Microalgae are rich in bioactive compounds that may contribute to the growth of probiotics, which require appropriate nutrients, known as prebiotics, to thrive. This study aims to evaluate the effectiveness of crude extracts from intracellular components residues of the microalga Chlorella sp. KLSc61 in promoting the growth of the probiotic bacterium Lactiplantibacillus plantarum JCM1149 under simulated gastrointestinal conditions. The intracellular extracts were obtained using 70% (v/v) ethanol, and their effects on probiotic growth were tested at concentrations of 0.1%, 0.75% and 1.5%. The growth of Lactiplantibacillus plantarum JCM1149 was assessed using the drop plate method. The findings of this study will provide insights into the potential of Chlorella sp. KLSc61 extracts in enhancing probiotic growth, which could lead to the development of synbiotic dietary supplements containing both probiotics and prebiotics. Additionally, this study may serve as a foundation for further research on the role of microalgal extracts in gut health and immune system modulation.
ในปัจจุบันผู้บริโภคมีความตระหนักถึงความสำคัญของการรักษาสมดุลในระบบย่อยอาหารมากขึ้น เนื่องจากระบบย่อยอาหาร มีผลต่อการทำงานของระบบภูมิคุ้มกันและสุขภาพโดยรวม เซลล์ภูมิคุ้มกันของร่างกายอาศัยอยู่ในระบบทางเดินอาหารประมาณ 70-80% (Bergenhenegouwen et al., 2021) การดูดซึมสารอาหาร การเสริมสร้างระบบภูมิคุ้มกัน และสุขภาพจิต หนึ่งในกลไกที่ช่วยส่งเสริมสุขภาพลำไส้ คือการบริโภคโพรไบโอติกหรือจุลินทรีย์มีชีวิตที่มีประโยชน์ต่อร่างกาย เมื่อบริโภคในปริมาณที่เหมาะสม จะช่วยส่งเสริมสุขภาพของผู้บริโภคโดยการรักษาสมดุลของจุลินทรีย์ในลำไส้อย่างไรก็ตาม เพื่อให้โพรไบโอติกสามารถเจริญเติบโตและทำงานได้อย่างเต็มประสิทธิภาพ จำเป็นต้องมีสารอาหารที่ช่วยกระตุ้นการทำงานของโพรไบโอติก นั่นคือ พรีไบโอติก พรีไบโอติก เป็นใยอาหารชนิดพิเศษที่ร่างกายไม่สามารถย่อยได้ แต่เป็นแหล่งอาหารที่สำคัญของโพรไบโอติก เมื่อโพรไบโอติกได้รับสารอาหารที่เพียงพอจากพรีไบโอติก จุลินทรีย์เหล่านี้จะสามารถเติบโตและทำหน้าที่ในการปรับสมดุลของจุลินทรีย์ในลำไส้ได้ดีขึ้น การบริโภคผลิตภัณฑ์ที่มีทั้งพรีไบโอติกและโพรไบโอติก หรือ ซินไบโอติกจึงเป็นวิธีที่มีประสิทธิภาพในการส่งเสริมสุขภาพลำไส้และป้องกันปัญหาต่าง ๆ เช่น อาการท้องผูก การอักเสบในลำไส้ และการเกิดโรคลำไส้อักเสบ โดยพรีไบโอติกส์ที่เป็นที่นิยมส่วนใหญ่พบในสาหร่าย น้ำผลไม้ เปลือก เมล็ด พืชสมุนไพรจีนดั้งเดิม และจุลินทรีย์ที่เกี่ยวข้องกับโพลีแซกคาไรด์ โพลีฟีนอล และโพลีเปปไทด์ (Wang et al., 2021) ดังนั้น ผู้จัดทำนี้จึงสนใจที่จะทำการศึกษาสารสกัดหยาบจากสารภายในเซลล์สาหร่ายขนาดเล็ก Chlorella sp. KLSc61 เพื่อประเมินความสามารถในการส่งเสริมการเจริญเติบโตของจุลินทรีย์โพรไบโอติกสายพันธุ์ Lactobacillus plantarum JCM 1149 ภายใต้สภาวะระบบย่อยอาหารจำลอง เพื่อทราบถึงประสิทธิภาพสารสกัดสาหร่าย Chlorella sp. KLSc61 ในการส่งเสริมสุขภาพของระบบย่อยอาหาร และเป็นแนวทางในการพัฒนา ผลิตภัณฑ์อาหารเสริมที่มีโพรไบโอติกและพรีไบโอติกในอนาคต
คณะวิทยาศาสตร์
