理學院
Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/3
學院概況
理學院設有數學系、物理學系、化學系、生命科學系、地球科學系、資訊工程學系6個系(均含學士、碩士及博士課程),及科學教育研究所、環境教育研究所、光電科技研究所及海洋環境科技就所4個獨立研究所,另設有生物多樣性國際研究生博士學位學程。全學院專任教師約180人,陣容十分堅強,無論師資、學術長現、社會貢獻與影響力均居全國之首。
特色理學院位在國立臺灣師範大學分部校區內,座落於臺北市公館,佔地約10公頃,是個小而美的校園,內含國際會議廳、圖書館、實驗室、天文臺等完善設施。
理學院創院已逾六十年,在此堅固基礎上,理學院不僅在基礎科學上有豐碩的表現,更在臺灣許多研究中獨占鰲頭,曾孕育出五位中研院院士。近年來,更致力於跨領域研究,並在應用科技上加強與業界合作,院內教師每年均取得多項專利,所開發之商品廣泛應用於醫、藥、化妝品、食品加工業、農業、環保、資訊、教育產業及日常生活中。
在科學教育研究上,臺灣師大理學院之排名更高居世界第一,此外更有獨步全臺的科學教育中心,該中心就中學科學課程、科學教與學等方面從事研究與推廣服務;是全國人力最充足,設備最完善,具有良好服務品質的中心。
在理學院紮實、多元的研究基礎下,學生可依其性向、興趣做出寬廣之選擇,無論對其未來進入學術研究領域、教育界或工業界工作,均是絕佳選擇。
Browse
4 results
Search Results
Item The effect of Chinese herbal medicine on migration and proliferation of liver cancer cells(2010) 金承勳; Kim, seunghun腫瘤細胞中,與基質金屬蛋白酶(matrix metalloproteinase,MMP)抑制劑可藉由許多不同的訊息傳遞路徑,達到具有抑制血管新生及細胞增生的效果。過去對於中草藥調節血管新生的作用機轉較少被探討。本研究使用各種不同中草藥投至人類肝癌細胞(HepG2,Hep3B及Huh 7),先以細胞存活率試驗及流式細胞儀篩選具生長抑制的藥物。實驗結果顯示,夏枯草最具抑制轉移的中草藥,它可藉由抑制MMP-9及MMP-2的蛋白質表現以抑制其蛋白質活性,此外也由wound healing assay及zymography證實這項實驗結果。 本論文根據過細胞模式上的研究成果,初了強化過去的研究外,也會繼續進行動物層次研究,積極由肝癌腫瘤之實驗動物的數據,篩選出未來值得推廣至產業界發展的中草藥,計畫並會開始分析活性中草藥成份活性。以期達承建立以「證據基礎」的目標,證實中草藥之抗肝癌血管新生與轉移功能。Item 以A549肺癌細胞株為模式篩選對非小細胞肺癌有治療潛力之中藥複方(2010) 王天駿; Tien-Chun Wang肺癌長期以來都是全世界致死率最高的癌症疾病。根據型態上和病理上的特徵分類之結果,絕大多數的肺癌病例屬於非小細胞肺癌。雖然現今已經發展出許多針對癌症的治療方法,卻依然沒有可以確實治癒癌症的方法。我們利用非小細胞肺癌細胞株A549為模式,篩檢十五種臨床上常用的中藥複方,期能找出能有效治療肺癌的替代性藥物。在細胞毒性的初步篩檢中,我們挑出三種可以有效抑制A549細胞生長卻不影響正常肺部組織細胞MRC5的中藥複方,分別是三號、五號及十四號藥方。在進一步的分析中發現,此三種複方的處理會造成A549細胞週期停滯進而抑制細胞的生長,但不會顯著地造成細胞死亡,同時我們也發現在經由三種複方的處理後,cyclin D3、cyclin B1、CDK4和CDK6這些細胞週期調控蛋白的表現,有顯著下降的現象,得到與細胞週期停滯現象一致之結果。