染色體「中節」以外遺傳方式遺傳

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

當我第一次驚喜瞥見打破對稱性的可能起源時，我驚訝地發現到這段歷程似乎很早就開始了，而這也為我運用綠色螢光蛋白追蹤細胞分化的研究鋪起了大道。卡羅琳娜與我想要進一步探索這個研究發現，所以我們提出了一個有關其終極源頭的簡單問題：精子進入卵子的位置是否對於胚胎一開始失去對稱性有任何影響？在線蟲與青蛙這類動物的胚胎中確實是這樣，但在哺乳動物（例如小鼠）的胚胎中也一樣嗎？

對稱藝術

當我們將生命的起源以動畫演繹出時，常常看到的影像就是精子設法進入沒有任何特徵的圓形卵子上，並融入其中。若情況是這樣的話，就很難看出精子進入卵子的位置是要如何對未來一切發育有所影響。在這個理想化的卵子上，任一處表面都與其他表面沒有任何差異。不過，當然還是存在有個參考指標，那個等同於「這邊是上面」的指標就是：極體。

極體是從減數分裂的不對稱過程中所產生，細胞「骨架」在這個過程中會聚集以協助細胞進行分裂。這個細胞骨架稱為紡錘體，它會從細胞中心點往細胞邊緣移動，產生出一個大大的卵子與一個小小的極體。我們可以合理認為，紡錘體與染色體的移動可能打破了卵子的對稱性，也造成了擠壓極體的發育。許多人的確注意到極體最終總是會落在受精卵進行分裂的那個平面上。

理查．加德納這位我們之前見過的科學家，發現極體會附著在卵子上，它不只會確立受精卵首次分裂成兩個細胞的那個平面，它還會在幾天後確立出囊胚的對稱軸。這項發現讓我們有所啟發。這真的是因為卵子中的軸向資訊會一直持續到囊胚階段，還是有其他的因素會影響胚胎發育的對稱性？在我們進行科學研究的過程中，我與卡羅琳娜在當下這個時間點想要知道的是，精子進入卵子的位置是否也會影響胚胎發育，並提供第二個定位線索。

卵子上的座標——精子進入的位置會影響胚胎發育嗎？

就像在地表上某個地點跟北極的相對位置，可以定義所謂的經線，我與卡羅琳娜想要知道，精子進入卵子的位置是否也可以提供相對於極體位置的另一位置資訊。若真的是這樣，我們就能更精準確立進行首次分裂的那個平面。這感覺起來很合理，因為極體的形成與精子的進入位置都會重新排列之後會運用在卵子分裂上的細胞骨架。若不是這樣，分裂的那個平面與精子的進入位置之間就只有隨機的關係。

以現代科技來說，我們很容易就可以解決這個問題。我們可以將這個過程拍成影片，來看看從精子進入卵子後到後續細胞進行分裂的幾天之間究竟發生了什麼事。但在我們開始研究的那個年代，不存在這樣的選項。我們無法拍攝小鼠胚胎從受精開始進入發育的影片，要等到幾天後胚胎進入囊胚階段才行。我們只能想辦法去標記精子進入的位置，以便可以追蹤它與受精卵在數小時後首次分裂的那個平面之間的關係。

我一開始想著要用某種自然一點的東西，像是胚胎幹細胞這種非常微小的細胞，在卵子受精後馬上附著在精子進入點上，因為那時還可以看到進入點，但最後我有了更簡單的辦法：我們改用肉眼看不見的微小螢光珠。我們成功了，但我很後悔沒有給這些珠子取個像「微球體」這樣酷炫的科學名稱。當然，同領域人士不認同的不僅僅只是這些珠子要怎麼命名，但「珠子」這個名稱有種簡樸感，所以批評者會用這個名稱來貶低我們的研究，這就是我們得要付出的代價。

一開始很容易就能看到精子是從哪裡進入卵子的。它會留下一個名為受精錐（fertilization cone）的小小凸起。受精錐是由卵子的細胞骨架所建構，並由肌動蛋白的纖維所組成，它大約會凸起半個小時。這時間剛好足夠嵌入一至兩個珠子來標記位置。

我們將這些珠子浸到名為植物血凝素（phytohemagglutinin）的蛋白質混合物中，珠子就會具有黏性。植物血凝素常用於讓細胞聚集在一起。因為人的手不夠穩定，所以卡羅琳娜會以一隻機械手臂來拿取具有黏性的珠子，並將珠子放到卵子的表面上，同時還會以另一隻機械手臂牢牢固定住剛受精的卵子。

雖然珠子很小，直徑只有 0.0001 至 0.0002 公分，但在紫外線的照射下看起來大多了，亮綠色的點讓我們很容易就可以追蹤它的命運。觀察受精卵的發育時，我們發現珠子最終會來到細胞首次分裂所產生的兩個細胞之間的邊緣，或者是非常接近這個地方。

