採訪 / 許至雅 (科學推展中心執行編輯)．撰稿 / 劉品萱 (科學推展中心特約編輯)

審訂 /  黃彥棕研究員（中央研究院統計科學研究所）

　　在現代醫學實證研究中，流行病學與生物統計是解讀生命密碼的基石。在這個大數據主導的時代，如何從海量資料中抽絲剝繭，找出真正具有前瞻性的因果關係，是無數學者持續挑戰的課題。

　　中央研究院統計科學研究所黃彥棕研究員，以其獨特的學術軌跡，跨越臨床醫學、流行病學與生物統計的邊界。他透過嚴謹的統計模型，追問疾病背後的因果機制，在因果中介分析（Causal Mediation Analysis）領域開創重要工具，持續尋找真正能夠推動科學研究進展的解答。
 

在探索問題的過程中跨越學門
　　初見黃彥棕研究員，很難不對他的學思歷程感到好奇。他大學就讀醫學系，在學習過程中，逐漸發現自己對「量化分析」懷有深刻的興趣。因緣際會之下，他加入中央研究院陳建仁院長的團隊，參與 B 型肝炎與 C 型肝炎的實證研究。

　　那是他初次接觸流行病學，發現「原來複雜的疾病發生過程，可以透過統計模型，用數學的方式描述出來。」這段深刻的體驗，促使他決心遠赴哈佛大學，攻讀流行病學與生物統計，隨後回到中央研究院統計科學研究所。

　　從醫學出發，透過研究疾病而接觸流行病學，再因量化分析而對統計模型背後的理論產生好奇，最後走進生物統計的
大門——對黃彥棕研究員而言，這是在探索科學問題的過程中，自然而然跨越學門的旅程。
 

數學不會就是不會？想辦法學起來！
　　話雖如此，醫學系七年的訓練中，幾乎未涉足深厚的數學，這成為他跨域路上的魔王關卡。當他轉向生物統計，必須重新開始打底子。雖然研究所的課程補足部分缺口，但還有許多數學工具，是直到擔任教職、開始進行更深入的方法學研究後，才一邊做研究、一邊自學。

　　黃彥棕研究員坦言，並不是因為他的數學特別好，才很自然地走進統計；反而比較像是因為對這些研究問題有興趣，所以遇到不懂的數學，就想辦法一點一點學起來。

　　至於原本的醫學訓練，在生物統計的領域中，依然能派上用場，甚至可說是專屬於他的研究武器。他認為，不管數學模型多麼複雜，最後還是要回頭檢視，看這個模型究竟在描述什麼疾病問題，以及模型能否幫助我們理解真正重要的醫學現象。
 

站在巨人肩上，深植學術思維
　　在黃彥棕研究員的學術路上，有兩位關鍵導師，深深形塑他看待科學研究的方式，第一位就是陳建仁院長。當年參與肝炎研究的經驗，讓他明白統計不是單純處理數字，更能回答醫學與公共衛生問題。透過長期追蹤和量化分析，科學家可以使用統計方法，理解疾病如何發生、釐清哪些因素會影響疾病進展。

　　第二位恩師，是他的博士班指導教授林希虹。在統計學中，經常出現繁複的數學式，假如埋頭推導公式，反而容易忘記方法為何有效、資料真正想表達什麼。對此，林希虹教授經常提醒他，必須跳脫盲目計算，培養敏銳的「統計直觀」，也就是要理解方法的本質、推敲資料改變帶來的影響，並且釐清核心假設。
　　總結這兩位恩師帶來的影響，黃彥棕研究員說道：「陳建仁老師讓我知道什麼樣的問題值得研究；林希虹老師則讓我知道，要看見公式背後真正的統計想法。」這兩種思維，成為他日後指導學生與進行研究的準則。
 

我們發現因果關係了！然後呢？
　　如今，黃彥棕研究員的研究版圖橫跨因果推論、生物統計、存活分析、統計遺傳學與整合基因體學。領域看似多元，背後追問的議題卻始終如一，那就是當我們觀察到因果關係、知道 A 導致 B 發生後，如何進一步理解造成結果的中間機制？

　　舉例來說，我們知道某些基因變異會造成疾病，但這些變異究竟是如何引發疾病？為了理解背後的生物機制，就必須發展整合性統計模型，串聯不同層次的基因體資料。這種探究因果如何發生的模型，正是因果中介分析的核心。

