佳作

本研究探討DNA鹼基錯配修復(mismatch repair，MMR)系統在釀酒酵母與奇異酵母雜交合子中的作用，並揭示其對雜交不孕的關鍵影響，具備了癌症研究及農工業菌株改良的潛在應用價值。由於兩物種之基因體序列差異大，雜交合子於減數分裂時產生大量鹼基錯配，活化MMR系統，導致過多具干擾性的同源重組產物，使染色體分離異常、孢子無法正常發育。本研究利用可在孢子壁表現三色螢光蛋白的酵母系統，並透過PCLB2-MSH2專一性抑制MSH2於減數分裂期間之表現，有效降低干擾性重組、顯著提升孢子存活率。研究結果顛覆傳統認為雜交不孕源於重組不足的觀點，進一步釐清MMR系統在遺傳隔離中的角色。

人類皮膚接觸到陽光中的紫外線(UVB)會造成皮膚細胞內產生大量的自由基進而導致皮膚老化，本研究的目的是為了探討鼠鞠草萃取物是否可用於減緩UVB造成的皮膚老化。本實驗以UVB紫外燈來照射人類皮膚纖維母細胞，藉此模擬人類皮膚曬太陽所引起的老化狀況。由實驗結果得知，UVB照射會造成皮膚細胞的傷害，包括皮膚細胞死亡、細胞移動能力的減緩、氧化壓力上升、老化蛋白質p21表現量上升、抗老化相關蛋白質collagen1a1的表現量下降；而加入鼠鞠草萃取物之後，上述造成皮膚細胞老化的病理現象都得到了明顯改善。進一步的研究，我們發現鼠鞠草萃取物是經由抗氧化蛋白質NRF-2表現量提升來抑制皮膚細胞的老化。

此次的研究，我們著重在切割法的探討與延伸，先研究正n邊形藉由「長方形切割法」與「三角形切割法」成為正方形，在過程中發現問題並分類探討，最後證明一定能切割成正方形，並且計算兩方法完成後的切割塊數。接著研究邊長相等的正n邊形與正 (n+1)邊形，後者利用前者已切割出的正方形，將多餘的部分切割重組，填補成新的 大正方形，建構出遞迴切割的關係。最後發想出等面積三角形置換切割法，並透過此方法來完成任意凸多邊形切割重組成正方形。再進一步研究任意凹多邊形，研發出優角角平分線切割法，將凹多邊形完全切割成數個凸多邊形後，再重組成正方形。

本研究探討旋轉對彈性圓環飛行軌跡的影響，並以橡皮筋為實驗材料，主要結論如下：一、橡皮筋的伸長量與所受外力約成正比。二、彈性係數較高的橡皮筋，特定範圍內的位能－動能轉換比例較高。三、彈性係數愈高的橡皮筋，彈射時的轉速與前進速率愈大。四、伸長量固定之下，提高旋轉量不會增加橡皮筋彈射速率，但會增加轉速，穩定彈射軌跡並增加彈射距離，且旋轉量愈大，水平距離愈遠。五、旋轉造成橡皮筋彈射具有穩定形狀，特定伸長量與旋轉量進一步使橡皮筋彈射出現攻角導致軌跡上升，也降低速度衰減，明顯提升彈射距離 (超過40%)。

本研究利用注射器與蠕動泵浦穩定產生直徑 3mm 液滴，並以高速攝影觀察其撞擊行為。實驗發現液滴撞擊乾燥固體表面時，表面粗糙度對接觸角影響不明顯，親水與疏水材質則導致「錨定」或反彈翻轉。進一步研究顯示，液滴撞擊濕潤表面時，親水材質易拉緊液滴表面使其回彈，超疏水碳黑表面則造成液滴彈跳分離。針對濕潤IC晶片進行熱交換分析，結果指出高韋伯數液滴可打破錨定產生飛濺與擴散，顯著提升散熱效果，當韋伯數達193.3時降溫幅度達8.6°C，效能較低韋伯數提升近80%。本研究證實韋伯數與表面性質對液滴撞擊行為具關鍵影響，對液冷與熱管理技術應用具有潛力。

左手香是熱帶及亞熱帶地區常見的植物，文獻顯示左手香的廣泛應用如抗發炎、鎮痛及 抗菌等功效。本研究以抑菌功效為研究起點，探討主要抑菌成分(百里香酚、香芹酚)在何種環 境下可提升其含量；接著討論此兩種成分對於左手香及環境的影響。結果顯示斑葉左手香內 百里香酚與香芹酚含量較高；兩種抑菌成分對金黃色葡萄球菌、大腸桿菌及腸道沙門氏菌有 抑制效果；不同光照時數、光照強度的實驗中，6小時與9小時搭配高強度光照，百里香酚及 香芹酚含量最高；適度逆境可促進香芹酚合成。最後發現左手香葉片對土壤菌群亦具影響， 顯示其可能干擾微生物生態。本研究結果可為天然抗菌劑開發、醫療及永續農業提供參考， 並促進左手香在多領域的應用潛力。

代糖是一種低熱量的甜味替代品，雖在過去被認為對人體無害，近年研究卻發現代糖會引起腸道菌相失衡，有害宿主健康，但其機制仍不明。秀麗隱桿線蟲的腸道上皮細胞與人類相似，且腸道共生菌易觀察，適合探討宿主與腸道菌相間的交互作用。本研究以代糖乙醯磺胺酸鉀(acesulfame potassium, AceK)餵食線蟲，發現AceK在腸道共生菌滅活狀況下，能夠藉由減少腸道粒線體自噬作用、上調抗氧化基因sod-3並增加線蟲體內的H2O2濃度，使線蟲壽命延長；但在腸道共生菌的交互作用下，上述效果皆減弱，AceK反倒促使線蟲腸道菌量增加，因此干擾宿主利用H2O2控制腸道菌量的能力，導致線蟲提早死亡。本研究發現AceK會使腸道菌量失衡，並進一步探討過量的腸道共生菌與宿主競爭AceK並影響宿主生理功能之機制。

本研究提出一套結合BERT模型與自訓練分類器的失語症分類系統，透過多個方法及參數組合提升判斷精確性。研究靈感來自櫻井等人(2023)[15]提出的BERT分類模型，並參考Cong et al.(2024)[5]針對大型語言模型(LLMs)在臨床環境中的應用，進一步探索自訓練分類器在增強BERT判別能力方面的潛力。 本研究的創新點在於，模型基於醫生標註的分類結果進行深度學習，而非讓AI直接從語料中自動分類病患類型，這與先前主要依賴LLMs自動分類的方法不同。此外，本研究納入詞性、語法結構與語音長度及肢體語言標記，以提升模型的處理能力與個人化治療。 考慮語料庫規模及醫學倫理，本研究採用AphasiaBank(全球最具權威的語料資源之一)的英文訪談文本進行模型訓練，同時移除所有個人隱私資訊。