受精卵的分裂平面真的是由精子決定的嗎？

我們一直都在挑戰我們的思考與發現。上述情況有可能是任何落在卵子表面的珠子都會掉進分裂溝（cleavage furrow）中。所以為了確認，我們進行了一項對照實驗，卡羅琳娜將另一顆類似的珠子隨機放在卵子表面的其他地方。令我們欣慰的是，這顆珠子最終沒有掉進細胞分裂時所產生的分裂溝中。對我們而言，這表示精子進入卵子的位置以某種方式「被記住」了，並且成為受精卵偏好進行分裂的地點。換句話說，若我們是對的，受精卵之所以會在這個平面進行分裂，是因為偏好（biased）而非隨機（randomly）。

我們持續獲得了各種新發現。在胚胎從兩個細胞發育成四個細胞的階段中，帶有精子進入標記的那個細胞，會傾向於先進行分裂。這個細胞的命運之所以會改變，是因為精子帶入的物質滋養了它嗎？受精的三天後，精子進入標記會留置在囊胚兩部位之間的邊緣處，一個部位是含有會形成胚胎本體的胚胎部分，另一個則是胚外部分。

這表示了，兩細胞胚胎內的其中一個細胞較容易發育成胚胎，另一個則傾向於變成胚外部分。我們感到震驚。我們觀察影像好幾個小時，甚至好幾天。我一開始根本不敢相信這些發現，所以我請卡羅琳娜一再重複進行實驗，打破早期對稱性的證據怎麼這麼簡單，會不會太簡單了？

可以理解地，對此感到懷疑的人士可能會吹毛求疵地表示，決定分裂平面的不是精子進入點，而是將珠子嵌在進入點的這個動作。為了驗證這個可能性，我們進行了許許多多的對照實驗，我之後會提到。我們已經確認過，將珠子放置在受精錐以外的任何一個地方，都不足以決定分裂的平面。但我們還有諸多其他事項要一而再、再而三的確認，因為我們必須很確定。

——本文摘自《生命之舞》，2023 年 9 月，商周出版，未經同意請勿轉載。

新物種如何誕生，是演化最重要的主題之一，正如達爾文代表作的書名《物種起源》（The Origin of Species，也常譯作《物種源始》）。隨著基因體學帶來愈來愈多新知識，人們對物種的想法也不斷演變。

2023 年發表的一項研究調查多種金絲猴的基因組，意外發現有一種金絲猴，竟然直接由不同物種合體形成。這是靈長類的第一個案例，動物中也相當少見。

五種金絲猴的親戚關係

金絲猴（snub-nosed monkey，學名 Rhinopithecus，也稱為仰鼻猴）主要住在中國西南部和東南亞，目前有五個物種。牠們的中文名字依照地名，英文名字則多半根據顏色。

古時候金絲猴的分布範圍更廣，像是台灣也曾經存在過，如今卻只剩下化石。現今五個物種分別為：

＊（雲南）滇金絲猴（black-white 黑白，學名 Rhinopithecus bieti）

＊ 緬甸金絲猴（black 黑，學名 Rhinopithecus strykeri）

＊（四川）川金絲猴（golden 金，學名 Rhinopithecus roxellana）

＊（貴州）黔金絲猴（gray 灰，學名 Rhinopithecus brelichi）

＊ 越南金絲猴（Tonkin 越南東京，學名 Rhinopithecus avunculus）

比對五款吱吱的 DNA 差異，可知滇、緬甸金絲猴的親戚關係最近，川金絲猴則和黔金絲猴較近，但是黔金絲猴明顯介於兩者之間。黔金絲猴在自己獨特的變異之外，僅管基因組整體更接近川金絲猴，也有不少部分和滇、緬甸金絲猴相似。

見到不同物種之間共享血緣，最直覺的想法是，兩者的祖先發生過遺傳交流。但是詳細比對後，研究猿認為還有機率更高的可能性。

最滑順的劇本是，大約 197 萬年前，滇、緬甸金絲猴的共同祖先，和川金絲猴分家；又經過十幾萬年，約莫 187 萬年前，兩群金絲猴再度合體，形成一個全新的支系，也就是黔金絲猴的祖先；後來滇、緬甸金絲猴再衍生出兩個物種。

這形成如今我們見到的狀態：黔金絲猴大約 75% 血緣來自川金絲猴，25% 源於滇、緬甸金絲猴的共同祖先。

靈長類首見，雜交直接形成新物種

或許有人會疑惑，看起來都是共享 DNA 變異，上述說法和「不同物種之間，發生過遺傳交流」有何差別？

差別在於，所謂「不同物種之間」，指的是新物種已經誕生一段時間以後，彼此間又發生 DNA 交流，這個一點都不稀奇。例如 A、B 物種間發生關係，變成 A 的遺傳背景下，又有一點 B 血緣的物種。

