ความเป็นมา: ยีน RGL3 มีบทบาทในการส่งสัญญาณระดับเซลล์ที่สำคัญ และมีความเชื่อมโยงกับความเสี่ยงต่อภาวะความดันโลหิตสูงเนื่องจากการกลายพันธุ์ของยีนในเอ็กซอน 6 การศึกษาความสัมพันธ์เชื่อมโยงในจีโนม (GWAS) แสดงให้เห็นว่า RGL3 เกี่ยวข้องกับภาวะความดันโลหิตสูง ซึ่งทำให้เห็นถึงข้อมูลเชิงลึกเกี่ยวกับพื้นฐานทางพันธุกรรมของภาวะนี้ และอาจช่วยให้ค้นพบผลที่สามารถปกป้องหัวใจและหลอดเลือดจากยีนนี้ แม้ว่าจะมีการค้นพบดังกล่าว แต่ปัจจุบันก็ยังขาดข้อมูลที่ยืนยันบทบาทที่ชัดเจนของ RGL3 ในภาวะความดันโลหิตสูง นอกจากนี้ ผลกระทบทางด้านโครงสร้าง และหน้าที่ของการแปรผันทางพันธุกรรมที่ไม่ทราบนัยยะสำคัญ (VUS) ยังคงไม่มีข้อมูลอธิบายชัดเจน วัตถุประสงค์: การศึกษานี้มีวัตถุประสงค์ในการวิเคราะห์การเปลี่ยนแปลงของโครงสร้างโปรตีน RGL3 ที่เกิดจากการกลายพันธุ์และตรวจสอบตำแหน่งของจุดที่จับลิแกนด์ วิธีการ: รูปแบบการแปรผันทางพันธุกรรมของยีน RGL3 จะถูกสืบค้นจากฐานข้อมูล NCBI ClinVar การแปรผันทางพันธุกรรมที่ไม่ทราบนัยยะสำคัญ และการแปรผันทางพันธุกรรมที่มีแนวโน้มเป็นปกติจะถูกนำมาวิเคราะห์ รูปแบบการแปรผันทางพันธุกรรมจะถูกจัดเรียงตามลําดับเบสหลายลําดับโดยใช้ BioEdit v7.7.1 โปรแกรม AlphaFold 2 จะถูกใช้ในการทำนายโครงสร้าง 3D ของทั้งสองกลุ่ม จากนั้นจะทำการประเมินคุณภาพโดยใช้ PROCHECK โดเมน RasGEF, RasGEF_NTER และ RA ของโปรตีนจะถูกนำมาวิเคราาะห์ และ BIOVIA Discovery Studio Visualizer 2024 จะถูกใช้ในการประเมินการเปลี่ยนแปลงทางโครงสร้างและลักษณะทางฟิสิกส์เคมี ผลการศึกษา: การวิเคราะห์รูปแบบการแปรผันทางพันธุกรรมของ RGL3 จำนวน 81 ตัว พบว่ามี 5 ตัวที่มีแนวโน้มเป็นปกติ และ 76 ตัวที่เป็นการแปรผันทางพันธุกรรมที่ไม่ทราบนัยยะสำคัญ (VUS) ซึ่งทั้งหมดเป็นการกลายพันธุ์แบบ missense การสร้างแบบจำลองโครงสร้างโดยใช้ AlphaFold 2 แสดงให้เห็นโดเมนที่สำคัญสามโดเมน ได้แก่ RasGEF_NTER, RasGEF และ RA ซึ่งการกลายพันธุ์ทำให้เกิดการเปลี่ยนแปลงของโครงสร้าง จากการตรวจสอบโดยใช้ Ramachandran plot พบว่ามีกรดอะมิโน 79.7% อยู่ในพื้นที่ที่ถูกต้อง ทำให้โครงสร้างโดยรวมเชื่อถือได้ นอกจากนี้ การกลายพันธุ์ในโดเมน RasGEF และ RA ทำให้เกิดการเปลี่ยนแปลงของค่าความเป็นขั้ว ประจุ และความเสถียร ซึ่งอาจส่งผลส่อประสิทธิภาพในการทำงานของโปรตีน ข้อมูลเหล่านี้แสดงให้เห็นถึงผลกระทบทางโครงสร้างของการกลายพันธุ์ของยีน RGL3 และช่วยในการศึกษาเกี่ยวกับหน้าที่เชิงโมเลกุลต่อไป อภิปรายและสรุป: การกลายพันธุ์ที่พบใน RGL3 ทำให้เกิดการเปลี่ยนแปลงทางฟิสิกส์เคมีในโดเมนสำคัญ ซึ่งส่งผลกระทบต่อการเปลี่ยนแปลงประจุ ความเป็นขั้ว และความยืดหยุ่น การเปลี่ยนแปลงเหล่านี้น่าจะส่งผลต่อการปฏิสัมพันธ์กับ Ras-like