Deep sequencing 中文的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

透過基於基因本體之整合性分析識別卵巢上皮性腫瘤發病機轉的失調基因功能體

為了解決Deep sequencing 中文的問題，作者蘇國銘 這樣論述：

上皮性卵巢癌（EOCs）在晚期或復發的婦科惡性腫瘤中常是致命的和頑固的，其中漿液性佔絕大多數而卵巢清亮細胞癌（OCCC）是僅次於漿液性上皮性卵巢癌的第二常見的上皮性卵巢癌。即便經過腫瘤減積手術後加上化學藥物治療後仍有不少的患者有著較差的預後或是復發，故整體而言，對於卵巢癌的治療仍是一個相當大的挑戰。此外，邊緣性卵巢腫瘤(BOT)，包括漿液性 BOT與黏液性BOT，是屬於介於良性與惡性之間的卵巢疾病，雖然大部分的預後不差但是也有與卵巢癌不同的組織病理學特性。本研究使用以基因本體(GO)為基礎加上機器學習輔助運算的綜合分析去探討卵巢清亮細胞癌以及漿液性卵巢腫瘤包含漿液性邊緣性卵巢腫瘤與漿液性卵巢

癌的GEO資料庫中失調的基因體、功能途徑，藉以去識別重要的差異表達基因(DEG)。首先在卵巢清亮細胞癌的整合性分析中，發現無論是早期抑或是晚期，與免疫功能相關尤其是活化補體系統的替代途徑的功能失調在腫瘤發生佔有相當重要的關聯性，而補體C3與補體C5也影響了疾病無惡化存活期(Progression-free survival, PFS)和整體存活率(Overall survival, OS)且免疫染色結果是有意義的。而在漿液性卵巢腫瘤的分析中發現，SRC基因和功能失調的芳烴受體(AHR)結合路徑(Binding pathway)確實影響PFS和OS，而且與上皮細胞間質轉化(Epithelial-

mesenchymal transition, EMT)相關的鋅指蛋白SNAI2在腫瘤發生過程中有重要角色，並顯示出從漿液性 BOT 到卵巢癌有著逐漸上升的影響趨勢。未來，標靶治療可以專注於這些有意義的生物標誌並結合精確監測，以提高治療效果和患者存活率。

應用生物共生演算法2.0於三維裁切最佳化之研究-以保麗龍裁切為例

為了解決Deep sequencing 中文的問題，作者林子翔 這樣論述：

現近年來，電腦資訊技術迅速的發展並被廣泛地應用在各個領域中，許多複雜的工程問題可藉由啟發式演算法解決，已裁切為例，一維裁切及二維裁切已有許多成功案例，三維裁切現今並無較多完整研究案例。Selin等人在2019提出較可行三維裁切方法，將三維問題劃分成兩個階段，第一階段的二維裁切(2DCSP)問題，以及第二階段一維裁切(1DCSP)問題，本研究以保麗龍裁切維例，將改善Selin等人的方法論，並延發出一套更完善的3D裁切方法論。鄭明淵博士以及Richard Gosno等人於2021時年發展出生物共生演算2.0(Symbiotic Organisms Search 2.0 [3]，新增了兩個進化的不

同特徵，Self Parameter Updating (SPU)以及Chaotic maps sequencing；SPU加強了探索功能；Chaotic maps sequencing則是加強了開發功能，將這兩個特性結合起來發揮更好的平衡探索及開發。SOS2.0相較於SOS，提供了更好的性能以外，也提高了計算效率與搜索最佳解的能力，成為了更好的SOS算法的一種後續方法。本研究選用保麗龍裁切維案例，應用SOS2.0進行組合配置計算，研究結果顯示，相較於Selin等人方法以及目前現場以人力經驗計算之下，可得出餘料最少之最佳解。