本研究以人類肺癌A549細胞株和纖維母細胞模擬體內腫瘤微環境，挖掘纖維母細胞如何促進癌細胞的生長。從病人的正常和癌組織提取癌相關纖維母細胞（cancer-associated fibroblasts, CAFs） 和 正常纖維母細胞（Normal Fibroblasts, NFs），經過基因序列一對對作分析，開發新的治療策略和潛在的靶點。利用核糖核酸定序（RNA-Seq）分析發現CAFs會比NFs分泌更多SNARE 蛋白 YKT6，而更深入地探究獲悉YKT6會透過活化YKT6+CAFs途徑促進肺癌A549細胞惡化，此惡化過程包括誘導及提升癌細胞的生殖（proliferation），轉移(migration)和入侵(invasion)能力。 此外，在 CAFs 中敲除 YKT6基因，減弱CAFs 的外泌體（exosome）釋放，從而調節了其對肺癌細胞A549的腫瘤促進作用。本研究發現靶向YKT6並抑制外泌體分泌，從而降低CAFs對肺腺癌細胞的腫瘤支援功能可以為肺癌治療提供一種新的策略。

克雷伯氏肺炎菌（Klebsiella pneumoniae）近年來於亞洲盛行，其除了傷害健康外，亦對於醫療經濟造成一定程度的影響。隨著時間發展，此細菌也逐漸獲得了抗藥性，使早期使用之抗生素不再有效，因此，尋找治療此疾病的替代療法成為近年來持續被關注的議題。由於其對細菌具高度專一性，噬菌體之莢膜多醣分解酶被認為極具開發抗生素替代療法之潛力。 本研究陸續於污水中分離純化出1212P2、H-P7、H-P8、0505P5、0505P6、05052P5、0505Kp3等噬菌體，並藉由一系列實驗，篩選出可能具有莢膜多醣分解酶的噬菌體。最後將候選噬菌體1212P2、0505Kp3進行全基因定序。 未來，將進行全基因序列分析，若成功比對並找到具有莢膜多醣分解酶潛力之基因，我們將對其加以表現並測試活性。並進一步進行體內試驗檢驗此噬菌體或其莢膜多醣分解酶的效力，探討其是否能作為開發藥物的工具，為對抗克雷伯氏肺炎菌盡一份努力。

本研究旨在優化鋅離子電池陰極材料的性能，選用沸石咪唑酯骨架材料（ZIFs）與釩氧化物（V6O13）進行複合材料的合成與應用。隨著鋰電池成本的上升，鋅離子電池因其安全性與成本效益逐漸受到重視。ZIFs 具有高比表面積及良好的離子導電性，而V6O13則因多價態和優良導電性而成為潛力材料。通過結合這兩種材料，我們開發了具有多孔結構和優異穩定性的複合陰極材料，再使用 PXRD、SEM 及 EDX 對材料進行結構表徵，並使用此新材料製作鋅離子電池進行電化學性能測試。結果顯示，熱裂解後的 PY-VxOy@ZIF-Zn/Co具有最佳的克容量及穩定性，且在500次循環後保持良好的穩定性。本研究展示了ZIFs和V6O13結合在鋅離子電池中的應用潛力，為低成本、高效能的儲能解決方案提供了新的方向。

n個圓圈以一維排列所構成圖形中，若指定當中一圓圈塗色時，其左右相鄰圓圈各有1/2機率被塗色，欲求出使得該圖形之指定塗色次數的期望值達最小之最優化塗色方法。本研究共探討了n個圓圈之「直線排列」、「環狀排列」與n個圓圈及m個圓圈之「環狀結合直線排列」等三種圖形。

本研究中，我們對模型逆向攻擊在語音辨識系統中的影響及風險進行深入分析。隨著Siri、Google Home等智能助理設備在日常生活中的廣泛使用，其語者辨識系統的安全隱患引起了我們的注意。本研究目的在於深入理解模型逆向攻擊的運作機制，並探討其對語音辨識系統的攻擊效果。我們透過實施多樣化的攻擊策略，對不同的模型架構和數據處理方法進行了評估，並對人聲與非人聲的數據集進行了攻擊效果的比較。此外，我們亦實現了基於差分隱私的防禦算法，在多數模型架構下達到接近50%的防禦效果，顯著提高攻擊代價。研究整體揭示了語音辨識系統在面對模型逆向攻擊時的脆弱性，並藉由實驗分析推論出可能的防禦策略，期待能通過策略來增強模型的安全性。

隨著網路技術不斷的進步，意見和情感分析逐漸成為人們日常生活中的一部分。儘管如此，目前人們缺乏一個方便且快速的情緒分析模型，供廣大大眾使用。 本研究旨在提供人們一個緩解憂鬱情緒的管道——當人們輸入一個需要被安慰的情境時，我們的系統將輸出安慰語句，以緩解該使用者之憂鬱情緒，達到安慰效果。為此，本研究訓練了BERT model以及 LLaMA model。BERT model能判斷使用者輸入的語句是否為需安慰語句。而LLaMA model則作為安慰語句之生成模型，以達到安慰之效果。

We invented the Midori which means green Bioreactor (MBR), beads of euglena and other microalgae fixed in calcium alginate that absorbs carbon dioxide (CO2). We examined the effect of 19 different solutions and two different organisms on MBR cultivation. Surprisingly, when the MBR was supplied with carbon dioxide or cultured with yeast, they became drastically darker green. Chromatography revealed this green color to be that of microalgae such as green algae or Euglena because chlorophyll a and chlorophyll b were detected. Under sunlight, MBR absorbed CO2 and the absorption rate was 1.5 L CO2/day/1L of MBR. Furthermore, when we put MBR in the water tank, they increased the amount of dissolved oxygen without polluting the environment. These results indicate that MBR can absorb CO2 by photosynthesizing without leaking out the inside microalgae.

