理學院

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/3

學院概況

理學院設有數學系、物理學系、化學系、生命科學系、地球科學系、資訊工程學系6個系(均含學士、碩士及博士課程),及科學教育研究所、環境教育研究所、光電科技研究所及海洋環境科技就所4個獨立研究所,另設有生物多樣性國際研究生博士學位學程。全學院專任教師約180人,陣容十分堅強,無論師資、學術長現、社會貢獻與影響力均居全國之首。

特色

理學院位在國立臺灣師範大學分部校區內,座落於臺北市公館,佔地約10公頃,是個小而美的校園,內含國際會議廳、圖書館、實驗室、天文臺等完善設施。

理學院創院已逾六十年,在此堅固基礎上,理學院不僅在基礎科學上有豐碩的表現,更在臺灣許多研究中獨占鰲頭,曾孕育出五位中研院院士。近年來,更致力於跨領域研究,並在應用科技上加強與業界合作,院內教師每年均取得多項專利,所開發之商品廣泛應用於醫、藥、化妝品、食品加工業、農業、環保、資訊、教育產業及日常生活中。

在科學教育研究上,臺灣師大理學院之排名更高居世界第一,此外更有獨步全臺的科學教育中心,該中心就中學科學課程、科學教與學等方面從事研究與推廣服務;是全國人力最充足,設備最完善,具有良好服務品質的中心。

在理學院紮實、多元的研究基礎下,學生可依其性向、興趣做出寬廣之選擇,無論對其未來進入學術研究領域、教育界或工業界工作,均是絕佳選擇。

Browse

Search Results

Now showing 1 - 2 of 2
  • Item
    傳統中藥對緩解癌症化療副作用的實證醫學研究
    (2025) 鄭企峰; Cheng, Chi-Feng
    化療在癌症治療中被廣泛應用,但常常會引起嚴重的副作用,影響患者的生活品質。例如,乳癌患者使用阿黴素 (DOX) 可能引起心臟毒性和骨質疏鬆症,而大腸直腸癌患者使用奧沙利鉑 (OXA) 則常誘發視網膜與週邊神經病變。這些不良反應凸顯了緩解化療毒性的迫切需求。本研究探討了傳統中藥 (TCM) 減輕化療副作用的潛力。我們選取蛹蟲草 (CME)、金線蓮 (ARE) 和流蘇石斛 (DFE) 的萃取物進行評估。利用細胞和小鼠模型,檢視了這些萃取物對阿黴素 (DOX) 和奧沙利鉑 (OXA) 治療引起的不良反應的保護作用。為了鑑定這些萃取物的生物活性成分和抗氧化特性,我們採用了高效能液相層析 (HPLC) 和 1,1-二苯基-2-三硝基苯肼 (DPPH) 自由基清除試驗。結果表明,三種中藥萃取物均具有獨特的生物活性成分,並表現出強大的抗氧化活性。在細胞實驗中,採用MTT分析評估了CME和ARE對DOX誘導的H9c2心肌細胞損傷的保護作用,以及DFE對OXA誘導的ARPE-19視網膜細胞損傷的保護作用。結果顯示,CME和ARE顯著提高了經DOX處理的H9c2細胞的活力,而DFE則有效地維持了經OXA處理的ARPE-19細胞的活力。本研究進行動物實驗以評估中藥萃取物對化療小鼠的生理與分子層面影響。透過記錄體重變化與運動表現以評估整體健康狀況,並分別以心臟超音波影像系統檢測心臟功能、以電腦斷層掃描測量脛骨骨密度、以酵素免疫分析法(ELISA)分析血清免疫球蛋白(IgG、IgA、IgE)表現。心肌與視網膜組織中抗氧化蛋白(SOD2)、發炎蛋白(TNF-α)及凋亡蛋白(caspase-3)之表現,則透過免疫組織化學染色與西方墨點法進行分析。結果顯示,CME與ARE可提升DOX處理小鼠的心臟功能與脛骨骨密度,增加血清中IgG與IgA表現,並抑制IgE表現。CME與ARE可促進心肌組織中SOD2表現,同時抑制TNF-α與caspase-3的表現。DFE則可提升OXA處理小鼠視網膜中rhodopsin與SOD2的表現,並抑制TNF-α與caspase-3的表現。綜合上述結果,我們認為中藥萃取物CME、ARE與DFE可透過減緩氧化壓力、抑制發炎反應與凋亡等分子機制,有效保護細胞與小鼠模型免受化療副作用之傷害。
  • Item
    結合化學指紋輔助原子嵌入和自注意力模型進行蛋白質-配體交互作用預測
    (2023) 鄭吉峰; Cheng, Chi-Feng
    在藥物研發中,Compound Protein Interaction是一個關鍵的領域,它關注藥物與蛋白質之間的相互作用,這些作用對於藥物的活性和效果至關重要。傳統上,CPI的研究主要依賴實驗室進行的耗時耗力的試驗,但隨著機器學習的快速發展,它在CPI研究中展現了許多優勢,它可以高效地處理大規模和複雜的生物信息數據,並自動學習特徵和模式,從而加速藥物研發的進程並降低成本。本研究旨在改進現有的CPI機器學習模型,以提升其預測能力。原始模型主要採用了Transformer模型的自注意機制來預測CPI反應性,這種機制能夠捕捉分子和蛋白質之間的局部和全局關係。我們認為進一步引入分子的化學指紋可以增加對分子特徵的理解,從而提高模型的性能。為此我們使用了PaDEL工具生成了GPCR資料集中所有分子的化學指紋。通過聚類分析,我們對資料集中不同化學指紋的分布情況進行了研究。這有助於我們理解分子的結構和性質之間的相似性和差異性。接著我們將這些化學指紋先後以三種方式引入模型訓練中,試圖從中探明其有效性並找出最適合的引入方法。首先,我們將化學指紋轉換為嵌入向量,以提供更全面的信息。其次,我們嘗試將化學指紋作為附加特徵引入模型,使模型能夠更完整的使用到化學指紋。最後,我們對化學指紋的數值進行TF-IDF的操作來擴展其變異性,以便模型能夠更好地理解分子之間的不同。在實驗結果中,我們比較了這三種模型在CPI預測性能上的差異,並分析了它們與先前聚類分析結果之間的關係。我們觀察到引入化學指紋後,模型的預測準確性和穩定性在特定化學指紋得到了改善,並且其與聚類分析結果之間存在一定的關聯性。