Dwarf whipray (Brevitrygon heterura) is a common species found in a local market in the Gulf of Thailand. However, like many other species of stingrays, it is threatened by overfishing and habitat destruction. Therefore, an accurate species identification is crucial because conservation efforts may vary depending on the species. This study aims to understand morphological variation of B. heterura in the Gulf of Thailand by morphometric study and genetic analysis. During October 2022 and February 2023, we obtained 49 samples from research vessels fish landing ports and local fish markets. We observed two distinct groups based on 43 morphological variables/ratios. B. heterura samples from Chanthaburi, Rayong, Chonburi, Samut Sakhon, Nakhon Si Thammarat and Songkla provinces, called “group A," typically have longer snout length than those from Prachuap Khiri Khan provinces, called “group B" according to external morphological characters for species identification. Three morphological variables/ratios were significantly different between groups A and B. Main characters to explain intraspecific variations between group A and group B are further discussed. DNA barcoding based on a fragment of the cytochrome c oxidase subunit I (COI) gene were obtain from eight samples of group A and eight samples from group B. Pairwise percent sequence divergence (p-distance) for COI between group A and group B were 0.0-2.5. This study contributes to the understanding of variations of morphology and genetics of B. heterura in the Gulf of Thailand.
ปลากระเบนสกุล Brevitrygon เป็นกลุ่มปลากระเบนที่จัดอยู่ในชั้น (class) Chondrichthyes อันดับ Myliobatiformes จัดอยู่ในกลุ่มปลากระดูกอ่อน สามารถพบได้ ทั้งในน้ำจืด น้ำกร่อยและทะเล ลักษณะส่วนใหญ่ของปลาอันดับนี้ ครีบอกจะแผ่ออกทางด้านข้าง ลำตัวค่อนข้างแบนลงคล้ายกับจาน มีเหงือกจำนวน 5 คู่อยู่ล่างของลำตัวช่วงส่วนหัวบริเวณที่ต่อจากส่วนท้ายตาจะมีช่องสำหรับน้ำเข้า (spiracle) ในแต่ละวงศ์ (family) จะมีลักษณะเด่นที่แตกต่างกัน ปลากระเบนสกุล Brevitrygon จัดอยู่ ในวงศ์ Dasyatidea ซึ่งมีลักษณะเด่นอยู่ที่หางยาวคล้ายแส้ ปลากระเบนสกุลนี้จากการศึกษามีทั้งหมด 4 ชนิด (Last et al. 2016) จากการรวบรวมข้อมูลจากต่างประเทศพบว่า ปลากระเบนสกุล Brevitrygon สามารถเจอใน ประเทศไทย 2 ชนิด ได้แก่ ปลากระเบนตุ๊กตา (B. heterura) และกระบาง (B. imbricata) (Last et al. 2016) โดยปลากระบางสามารถพบที่ทะเลฝั่งอันดามันเท่านั้น ซึ่งแตกต่างกับปลากระเบน ตุ๊กตาที่จะพบได้ทั้งบริเวณฝั่งอ่าวไทยและฝั่งอันดามัน แต่จากการรวบรวมรายงานข้อมูลปลากระดูกอ่อน ที่พบในน่านน้ำไทยและน่านน้ำใกล้เคียงโดยมีการจัดลำดับทางอนุกรมวิธาน (ทัศพล และคณะ, 2562) ได้พบว่ามีการเจอปลา กระเบนที่มีลักษณะที่คล้ายคลึง (Look- alike species) กับปลากระบางอาศัยใน บริเวณอ่าวไทย จึงได้มีการเรียกชื่อปลากระเบนชนิดนี้ว่า B. cf. imbricate ดังนั้นจึงจ้าเป็นต้องมี การศึกษาเพื่อยืนยันชนิดของปลากระเบนสกุล Brevitrygon ที่พบในน่านน้ำไทย และเพื่อตรวจสอบและ เปรียบเทียบความแตกต่างของลักษณะทางอนุกรมวิธานจากสัณฐานวิทยาภายนอกของปลากระเบนสกุลนี้ จากการการสำรวจโดยกรมประมงตั้งแต่ปี พ.ศ. 2547 ไปจนถึง 2560 มีแนวโน้มที่มีการศึกษาและค้นพบ ปลากระดูกอ่อนชนิดใหม่เพิ่มขึ้นเรื่อย ๆ (Krajangdara, 2017) ตรงกันข้ามกับการศึกษา ชนิดของปลากระดูกอ่อนที่คล้ายคลึงกันในประเทศไทย ซึ่งมีแนวโน้มลดลงและไม่ได้รับความนิยม ทำให้ข้อมูลทางวิชาการด้านอนุกรมวิธานยังมีไม่เพียงพอ รวมไปถึงปลากระเบนสกุล Brevitrygon ที่เป็นปลากระเบนที่พบจำนวนมากในประเทศไทย แต่ยังมีความไม่ชัดเจนและคล้ายคลึงกันของลักษณะภายนอก ในแต่ละชนิดของปลา กระเบนสกุลนี้ ซึ่งควรได้รับการตรวจสอบเพื่อยืนยันถึงสายพันธุ์ของปลากระเบน สกุลนี้เพื่อความถูกต้องของฐานข้อมูลในประเทศไทย การศึกษาในครั้งนี้จึงได้ทำการศึกษาการ อนุกรมวิธานทั้งลักษณะภายนอกและการวัดสัดส่วนในสัดส่วนต่าง ๆ ของปลากระเบนเพื่อเปรียบเทียบและหาความแตกต่างและนำเทคนิคทางชีวโมเลกุลมาศึกษาเพื่อตรวจสอบและยืนยันความถูกต้องของชนิดปลากระเบนในสกุลนี้ การศึกษาในครั้งนี้จึงมีความสำคัญสำหรับงานด้านการอนุกรมวิธานเพื่อใช้ในการจัดการทรัพยากรปลากระเบนที่ไม่ได้รับความสนใจเพื่อเป็นฐานข้อมูลในการอนุรักษ์และความหลากหลายของปลากระดูกอ่อน รวมไปถึงเพื่อยืนยันชนิดของปลากระเบนสกุล Brevitrygon ในประเทศไทย
