GH1255 PTT的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列線上看、影評和彩蛋懶人包

新興植生素LABG在蛋雞的功能與作用機制

為了解決GH1255 PTT的問題，作者陳明 這樣論述：

Healthy gut microbiota is requisite for laying hens to increase the global egg values to reach ~162.39 billion USD by 2022. Gut microbiota disturbance during aging and antibiotic treatment is one primary factor to drop egg production. Phytogenics, alternatives to antibiotics that jeopardize public

health due to drug residue and antimicrobial resistance (AMR). However, the role of phytogenics in shaping gut microbiota responding to animal health and performance is poorly understood. Here, we dissected the functions and mechanisms of a plant extract named lactic acid bacteria growth promoter (L

ABG) in 54-week old layers. A LABG diet dose-dependently improved average daily mortality and egg production rate in 12000 layers associated with an increasing number of Lactobacillus, and decreasing numbers of Escherichia coli and AMR bacteria dropping 236% total reads of AMR genes (ARGs). Next, LA

BG selectively upregulated and downregulated gut microbiome composition of probiotics and pathogens, respectively. LABG at 4 µg/mL and more promoted probiotic growth of LAB, however, 100-time higher dose and more reduce E. coli growth suggesting an indirect pathogenic killing of LABG via probiotic.

Meanwhile, this antagonism of LAB was identified by its five major antimicrobial metabolites against pathogens. Surprisingly, LABG augmented the levels of these metabolites both in vitro and in vivo to disrupt the cell membrane of the pathogen to lower the vertical ARGs transfer. Furthermore, an ARG

-associated mobile genetic element, the class 1 integron was significantly reduced by LABG in chicken stools to diminish the horizontal ARGs transfer. Overall, this work suggests that LABG promotes layer health and egg production through increasing probiotics and decreasing pathogens and AMR dissemi

nation.

以機器學習及資料科學於生物醫學及公共衛生之預測分析應用

為了解決GH1255 PTT的問題，作者郭朝揚 這樣論述：

機器學習演算法和資料科學在包含生物醫學在內各領域進步到人工智慧的應用階段，在預測模型中，智能運算的創新運用已經促進個人醫療或照護的發展。本文的主旨在於提供預測模型分析來描繪出在生物醫學和公共衛生的新發現，為了達成這個目標，將完成四項主題：1) 提供早期預測Lokomat病人復健進步成效評估，2) 發現在放射治療產生視覺感受的相關因素，3) 發展可預測透過試管嬰兒懷孕的臨床決策系統，4) 找出空氣品質指標和登革熱新的關聯性。第一個主題，利用病人基本資料（例如年齡、性別、診斷等）及結合機器人步態訓練系統（Lokomat）提供的數據（例如懸吊重量等），使用機器學習的方法來預測有神經系統疾病病人是否

能夠透過Lokomat的治療讓病人的行走上更加進步，而重要性的指標以及進步與各變數的關係可用來評估復健的成效；第二個主題，招募在臺北榮民總醫院接受頭頸或腦部放射治療的病人，臨床指標（例如照射部位、視網膜放射劑量等等）將從關於視覺感受的問卷取出，使用敘述性統計分析有無視覺感受的病患，再提供預測方法來分開兩群不同的病人，再進一步描繪出指標和視覺感受之間的關係；第三個主題，蒐集在臺北醫學大學附設醫院接受試管嬰兒女性的臨床指標（例如卵巢刺激藥物、不孕原因、女性年齡、總共冷凍卵子數等），其中包含納入及排除的受試者，在建立基於各項演算法的預測模型前，先進行資料前處理、補遺失值及非平衡資料等處理，而後找出重

要性指標以增加模型的解釋能力；第四個主題，空氣品質指標及影響登革熱的傳統指標，包含天氣及病媒蚊資料，將首次在臺灣官方公開資料網站取得，這些空氣品質指標將和傳統指標結合來了解空氣指標的影響，最後確定可用來解釋的生醫變數。分析流程包含特徵變數選取、資料前處理、機器學習及評估階段，首先，針對連續型變數計算平均數及標準差，而類別型變數則計算次數及百分比，再使用T檢定去檢定兩組平均數的是否具有顯著差異，卡方檢定去檢定類別變數和應變數是否具有獨立性，為了找出最佳模型，採用數種機器學習演算法去計算AUC，AUC是一種用來測量各模型表現能力的指標，在比較完後我們再從中選出最佳模型。在神經復健機器人方面，利用機

器學習建立的預測模型AUC為0.981最高，正確率、敏感性及特異性分別為87.9%、100%及76.7%；在視覺感受方面，所建立的預測模型AUC為0.888最高，正確率、敏感性及特異性分別為79.3%、65.4%及90.6%；在人工受孕方面，建立的預測模型AUC為0.721最高，而正確率、敏感性及特異性分別為64.8%、66.6%及64.2%；而在登革熱的預測模型AUC為0.955最高，而正確率、敏感性及特異性分別為89.9%、94.8%及82.5%。本研究所發展的機器學習預測模型除了可供參考之外，另外找出重要性變數及觀察各變數的部分相依圖，提供的方法可以用來發展臨床決策系統來增加臨床運用及醫

療照護研究。