GTPases การแลกเปลี่ยน GDP-GTP และการส่งสัญญาณในเซลล์ การวิเคราะห์ทางโครงสร้างแสดงให้เห็นว่าการกลายพันธุ์ในโดเมน RasGEF และ RA อาจรบกวนสภาพการถูกกระตุ้น ซึ่งอาจส่งผลต่อหน้าที่และความเสถียรของโปรตีน การศึกษานี้ชี้ให้เห็นว่าการกลายพันธุ์ในยีน RGL3 อาจมีผลกระทบในเชิงหน้าที่ของโปรตีน โปรตีนดังกล่าวจึงควรถูกศึกษาเพิ่มเติมถึงคุณสมบัติเชิงโมเลกุลที่อาจมีผลต่อการเกิดโรค
ยีน RGL3 มีบทบาทในการส่งสัญญาณระดับเซลล์ที่สำคัญ และมีความเชื่อมโยงกับความเสี่ยงต่อภาวะความดันโลหิตสูงเนื่องจากการกลายพันธุ์ของยีนในเอ็กซอน 6 การศึกษาความสัมพันธ์เชื่อมโยงในจีโนม (GWAS) แสดงให้เห็นว่า RGL3 เกี่ยวข้องกับภาวะความดันโลหิตสูง ซึ่งทำให้เห็นถึงข้อมูลเชิงลึกเกี่ยวกับพื้นฐานทางพันธุกรรมของภาวะนี้ และอาจช่วยให้ค้นพบผลที่สามารถปกป้องหัวใจและหลอดเลือดจากยีนนี้ แม้ว่าจะมีการค้นพบดังกล่าว แต่ปัจจุบันก็ยังขาดข้อมูลที่ยืนยันบทบาทที่ชัดเจนของ RGL3 ในภาวะความดันโลหิตสูง นอกจากนี้ ผลกระทบทางด้านโครงสร้าง และหน้าที่ของการแปรผันทางพันธุกรรมที่ไม่ทราบนัยยะสำคัญ (VUS) ยังคงไม่มีข้อมูลอธิบายชัดเจน
คณะวิทยาศาสตร์
ปัญหาพิเศษนี้มีวัตถุประสงค์เพื่อศึกษาและเปรียบเทียบประสิทธิภาพการทำนายดัชนีคุณภาพอากาศ (AQI) ด้วยวิธีการเรียนรู้ของเครื่องแบบรวมกลุ่ม 5 วิธี ได้แก่ วิธีป่าสุ่ม วิธี XGBoost วิธี CatBoost วิธีรวมกลุ่มป่าสุ่มและ XGBoost และวิธีรวมกลุ่มป่าสุ่ม SVR และ MLP โดยใช้ชุดข้อมูลจากกรมควบคุมมลพิษกลางของประเทศอินเดีย (CPCB) ซึ่งชุดข้อมูลประกอบด้วยตัวแปรด้านมลพิษ 15 ตัวแปร และข้อมูลด้านสภาพอากาศ 9 ตัวแปร เก็บรวบรวมตั้งแต่มกราคม ค.ศ. 2021 ถึงธันวาคม ค.ศ. 2023 มีจำนวนข้อมูล 1,024,920 ค่า และวิธีการที่ใช้วัดประสิทธิภาพ 3 วิธี ได้แก่ รากของค่าคลาดเคลื่อนกำลังสองเฉลี่ย (Root Mean Square Error : RMSE) ค่าคลาดเคลื่อนสัมบูรณ์เฉลี่ย (Mean Absolute Error : MAE) และสัมประสิทธิ์การกำหนด (Coefficient of Determination) ผลการศึกษาพบว่าวิธีรวมกลุ่มป่าสุ่มและ XGBoost มีค่าวัดประสิทธิภาพทั้ง 3 วิธีดีที่สุด โดยมีค่า RMSE น้อยที่สุดเท่ากับ 0.1040 ค่า MAE น้อยที่สุดเท่ากับ 0.0675 และค่า มากที่สุดเท่ากับ 0.8128 แล้วทำการอธิบายผลลัพธ์จากการเรียนรู้ของเครื่องสำหรับสร้างแผนภาพด้วย SHAP ของวิธีการเรียนรู้ของเครื่องทั้ง 5 วิธี ทุกวิธีได้ข้อสรุปในทำนองเดียวกันคือตัวแปรที่มีผลกระทบต่อ ค่าทำนายโดยรวมมากที่สุด 2 อันดับแรกคือตัวแปร PM2.5 และ PM10 ตามลำดับ
คณะวิศวกรรมศาสตร์
งานวิจัยนี้ศึกษาการสร้างสเปกโตรโฟโตมิเตอร์แบบพิมพ์ 3 มิติ ซึ่งได้ทำการสร้างสเปกโตรโฟโตมิเตอร์แบบพิมพ์ 3 มิติ ด้วยโปรแกรม AutoCAD ทำให้ตัวเครื่องนั้นมีความแข็งแรงทนทาน ต้นทุนต่ำ และพกพาสะดวก เพื่อใช้ในการตรวจวัดปริมาณฟอร์มาลดีไฮด์ในอาหารทะเลสด
