ด้วยการพัฒนาของเทคโนโลยีทางด้านอวกาศทำให้การสำรวจท้องฟ้าโดยใช้กล้องโทรทรรศน์ที่มีมุมมองกว้างขยายขอบเขตของข้อมูลใหม่ๆ สำหรับการวิจัยดาราศาสตร์โดเมนเวลามากยิ่งขึ้น ทำให้การวิเคราะห์ข้อมูลแบบดั้งเดิมไม่สามารถตอบสนองต่อข้อมูลได้อย่างรวดเร็วและแม่นยำเพียงพอต่อปริมาณข้อมูลที่เพิ่มขึ้นอย่างต่อเนื่อง ดังนั้น การจำแนกประเภทของข้อมูลซีรีส์เวลาอย่างกราฟแสงจึงเป็นความท้าทายอย่างมากในยุคที่ข้อมูลมีขนาดใหญ่ ในปัจจุบันการวิเคราะห์กราฟแสงจึงจำเป็นต้องใช้เทคนิคการเรียนรู้ของเครื่องเข้ามาช่วยในการวิเคราะห์ คัดกรองข้อมูลอันมหาศาลอย่างหลีกเลี่ยงไม่ได้ โดยอัลกอริทึมการเรียนรู้ของเครื่องแบ่งออกได้ 2 ประเภท คือ แบบตื้นและแบบลึก นักวิจัยหลายๆ ท่านได้นำเสนอวิธีการและการพัฒนาอัลกอริทึมหลากหลายรูปแบบสำหรับการจำแนกประเภทของกราฟแสง ซึ่งในงานนี้เราได้ทำการทดลองใช้ Support Vector Machine (SVM) และ XGBoost ซึ่งเป็นอัลกอริทึมการเรียนรู้ของเครื่องประเภทแบบตื้น และ 1D-CNN และ Long Short-Term Memory (LSTM) ซึ่งเป็นอัลกอริทึมการเรียนรู้เชิงลึกเป็นอีกหนึ่งสาขาของการเรียนรู้ของเครื่องที่เป็นประเภทแบบลึก เพื่อใช้ในการจำแนกประเภทของดาวแปรแสง โดยข้อมูลที่ใช้ในการอบรบและทดสอบ คือ ข้อมูล Optical Gravitational Lensing Experiment-III (OGLE-III) เป็นข้อมูลของดาวแปรแสง โดยอยู่ในพื้นที่ Large Magellanic Cloud (LMC) ที่มีการแบ่งได้ 5 คลาสหลักส่วนใหญ่ (Classical Cepheids, δ Scutis, eclipsing binaries, RR Lyrae stars และ Long-period variables) ผลลัพธ์แสดงให้เห็นถึงการวิเคราะห์ประสิทธิภาพของการเรียนรู้ของเครื่องแต่ละประเภทที่ใช้กับข้อมูลกราฟแสง อีกทั้งยังชี้ให้เห็นถึงความแม่นยำและค่าสถิติต่างๆ ของการเรียนรู้ของเครื่องที่ใช้ในทดลอง
ในงานนี้เราได้เสนอการใช้อัลกอริทึมการเรียนรู้ของเครื่องที่ทำการแบ่งอัลกอริทึมได้เป็น 2 ประเภท คือ แบบตื้นและแบบลึกมาทดสอบประสิทธิภาพโดยแบบตื้นมีมีอัลกอริทึม Support Vector Machine (SVM) และ XGBoost แบบลึกมีอัลกอริทึม 1D-CNN และ Long Short-Term Memory (LSTM) เราพิจารณาข้อมูลการสังเกตที่ได้จากฐานข้อมูล Optical Gravitational Lensing Experiment-III (OGLE-III) ที่เป็นดาวแปรแสงในพื้นที่ Large Magellanic Cloud (LMC) ด้วยกล้องโทรทรรศน์ขนาด 1.3-m Warsaw ที่ติดตั้งที่หอดูดาวลาสคัมปานัส ประเทศชิลี ข้อมูลนี้ประกอบด้วยการสังเกตดาวแปรแสงมากกว่าหนึ่งแสนครั้งโดยพิจารณาจากกราฟแสง และใช้ข้อมูลสถิติต่างๆ เช่น Accuracy, Precision, Recall, F1-score, AUG, mPa, mcc และ kappa ซึ่งงานวิจัยนี้มีจุดมุ่งหมายเพื่อที่จะทดสอบประสิทธิภาพในการจำแนกประเภทของดาวแปรแสงโดยใช้ข้อมูลการวิเคราะห์ light curve ด้วยเทคนิคการเรียนรู้ของเครื่องทั้งสองประเภท เพื่อให้เห็นถึงความเข้าใจในลักษณะและพฤติกรรมของดาวแปรแสง ซึ่งใช้ในประโยชน์ต่างๆ เช่น ความรู้ในด้านดาราศาสตร์ฟิสิกส์หรือการค้นพบดาวเคราะห์ดวงใหม่ๆ และการป้องกันภัยจากดาวแปรแสงมีอาจจะมีผลกระทบต่อโลก อีกทั้งในเรื่องการประหยัดเวลาและทรัพยากรในการที่จะจำแนกประเภทดาวแปรแสงอย่างมีระบบและมีประสิทธิภาพ
คณะวิทยาศาสตร์
