化學系

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/57

國立臺灣師範大學化學系座落於公館校區理學院大樓。本系成立於民國五十一年,最初僅設大學部。之後於民國六十三年、七十八年陸續成立化學研究所碩士班和博士班。本系教育目標旨在培養化學專業人才與中等學校自然及化學專業師資,授課著重理論及應用性。本系所現有師資為專任教授25人,另外尚有與中央研究院合聘教授3位,在分析、有機、無機及物理化學四個學門的基礎上發展跨領域之教學研究合作計畫。此外,本系另有助教13位,職技員工1位,協助處理一般學生實驗及行政事務。學生方面,大學部現實際共322人,碩士班現實際就學研究生共174人,博士班現實際就學共55人。

本系一向秉持著教學與研究並重,近年來為配合許多研究計畫的需求,研究設備亦不斷的更新。本系所的研究計畫大部分來自國科會的經費補助。此外,本系提供研究生獎助學金,研究生可支領助教獎學金(TA)、研究獎學金(RA)和部分的個別教授所提供的博士班學生獎學金(fellowships)。成績優良的大學部學生也可以申請獎學金。

本校圖書館藏書豐富,除了本部圖書館外,分部理學院圖書館西文藏書現有13萬餘冊,西文期刊合訂本有911餘種期刊,將近約3萬冊。此外,西文現期期刊約450種,涵蓋化學、生化、生物科技、材料及其他科學類等領域。目前本系各研究室連接校園網路,將館藏查詢、圖書流通、期刊目錄轉載等功能,納入圖書館資訊系統中,並提供多種光碟資料庫之檢索及線上資料庫如Science Citation Index,Chemical Citation Index,Chemical Abstracts,Beilstein,MDL資料庫與STICNET全國科技資訊網路之查詢。

News

Browse

Search Results

Now showing 1 - 2 of 2
  • Item
    結合化學指紋輔助原子嵌入和自注意力模型進行蛋白質-配體交互作用預測
    (2023) 鄭吉峰; Cheng, Chi-Feng
    在藥物研發中,Compound Protein Interaction是一個關鍵的領域,它關注藥物與蛋白質之間的相互作用,這些作用對於藥物的活性和效果至關重要。傳統上,CPI的研究主要依賴實驗室進行的耗時耗力的試驗,但隨著機器學習的快速發展,它在CPI研究中展現了許多優勢,它可以高效地處理大規模和複雜的生物信息數據,並自動學習特徵和模式,從而加速藥物研發的進程並降低成本。本研究旨在改進現有的CPI機器學習模型,以提升其預測能力。原始模型主要採用了Transformer模型的自注意機制來預測CPI反應性,這種機制能夠捕捉分子和蛋白質之間的局部和全局關係。我們認為進一步引入分子的化學指紋可以增加對分子特徵的理解,從而提高模型的性能。為此我們使用了PaDEL工具生成了GPCR資料集中所有分子的化學指紋。通過聚類分析,我們對資料集中不同化學指紋的分布情況進行了研究。這有助於我們理解分子的結構和性質之間的相似性和差異性。接著我們將這些化學指紋先後以三種方式引入模型訓練中,試圖從中探明其有效性並找出最適合的引入方法。首先,我們將化學指紋轉換為嵌入向量,以提供更全面的信息。其次,我們嘗試將化學指紋作為附加特徵引入模型,使模型能夠更完整的使用到化學指紋。最後,我們對化學指紋的數值進行TF-IDF的操作來擴展其變異性,以便模型能夠更好地理解分子之間的不同。在實驗結果中,我們比較了這三種模型在CPI預測性能上的差異,並分析了它們與先前聚類分析結果之間的關係。我們觀察到引入化學指紋後,模型的預測準確性和穩定性在特定化學指紋得到了改善,並且其與聚類分析結果之間存在一定的關聯性。
  • Item
    深度學習模型Schnet的分析、簡化與改進方法探討
    (2022) 洪聖軒; Hung, Sheng-Hsuan
    在深度學習應用化學領域的研究中,以對分子特定性質的高準確度、低計算成本預測的研究一直是具有高關注度的研究方向。在本研究中所使用的Schnet便是對此研究方向提出的一個相對成熟的深度學習模型,具有能預測QM9數據集中分子包含HOMO能量 (EH)、LUMO能量 (EL)以及兩者能量差距(EG)在內的性質平均絕對誤差達到接近或小於1 kcal/mol的準確度,並且其計算成本遠低於經典的DFT計算。針對Schnet的優秀預測效果,本研究對於其架構的主要部分進行分析,得到類似於誘導效應的資料關聯。之後,利用QM9數據集中的所具有的分子SMILES,產生鍵步資訊並替換Schnet架構中的一部份以達成輸入資訊的簡化,最終獲得了與原始Schnet相比大約1-2倍左右的平均絕對誤差。在架構的更改上,進一步利用來自Deep4Chem的分子數據集來測試Schnet經過簡化之後的架構其預測螢光放光波長、吸光波長以及量子產率的能力,然後再外加一層用以對分子環境不同作為標示的嵌入層,將分子環境的資訊輸入模型中,以獲得更好的預測結果。在對Schnet模型的後續改進中,對Deep4Chem分子數據集中的螢光分子之吸光與放光波長的預測,其平均絕對誤差達到了0.131 eV與0.087 eV;而在Schnet中加入一層嵌入層之後,對吸光與放光波長的預測之平均絕對誤差則被降低到了0.083 eV與0.082 eV。在預測量子產率的表現上,兩種模型分別的平均絕對誤差為0.336與0.292。