• 한국식품영양과학회지
• /
• 제43권10호
• /
• pp.1519-1526
• /
• 2014

본 연구에서는 한국에서 자생하는 양하를 부위(꽃봉오리와 지하경)별로 일반성분, 다량 무기질 함량, 항산화 활성, AChE 저해 활성 및 인지 기능 동물실험을 측정을 통하여 우리나라 고유의 천연 식물자원의 우수성을 규명하고자 하였다. 양하의 꽃봉오리와 지하경의 일반성분을 분석하여 비교해본 결과 양하 꽃봉오리의 수분 함량이 가장 높게 나타났다. 조단백질 함량은 꽃봉오리, 지하경 순으로 높게 나타났다. 조지방 함량은 차이가 거의 없었고 탄수화물은 지하경에서 가장 높게 나타났다. 꽃봉오리와 지하경의 무기질 함량에서는 지하경이 Ca($62.30{\pm}0.46mg%$), K($656{\pm}1.58mg%$), Na($19.10{\pm}0.52$ mg%), P($70.10{\pm}1.54mg%$)으로 더 높게 나타났다. 항산화 비타민 A, C, E를 분석해 봤을 때 비타민 A는 분석되지 않았으며, 비타민 E의 함량은 지하경이 $0.50{\pm}0.02mg$으로 분석되었다. 비타민 C의 경우, 꽃봉오리에서는 분석되지 않았으나 지하경에서는 $0.70{\pm}0.08mg$이 분석되었다. 양하의 꽃봉오리 열수 추출물, 꽃봉오리 70% 에탄올 추출물과 지하경 열수 추출물, 지하경 70% 에탄올 추출물의 total polyphenol contents를 측정한 결과, 꽃봉오리 추출물이 지하경보다, 열수 추출물이 에탄올 추출물보다 총 페놀성 화합물 함량이 우수하게 나타났다. 농도를 달리하여(62.5, 125, 250 및 $500{\mu}g/mL$) DPPH radical scavenging 활성을 측정한 결과 모든 추출물에서 농도 의존적으로 DPPH radical scavenging 활성이 증가하였고, 가장 좋은 활성을 나타낸 것은 꽃봉오리 열수 추출물로 나타났다. ABTS radical scavenging 역시 모든 추출물에서 농도에 의존적으로 증가하는 경향을 나타내었고, 꽃봉오리 열수 추출물에서 가장 우수하게 측정되었다. 양하 꽃봉오리의 열수 추출물과 에탄올 추출물로 아세틸콜린에스터라아제 저해 활성을 특정한 결과, 양성대조군인 tacrine과 비교 시 양하의 꽃봉오리 열수 추출물이 꽃봉오리 에탄올 추출물에 비해 아세틸콜린에스터라아제 저해 활성이 높게 나타났다. 인지 기능 개선효과를 평가하기 위해 scopolamine으로 기억 손상을 유발한 mice에서 물체인식 실험(NORT)과 Y-미로실험(Y-maze)을 이용한 행동시험을 수행한 결과, NORT에서 양하 꽃봉오리의 열수 추출물과 에탄올 추출물이 거의 유사하게 정상군과 비슷한 정도의 높은 효능을 나타내었고, Y-maze test에서도 양하 꽃봉오리의 열수 추출물과 에탄올 추출물 모두에서 항치매 약물인 donepezil과 유사한 효능을 보였다. 이상의 결과를 종합하여 볼 때 양하 추출물 특히 꽃봉오리 부위를 열수 추출했을 때 항산화 활성, 아세틸콜린에스터라아제 저해 활성, 인지 기능 및 학습능력 증진에 효과적으로 작용하여 천연 치매 예방물질 소재로서 이용가치가 높아 앞으로 양하에 대한 계속적인 연구가 필요할 것으로 생각되었다.

• 지능정보연구
• /
• 제23권1호
• /
• pp.95-108
• /
• 2017

최근 알파고의 등장으로 딥러닝 기술에 대한 관심이 고조되고 있다. 딥러닝은 향후 미래의 핵심 기술이 되어 일상생활의 많은 부분을 개선할 것이라는 기대를 받고 있지만, 주요한 성과들이 이미지 인식과 자연어처리 등에 국한되어 있고 전통적인 비즈니스 애널리틱스 문제에의 활용은 미비한 실정이다. 실제로 딥러닝 기술은 Convolutional Neural Network(CNN), Recurrent Neural Network(RNN), Deep Boltzmann Machine (DBM) 등 알고리즘들의 선택, Dropout 기법의 활용여부, 활성 함수의 선정 등 다양한 네트워크 설계 이슈들을 가지고 있다. 따라서 비즈니스 문제에서의 딥러닝 알고리즘 활용은 아직 탐구가 필요한 영역으로 남아있으며, 특히 딥러닝을 현실에 적용했을 때 발생할 수 있는 여러 가지 문제들은 미지수이다. 이에 따라 본 연구에서는 다이렉트 마케팅 응답모델, 고객이탈분석, 대출 위험 분석 등의 주요한 분류 문제인 이진분류에 딥러닝을 적용할 수 있을 것인지 그 가능성을 실험을 통해 확인하였다. 실험에는 어느 포르투갈 은행의 텔레마케팅 응답여부에 대한 데이터 집합을 사용하였으며, 전통적인 인공신경망인 Multi-Layer Perceptron, 딥러닝 알고리즘인 CNN과 RNN을 변형한 Long Short-Term Memory, 딥러닝 모형에 많이 활용되는 Dropout 기법 등을 이진 분류 문제에 활용했을 때의 성능을 비교하였다. 실험을 수행한 결과 CNN 알고리즘은 비즈니스 데이터의 이진분류 문제에서도 MLP 모형에 비해 향상된 성능을 보였다. 또한 MLP와 CNN 모두 Dropout을 적용한 모형이 적용하지 않은 모형보다 더 좋은 분류 성능을 보여줌에 따라, Dropout을 적용한 CNN 알고리즘이 이진분류 문제에도 활용될 수 있는 가능성을 확인하였다.