此外,我們也發現三號及五號複方能有效地減少具有癌幹細胞特性的側群細胞(side population)的比率,而這個現象似乎與間葉表皮轉換(Mesenchymal to epithelial transition)的機制無關。我們也試著藉由檢測血管內皮新生因子A (VEGF-A)表現量去應證這些在中醫理論中具有活血化瘀效用的藥方是否對於癌症細胞分泌促血管增生因子的行為有調節的效用。本實驗的結果提供了分子生物學上的證據去解釋這些複方在臨床上可能的治病機轉以及中醫理論在分子生物學上的意義,更重要的是,我們發現三個中藥複方具有可以被用來抑制非小細胞肺癌細胞之潛力。Item 中草藥應用在緩解睡眠呼吸障礙的治療策略(2018) 鍾國棟; Chung, Kou-Toung人體睡眠時常因為上呼吸道阻力增加及呼吸肌肉收縮力下降造成呼吸障礙,症狀較輕時會引發打鼾現象,嚴重時則可能導致呼吸中止,這類與睡眠相關的呼吸障礙稱之為「睡眠呼吸障礙」。近年來,世界各國對睡眠呼吸障礙患病率居高不下,且有逐年增高的趨勢。鑒於現代西方醫學對於此類疾病尚無顯著療效,因此透過篩選有效治療呼吸系統疾病相關的傳統中草藥,應該可以作為有效緩解睡眠呼吸障礙的另類治療策略。本論文主要探討傳統中草藥可否有效改善睡眠呼吸障礙,本研究首先選出由地骨皮、天麻、桂皮等中藥組成的漢藥複方B210 ,利用大白鼠作為實驗動物模式,測量口服B210對於舒緩實驗動物呼吸障礙的功效。我們利用壓迫呼吸道誘發呼吸障礙的大白鼠作為動物模式,比較大白鼠經B210處理後對於鼾聲、喉頭血流、聲門面積、以及膈神經、喉返神經與舌下神經活動的影響,藉此檢測B210處理對於實驗動物呼吸障礙是否具有舒緩的功效。本研究實驗結果發現大白鼠經B210處理後可以明顯降低鼾聲、有效增加喉部肌肉血流、擴張吸氣時的聲門面積、以及顯著增加膈神經、喉返神經與舌下神經的吸氣活動放電、並且延長大白鼠的呼氣與吸氣的時間。綜合本論文研究結果顯示:B210處理對於實驗動物睡眠呼吸障礙確實具有顯著緩解的效果,因此可以作為緩解人類睡眠呼吸障礙的另類治療策略。Item 利用多變量分析於中藥分辨(2007) 莊青青; Chuang Ching-Ching中文摘要 高效液相層析儀(HPLC)及感應耦合電漿質譜儀(ICP-MS)為測定中藥指標成分及微量元素的常用分析工具。本研究開發分析方法,進行藥材的成分分析及樣品辨識。 本研究共分三部份,第一部份為利用加味逍遙散HPLC的有機成分(30 peaks)定量結果及ICP-MS的無機元素(44個元素)測定數據,以人工歸納及統計分析方法建立識別廠牌的準則。觀察各樣品有機成分中成分2 ( Gallic acid ,GA ) 及成分26 ( Paeonol ,PN)的差異,發現利用成分2/IS比值可明顯將所有樣品分成兩組,順天堂、勝昌、科達其值高於1.45,而港香蘭、莊松榮低於1.45;繼而以2/26的比值(順天堂>2.1、1.8<勝昌<2.1、科達<1.8、港香蘭<2.3、莊松榮>2.5)再行細分,則各家廠牌產品就可順利分辨。依上述準則,在五家廠牌共33批樣品中,只有4批樣品分類錯誤:勝昌2批、港香蘭1批其2/IS比值分別為2.21、2.37和1.67,且2/26的比值高於2.1被判定為順天堂;順天堂1批其2/IS比值為1.65,且2/26的比值在1.8與2.1之間被判定為勝昌,整體而言,人工辨識正確率約88 %。將30 peaks的分析數據進行多變量分析(Multivariate Analysis)處理:主成分分析(Principal Component Analysis ,PCA)發現,PC1(1、11和14)、PC2(2、6、24和25)和PC3(23、27和28)代表61.343% 的總變異性;以PC1、PC2和PC3作成的三度空間PCA圖顯示,各廠牌樣品各自群聚在特定位置,順天堂在中間偏上方,勝昌在左下方,科達在中間,港香蘭在右下方,莊松榮在中間偏下方,分類良好。