本研究欲利用機器學習演算法，透過觀察重力波訊號來判斷黑洞融合訊號的時間。本研究 的數據來源於雷射干涉引力波天文台的開放資料庫，我從中獲取最被廣為認定的64筆原始數據，並生成具有不同黑洞質量與不同訊噪比的模擬信號。我將模擬信號與不同噪聲混合 後，進行強度調整、Q轉換和資料白化等數據處理，並提取資料的統計量，將其用於訓練三種決策樹演算法和兩種迴歸演算法中。最終研究結果顯示，決策樹演算法的判斷能力優於迴歸演算法，以及指出強度差值的標準差是最關鍵的特徵，重要性達全體特徵的27%。 我們的模型在重力波訊號判斷上表現出較高的效率，並成功降低了模型的複雜度，使其更適合實際應用。

球狀星團是星體分布緊密、金屬豐度低的星團。天琴座 RR 型變星經常出現在球狀星團中， 且在恆星演化上有重要意義。僅管目前對此類型變星的其週期、亮度等研究十分完備，分析其組成比例的研究仍略為缺乏。使用 GAIADR3資料庫，首先根據目標星團周圍星體數量繪製熱點圖，求出星團視半徑後，分析二十個球狀星團的天琴座 RR 型變星組成百萬分率，發現影響的主要參數依序為星團年齡、星團半徑與金屬豐度，並分別提出假說解釋 其原理。透過調整三個參數的係數，定義出能代表三者或其中二者共同影響的參數，使變星組成比例成為輔助判斷星團相關參數的依據。另外討論偏離主要趨勢星團的原因，且亦探討以熱點圖概念求出的視半徑和文獻之出入之處。

本作品結合積木、馬達機械結構與AI技術自製「圍棋AI自動分類機」，將黑白子分類收納解決下完棋後沒人收拾的問題，我們以自動麻將桌概念為發想，設計9項不同實驗，首先以不同裝置測試棋子掉落方式，發現賓果滾筒能有效控制棋子一個一個掉落，其次大量拍攝不同燈光環境下黑白子照片，以Label-Studio進行影像標註，撰寫Python程式訓練AI影像辨識模式並控制伺服馬達轉向，使黑白子依辨識結果正確分類至棋盒。結果顯示「圍棋AI自動分類機」分類正確率高達99%，此外我們也應用於盲用圍棋，協助視障學生收棋，提升下棋便利性與學習意願。本作品不僅展現AI應用於日常生活創意實踐，也呼應SDGs中促進優質教育目標。

本研究旨在探討男性使用直立式或懸掛式小便斗時，尿流量、身高、和斗壁距離、入射角等因素，對於尿液噴濺面積和範圍之影響。研究方法包括：以頻閃燈和慢速攝影、tracker分析與雷諾數，辨識不同流量對層流和紊流之變化量；採用小便模擬器、Vernier氣壓計和力度計，測得水流和反彈流對斗壁作用力，終以蒙地卡羅法扇形區和Image J分析兩組小便斗噴濺面積和範圍。主要研究結果包括:1.以tracker 分析獲知流量和流速關係，從雷諾數變化量驗證流量小易受紊流噴濺、流量大則易受反彈流噴濺。2.尿緩=15mL/s，距斗壁30 cm 平射，反彈流噴濺最少；4.身高>=170 cm、25mL/s，平射兩種小便斗，噴濺面積與範圍皆最小；5.以600射角和對準排水孔，噴濺面積和範圍最大；6.本研究亦討論和改進尿液噴濺的研究方法。

背景：預測分子性質如溶解度、毒性及熔沸點對於基礎科學至關重要。然而，實驗測量這些性質耗時且昂貴，因此本研究使用多種機器學習模型藉由調整變相來準確預測熔、沸點。 方法：本研究使用超過一萬筆數據及兩種類型的機器學習方法：淺度與深度學習。淺度學習由 PyCaret實現，並以Mordred作為分子描述器；深度學習使用圖神經網路，包括（CMPNN和GCN），並調整隱藏層參數。 結果：CMPNN在目前嘗試的模型中表現最佳。發現影響沸點預測的關鍵特徵是piPC1，與鍵級相關；熔點則是AATS0d，與σ電子的 Moreau-Broto自相關有關。 結論：CMPNN模型在沸點與熔點預測中均表現最佳。沸點中深度學習模型優於淺度學習模型（p<0.05）。此外，使用SHAP成功找出piPC1和AATS0d對最關鍵。本研究不僅得出了高準確性的模型，還發現了影響分子性質的關鍵特徵，且可擴展至其他預測。