คณะวิศวกรรมศาสตร์
This thesis presents the application of deep learning for object classification. The selected deep learning architectures studied include Convolutional Neural Networks (CNN) and ResNet18. It covers data preparation, feature extraction, parameter tuning for accuracy comparison, and performance evaluation of the selected models. The aim is to propose an efficient model for use in devices that assist visually impaired individuals in classifying indoor objects and providing sound alerts.
คณะวิทยาศาสตร์
Bacteriocins are microbial peptides that demonstrate potency against pathogens. This study evaluated the inhibitory effects on pathogens and characterized the bacteriogenomic profile of strain TKP1-5, isolated from the feces of Anas platyrhynchos domesticus. Strain TKP1-5 was characterized using phenotypic traits, 16S rRNA sequencing, and Whole-Genome Sequencing (WGS). It exhibited growth in the presence of 2-6% NaCl, temperatures of 25-45°C, and pH levels ranging from 3 to 9. Based on ANIb, ANIm, and dDDH values, strain TKP1-5 was identified as Lactococcus lactis. Whole genome analysis revealed that strain TKP1-5 harbors the Nisin Z peptide gene cluster with a bit-score of 114.775. The antimicrobial spectrum of bacteriocin TKP1-5 showed inhibitory effects against pathogenic bacteria including Pediococcus pentosaceus JCM5885, Listeria monocytogenes ATCC 19115, Enterococcus faecalis JCM 5803T, Salmonella Typhimurium ATCC 13311ᵀ, Aeromonas hydrophila B1 AhB1, Streptococcus agalactiae 1611 and Streptococcus cowan I. Genomic analysis confirmed L. lactis TKP1-5 as a non-human pathogen without antibiotic resistance genes or plasmids. Furthermore, L. lactis TKP1-5 contains potential genes associated with various probiotic properties and health benefits. This suggests that L. lactis TKP1-5, with its antibacterial activity and probiotic potential, could be a promising candidate for further research and application in the food industry.
คณะวิทยาศาสตร์
This special problem aims to compare the performance of machine learning methods in time series forecasting using lagged time periods as independent variables. The lagged periods are categorized into three groups: lagged by 10 units, lagged by 15 units, and lagged by 20 units. The study employs four machine learning methods: Decision Tree (DT), Random Forest (RF), K-Nearest Neighbors (KNN), and Support Vector Machine (SVM). The time series data simulated as independent variables diverse including characteristics: Random Walk data, Trending data, and Non-Linear data, with sample sizes of 100, 300, 500, and 700. The research methodology involves splitting the data into 90% for training and 10% for testing. Simulations and analysis are performed using the R programming language, with 1,000 iterations conducted. The results are evaluated based on the average mean squared error (AMSE) and the average mean absolute percentage error (AMAPE) are calculated to identify the best performing method. The research findings revealed that for Random Walk data, the best performing methods are Random Forest and Support Vector Machine. For Trend data, the best performing methods are Random Forest. For Non-Linear data, the best performing methods are Support Vector Machine. When tested with real-world data, the results show that for the Euro-to-Thai Baht exchange rate, the best methods are Random Forest and Support Vector Machine. For the S&P 500 Index in USD, the best performing methods are Random Forest. For the Bank of America Corp Index in USD, the best performing methods are Support Vector Machine.