คณะเทคโนโลยีสารสนเทศ
งานวิจัยนี้นำเสนอวิธีการเรียนรู้เชิงลึกเพื่อสร้างคำบรรยายอัตโนมัติจากการแบ่งส่วนความเสียหายของชิ้นส่วนรถยนต์ โดยการวิเคราะห์จากข้อมูลภาพของรถยนต์โดยใช้โครงสร้างแบบโครงคร่าวแบบรวม (Unified Framework) เพื่อช่วยให้สามารถระบุตำแหน่งและอธิบายความเสียหายที่เกิดขึ้นกับรถยนต์ได้อย่างแม่นยำและรวดเร็ว โดยการพัฒนาประยุกต์จากพื้นฐานงานวิจัยที่มีชื่อว่า ”GRiT: A Generative Region-to-text Transformer for Object Understanding” ที่ผู้วิจัยได้ทำการพัฒนาและปรับแต่งให้เหมาะสมกับการวิเคราะห์ภาพที่เกี่ยวข้องกับรถยนต์โดยเฉพาะ การปรับปรุงนี้มีจุดประสงค์เพื่อทำให้แบบจำลองสามารถสร้างคำบรรยายสำหรับบริเวณต่างๆ ของรถยนต์ได้อย่างแม่นยำ ตั้งแต่บริเวณที่ได้รับความเสียหายไปจนถึงการระบุส่วนประกอบต่างๆ บนรถยนต์ ทางผู้วิจัยได้เน้นการพัฒนาเทคนิคการเรียนรู้เชิงลึกเพื่อสร้างคำบรรยายอัตโนมัติและการแบ่งส่วนความเสียหายในการวิเคราะห์ความเสียหายของรถยนต์ เพื่อช่วยให้สามารถระบุตำแหน่งและอธิบายความเสียหายที่เกิดขึ้นกับยานยนต์ได้อย่างแม่นยำ ช่วยเพิ่มความรวดเร็ว ลดภาระของผู้เชี่ยวชาญในการประเมินความเสียหาย โดยวิธีการเเบบดั้งเดิมอาศัยการประเมินจากผู้เชี่ยวชาญเท่านั้น มีค่าใช้จ่ายสูงและใช้เวลานาน เพื่อลดปัญหานี้ ทางเราเสนอให้ใช้ประโยชน์จากการสร้างข้อมูลเพื่อฝึกฝนการสร้างคำบรรยายาย เเละ แบ่งส่วนความเสียหายอย่างอัตโนมัติ โดยใช้ โครงสร้างแบบโครงคร่าวแบบรวม ซึ่งการพัฒนานี้เป็นการขยายความสามารถของแบบจำลองให้สามารถประยุกต์ใช้ได้กว้างขวางมากขึ้นในภาคส่วนของยานยนต์ ทางผู้วิจัยได้สร้างชุดข้อมูลใหม่จาก CarDD ซึ่งเป็นชุดข้อมูลที่เฉพาะเจาะจงสำหรับการตรวจจับความเสียหายของรถยนต์ ในชุดข้อมูลนี้มีการติดป้ายกำกับความเสียหายบนรถยนต์ และผู้วิจัยได้นำข้อมูลชุดดังกล่าวมาเข้าสู่แบบจำลองเพื่อแยกส่วนของรถยนต์เป็นชิ้นส่วนต่างๆ เพื่อจัดทำการติดป้ายกำกับคำอธิบายที่แม่นยำสำหรับแต่ละชิ้นส่วนและหมวดหมู่ความเสียหาย ผลลัพธ์เบื้องต้นจากเเบบจำลอง แสดงให้เห็นถึงความสามารถในการสร้างคำบรรยายอัตโนมัติและการแบ่งส่วนความเสียหายในการวิเคราะห์ความเสียหายของรถยนต์ได้อยู่ในเกณฑ์พอใช้ ด้วยผลลัพธ์นี้ เเบบจำลองนี้ถือเป็นพื้นฐานสำคัญที่จะถูกพัฒนาต่อยอดในอนาคต การพัฒนาต่อยอดนี้ไม่เพียงแต่มุ่งเน้นที่การเพิ่มประสิทธิภาพในการแบ่งส่วนความเสียหายและสร้างคำบรรยายเท่านั้น แต่ยังรวมถึงการปรับปรุงความสามารถในการตอบสนองต่อความหลากหลายของความเสียหายที่เกิดขึ้นบนพื้นผิวและส่วนต่างๆ ของรถยนต์ ซึ่งจะช่วยให้ระบบสามารถประยุกต์ใช้ได้กับยานยนต์หลากหลายรูปแบบและสภาพความเสียหายที่แตกต่างกันมากขึ้นในอนาคต