四等獎

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。

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。

本研究延續自作者前一年的研究「連通圖上行走步數期望值之研究」，原題為在一個六面體中，有一隻螞蟻位於其中一個頂點並沿著邊行走，每當牠走到頂點時就會選擇一條邊繼續行走，且牠前往任何方向之機率皆相同，但不可走回頭路，求螞蟻回到出發點時經過邊數之期望值。本研究將題目延伸出了以下幾個問題，得出結論後並證明。結果如下：Kn (n - complete graph)、任意tree、Cm★Cn、Km★Kn中，螞蟻從其中一點vi出發，第一次走到另一點vj時經過邊數之期望值通式。除了研究不同的圖上點到點經過邊數期望值通式，針對圖論中經常用的距離 (點到點的最短路徑經過邊數) 與點到點的期望長度最大者進行比較，探討在圖上之性質。

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。

阿茲海默症(AD)是導致失智症的主因，影響全球數千萬人。然而，AD目前的藥物大多昂貴且療效有限。目前已知腦內β類澱粉蛋白(Aβ)斑塊為AD的病理特徵，且大腦清除系統被認為對AD的治療具有重要性。先前研究發現非侵入性迷走神經刺激術(nVNS)增加腦脊髓液循環，但在神經退化疾病中的機制和應用尚不明確。本研究旨在探討nVNS增強大腦清除系統來作為AD新療法之成效，使用Aβ誘導之AD小鼠模型，利用巨視顯微鏡和免疫組織化學染色評估其膠淋巴系統功能，並以新奇事物測試評估認知功能。本研究發現於AD小鼠中，給予nVNS使大腦清除系統之水通道蛋白-4顯著增加、促進膠淋巴系統，進而改善認知功能。本研究首次發現nVNS可通過增強大腦清除系統功能，進而改善AD病理引起的失智症狀，支持nVNS作為AD新療法的可行性。

The economy around the world is changing rapidly, with new ways of industrial production being introduced all the time. This is due to the Fourth Industrial Revolution. The main objectives of Industry 4.0 [5] are digitalization and full automation of production processes, which increase productivity and worker safety.

這是一份將近持續四年的研究，而這一年佩爾質數的出現，讓我們的討論「突飛猛進」。 佩爾方程式是形如𝑥2−𝑚𝑦2=1的方程式，其中𝑘不為完全平方數之正整數。我們定義廣義佩爾方程式是形如𝑥2−𝑚𝑦2=𝑛 的方程式。在過去的研究中，我們主要從𝑥2−𝑘𝑦2=𝑝 (𝑘,𝑝 皆為互質的奇質數) 的正整數解開始研究，接著延伸到 𝑥2−𝑘𝑦2=2𝑚𝑝1𝑛1𝑝2𝑛2⋯𝑝𝑗𝑛𝑗，進而得到了解的唯一分解性質。而本次的研究，延續之前的工作，對佩爾質數展開了討論。利用蜈蚣彘，我們成功地發現了一些佩爾質數，猜測出一些可能的結果並證明；同時我們對佩爾質數的生成結構做了相當程度的了解。作為結束，設法利用分析的方法解決的之前的問題，以及對方程式的不可約解，是否存在較低次方根解，給出了必要條件。

我們是探討磁星的短X射線爆發(Short X-ray burst)。利用RXTE太空望遠鏡觀測磁星1E2259+586的數據，經由Bayesian block方法對光變曲線篩選找出爆發，並配合「波松分佈」與「虛無假設」找出50筆爆發事件(爆發的正確性有5σ的信心水準)。再利用HDBSCAN非監督式學習演算法來對短X射線爆發進行分群，找出此磁星有「短暫且高能爆發、中等持續與能量爆發、較長持續且溫和爆發、快速且低能爆發」現象，暗示了磁星爆發的多樣性並有不同的爆發機制。此外我們也發現磁星可能有「週期性」的現象，也許是自轉週期、地殼受的應力或磁場變化經過同樣時間累積(有週期性)而爆發。我們也比對有快速電波爆發 (Fast radio burst, FRB)的磁星SGR 1935+2154，看是否1E2259+586有FRB現象，結果暗示1E2259+586可能沒有FRB現象。

超音波已廣泛用於奈米粒子的製備，然可聽聞音對奈米粒子製備的影響卻少有研究。本研究以簡易喇叭裝置產生可聽聞音並在溶液表面產生法拉第波及內部流動，來輔助製備奈米鎳。法拉第波是一種表面非線性駐波，透過調整容器形狀、振動頻率等，可產生不同波形。本研究嘗試在法拉第波輔助下，以化學還原法及電沉積法製備出不同性質的奈米粒子。SEM量測並比較無輔助、法拉第波輔助、超音波輔助製備出的奈米鎳的形貌、分布的差異。並將其應用於有機物(即剛果紅、亞甲藍、4-硝基苯酚、2-硝基苯酚)之催化還原。而由SEM量測、催化還原結果及理論模擬反應熱可知，法拉第波確實能夠改善奈米鎳的粒徑大小、分散性、對氫的吸附能力及催化還原能力。

In this fast-paced digital economy, customers' judgment is based on their experience with a company’s products and services. Customer reviews become a vital source of information for companies because this information can be used to enhance their products, understand customer wants and needs, improve brand reputation, and provide a competitor’s advantage. A company can understand customer needs and wants by going through reviews. Customers are encouraged to leave not only their opinion but also their ideas for the development of the product or service. By understanding these reviews, a company can actively respond and engage with a reviewer or problem. Failure of companies who don't answer customer queries may negatively impact customer loyalty. Customers will feel neglected by these companies and will choose competing companies to handle their needs. Additionally, customers may speak negatively about a company that does not respond to reviews. The AI-based customer sentiment dashboard can help gain a company's competitive advantage by identifying weaknesses in themselves and others. Companies will be enabled to understand where they succeed and where improvement is needed compared to their competitors, leveraging businesses to address strengths and weaknesses before competitors do. Through AI-based customer sentiment dashboards, a company can analyze its competitor’s reviews and use that information as leverage to make improvements to its products and services. Customers are increasingly leaving reviews on popular apps like Google Play, Stamped.io, Yapto, and Judge.me, Loox, Qualaroo, and Yelp. The reviews are rich in customer sentiments offering valuable insights into user satisfaction and pointing out the areas for improvement that are crucial to every company no matter how big or small. Despite their value, manually processing these reviews is a challenging task due to the large volume of unstructured data. Manual processing is also vulnerable to bias and human error, leading to inaccurate information. Traditional methods such as surveys have been proven to be ineffective if the main focus is targeted feedback and have low responses compared to reviews. The advances in artificial intelligence like Natural Language Processing (NLP) help us interpret and analyze human language and generate outputs like predicting what type of sentiments are in reviews. This project proposes developing an AI-based sentiment analysis model to evaluate customer feedback on two widely used taxi applications. Natural Language Processing libraries, such as the Valence Aware Dictionary and Sentiment Reasoner (. The model aims to categorize customer reviews into positive, negative, and neutral sentiments.