With the urgent need for rapid screening of Aflatoxin B1 (AFB1) due to its association with increased liver cirrhosis and hepatocellular carcinoma cases from contaminated agricultural foods, we propose a novel electrochemical aptasensor. This aptasensor is based on trimetallic nanoparticles AuPt-Ru supported by reduced graphene oxide (AuPt-Ru/RGO) modified on a low-cost and disposable goldleaf electrode (GLEAuPt-Ru/RGO) for detection of AFB1. The trimetallic nanoparticle AuPt-Ru was synthesized using an ultrasonic-driven chemical reduction method. The synthesized AuPt-Ru exhibited a waxberry-like appearance, with AuPt core-shell structure and ruthenium dispersed over the particles. The average particle size was 57.35 ± 8.24 nm. The AuPt-Ru was integrated into RGO sheets (inner diameter of 0.5 to 1.6 µm) in order to enhance electron transfer efficiency and increase the specific immobilizing surface area of the thiol-5’-terminated modified aptamer (Apt) to target AFB1. With a large electrochemical surface area and low electrochemical impedance, GLEAuPt-Ru/RGO displays ultra-high sensitivity for AFB1 detection. Differential pulse voltammetry (DPV) measurements revealed a linear range for AFB1 detection range from 0.3 to 30.0 pg mL-1 (R2 = 0.9972), with a limit of detection (LOD, S/N = 3) and a limit of quantification (LOQ, S/N = 10) of 0.009 pg mL-1 and 0.031 pg mL-1, respectively. The developed aptasensor also demonstrated excellent accuracy in real agricultural products, including dried red chili, garlic, peanut, pepper, and Thai jasmine rice, achieving recovery rates between 94.6 and 107.9%. The fabricated aptamer-based GLEAuPt-Ru/RGO performance is comparable to that of a modified commercial electrode, which has great potential application prospects for detecting AFB1 in agricultural products.
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
-
คณะวิทยาศาสตร์
This special problem aims to compare the performance of machine learning methods in time series forecasting using lagged time periods as independent variables. The lagged periods are categorized into three groups: lagged by 10 units, lagged by 15 units, and lagged by 20 units. The study employs four machine learning methods: Decision Tree (DT), Random Forest (RF), K-Nearest Neighbors (KNN), and Support Vector Machine (SVM). The time series data simulated as independent variables diverse including characteristics: Random Walk data, Trending data, and Non-Linear data, with sample sizes of 100, 300, 500, and 700. The research methodology involves splitting the data into 90% for training and 10% for testing. Simulations and analysis are performed using the R programming language, with 1,000 iterations conducted. The results are evaluated based on the average mean squared error (AMSE) and the average mean absolute percentage error (AMAPE) are calculated to identify the best performing method. The research findings revealed that for Random Walk data, the best performing methods are Random Forest and Support Vector Machine. For Trend data, the best performing methods are Random Forest. For Non-Linear data, the best performing methods are Support Vector Machine. When tested with real-world data, the results show that for the Euro-to-Thai Baht exchange rate, the best methods are Random Forest and Support Vector Machine. For the S&P 500 Index in USD, the best performing methods are Random Forest. For the Bank of America Corp Index in USD, the best performing methods are Support Vector Machine.