「懷孕吃得好，寶寶少煩惱」是寫在基因裡面嗎？

本文與 研華科技 合作，泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言，總能牽動整個 AI 產業的神經。然而，我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線，那如果哪天「網路斷了」，會發生什麼事？

想像你正在自駕車打個盹，系統突然警示：「網路連線中斷」，車輛開始偏離路線，而前方竟是萬丈深谷。又或者家庭機器人被駭，開始暴走跳舞，甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎？當然不是！也因為如此，「邊緣 AI」成為業界關注重點。不靠雲端，AI 就能在現場即時反應，不只更安全、低延遲，還能讓數據當場變現，不再淪為沉沒成本。

什麼是邊緣 AI ？

邊緣 AI，乍聽之下，好像是「孤單站在角落的人工智慧」，但事實上，它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前，像是企業、醫院、學校內部的伺服器，個人電腦，甚至手機等裝置，都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算，稱為邊緣運算；而在邊緣節點上運行 AI ，就被稱為邊緣 AI。簡單來說，就是將原本集中在遠端資料中心的運算能力，「搬家」到更靠近數據源頭的地方。

那麼，為什麼需要這樣做？資料放在雲端，集中管理不是更方便嗎？對，就是不好。

第一個不好是物理限制：「延遲」。
即使光速已經非常快，數據從你家旁邊的路口傳到幾千公里外的雲端機房，再把分析結果傳回來，中間還要經過各種網路節點轉來轉去…這樣一來一回，就算只是幾十毫秒的延遲，對於需要「即刻反應」的 AI 應用，比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時，每一毫秒都攸關安全與精度，這點延遲都是無法接受的！這是物理距離與網路架構先天上的限制，無法繞過去。

第二個挑戰，是資訊科學跟工程上的考量：「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送，湧入的資料數據量就像超級大的水流，一下子就把水管塞爆！要避免流量爆炸，你就要一直擴充水管，也就是擴增頻寬，然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理，把重要資訊「濃縮」過後再傳回雲端，是不是就能減輕頻寬負擔，也能節省大量費用呢？

第三個挑戰：系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時，一旦網路不穩、甚至斷線，那怎麼辦？很多關鍵應用，像是公共安全監控或是重要設備的預警系統，可不能這樣「看天吃飯」啊！邊緣處理讓系統更獨立，就算暫時斷線，本地的 AI 還是能繼續運作與即時反應，這在工程上是非常重要的考量。

所以你看，邊緣運算不是科學家們沒事找事做，它是順應數據特性和實際應用需求，一個非常合理的科學與工程上的最佳化選擇，是我們想要抓住即時數據價值，非走不可的一條路！

邊緣 AI 的實戰魅力：從工廠到倉儲，再到你的工作桌

知道要把 AI 算力搬到邊緣了，接下來的問題就是─邊緣 AI 究竟強在哪裡呢？它強就強在能夠做到「深度感知（Deep Perception）」！

所謂深度感知，並非僅僅是對數據進行簡單的加加減減，而是透過如深度神經網路這類複雜的 AI 模型，從原始數據裡面，去「理解」出更高層次、更具意義的資訊。

以研華科技為例，旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例，利用物件偵測模型，快速將工業產品中的瑕疵挑出來，而且由於 AI 模型可以使用同一套參數去檢測，因此品管上能達到一致性，減少人為疏漏。尤其在高產能工廠中，檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品，替工廠節省大量人力，同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

此外，在智慧倉儲場域，研華與威剛合作，研華與威剛聯手合作，在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台，打造倉儲系統的 AMR（Autonomous Mobile Robot） 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣，AMR 不需要事先規劃好路線，靠著感測器偵測，就能輕鬆避開障礙物，識別路線，並且將貨物載到指定地點存放。

當然，還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning )，除了可以做備忘錄跟排程規劃以外，還能將實務上碰到的問題記錄下來，等到之後碰到類似的問題時，就能詢問 AI 並得到解答。

