歡迎來到演算法、軟體和硬體三位一體的未來世界論文書籍站
國立臺灣大學 醫學工程學研究所 陳中明所指導 陳和豐的 基於肺部電腦斷層之肺腺癌EGFR突變預測:結合Patch-based radiomics紋理特徵圖於深度學習網路 （2021），提出 va2432-h關鍵因素是什麼，來自於肺腺癌、表皮生長因子受體、EGFR突變、深度學習、lung phantom、radiomics特徵。
而第二篇論文輔仁大學 生命科學系碩士班 李嘉雯所指導 陳建云的 JA誘導水稻PR基因啟動子之功能性分析 （2021），提出因為有 植物逆境、水稻、啟動子、逆境激素、甲基茉莉酸、分泌性訊息胜肽的重點而找出了 va2432-h的解答。
基於肺部電腦斷層之肺腺癌EGFR突變預測:結合Patch-based radiomics紋理特徵圖於深度學習網路
為了解決 va2432-h 的問題，作者陳和豐 這樣論述：
肺癌已成為世界上最主要癌症死因之一，並且其發病率與死亡率都有逐年上升的趨勢，晚期肺癌患者的5年平均存活率僅有15%。依治療和預後的不同，肺癌主要分為兩種：(I)非小細胞肺癌(Non-small-cell lung cancer，NSCLC)；(II)小細胞肺癌(Small-cell lung cancer，SCLC)。其中有85%的患者是屬於NSCLC，並且NSCLC患者大部分都被診斷為肺腺癌(Lung Adenocarcinoma, LAC)。EGFR(epidermal growth factor receptor)是肺癌治療中最有用的biomarkers之一。在亞洲有高達50%的肺癌患
者有表皮生長因子受體基因突變(EGFR mutations, mEGFR)。mEGFR患者對EGFR tyrosine kinase inhibitor (EGFR TKI)的反應優於無mEGFR患者。本研究提出「同時考慮CT影像腫瘤內部patchwise成分」的核心概念，開發一套基於深度學習之肺腺癌mEGFR預測模型。結合CT radiomic特徵與patch-based的腫瘤內部區域資訊尋找分類特徵，以協助LAC患者於標靶治療的治療規劃。本研究預測模型在僅考慮腫瘤區域成分的因素下，找尋腫瘤CT影像中之特徵。為達此目標，首先分為肺區分割以及腫瘤分割。分割結果顯示，本研究之肺區分割平均Dice
coefficient為0.9891；腫瘤分割結果平均Dice coefficient為0.806。接著從分割的腫瘤中提取了 212個3D 灰度共生矩陣(GLCM)之特徵。通過sequence forward feature selection選到energy和entropy為重要特徵。透過patch-base的方式使用5×5×5立方體大小計算原始影像上energy以及entropy的特徵圖作為RGANN分類模型的第二、三個通道輸入。接著在RGANN的第四層加入gated attention機制，將前一層輸入的特徵圖與分割的腫瘤binary影像相乘去引導 RGANN 模型只關注於腫瘤區域，以
提高分類的準確性。同時，RGANN的方法與GANN的方法進行了比較。RGANN 在training cohort （n=591，AUC=0.96，ACC = 0.98）validation cohort（n=85，AUC = 0.83，ACC = 0.81）和testing cohort（n=169，AUC = 0.77，ACC = 0.76) 優於 GANN 模型testing cohort（n=169，AUC = 0.74，ACC = 0.73）。此外，本研究針對lung phantom在9種不同輻射劑量(Tube current)與3種不同重建演算法下進行radiomic特徵的提取，並將