　　傳統的因果中介模型大多難以處理「事件發生時間變項（Time-to-Event Variable）」，亦即探討危險因子與疾病的關係時，很難同時推測發病時機，或是推測發病後何時導致死亡。

　　2021 年，黃彥棕研究員的團隊在生物統計期刊《Biometrics》發表第一個能處理這類問題的因果中介模型，成功推進統計模型，讓學界得以探討危險因子如何影響疾病，以及疾病歷程如何影響最終的結果。

　　對他來說，這項研究很有意思，是利用後來投入的生物統計研究，回頭解決早年進行 B 型肝炎醫學研究碰上的問題，進而描繪出疾病的自然史。
 

依循同樣的脈絡，判斷疫苗保護力
　　在大規模生醫資料的應用中，這類研究展現極高的實務價值。以 COVID-19 疫苗為例我們都知道施打疫苗可以降低發病風險，但這中間的機制是什麼？

　　沿著因果中介研究的脈絡，黃彥棕研究員的團隊分析莫德納（Moderna）疫苗的模擬資料，發現約有六成至七成的保護力，可以透過接種後的「中和抗體效價」來解釋；也就是說，施打疫苗後，體內產生的中和抗體越高，代表疫苗保護力越好。

　　在實務上，這項發現帶來兩個啟示。

　　首先，若能識別出施打疫苗後中和抗體仍然偏低的高風險族群，便能及時給予額外的防護措施；其次，這也為未來的疫苗開發提供潛在的「替代指標」，未來在研發階段或許可藉此更早評估療效，不一定要等到臨床試驗累積足夠多的實際發病事件。

跨域合作的火花：用領域知識打造統計模型
　　談及跨領域合作經驗，黃彥棕研究員認為，最迷人之處在於「不同領域的學者，能引入不同的知識體系與視角。」例如，團隊曾與分子生物研究所林倩伶老師合作，探討如何預測 RNA 序列是否會發生剪接（Splicing）。

　　當時，雖已有強大的 AI 模型可以直接使用，但林倩伶老師採取不同的策略——根據多年累積的分子生物學知識，從 RNA 序列中，整理出大量具有生物意義的特徵
（Features），再由黃彥棕研究員的團隊建立統計預測模型。

　　結果，這個模型的預測表現，竟然超越了依賴複雜演算法的 AI 模型。這次經驗讓他深信，即使資料再多、模型再強，每個研究領域長期累積下來的深厚知識，才是讓學者得以分辨哪些資訊真正具有生物意義的關鍵，而這是無法單純靠算力取代的珍貴資產。
 

在AI的時代，必須培養研究的「品味」
　　面對 AI 快速發展的時代，黃彥棕研究員認為，AI 能提供海量的專業資訊，卻未必知道什麼樣的問題才值得探問；因此，學生必須具備「提出重要問題」的能力，還必須擁有扎實的理論基礎，用來判斷 AI 提供的資訊是否正確、是否為研究所需。

　　最後，他特別強調要培養品味——所謂品味，就是知道你喜歡什麼、不喜歡什麼，以及你覺得什麼樣的問題才重要、什麼樣的答案才漂亮。假如沒有培養個人品味，對 AI 提供的資訊照單全收，每個人的思考模式將趨於同質化。

　　話雖如此，黃彥棕研究員非常鼓勵運用 AI 進行研究，並積極倡導將 AI 與統計理論結合，以開拓新的研究方向。若能搭配因果中介研究的領域知識，從單純的預測，進一步走向理解與介入，或許就能利用 AI 改變未來的疾病發展。
 

給年輕學子的備忘錄：不要怕選錯！
　　在採訪尾聲，黃彥棕研究員笑著說，他剛進醫學系的時候，完全沒想過會走進流行病學和生物統計。如果能回到過去，他想告訴年輕的自己兩件事：第一，是不用急著決定自己最後會變成什麼樣的人；第二，是不要害怕做決定。

　　當年，陳建仁院長曾經告訴他，一個決定，大概影響人生三到五年；很快地，就會再碰到下一個決定。後來的他，越來越能體會這句話，而現在的他認為，最重要的是「學好真正有興趣的事情，該決定就勇敢決定，不用害怕選錯。」

　　畢竟，很多時候，我們害怕做決定，都是以為選下去就會決定一輩子，但人生其實不是這樣——許多當下看似繞路的經歷，在未來的某個時刻，都能派上用場；還有許多方向，往往是在持續前行的步伐中，才能慢慢看清楚。