你或許會問，那為什麼不直接使用 ChatGPT 就好了？其實，對許多企業來說，內部資料往往具有高度機密性與商業價值，有些場域甚至連手機都禁止員工帶入，自然無法將資料上傳雲端。對於重視資安，又希望運用 AI 提升效率的企業與工廠而言，自行部署大型語言模型（self-hosted LLM）才是理想選擇。而這樣的應用，並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器，體積僅如後背包大小，卻能輕鬆支援語言模型的運作，實現高效又安全的 AI 解決方案。

但問題也接著浮現：要在這麼小的設備上跑大型 AI 模型，會不會太吃資源？這正是目前 AI 領域最前沿、最火熱的研究方向之一：如何幫 AI 模型進行「科學瘦身」，又不減智慧。接下來，我們就來看看科學家是怎麼幫 AI 減重的。

語言模型瘦身術之一：量化（Quantization）—用更精簡的數位方式來表示知識

當硬體資源有限，大模型卻越來越龐大，「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像：有些畫面細節我們肉眼根本看不出來，刪掉也不影響整體感覺，卻能大幅減少檔案大小。

模型量化的原理也是如此，只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示，什麼是浮點數？其實就是你我都熟知的小數。舉例來說，圓周率是個無窮不循環小數，唸下去就會是3.141592653…但實際運算時，我們常常用 3.14 或甚至直接用 3，也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思！ 

然而，量化並不是那麼容易的事情。而且實際上，降低精度多少還是會影響到模型表現的。因此在設計時，工程師會精密調整，確保效能在可接受範圍內，達成「瘦身不減智」的目標。

模型剪枝（Model Pruning）—基於重要性的結構精簡

建立一個 AI 模型，其實就是在搭建一整套類神經網路系統，並訓練類神經元中彼此關聯的參數。然而，在這麼多參數中，總會有一些參數明明佔了一個位置，卻對整體模型沒有貢獻。既然如此，不如果斷將這些「冗餘」移除。

這就像種植作物的時候，總會雜草叢生，但這些雜草並不是我們想要的作物，這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在，而動手去清理這些不需要的連結參數或神經元的技術，就稱為 AI 模型的模型剪枝（Model Pruning）。

模型剪枝的效果，大概能把100變成70這樣的程度，說多也不是太多。雖然這樣的縮減對於提升效率已具幫助，但若我們要的是一個更小幾個數量級的模型，僅靠剪枝仍不足以應對。最後還是需要從源頭著手，採取更治本的方法：一開始就打造一個很小的模型，並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」，是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾（Knowledge Distillation）—讓小模型學習大師的「精髓」

想像一下，一位經驗豐富、見多識廣的老師傅，就是那個龐大而強悍的 AI 模型。現在，他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案，老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」，例如「為什麼我會這樣想？」、「其他選項的可能性有多少？」。這樣一來，小小的學徒模型，用它有限的「腦容量」，也能學到老師傅的「智慧精髓」，表現就能大幅提升！這是一種很高級的訓練技巧，跟遷移學習有關。

舉個例子，當大型語言模型在收到「晚餐：鳳梨」這組輸入時，它下一個會接的詞語跟機率分別為「炒飯：50%，蝦球：30%，披薩：15%，汁：5%」。在知識蒸餾的過程中，它可以把這套機率表一起教給小語言模型，讓小語言模型不必透過自己訓練，也能輕鬆得到這個推理過程。如今，許多高效的小型語言模型正是透過這項技術訓練而成，讓我們得以在資源有限的邊緣設備上，也能部署愈來愈強大的小模型 AI。

但是！即使模型經過了這些科學方法的優化，變得比較「苗條」了，要真正在邊緣環境中處理如潮水般湧現的資料，並且高速、即時、穩定地運作，仍然需要一個夠強的「引擎」來驅動它們。也就是說，要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型，真正放到邊緣的現場去發揮作用，就需要一個強大的「硬體平台」來承載。

邊緣 AI 的強心臟：SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器，就是扮演「邊緣 AI 引擎」的關鍵角色！那麼，它到底厲害在哪？