但是黔金絲猴的狀況是，新物種之所以誕生，就是不同物種直接合體所致。例如 A、B 物種發生關係，衍生出差異更大，不是 A 也不是 B，足以認定為新物種的 C。

假如重建的劇本為真，這就是首度在靈長類中觀察到，不同物種直接合體形成新物種的「hybrid speciation」。可以翻譯為「雜交種化」，不過「合體種化」似乎更直觀。

經由兩個物種雜交，直接產生新物種的方式，植物較為常見，哺乳類動物極少。此前古代 DNA 研究認為，已經滅絕的美洲大象「哥倫比亞猛獁」（Columbian mammoth，學名 Mammuthus columbi）是不同猛獁象合體產生的新物種，但是證據沒那麼充分。

• 延伸閱讀：最早古代DNA，超過一百萬年的西伯利亞象

或許沒有那麼罕見？

直接雜交產生新物種，會很難想像嗎？仔細想想，金絲猴的案例可能沒那麼驚悚，或許還有某種程度的普遍性。

回到當初的情境，所謂「兩個物種」在當時其實只分家十萬年而已，差異應該仍很有限。是又累積 180 萬年的分歧到今日，才顯得親戚之間明顯有別。

這邊 197 萬、187 萬、十萬年都是根據 DNA 變異的估計，實際數字未必如此。不過順序大概差不太多，就是首先分出兩群，很短的時間後又合體產生第三群，再經歷好幾倍的時間直到現在。

值得注意的是，我們能判斷演化樹上的不同分枝曾經合流，來自對樹形的比對。假如川金絲猴不幸滅團，這棵演化樹中我們只剩下三個物種的樣本，便會判斷黔金絲猴是跟另外兩種親戚分家而成，卻完全不會察覺有過合體種化。

這麼想來，雜交誕生新物種的現象，或許沒那麼罕見，只是時光抹去了許多痕跡。

血緣融合，猴毛也是奇美拉

另一有趣的發現是毛色演化。金絲猴現今四個物種，外表的毛色為一大差異。毛色與深色素有關，深色素愈多，毛色會顯得愈黑，相對則是愈淡，會呈現白毛、黃毛、金毛。

身為不同演化支系合體的產物，黔金絲猴的毛色也混合兩邊的風格。頭和肩膀的淺色，類似川金絲猴；手腳的深色，則類似滇、緬甸金絲猴。

金絲猴毛的顏色深淺，取決於不同色素的相對比例。棕黑色素（pheomelanin）愈高，毛色愈淡；真黑素（eumelanin）愈高，毛色愈深。例如猴毛中含有大量棕黑色素、少量真黑素，便會呈現金毛。

很多基因有機會影響色素與毛色。分析得知金絲猴們有 5 個基因和毛色關係密切，黔金絲猴的基因組來自兩個支系，比對發現，三個基因 SLC45A2、MYO7A、ELOVL4 繼承自川金絲猴，兩個基因 PAH、APC 則源於滇、緬甸金絲猴。

這些基因如何影響毛色，仍有許多不明朗之處。最明確知道的是，SLC45A2 基因表現降低，會使得棕黑色素產量上升，令顏色變淡。PAH 基因表現增加，可以讓顏色加深。

同一隻金絲猴不同部位的細胞，同一批基因經由不同調控，就能控制毛色深淺。

這篇文章介紹的演化基因體學分析手法，對許多人大概不算容易，但是這些研究帶來的趣味，倒是不難體會。

延伸閱讀

• 臺灣曾有犀牛、花豹、菱齒象？——國立自然科學博物館科教組主任張鈞翔專訪
• 葉猴的社會演化
• 6種狒狒ㄈㄈ尺，男團為主的遷徙潮流
• 多少遺傳改變能造就新物種？達爾文不懂的物種源始
• 果蠅跨物種情慾交流，錯誤組合親代特徵，變成生存弱點
• 家庭影響了箭毒蛙的愛情觀，而這是促進新物種誕生的第一步？
• 怎麼調配黃狗、棕狗，或是黑狗？——狗與狼的遺傳調色盤
• 這是一隻間諜貓熊！——野生大貓熊如何靠「黑白迷彩」融入棲息地的景色？

參考資料

1. Wu, H., Wang, Z., Zhang, Y., Frantz, L., Roos, C., Irwin, D. M., … & Yu, L. (2023). Hybrid origin of a primate, the gray snub-nosed monkey. Science, 380(6648), eabl4997.
2. The Primate Genome Project unlocks hidden secrets of primate evolution
3. Biggest ever study of primate genomes has surprises for humanity
4. Hundreds of new primate genomes offer window into human health—and our past
5. van der Valk, T., Pečnerová, P., Díez-del-Molino, D., Bergström, A., Oppenheimer, J., Hartmann, S., … & Dalén, L. (2021). Million-year-old DNA sheds light on the genomic history of mammoths. Nature, 591(7849), 265-269.

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁。