自閉症（autism spectrum disorder）與什麼相關？

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

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。