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要？因為 GPU 的設計，天生就擅長做「平行計算」，這正好就是 AI 模型裡面那種海量數學運算最需要的！

你想想看，那麼多數據要同時處理，就像要請一大堆人同時算數學一樣，GPU 就是那個最有效率的工具人！而且，有多張 GPU，代表可以同時跑更多不同的 AI 任務，或者處理更大流量的數據。這是確保那些科學研究成果，在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎！

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房，有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計，體積相對緊湊，散熱空間也比較好（這對高功耗的 GPU 很重要！），部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算，進行「工程化」，讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格，背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場，系統穩定壓倒一切！你總不希望 AI 分析跑到一半就掛掉吧？這些設計確保了部署在現場的 AI 系統，能夠長時間、穩定地運作，把實驗室裡的科學成果，可靠地轉化成實際的應用價值。

台灣製造 × 在地智慧：打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能，能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署，及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析，還是其他 AI 相關的服務，都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務，讓企業在啟動 AI 專案前，大幅降低前期投入門檻，靈活又實用。

台灣有著獨特的產業結構，從精密製造、城市交通管理，到因應高齡化社會的智慧醫療與公共安全，都是邊緣 AI 的理想應用場域。更重要的是，這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示，這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果，往往已經錯失最佳反應時機。這也是為什麼邊緣 AI，不只是一項技術創新，更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場，就能被有效的「理解」與「利用」，是將數據垃圾變成數據黃金的賢者之石！

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

• 作者／醫療新知
• 本文轉載自 Care Online 照護線上《「胎兒小於妊娠年齡」兒童的生長異常與健康問題，專科醫師圖文解析》，歡迎喜歡這篇文章的朋友訂閱支持 Care Online 喔
• 加入照護線上 LINE 官方帳號，健康資訊不漏接

• 林口長庚醫院 兒童內分泌科 邱巧凡醫師／新生兒科 江明洲醫師

兒童內分泌生長門診中很常出現的一個族群是「胎兒小於妊娠年齡」的孩子。

這些小朋友在長大的過程中，相較於正常出生體重的孩子，容易出現身材矮小、性早熟、過重、肥胖，甚至到成人時期罹患代謝症候群與心血管疾病的風險也明顯較高，兒童健康守護者應特別留意。

什麼是「胎兒小於妊娠年齡」

胎兒小於妊娠年齡（small for gestational age, SGA）是指「出生體重低於同樣妊娠週數新生兒第十百分位或低於負二個標準差者」。

如何知道我的孩子是否為「胎兒小於妊娠年齡」

大家可以參考以下圖片對照寶寶出生週數與體重，即可得知寶寶出生體重是否符合該週齡。

舉例來說：一個懷孕 39 週出生的足月寶寶，出生體重只有 1800 公克，屬於「胎兒小於妊娠年齡」。

為什麼會「胎兒小於妊娠年齡」

造成「胎兒小於妊娠年齡」的原因包含：母體因素、胎盤因素與胎兒因素。

• 母體因素：如高血壓、子癲前症、營養不良、甲狀腺功能低下、感染、抽菸、吸毒、飲酒、高齡妊娠等。
• 胎盤因素：如胎盤血管異常（如單一臍動脈、雙胞胎輸血症候群）。
• 胎兒因素：染色體異常、先天性異常、胎兒感染等。

「胎兒小於妊娠年齡」孩子成長過程會面臨哪些健康問題

• 新生兒時期

約有 1／3「胎兒小於妊娠年齡」寶寶，在新生兒時期因為肝醣儲積不足，脂肪量不足，造成「低血糖」的發生。也容易因為體表面積相對較大，皮下脂肪相對不足，而增加「低體溫」的風險。若早產合併胎兒小於妊娠年齡，也明顯「增加新生兒死亡率」。

• 嬰兒期

「胎兒小於妊娠年齡」的寶寶往往在出生後 3～6 個月開始出現「追趕生長」，且常常體重追趕得比身長來的快。研究發現，此階段的體重快速增加將大幅提升未來長期肥胖、代謝性症候群與心血管疾病的風險。

• 兒童時期與青春期

生長

大多數「胎兒小於妊娠年齡」的兒童，可在成長過程發生「追趕生長」。即生長速率可高於同齡同性別之平均值，使生長曲線逐漸邁入正常範圍。將近 90%「胎兒小於妊娠年齡」的兒童可在兩歲前完成「自發性追趕生長」；若「早產」合併「胎兒小於妊娠年齡」，則需要更長時間完成追趕生長，大部分可在四歲前追趕達標。

然而，仍然有 10% 左右的「胎兒小於妊娠年齡」兒童無法完成自發性追趕生長，造成終生持續身材矮小。此族群目前在美國、歐盟與日本皆已列為「生長激素治療」之適應症族群。此族群透過適當的生長激素治療，除了可改善身高預後，還可改善身體組成（減少脂肪量、增加肌肉量）、改善高膽固醇血症，並提升骨質密度。

青春期發育

大多數「胎兒小於妊娠年齡」的青春期發育時間會落在正常時間：女孩 8～13 歲，男孩 9～14 歲。但平均而言，「胎兒小於妊娠年齡」兒童的青春期還是會早於正常出生體重的兒童（初經比正常出生體重兒童提前 5～6 個月），女孩容易發生「早發性陰毛發育」，青春期的進展速度也較快，但青春期階段的生長速率卻較為緩慢，而這樣「偏早又偏快的青春期，以及偏慢的長高速率」，往往不利於理想成人身高的達成。

神經發展與認知

大部分「胎兒小於妊娠年齡」兒童的腦部發育是正常的。但在極度早產兒，會增加發展遲緩、認知功能障礙、注意力不足過動症與學習障礙的風險。

• 成人時期

相較於正常出生體重的兒童，「胎兒小於妊娠年齡」兒童在成人階段有較高的機率罹患中樞型肥胖、脂質異常、胰島素阻抗、葡萄糖代謝異常、高血壓等代謝症候群與心血管疾病，特別是兒童時期高熱量飲食、體重快速增加的肥胖兒童。由此可見「小時候胖」幾乎註定成人以後肥胖的趨勢，甚至助長成人肥胖併發症的發生。

「胎兒小於妊娠年齡」的寶寶，從出生一直到長大成人，都有許多健康議題需要特別關注。建議此族群家長，應格外留意以下幾點：

1. 「胎兒小於妊娠年齡」的寶寶，於兩歲以前的生長曲線未達標請先不要過度擔心，出生後應密切配合新生兒科醫師或兒科醫師的追蹤安排，留意後續的生長發育狀況。
2. 若 3～4 歲生長曲線仍明顯落後，請就診兒童內分泌科進一步評估診療。
3. 應留意是否過早出現第二性徵。若女孩 8 歲前胸部、陰毛發育，10 歲前初經來潮；男孩 9 歲前睪丸長大、陰莖明顯變長變粗、長陰毛，請務必就診兒童內分泌科。
4. 應避免不當餵食導致過度的體重增加，因為這將大幅提升未來代謝症候群與心血管疾病的風險。

• 本文轉載自 Care Online 照護線上《「胎兒小於妊娠年齡」兒童的生長異常與健康問題，專科醫師圖文解析》，歡迎喜歡這篇文章的朋友訂閱支持 Care Online 喔
• 加入照護線上 LINE 官方帳號，健康資訊不漏接

• 文／黃湘芹、謝若微、李映漾、陳柏仰｜中央研究院植物暨微生物學研究所

可以在不改變 DNA 的狀況下，調整性狀？——表觀遺傳調控，幫助植物快速適應環境變化

DNA 是生物細胞內攜帶遺傳訊息的物質，當 DNA 發生變異時，會影響基因的表現進而改變性狀。但很多生物也可以在不改變 DNA 的情況下調節基因表現影響性狀，此方式稱為表觀遺傳調控，其中常見的機制包括 DNA 甲基化、組蛋白修飾、小分子 RNA 等。

