• 대한약리학회지
• /
• 제29권1호
• /
• pp.97-105
• /
• 1993

흰쥐의 지방세포에 존재하는 아데노신 수용체는 $A_{1}$, subclass로 알려져 있다. 따라서 효현제 (Agonist)에 의해 자극되면 adenylyl cyclase가 억제되고 결과적으로 지방분해가 억제된다. 본 연구에서는 당뇨병으로 인하여 생기는 쥐의 지방세포의 $A_{1]$, 아데노신 수용체-adenylyl cyclase 시스템의 변화를 규명하고자 하였다. 흰쥐에 streptozotocin을 투여하여 당뇨병을 유발시킨 후 1주일이 되는 날, 굶기지 않은 쥐에 서 collagenase를 사용하여 지방세포를 분리하였다. 분리한 지방세포에 1 unit/ml adenosine deaminase와 $1\;{\mu}M$ isoproterenol을 가한 후 $37^{\circ}C$에서 1시간 동안 incubation하여 생성되는 glycerol을 측정하였을 때, 당뇨병군에서는 대조군에 비해 $A_{1}$, 아데노신 수용체의 효현제인 $(-)-N^{6}-(R-phenylisopropyl)$ adenosine (PIA)에 의해 지방분해가 약 두배 더 억제되었다. 그 기전을 밝히기 위하여 지방세포막의 $[{^3}H]PIA$ binding을 측정하였는데, 친화력이나 수용체의 수는 당뇨병군과 대조군 사이에 통계적으로 유의한 차이가 없었다 (대조군의 $K_{d}$는 $0.51{\pm}0.09\;nM$이었고 $B_{max}$는 $1.60{\pm}0.12\;pmoles/mg$ protein이었다. 당뇨병군의 $K_{d}$는 $0.54{\pm}0.21\;nM$이었고 $B_{max}$는 $1.72{\pm}10.31\;pmoles/mg$ protein이었다). 그러나 $100\;{\mu}M$ isoproterenol 자극에 의한 adenylyl cyclase activity의 PIA에 의한 억제를 비교하여 보았을 때 당뇨병군에서의 억제는 대조군의 1.9배로 나타났다. 이상의 결과로 보아 당뇨병군의 지방세포에 나타나는 변화, 즉 지방 분해가 PIA와 같은 $A_{1}$, 아데노신 수용체의 효현제에 의해 더욱 억제되는 것은 지방세포막의 수용체 자체의 변화때문이 아니라 수용체 이후의 신호전달 체계의 변화때문인 것으로 생각된다.

• 재활복지공학회논문지
• /
• 제9권2호
• /
• pp.89-103
• /
• 2015

본 연구는 척수손상 환자를 대상으로 병원기반 사회복귀 지원프로그램을 개발하고, 프로그램 시행 전 후를 비교 분석함으로써 프로그램의 효과성을 평가하고자 하였다. 재활병원에 입원해 있는 25명의 척수손상 환자를 대상으로 2~3개월 동안 일주일에 2번 평균 6.1개의 프로그램을 실시하였다. 프로그램 시행 전, 후 COPM, HADS, AD-R, WHOQOL-BREF를 통해 작업 수행도 및 만족도, 불안과 우울, 장애수용, 삶의 질을 비교하였으며, 퇴원 시 CIQ로 지역사회통합 수준과 퇴원 후의 사회복귀여부를 측정하였다. 자료분석은 기술통계와 대응표본 t검정(paired t-test)을 실시하였다. 연구결과 병원기반 사회복귀 지원프로그램 실시 후 작업 수행도 및 만족도, 장애수용, 삶의 질에 향상을 보였다(p<0.05). 또한 퇴원 후 25명의 척수손상 환자 중에서 10명이 가정, 학업, 직업으로 복귀하였다. 이를 통해 병원기반 사회복귀 지원프로그램이 척수손상 환자들이 퇴원 후 그들이 속한 지역사회로 돌아가는데 효과적임을 알 수 있었다. 척수손상 환자들이 가정과 사회로의 빠른 복귀를 위해서는 사회복귀를 위한 다양한 프로그램 개발과 더불어 체계적인 사회복귀 연계시스템이 이루어져야 할 것으로 사료된다.

• 지능정보연구
• /
• 제24권1호
• /
• pp.167-181
• /
• 2018

지난 10여 년간 딥러닝(Deep Learning)은 다양한 기계학습 알고리즘 중에서 많은 주목을 받아 왔다. 특히 이미지를 인식하고 분류하는데 효과적인 알고리즘으로 알려져 있는 합성곱 신경망(Convolutional Neural Network, CNN)은 여러 분야의 분류 및 예측 문제에 널리 응용되고 있다. 본 연구에서는 기계학습 연구에서 가장 어려운 예측 문제 중 하나인 주식시장 예측에 합성곱 신경망을 적용하고자 한다. 구체적으로 본 연구에서는 그래프를 입력값으로 사용하여 주식시장의 방향(상승 또는 하락)을 예측하는 이진분류기로써 합성곱 신경망을 적용하였다. 이는 그래프를 보고 주가지수가 오를 것인지 내릴 것인지에 대해 경향을 예측하는 이른바 기술적 분석가를 모방하는 기계학습 알고리즘을 개발하는 과제라 할 수 있다. 본 연구는 크게 다음의 네 단계로 수행된다. 첫 번째 단계에서는 데이터 세트를 5일 단위로 나눈다. 두 번째 단계에서는 5일 단위로 나눈 데이터에 대하여 그래프를 만든다. 세 번째 단계에서는 이전 단계에서 생성된 그래프를 사용하여 학습용과 검증용 데이터 세트를 나누고 합성곱 신경망 분류기를 학습시킨다. 네 번째 단계에서는 검증용 데이터 세트를 사용하여 다른 분류 모형들과 성과를 비교한다. 제안한 모델의 유효성을 검증하기 위해 2009년 1월부터 2017년 2월까지의 약 8년간의 KOSPI200 데이터 2,026건의 실험 데이터를 사용하였다. 실험 데이터 세트는 CCI, 모멘텀, ROC 등 한국 주식시장에서 사용하는 대표적인 기술지표 12개로 구성되었다. 결과적으로 실험 데이터 세트에 합성곱 신경망 알고리즘을 적용하였을 때 로지스틱회귀모형, 단일계층신경망, SVM과 비교하여 제안모형인 CNN이 통계적으로 유의한 수준의 예측 정확도를 나타냈다.