由番薯皮製備類胡蘿蔔素奈米乳化液及其對乳腺癌細胞MCF-7與小鼠腫瘤之影響
為了解決Sweet Home 3D 面積的問題,作者許馨勻 這樣論述:
番薯為非常重要的糧食作物,含有豐富的必需營養素及具有抗癌活性的植化素如類胡蘿蔔素。然而,番薯的塊莖在加工的過程中通常會經削皮處理,而番薯皮則被視為廢棄物丟棄,可能造成環境污染的問題。台農66號番薯為台灣消費者食用最普遍的品種,目前已有許多研究指出其為重要的類胡蘿蔔素來源之一,具有重要的抗氧化和抗癌活性。本研究目的為由番薯皮廢棄物萃取類胡蘿蔔素,再以HPLC-DAD-MS定性定量,製備類胡蘿蔔素奈米乳化液,同時探討對抑制乳癌細胞及小鼠腫瘤之效果。結果顯示,使用YMC carotenoid S-5µm型號之C30管柱 (250×4.6mm I.D., 5 µm particle size
),偵測波長為450nm,以甲醇 /氰甲烷/水 (74:14:12, v/v/v) (A) 和二氯甲烷 (100%) (B)為梯度動相,流速1 mL/min,柱溫控制在25℃,偵測波長450 nm並以質譜儀鑑定,定量使用內標 (canthaxanthin),可於30分鐘內分離出10種類胡蘿蔔素,其中以all-trans-β-carotene含量最高 (663.8 μg/g),次為13- or 13'-cis-β-carotene (255.8 μg/g),all-trans-β-cryptoxanthin (155.9 μg/g),all-trans-α-carotene (75.59 μg/
g),15- or 15'-cis-β-cryptoxanthin (72.37 μg/g), 15- or 15'-cis-β-carotene (65.67 μg/g),all-trans-lutein (42.93 μg/g),all-trans-zeaxanthin (25.57 μg/g),cis-lutein (18.35 μg/g) 及 all-trans-violanxanthin (5.48 μg/g)。五種類胡蘿蔔素標準品的回收率介於86.1% - 94.7%,偵測極限和定量極限分別介於0.025 - 0.1 μg/mL和0.075 - 0.3 μg/mL。日內精密度和日間
精密度偏差係數分別介於0.3 - 2.1% 和0.3 - 4.2%。類胡蘿蔔素奈米乳化液可由類胡蘿蔔素萃取液、TWEEN 80、PEG 400、大豆油和去離子水以適當比例混合製備而成,其平均粒徑大小13.3 nm,分散性指數為0.238,包覆率為97%,界面電位為 -69.8 mV;此種奈米乳化液於25℃儲藏90天或於100℃加熱兩小時均具有良好的穩定度。在模擬胃液中體外釋放率為 22.5%,在模擬腸液中體外釋放率為 54.7%。類胡蘿蔔素萃取液及類胡蘿蔔素奈米乳化液皆可抑制人類乳線癌細胞 MCF-7 之增生,經培養48小時之IC50值分別為14.2 μg/mL及9.8 μg/mL,顯示類胡蘿
蔔素奈米乳化液的抑制效果較萃取液佳。動物實驗結果顯示,萃取液低濃度組 (10 μg/mL)、萃取液高濃度組 (20 μg/mL)、奈米乳化液低濃度組 (10 μg/mL)、奈米乳化液高濃度組(20 μg/mL) 及紫杉醇藥物組 (10 μg/mL) 相較控制組分別減少約18.7、36.1、40.3、56.2及77.4% 的腫瘤重量,腫瘤體積則分別減少26.5、46.7、49.7、65及75.4%,且類胡蘿蔔素萃取液及奈米乳化液皆可降低小鼠血清中EGF與VEGF含量 (p < 0.05)。綜合上述結果,本實驗製備之類胡蘿蔔素萃取液及奈米乳化液可能具有抑制腫瘤生長之效果,且類胡蘿蔔素奈米乳化液效果
較萃取液佳。
基於三維表面積法向量及不變矩利用深度神經網路之3D物件辨識
為了解決Sweet Home 3D 面積的問題,作者卓修民 這樣論述:
這項研究將神經網路應用於3D物件辨識,在已知可以用於3D辨識的網路中,包含了有名的卷積神經網路以及遞迴神經網路,透過不同的表示法,可以讓這些網路以不同的輸入大小進行訓練,同時也會影響訓練的複雜度及準確度,在研究中,分別使用了張量表示法來表示卷積神經網路的輸入資料形式,以及不變矩表示法來表示遞迴神經網路的輸入資料形式,並且分別對同一筆數據的四種型態進行訓練及實驗結果的比較,這筆數據是從知名的3D資料庫ObjectNet3D取得並將這些數據以不同的方式表示,將這些處理完的數據分別以卷積神經網路及遞迴神經網路訓練後,會發現以法向量張量輸入形式的卷積神經網路有著很好的辨識效果但是魯邦性相對不足,如果
使用過少的資料進行訓練易於過擬合,而以不變矩輸入形式的遞迴神經網路則是相反,對於同一物件的旋轉,縮放及位移都有良好的魯邦性,但是當分類物件較多時,準確率會有明顯的下降,因此,這項研究提出了一種新的網路架構,這個網路架構結合了本研究中張量和不變矩的兩種表示法,並加入了殘差網路的設計想法來解決過擬合的問題,這裡將這個網路稱為殘差序連卷積神經網路,並在最後與PointNet進行比較。