黑白花斑貓的遺傳之謎

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

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。