มะเร็งยังคงเป็นอีกหนึ่งปัญหาด้านสุขภาพที่สำคัญระดับโลก โดยเป็นสาเหตุการเสียชีวิตอันดับสองของคนทั่วโลก ในปัจจุบันนอกเหนือจากการผ่าตัดรักษาโรคมะเร็งแล้ว ยังมีการรักษามะเร็งด้วยวิธีต่างๆ ได้แก่ การฉายรังสี และเคมีบำบัด อย่างไรก็ตามการรักษาด้วยวิธีดังกล่าวทำให้เกิดผลข้างเคียงที่รุนแรงต่อผู้ป่วยได้ เนื่องจากทั้งเซลล์มะเร็งและเซลล์ปกติต่างถูกกำจัดไปพร้อมกัน ดังนั้นจึงมีการใช้โมโนโคลนอลแอนติบอดีที่สามารถจับกับโมเลกุลที่มะเร็งใช้ยับยั้งภูมิคุ้มกันของร่างกาย (immune checkpoint molecule) โดยเฉพาะอย่างยิ่ง TIGIT/PVR (T-cell immunoglobulin and ITIM domain/poliovirus receptor) ซึ่งเป็นโมเลกุลที่เป็นเป้าหมายในการการพัฒนายารักษามะเร็ง การใช้โมโนโคลนอลแอนติบอดีในการยับยั้ง TIGIT แม้จะมีประสิทธิภาพในการรักษาที่ดี แต่จากการทดลองในผู้ป่วยพบว่าสามารถเกิดผลข้างเคียงจากการใช้แอนติบอดีและไปขัดขวางการทำงานตามปกติของร่างกาย และแอนติบอดีมีต้นทุนในการผลิตที่สูง ดังนั้นเพื่อแก้ไขปัญหาเหล่านี้ จึงมีการใช้สารประกอบขนาดเล็กแทน ซึ่งมีข้อดีในเรื่องของความสามารถในการดูดซึมเข้าสู่กระแสเลือดผ่านการรับประทานเข้าไปและคาดว่าสามารถจัดการเนื้องอกได้ดีกว่าโมโนโคลนอลแอนติบอดีเนื่องจากมีขนาดที่เล็กกว่า โดยในการทดลองนี้เราศึกษาตัวยาที่มีความสามารถในการจับกับ TIGIT โดยคัดกรองจากตัวยาที่ผ่านการอนุมัติจาก FDA (Food and Drug Administration) ผ่านวิธี virtual screening และ molecular docking ได้สารประกอบ 100 ตัว และนำมาคัดกรองต่อจนเหลือ 10 ตัว ซึ่งมีค่าความสามารถในการจับ TIGIT อยู่ในช่วง -9.152 to -7.643 kcal/mol จากนั้นสารประกอบเหล่านี้จะถูกประเมินคุณสมบัติทางเภสัชจลนศาสตร์โดยใช้การวิเคราะห์ ADMET (Absorption, Distribution, Metabolism, Excretion, และ Toxicity) เพื่อแสดงให้เห็นว่าตัวยาแต่ละตัวมีคุณสมบัติที่เหมาะสมสำหรับการใช้เป็นยา สารประกอบที่ผ่านเกณฑ์จะถูกวิเคราะห์ต่อโดยคาดคะเนการเปลี่ยนแปลงทางโครงสร้างและความเสถียรในการจับกับ TIGIT ผ่านการใช้ molecular dynamics (MD) เพื่อให้มั่นใจว่าโครงสร้างของโปรตีนจะไม่เปลี่ยนแปลงไป การศึกษานี้แสดงให้เห็นว่าการใช้วิธีการทางคอมพิวเตอร์และการนำยากลับมาใช้ใหม่ (Drug repurposing) สามารถเป็นแนวทางในการค้นหายาที่มีประสิทธิภาพ ซึ่งจะช่วยเร่งกระบวนการพัฒนายารักษามะเร็งใหม่ได้รวดเร็วขึ้น
วิทยาลัยวิศวกรรมสังคีต
โครงงานชิ้นนี้เป็นการศึกษาการออกแบบพื้นที่เก็บเสียงแบบพกพาได้ ซึ่งจะทำให้ผู้ใช้สามารถฝึกซ้อมการใช้เสียงได้โดยไม่รบกวนพื้นที่รอบข้าง
คณะอุตสาหกรรมอาหาร
ในการพัฒนาผลิตภัณฑ์ข้าวหอมมะลิโปรตีนสูง มีการใช้สารไฮโดรคอลลอยด์คือ HPMC อยู่ที่ 0, 0.25, 0.5 และ 1% w/v และ MD 10% w/v โดยสารไฮคอลลอยด์นี้มีโปรตีนที่ละลายอยู่ 30% w/v นำไปเคลือบข้าวหอมมะลิดิบ พบว่าปริมาณ HPMC ที่แตกต่างกันส่งผลต่อการยึดเกาะของโปรตีนในข้าว จากนั้นนำสารไฮโดรคอลลอยด์ที่สารมารถยึดเกาะบนได้ดีที่สุดคือ 0.25% w/v นำมาหาหาปริมาณที่เหมาะสมในการเคลือบข้าวที่อัตราส่วน 1:3 และ 1:5 ที่ส่งผลต่อ ปริมาณโปรตีน เนื้อสัมผัส สี การอุ้มน้ำ และการยอมรับทางประสาทสัมผัส