進行群聚分析(Cluster Analysis (CA)亦能明確分類,在群聚距離設定為0.38(最大刻度為1)後,依次出現順天堂、莊松榮、港香蘭、勝昌、科達等五聚落。進行線性區別分析(Linear Discriminant Analysis ,LDA), 其原始分類(original)雖達100%,但在交叉驗證(cross-validated)卻只有13.8 %的正確性,因此先用逐步區別分析(stepwise-LDA)選出1(nicotinic acid)、 8(Geniposide)、13 、17 、19、20 、23 、24等8 peaks,再用LDA統計則可得到完全正確的分類結果,該方法亦可正確判斷任一市售樣品的廠牌,另外,17和19在判定函數1中的變數有最大的比重(-26.620 和 –18.404),判定函數2主要由20和24 (-11.716和-12.520)所組成,判定函數3主要由17、23和24 (21.550、20.372和-17.723)所組成,判定函數4主要由17、24和20 (-8.869、-6.954和6.051)所組成。 用ICP-MS測量各樣品,可得到44個無機元素的分析數據,仔細比對這些數據的差異性,僅能分辨順天堂、勝昌及港香蘭三家產品,而科達及莊松榮的所有元素含量都非常接近,且誤差線範圍內有很大的重疊,人工難以辨別。將該44無機元素的分析數據進行多變量分析:主成分分析顯示,PC1(La、Ce、Nd和Pr)、PC2(Al、Mg和Br)和PC3(I和As)代表71.944% 的總變異性,以PC1、PC2和PC3繪製的的三度空間PCA圖指出,順天堂在左下方,勝昌在左上方,科達在右下方,港香蘭在右上方,莊松榮在中間偏下方,各自形成聚落、分隔明顯。群聚分析以距離0.41(最大刻度為1)處理後,明確分成五個聚落,依次為順天堂、莊松榮、港香蘭、科達、勝昌。線性區別分析,其原始分類可達100%,但交叉驗證只有17.2 %的正確性,因此先以逐步區別分析自44個元素中選出Na、Mg、Al、Ni、Cu、I、Ce、Bi、U等9個元素,再用LDA統計則可得到完全正確的分類結果,所有的加味逍遙散樣品皆能無誤地分類,該統計分析方法亦可正確判斷任一市售樣品的廠牌,其中 Mg、Na和Cu(-2.443、2.203和2.140)在判定函數1中的變數有最大的比重,判定函數2主要由Ce和U (-6.208和4.730)所組成,判定函數3主要由Cu、Mg和I (1.843、-1.126和1.063)所組成,判定函數4主要由U、Mg和Ce (1.185、1.115和-1.021)所組成。 另外,隨機抽取三個樣品,以比較五家廠牌的同質性,發現順天堂、莊松榮及勝昌生產之不同批次樣品,相似度最高,分別為0.23、0.22及0.21,品質最穩定,港香蘭及科達所生產之商品相似度較差,分別為0.16及0.09,品質較不穩定。 第二部份為枳實(Aurantii Fructus Immaturus)及枳殼(Aurantii Fructus Maturus)之分析與辨識。從台灣及中國的中藥市場收集20批枳實[綠衣枳實(Poncitrus trifoliata)]和30批[酸橙枳殼 (Citrus aurantium),香圓枳殼(C. wilsonii)]樣品,經外觀判別及組織鏡檢,再以HPLC分析這些樣品中的12個主要的成分;該HPLC分析方法以Cosmosil 5C18-AR為分析管柱,以KH2PO4水溶液及MeOH/CH3CN之混合液為沖提液,可在60分鐘內順利完成分離,積分面積的RSD為0.30-1.21(intraday) 及0.45-1.93 (interday) ,偵測極限在2.84-6.85 ng之間。