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 - 3 of 3
  • Item
    以機器學習方法預測溶劑對其有機螢光分子之放光波長
    (2023) 董景華; Tung, Ching-Hua
    在19、20世紀,定量構效關係之方法逐漸發展,以機器學習方法對於預測化學分子的生物活性、藥物性質等的研究也與日俱增。許多軟體可以用於計算分子描述符,描述符為用於表示分子的物理化學性質。透過機器學習方法,我們可以預測有機螢光分子之放光波長,對於不同分子描述符以及溶劑效應之影響。本研究中,為使用SKlearn作為機器學習的方法。並使用線性迴歸、LASSO、隨機森林三種不同的迴歸方法訓練模型,且搭配K-means分群法及聚合階層式分群法來探討其模型訓練之表現。對於11146種SMILES分子,加入8種溶劑描述符後,以隨機森林迴歸方法進行模型訓練,或基於K-means分群及LASSO迴歸方法進行隨機森林迴歸方法之模型訓練,亦或是基於沃德法及LASSO迴歸方法進行隨機森林迴歸方法之模型訓練。其R^2分別有0.01至0.02的不等提升,且分別在各模型之重要性特徵,8種溶劑描述符有包含在其中,且有與共軛π鍵相關的描述符,對於預測放光波長有顯著的貢獻,與參考文獻結果具一致的解釋性。
  • Item
    具吲哚環的抗微管蛋白化合物之三維定量構效關係研究-比較分子場分析計算
    (2008) 林奕宏
    本論文以吲哚(indole)為核心之微管蛋白聚合抑制劑進行比較分子場分析法(CoMFA)之三維定量構效關係(3S-QSAR)研究。以細胞實驗所得IC50作為活性資料,以Gold進行docking計算取得化合物構形。將42個化合物作為training set計算,得到交叉驗證相關度(q2)為0.62,以此模型預測包含17個化合物之test set,得到預測相關度(r2)為0.71,足以證明此模型深具可信度。此計算模型可以提供三度空間資訊(見下圖),R3取代位置適合立體阻礙較大取代基;R1、R2與R4位置不適合立體阻礙大之取代基;R5與R6取代位置,部份空間呈現適合立體阻礙大取代基,部分空間則否。關於電荷作用力,R3取代位置適合偏負電荷取代基,R2取代位置有部份空間適合偏負電荷取代基,而部份空間適合偏正電荷取代基,R5取代位置適合偏正電荷,R4取代位置適合偏負電荷,R1與R6無明顯適合電性。關於模型與生物活性(IC50)被討論與分析。依據模型設計兩化合物,預測生物活性(IC50)最高提高10倍。此結果有助於發展以微管蛋白為目標之抗有絲分裂藥物。
  • Item
    以機器學習方法分析結構與螢光波長之關係
    (2018) 周弈銘; Chou, Yi-Ming
    在定量構效關係的研究中,以機器學習方式進行資料挖掘的比例越來越高,而使用少量描述符對某種化學特性進行建模一直是化學訊息學中非常重要的一環,在擁有少量樣本以及大量從E-Dragon資料庫中取得的分子結構與特性相關的描述符數據後,特過機器學習的方式找出能夠對萘和香豆素之不同取代基化合物之螢光波長進行擬合的描述符和演算法,變成為本次實驗的目的,而透過四種不同的機器學習演算法 ( 決策樹回歸、隨機森林回歸、GBDT回歸、極端樹回歸 ) 之間投票和比較,從1664種描述符中取得R3m、Ss、R7u+三種描述符對螢光波長進行擬合;再透過測試集準確率的比較與檢驗,選出對於處理非線性問題具有良好功能的隨機森林回歸做為最後建模工具 ( 隨機森林回歸所使用的層數為19層、65個弱學習器 ) 。而此三種描述符則是在本實驗中做為具有預測螢光波長之描述符。 在建模之後,分析訓練集和測試集的平均絕對誤差以及誤差百分率,得到訓練集之平均絕對誤差為16奈米、誤差百分率為百分之四;而測試集的平均絕對誤差為26奈米、誤差百分率為百分之六。而在分析誤差結果時也發現,R3m和Ss之相關性程度取決於取代基的複雜程度,而不同的複雜程度會對不同光區的分子有著不同的影響。如果具有高度相關性,也就是取代基舉有多重鍵以及複雜性,則落在短波長區間(尤其是紫光)的預測能力較佳;若高度相關性的情況發生在長波長分子上,則模型的預測能力會變弱。