整數），而 37％ 介於 25％ 與 50％ 之間，因此有兩套對應的最佳策略如下：

（A）拒絕第一個對象（4×25％＝1），接受後來最佳的對象。

（B）拒絕前兩名追求者（4×50％＝2），接受後來最好的求愛者。

如果採取A策略，香桃會在 24 種可能性中的 11 種，選到最好的追求者。採取 B 策略的話，會在 24 種可能性中的 10 種裡擇偶成功。

以下列出所有序列，如同前述，1 代表香桃最偏好的追求者，2 代表她的次佳選擇，以此類推。因此，3—2—1—4 代表她先遇見第三選擇，再來遇見第二選擇，第三次遇到最佳選擇，最後則遇到下下之選。序列後面標示的 A 或 B，代表在這些情況下，採取 A 策略或 B 策略能讓她選到真命天子。

1234；1243；1324；1342；1423；1432；2134（A）；2143（A）；2314（A, B）；2341（A, B）；2413（A, B）；2431（A, B）；3124（A）；3142（A）；3214（B）；3241（B）；3412（A, B）；3421；4123（A）；4132（A）；4213（B）；4231（B）；4312（B）；4321

如果香桃很有魅力，預期可以遇見 25 位追求者，那她的策略是要拒絕前 9 位追求者（25 的 37％ 約為 9），接受之後出現的最好對象。我們也可以用類似的表來驗證，但是這個表會變得很龐雜，因此，最好的策略就是接受通用證明。（不用多說，如果要找伴的人是男士而非女士，同樣的分析也成立。）如果 N 的數值很大，那麼，香桃遵循這套 37％ 法則擇偶的成功率也約略是 37％。接下來的部分就比較難了：要如何和真命天子相伴相守。話說回來，這個 37% 法則數學模型也衍生出許多版本，其中加上了更合理的戀愛限制條件。

——本書摘自《數盲、詐騙與偽科學》，2023 年 11 月，大牌出版，未經同意請勿轉載。

本文轉載自中央研究院「研之有物」，為「中研院廣告」

• 採訪撰文｜寒波
• 責任編輯｜簡克志
• 美術設計｜蔡宛潔

自閉症研究的新方向

臺灣民眾大概都聽說過「自閉症」這個名詞，自閉症是腦部發育障礙導致的複雜疾病，同時受到先天遺傳以及後天環境因素的影響，具體成因依然是個謎，科學家須對遺傳調控方面有更多了解。中央研究院「研之有物」專訪院內基因體研究中心的莊樹諄研究員，他的團隊結合生物學、資訊學以及統計學方法，發現自閉症的風險基因與 RNA 之間有複雜的交互作用，在自閉症患者與非患者的腦部有很大差異。如果持續研究 RNA 的調控機制，或能開闢新的方向進一步理解自閉症。

遺傳性疾病成因——致病基因

根據衛生福利部 2023 年統計數據，我國自閉症患者超過一萬九千人。自閉症的全稱為「自閉症譜系障礙（autism spectrum disorder，簡稱 ASD）」，常見症狀是溝通、表達、社交上有困難，經常出現反復固定的狹窄行為，目前尚無有效的治療藥物。雖然經典電影《雨人》的主角雷蒙或是韓劇《非常律師禹英禑》的禹英禑都令人印象深刻，不過天才或高智商的自閉症患者只是極少數，而且不同患者的症狀輕重差異很大，故稱之為「譜系」（spectrum）。

理解遺傳性疾病，可利用遺傳學與基因體學的研究方法，比較患者與非患者之間的遺傳差異，便有機會尋獲致病的遺傳成因。過往研究得知，有些遺傳性疾病只取決於單一或少數基因的強力影響，例如亨廷頓舞蹈症（Huntington’s disease）、纖維性囊腫（cystic fibrosis）等，致病原因較為單純。

自閉症自然也受到先天遺傳基因影響，然而，它涉及許多影響力不明顯的基因，而且影響每名患者的基因又不盡相同，讓遺傳與症狀的關係更加複雜。如果從 RNA 研究路徑出發呢？RNA 是核糖核酸，具有承載 DNA 訊息和調控基因等功能，相比於其他疾病，在 RNA 層次研究自閉症的另一挑戰是取樣極為困難，自閉症患者的病因位於大腦內部，通常無法直接從人腦取樣分析。所幸的是，若檢視去世者捐贈的大腦樣本，仍有機會一窺自閉症的腦內奧秘。

莊樹諄分析的數據來自公共存取的 Synapse 資料庫，包括上百位自閉症患者與非自閉症者的資料。人數乍看不多，卻已是當今想同時探討同一個人的基因體（DNA 層次）與轉錄體（RNA 層次）間因果關係的最佳的選擇。藉由此一資料庫蒐集的人類腦部組織轉錄體資料，可全面探討各式各樣的 RNA，包含信使 RNA（messenger RNA，簡稱 mRNA）、小分子 RNA（microRNA，簡稱 miRNA），以及莊樹諄鎖定的研究目標：環狀 RNA（circular RNA）。