分析結果顯示,枳實與枳殼可用NR、 HE、 NE和QU等成份之有無來判別,枳實樣品中沒有或幾乎沒有HE及NE等成份,而枳殼樣品中沒有或很少NR及QU成份;兩枳殼(酸橙及香圓)的差異,則可用NGC及HE的成分的含量及HE/NG,HE/NE與NGC/NE比值分辨, 該等比值在酸橙枳殼分別為0.49以上、2.30以上及0.21以上,在香圓枳殼則在0.40以下、1.31以下及0.21以下,但有5批不易判別,依相近數據,判定分屬兩品種。將12 peaks的分析數據代入多變量分析軟體,發現不論PCA、CA或LDA均能明確分辨綠衣枳實、酸橙枳殼或香圓枳殼,經交叉驗證或添加試驗,均得到完全正確的結果。值的注意的是,5批用人工不易判別的樣品皆清楚落入香圓枳殼的群聚,與人工辨識有著很大的不同。 第三部份,我們利用本實驗室已有的HPLC分析方法,測定牡丹皮(Moutan Cortex) 、厚朴(Magnoliae Cortex)、防己(Fangchi Radix)等的主要有機成分及微量元素含量。我們曾比較水煮及消化兩種前處理方式,發現後者約為前者的102到104倍,但所有數值皆呈平行關係,因此選擇與中藥煎煮情形相同的水煮方法,製作檢液。 1.牡丹皮(Moutan Cortex): 收集23批市售牡丹皮樣品,分屬西昌丹皮(Paeonia delavayi,10批)、川丹皮(P. suffruticosa,13批),用HPLC測量4,6-di-GG (1,G為glucose),1,2,3,6-tetra-GG (2) ,1,2,3,4,6-penta-GG (3) , 1,3,4,6-tetra-GG (4) ,3,4,6-tri-GG (5) ,1,3,6-tri-GG (6) , 3,6-di-GG (7) ,1,2,6-tri-GG (8) 。paeoniflorin(Pf)和paeonol(PN)等10成分含量。發現由PN/Pf及3/2的比值就可區別西昌丹皮(PN/Pf > 1, 3/2>15.1)與川丹皮(PN/Pf< 1, 3/2<11.4) ;整體而言,人工辨識正確率為100%。將10 peaks分析數據輸入PCA、CA及LDA軟體 ,發現主成分分析與線性區別分析,都能正確分辨各批藥材所屬的品種,後者的交叉驗證亦證實100 %正確。但群聚分析則無法分辨,因此以逐步區別分析選出peak1(4,6-di-GG)、peak4(1,3,4,6-tetra-GG)、Pf(paeoniflorin))等3成分,再進行群聚分析,但也無法正確分類;不過只用該三peaks的定量數據,進行線性區別分析,卻也可得到100%的正確結果,顯示用LDA統計分析時,不論10成分或3成分都能明確分辨基原,但後者更為簡捷。 仔細觀察18批牡丹皮樣品(西昌丹皮9批、川丹皮9批)的62種元素之分析數據,發現Ge、Mo、Cd、Ce及Tl等五元素,在兩品種中相異性最顯著,用該五元素的分析數據作為人工辨識的工具,正確率達100%。若將62種元素分析數據用主成分分析、群聚分析及線性區別分析軟體處理,則只有PCA可達到完全正確的分類目標,CA無法分辨,LDA之原始分類雖有100%正確性,但交叉驗證卻只有50%的分辨率。我們用stepwise-LDA選出Be、V、Ag、Cd、Tl、Pb、Bi及Th等8元素,用該8元素為變數,則CA及LDA兩統計分析模式,均能完全確認所有樣品的基原。 2.厚朴(Magnoliae Cortex): 收集22批分屬川厚朴(Magnolia officinalis Rehd. Et Wils,12批)、凹葉厚朴 [M. officinalia ssp. biloba (Rehd. et Wils.)Law,4批]、和厚朴(M. obovata THUNB. ,6批)的市售藥材,用HPLC測量(-)-magnocurarine (1), (+)-magnoflorine (2),(+)-laurifoline (3),(+)-oblongine (4),(+)-menisperine (5),(+)-xanthoplanine(6),(+)-N-methylglaucine (7)等七個生物鹼及Honokiol (8), Magolol(9)兩個酚類成分含量。