其中「DNA 甲基化」為在 DNA 特定位置上添加甲基的化學修飾，當基因前端的區域——啟動子被高度甲基化時，常會導致基因表現量較低。

而「組蛋白修飾」是針對被 DNA 纏繞的蛋白質——組蛋白，在其尾端上做的各種修飾，如乙醯化、甲基化、磷酸化等，這些修飾會影響 DNA 纏繞的緊密程度，進而加強或抑制基因表現^[1]。另外，由長度約為 18 到 30 個核苷酸構成的「小分子 RNA」，也會抑制基因表現。

對生物而言，表觀遺傳調控提供生物在基因序列突變外，另一種有效適應環境變化的反應方法。而這樣的反應對植物特別重要，它能幫助植物在面對氣候、環境快速變化時，迅速調整基因表現讓植物得以生存。

如果將表觀遺傳運用在改良作物性狀上，由於不需外來基因插入或是基因編輯，便能達到基因表現的變化，因此大幅減少食物安全上的諸多考量，免除基改作物對人體健康疑慮的爭議性，在農業發展上相對有利。

目前在作物中已有不少研究，分析基因體上特定位置的表觀遺傳變異，與抵抗逆境性狀之間的關聯性；例如在稻米基因體上，已發現數個特定位置的 DNA 甲基化程度與抗旱^[2]、抗缺鐵^[3]甚至碳儲存有顯著的關聯性。

在番茄裡也發現，由小分子 RNA 對特定位點的基因調控，可影響番茄外型及抗旱性狀。顯示透過影響表觀遺傳機制，的確有機會用來培育出具有優良性狀的作物。

如何運用在作物改良上？

當應用於作物改良時，偵測表觀遺傳變異與性狀之間的關係為首要任務，其中一種用來偵測表觀遺傳變異的策略仰賴的是近年才逐漸普遍化的「全基因體定序」。由於每個作物的基因體序列不同，需逐一檢視不同作物在各種逆境條件下產生的表觀遺傳變異，然而在技術與基因體資料分析上仍是挑戰。現階段而言，利用表觀遺傳進行作物改良，雖有潛力但未能普及^[4]。

利用全基因體定序偵測表觀遺傳變異（圖表一）：先透過外在刺激誘導表觀基因座產生變異，接著藉由分析眾多植株間表觀基因座變異的差別，並計算其與目標性狀的關聯性，進而推定能產生目標性狀的表觀基因座。

在已知可誘導表觀基因座的策略中，以 DNA 甲基化為例 ，透過伽馬射線照射、DNA 甲基轉移酶抑制劑以及組織培養，皆可在稻米基因體產生隨機且有效的 DNA 甲基化變化^[4]。

種子如果曝露於伽馬放射線環境下，或是浸泡在含有 DNA 甲基轉移酶抑制劑的水溶液中，均會造成基因體去甲基化，而去甲基化的程度會隨著放射線強度或是 DNA 甲基轉移酶抑制劑的添加量而不同；如果同時使用上述兩種方法處理種子，則會對於去甲基化有加乘效果^[5]。

除了水稻以外，玉米基因體上特定位點的表觀遺傳因子變化，可改變其對於熱逆境的耐受性。玉米在幼苗時期，如果受到短暫熱處理，便能促進與基因表現有關的組蛋白修飾，使得葉片的葉綠素含量與活性氧物質提高，以增強玉米在高溫環境下的耐受性^[5]。

面臨的挑戰——表觀遺傳變異重現與否

表觀遺傳變異與基因變異主要的不同在於其不穩定性，由於細胞有自我修復機制，因此表觀遺傳變異在細胞複製前、後未必能維持；此外，世代遺傳間的「表觀遺傳重組」（epigenetic reprogramming）會重置表觀遺傳的分佈，使得親代的變異未必能完整保留到子代。

儘管如此，不少研究仍發現部分表觀遺傳變異可以被遺傳至下一代。以茄科中常用的嫁接作物番茄、茄子與辣椒為例，這類的種間嫁接會影響 DNA 甲基轉移酶表現量，進而大規模影響接穗中的 DNA 甲基化分佈，其中有部分 DNA 甲基化的變動被證實可維持至下一代^[5]。