不能轉譯，但似乎會互相影響？非編碼 RNA

莊樹諄的教育背景是資訊學博士，博士後研究的階段投入生物資訊學，之前主要從事 RNA 與靈長類演化方面的研究，探討多樣性切割、RNA 編輯（RNA editing）等議題，環狀 RNA 則是他近年來特別感興趣的題材。

根據生物資訊學的預測，環狀 RNA 這類長鍊的 RNA 分子有數萬個，但實際上有多少仍不清楚。它們在大腦神經系統特別常見，似乎涉及許多基因調控的工作。莊樹諄目前最關注環狀 RNA 對自閉症的影響，不過他指出這番思路不限於自閉症，阿茲海默症、帕金森氏症、精神分裂症（schizophrenia）等疾病也能用同樣的方法探索。

不過，什麼是環狀 RNA 呢？按照序列長度、作用，可以將 RNA 分為很多種類。DNA 轉錄出的 RNA 經過處理，有些形成 20 多個核苷酸長的短鏈 RNA，如 miRNA 屬於此類。一些較長鏈的 mRNA 又會轉譯成氨基酸，產生各式蛋白質。還有些長鍊的 RNA 不會轉譯，仍然維持長鍊 RNA 的形式發揮作用，統稱為長鍊非編碼 RNA（long noncoding RNA，lncRNA），莊樹諄研究的主角環狀 RNA 大致上被歸屬於一種非編碼 RNA。這麼多種類的 RNA 彼此會互相影響，導致複雜的基因調控。

由 DNA 轉錄而成的 RNA 是線形，至於「環狀」RNA 一如其名，是 RNA 長鏈首尾相接後形成的環形結構，相比線形 RNA 更加穩定，不容易遭到分解。這些長期存在的圈圈，假如序列可以和短鏈的 miRNA 互補，兩者便有機會結合在一起，讀者可以想像為類似「海綿」（sponge）的吸附作用。

miRNA 原本的工作是結合 mRNA，使其無法轉錄為蛋白質，抑制基因表現。可想而知，一旦 miRNA 被環狀 RNA 吸附，便無法再干擾 mRNA 作用，失去抑制基因表現的效果。因此環狀 RNA 能透過直接影響 miRNA，來間接參與調控其他的下游基因。這便是環狀 RNA 的許多種調控功能中，最常被研究的一種。

自閉症的成因要往腦部深究，環狀 RNA 又在腦部表現最多，使得莊樹諄好奇當中的奧秘。然而儘管如今 RNA 定序已經很發達，環狀 RNA 由於結構的關係，一般的 RNA 定序方法無法抓到這類環形分子。莊樹諄指出這也是 Synapse 資料庫的一大優點，此一資料庫罕見地包含能找出環狀 RNA 的 RNA 定序資料，配合 miRNA、mRNA 與基因體等資料交叉分析，才有機會闡明環狀 RNA 的角色。

尋找環狀 RNA 和自閉症的關聯

莊樹諄率領的團隊已經發表 2 篇環狀 RNA 與自閉症的研究論文，第一篇論文著重於尋找哪些環狀 RNA 和自閉症有關，研究假設是環狀 RNA 透過 miRNA 間接影響自閉症風險基因 mRNA 的表現。由於環狀 RNA、miRNA 和 mRNA 都多達數萬個，需要統計分析的幫忙。

首先，將樣本分為有自閉症／無自閉症。要注意每個自閉症患者的基因表現仍有差異，納入夠多樣本一起比較，才有機會看出端倪。

接著，尋找環狀 RNA 和風險基因有顯著相關的搭配組合。例如：高比例自閉症的人，某個環狀 RNA 含量較高時，某個風險基因的 mRNA 表達量也較高，那這組環狀 RNA 和基因就存在正相關；反之則為負相關。

不過相關性很可能只是巧合，所以莊樹諄團隊比對序列，找到符合上述相關性的中介因子「miRNA」。最後再觀察「當排除 miRNA 影響時，環狀 RNA 與風險基因的顯著關係即消失」的組合，這些消失的組合，就是真正共同參與基因調控的「三人組」（環狀 RNA、miRNA、mRNA）。

一番分析後，篩選出的環狀 RNA 共有 60 個，其中涉及與 miRNA、mRNA 的組合總共 8,170 組。人類一共 2 萬個基因，與自閉症有關的調控網路就有 8,000 組之多，數字相當可觀，顯示環狀 RNA 的重要性。莊樹諄用統計手法找出的自閉症風險基因，和過去科學家已知的部分風險基因相符合，未來可以繼續探究在這 8,000 組調控網路中，有哪幾組是真的作用在生物上。

在資訊與統計分析之外，莊樹諄的團隊也有人進行分子生物學實驗，驗證 RNA 調控網路的相互影響。以體外培養的人類細胞為材料，人為誘導遺傳突變，精確分析特定環狀 RNA 在細胞內分子層次的作用。實驗證實選取的環狀 RNA，確實會結合 miRNA，又影響 mRNA 的表現。