發現由2/1及9/8的比值可挑出屬於川厚朴(2/1>5.102及9/8<1.397)的樣品,再由2/3及4/3的比值就可區別凹葉厚朴(2/3<6.458及4/3<1.130)與和厚朴(2/3>18.901及4/3>3.156),用這流程的人工辨識正確率為100%。將9 peaks的定量結果輸入PCA、CA及LDA軟體,發現各統計方法都能迅速歸納出基原與成分的關係,分辨結果完全正確;以 stepwise-LDA處理,選出7及8兩成分作為新變數,結果顯出只用該二吸收峰的定量數據,亦能精確指示任一樣品所屬的基原。 用收集9批厚朴樣品(川厚朴7批、凹葉厚朴2批)的46個無機元素之分析數據,經仔細比對其差異性,發現Fe、Pb、V、Zr、Sb、Bi、Th等七元素可作為人工分辨依據。我們將46個元素的分析數據,以PCA、 CA及LDA處理,結果顯示PCA及LDA均能正確分類,CA則無法明顯劃分群落;用stepwise-LDA自46個元素中選出Sc、Cu、Sr、Zr和Th等5個元素,以該5數據為變數,不論CA或LDA均能正確分辨,前者至距離0.31(最大刻度為1)就可將川厚朴與凹葉厚朴分成兩群落,後者用五元素與四十六元素均能得到100%的交叉驗証。 3.防己(Fangchi Radix): 收集37批分屬日防己(Sinomenium acutum 5批)、粉防己(S. tetrandra 11批)、廣防己(Aristolochia fangchi 15批)、木防己(Cocculus trilobus 6批)的防己樣品,用HPLC分析各藥品發現日防己含有 acutumidine (1)、 magnoflorine (2) 、 stepharine (3) 、 sinomenine (4) 、 acutumine (5) and tetrandrine (9), 粉防己含有 sinomenine (4) 、 cyclanoline (6) 、 fangchinoline (7) 、 berbamine (8) 、 tetrandrine (9) and isotetrandrine (10), 廣防己含有magnoflorine (2) 、 tetrandrine (9) 、 aristolochic acid II (12) 、 aristolochic acid I (13) 、 aristololactam (14) 和未知成份 X(推測應該是aristoloactone), 木防己含有magnoflorine (2) 、 sinomenine (4) 、 tetrandrine (9) 、 trilobine (11) 、 isotrilobine (15),和未知成份 A and B ,各不同品種藥材可由指紋圖譜分辨。以18 peaks分析數據進行多變量分析,發現不論主成分分析、群聚分析或線性區別分析,均能將各樣品依所屬基原迅速分類,正確性及相似度都相當明確,也可用於判定未知樣品的基原。以逐步區別分析自18 peaks中選出2、4、7、11、15等5成分,再用LDA統計亦可得到完全正確的分類結果。 用ICP-MS測量16批防己樣品(日防己2批、粉防己4批、廣防己10批)的55微量元素含量,發現其中Be、Mn、Br、Yb、Tl、U、Bi的差異性,可作為人工分辨依據。將全部55元素數據輸入多變量分析軟體,發現只有主成分分析能達到分辨基原的目標,線性區別分析原始分類雖為100%正確,但交叉驗證只有12.5%的分類結果。我們繼而用逐步區別分析(stepwise-LDA)挑選出Be、Mn、Br、Yb、Tl、U、Bi等7元素作為變數,再進行群聚分析及線性區別分析,結果顯示兩種方法都可以得到完全正確的分類效果。