研究結果應用於真實病人之Lung CT影像上進行分類。研究顯示，在輻射劑量小於200mA的CT影像提取出的radiomic特徵有較大的變化；反之，提取出的特徵則較穩定。本研究將蒐集之CT影像分為以上兩種情況進行訓練，並且與原始訓練結果進行比較。分類結果顯示，當CT影像皆為大於200mA的情況下，RGANN得到的測試結果為（n=71，AUC = 0.78，ACC = 0.771）；當CT影像皆為小於200mA的情況下，RGANN得到的測試結果為（n=98，AUC = 0.63，ACC = 0.676）。以上分類結果可見掃描CT影像時，使用不同的Tube current參數會造成擷取的radiom
ic特徵有不同的變化，導致在分類mEGFR的結果上顯示，使用較高劑量的CT影像進行分析能得到較好的分類結果。本研究所提出之RGANN模型透過擷取腫瘤內部patchwise成分，在預測mEGFR方面較僅使用原始CT影像的DL模型達到較好的分類結果。
JA誘導水稻PR基因啟動子之功能性分析
為了解決 va2432-h 的問題，作者陳建云 這樣論述：
植物為了克服多種環境逆境，會引發各種的訊息調控，以增加抗性或適應性。先前的研究於水稻懸浮培養液中鑑定出分子量為34 kDa之蛋白質 (PR-8)，且屬第三型幾丁質酶，並以各種逆境反應相關激素處理後發現，PR-8基因能受到甲基茉莉酸（MeJA）的誘導而表現。本研究進一步驗證PR-8基因在水稻幼苗全株皆會受MeJA之調控而有增加表現量。為了確認PR-8啟動子與JA訊息傳遞之調控活性區段，先以基因資料庫分析PR-8啟動子序列，發現有數個MYB、MYC、ERF和WRRY等逆境調控相關轉錄因子之結合域，依其分布初步將PR-8啟動子序列以5’端序列遞減方式設計四片段PR-8p.D0、D1、D2及D3構築
於啟動子表現載體，以用於菸草暫時性表現系統中分析啟動子活性，GUS活性分析後，經MeJA處理後PR-8p.D2和PR-8p.D3之啟動子活性均顯著提升，為進一步確認PR-8啟動子受JA訊息影響之關鍵活化位，接續設計以3’端序列遞減方式將啟動子序列3’端TATA box和5’UTR去除後加上35S minimal promoter，分別建構PR-8p.D1W、3’D1、D2W及D3W啟動子表現載體，GUS活性分析顯示，此四組3’端序列遞減的合成啟動子之基礎活性皆比PR-8全長啟動子者提高2~3倍，然而經MeJA處理後，活性則無明顯變化。此外，為回歸探討此水稻基因啟動子在水稻系統的基因調控特性，以
比較其與菸草模式中是否相同，本研究亦使用水稻懸浮細胞作為啟動子暫時性表現分析平台，5’端序列遞減之啟動子活性分析結果顯示，PR-8p.D0和PR-8p.D1受MeJA誘導，與其在菸草模式中的表現趨勢不同；而3’端序列遞減之啟動子分析結果顯示，PR-8p.D1W、D2W及D3W經MeJA處理後，均有GUS藍色產物，以上結果推測其啟動子D2至TATA box前的386 bp片段內含有JA訊息調控域。由於PR-8是一外泌性蛋白質，為了進一步探討其分泌訊息胜肽（Osss）在水稻細胞分泌性蛋白質表現系統之應用性，於菸草模式中觀察PR-8啟動子驅動表現Osss::GFP-GUS融合蛋白質，結果顯示GUS染
色藍色產物大量呈現在維管束，故推測GFP-GUS融合蛋白外泌至質外體後，累積於維管束周邊。綜合上述結果，PR-8啟動子D2-TATA間有1個MYB、2個ERF、2個MYC及2個WRKY反應之cis-elements，這些轉錄因子結合域可能與JA訊息傳遞有相關，且其基因中的5’UTR可能也影響啟動子的活性。未來可利用Osss分泌性及其啟動子誘導的特性，建立一具有應用性的水稻懸浮細胞分泌性外源蛋白質的表現系統。