基因調控是什麼？

莊樹諄強調，使用資料庫的公開資料，好處是經過多方檢視，避免資料品質不一致的問題，缺點是大家都能取得數據，必須要跳脫既有的思考模式才能發現新的結果。他在環狀 RNA 議題的新思路，成為第二篇論文的內容：探討環狀 RNA 的遠端調控（trans-regulation）對自閉症的影響。

基因的表達會受到基因調控元件（regulatory element，一段非編碼 DNA 序列）的影響，若調控元件就在基因附近，稱為近端調控（cis-regulation）；如果調控元件不在附近，甚至位於另一條染色體上，則為遠端調控。

研究基因調控，通常近端比遠端調控容易，因為近端調控元件（cis-regulatory element）的位置就在基因旁邊，不難尋找；但遠端調控卻沒那麼直觀，作用機制也比較難以想像。實際上常常能發現一個基因的表現，受到多處近端調控，加上多處遠端調控的影響。如果想全方位認識一個基因的表現與調控，最好能都能得知近端與遠端的影響，否則難以掌握調控的全貌。

莊樹諄的想法是，某些基因被遠端調控的過程，是否有環狀 RNA 參與？具體說來就是某個調控位置，先近端調控其周圍的環狀 RNA 基因，再藉由環狀 RNA 影響基因體上其他位置的基因表現，發揮遠端調控的效果。

為了避免用語誤解，有必要先解釋一下什麼是「基因」。基因的概念隨著生物學發展持續改變，如今一般人熟悉的定義，基因是由 DNA 編碼序列構成，能轉錄出 mRNA，再轉譯為蛋白質的訊息載體。不過若將基因定義為會轉錄出 RNA 的 DNA 序列，那麼即使沒有對應的蛋白質產物，只要其衍生的 RNA 產物有所作用，也能視為「基因」，如 miRNA 基因、mRNA 或長鏈非編碼 RNA 基因。既然是有 DNA 編碼的基因，便會受到近端、遠端調控位置影響。

探索遠端調控機制有很多想法，莊樹諄可以說又打開了一條新思路。遠端調控位置不在基因旁邊，亦即基因體任何地方都有機會。假如直接挑戰基因與遠端調控位置的關聯性，可能相關的數量可謂天文數字，而且缺乏生物性的理由支持，找到的目標往往令人半信半疑。

莊樹諄引進環狀 RNA 涉及其中的可能性，尋找「環狀 RNA 基因的近端調控位置」與「目標基因的遠端調控」之交集，大幅縮小了搜索範圍。

一番分析後，研究團隊從自閉症患者的基因體上，定位出 3,619 個近端調控的 circQTLs，這些表達數量性狀基因座相當特殊，可能藉由直接或間接遠端調控兩種模式來調控遠端基因(如上圖)。而這 3,619 個 circQTLs，與環狀 RNA、遠端基因三者形成了八萬六千多組的遠端調控網路。接著團隊使用了不同的統計方法，其中 8,103 組通過多重統計測試，顯示較高的機率是屬於間接遠端調控模式。

莊樹諄團隊透過統計手法，找到相當多基因和調控路徑，雖然目前仍不清楚它們影響自閉症的具體細節，卻無疑讓我們新增一分對自閉症的認識。

莊樹諄指出，這套統計方法或可應用至人類的其他複雜疾病（如思覺失調症），找出基因調控的多個可能路徑，提供臨床醫藥研發更多線索。

生物與資訊的跨領域結合

訪談中問到：為何會從資訊科學跨入到生物領域？莊樹諄回憶，1998 他博士班畢業那年才第一次聽到「生物資訊」這個詞，他基於對生命科學的興趣，以及因為內在性格想往學術轉型的想法，引領他到了中研院。

莊樹諄接著說，2003 年李文雄院士延攬他進入基因體研究中心，之前他們不曾認識。他感謝李院士帶他進入了分子演化的世界，就此打開了研究視野。在剛開始成立自己的實驗室時，缺少人力，李院士讓當時的博後陳豐奇博士（現為國衛院群體健康科學研究所研究員兼任副所長）與他共同工作。莊樹諄強調，他所有分子演化的觀念與基礎，都是陳博士幫他建立的，如果說陳博士是他的師父，那李院士就是師父的師父了。

如今，莊樹諄在中研院的研究生涯邁入第 25 年，從資訊學背景投入生物學研究，大量使用統計工具，他經常需要持續整合不同領域的觀念與工具，推動自己的新研究。在訪談中，他也感謝諸多研究同儕的協助，特別是幾年前建立分生實驗室時，蕭宏昇研究員及其團隊成員的鼎力相助。

莊樹諄的團隊包含資訊、統計、分子生物三個領域的同仁，來自不同領域，傾聽他人意見自然也特別重要，這是他們實驗室的核心價值之一。莊樹諄認為在科學面前，人是很渺小的，需要互相尊重和理解，方能一起解開科學之謎。

最後，莊樹諄特別強調他個人在相關領域的研究，仍有極巨大的進步空間，感謝研之有物的主動邀訪，期望將來能與更多先進交流學習，也企盼年輕新血加入這個生物資訊的跨領域團隊。