綜合上述，應用表觀遺傳在作物改良上需特別確認變異在跨世代間的一致性；植株進行處理後所產生的表觀遺傳變異，是否能在性狀植株或甚至下一代重現，以確保有效的作物改良。

甜椒的跳躍基因與 DNA 甲基化

甜椒 （Capsicum species）的基因體解序後，發現當中的跳躍基因（可以在基因體上移動的 DNA 序列）不僅增加了甜椒的多樣性，也能決定轉錄活性高的真染色質及不具轉錄活性的異染色質在基因體上的分佈^[6]，從而廣泛影響基因調控。

已知 DNA 甲基化是控制跳躍基因的主要因子，已有研究指出，甜椒基因上 DNA 甲基化程度的增加，與發芽、果實成熟及抗鹽性狀都有顯著相關^[7][8]；顯示透過刺激產生的 DNA 甲基化重新分佈，極可能影響跳躍基因的活性，進而引導出優良性狀。     

目前甜椒的基因體資料已完備，其重要性狀與表觀遺傳變化密切相關，被視為可積極利用表觀遺傳進行改良的高經濟價值作物之一。

翻開作物育種的新篇章

綜合以上，分析及尋找與目標性狀相關的表觀基因座並不容易，需要結合農藝學、基因體學及生物資訊學的知識與技術，考量表觀遺傳變異的不穩定性因素，為實現可代代相傳的作物改良，需要了解不同植物的基因體中有哪些特定的表觀遺傳變異能夠穩定傳到下一代。因此，若要使用表觀遺傳改良作物，雖有理想但非一蹴可及。

目前主流的基因改造工程，在食品、環境、與生物安全上有著錯綜複雜的影響，僅透過調控基因表現以達到性狀改良的表觀遺傳，更能消除大眾對於作物改良的疑慮。現今對於表觀遺傳的研究資料已經越來越多，在植物面臨逆境時，表觀遺傳能有效且迅速地幫助植物適應環境。在未來環境更加極端的情況下，生產作物將會面臨更嚴峻的挑戰，如何繼續維持高產量，成為農民及研究者必須解決的問題之一。

表觀遺傳調控提供植物學家與農民新的作物改良方法，儘管當前的流程尚不完善，也有許多困難需一一克服，但看好其在未來為作物育種開啟新篇章。

1. Tirnaz, S. & Batley, J. (2019). Epigenetics: potentials and challenges in crop breeding. Molecular Plant, 18, 1309–1311. 
2. Sapna, H., Ashwini, N., Ramesh, S. & Nataraja, K. N. (2020). Assessment of DNA methylation pattern under drought stress using methylation-sensitive randomly amplified polymorphism analysis in rice. Plant Genetic Resour Charact Util, 18, 222–230.
3. Sun, S., Zhu, J., Guo, R., Whelan, J. & Shou, H. (2021). DNA methylation is involved in acclimation to iron deficiency in rice (Oryza sativa). Plant J, doi:10.1111/tpj.15318.
4. Springer, N. M. & Schmitz, R. J. (2017). Exploiting induced and natural epigenetic variation for crop improvement. Nat Rev Genet, 18, 563–575.
5. Varotto, S. et al. (2020). Epigenetics: possible applications in climate-smart crop breeding. J Exp Bot, 71, 5223–5236.
6. Kim, S. et al. (2014). Genome sequence of the hot pepper provides insights into the evolution of pungency in Capsicum species. Nat Genet, 46, 270–278.
7. Xiao, K. et al. (2020). DNA methylation is involved in the regulation of pepper fruit ripening and interacts with phytohormones. J Exp Bot, 71, 1928–1942.
8. Portis, E., Acquadro, A., Comino, C. & Lanteri, S. (2004). Analysis of DNA methylation during germination of pepper (Capsicum annuum L.) seeds using methylation-sensitive amplification polymorphism (MSAP). Plant Sci, 166, 169–178.