• 생명과학회지
• /
• 제22권9호
• /
• pp.1224-1230
• /
• 2012

항암화학요법제는 의약품 시장 중 가장 큰 시장의 하나이며, 세계적으로 수많은 연구와 신약의 개발이 진행되고 있다. 그러나 암 세포 뿐만 아니라 정상세포와 조직에 대한 독성과 내성으로 인해 심각한 부작용이 지속되어, 최근 신혈관형성 억제와 천연물 유래의 암 치료제 개발이 많은 관심을 얻고 있다. 본 연구에서는 오미자의 활성성분 중 하나인 Gomisin A의 종양성장 및 전이억제 효과와 이들의 작용기전에 대해 확인하고자 하였다. Gomisin A의 종양성장 억제활성은 B16BL6 cell line을 C57/BL6 mice의 피하에 주입하여 유도된 종양모델을 활용 하였으며, Gomisin A 10 ${\mu}g/ml$, 100 ${\mu}g/ml$에서 양성 대조군에 비해 각각 $80.5{\pm}8.1%$, $96.2{\pm}2%$의 유의한 억제활성을 나타내었다. Gomisin A의 암세포에 대한 직접적인 독성은 MTT assay를 통해 확인하였고, 정상세포(HUVECs)와 종양세포주(A549, B16BL6, Du145, Huh7)에 대한 유의한 독성은 관찰되지 않았다. 종양조직에 의해 유도되는 신혈관형성 억제능은 C57/BL6 mice에 배양된 B16BL6 cell line을 피하주사하여 종양조직을 형성하고, 이들이 유도하는 신생혈관에 대한 Gomsin A의 억제활성을 확인하였다. Gomisin A를 10 ${\mu}g$/head와 100 ${\mu}g$/head에서 신혈관형성 억제활성은 양성 대조군에 비해 각각 $151{\pm}16.9%$, $98.5{\pm}29.5%$의 유의한 감소활성을 나타내었다. 종양전이 억제활성은 B16BL6 cell line을 C57/BL6 mice 미정맥에 주입하여 in vivo 폐전이 모델을 만들고 폐에 전이된 종양의 colony를 측정하여 확인하였다. Gomisin A의 농도 10 ${\mu}g$/head, 100 ${\mu}g$/head에서 각각 양성 대조군에 비해 $13.5{\pm}8.56%$, $58.3{\pm}9.12%$의 전이 억제활성을 나타내었다. 또한 Gomisin A는 B16BL6 cell line이 세포외기질에 대한 부착능을 유의하게 감소시킴을 확인하였다. 이러한 결과는 Gomisin A의 종양성장 억제활성이 암세포에 대한 직접적인 독성에 의한 것이 아닌 신혈관형성 억제에 의한 것이며, 또한 종양 전이 억제 활성을 나타냄으로서 향후, 암 예방 및 치료제 개발의 선도물질을 제공할 수 있음을 확인하였다. 본 연구는 오미자의 주요 생리활성 물질인 Gomisin A의 종양성장 억제 활성과 전이억제 활성을 규명하고자 하였다. Gomisin A가 종양성장 억제활성이 있음을 확인하였고, 이러한 효과는 종양세포에 대한 직접적인 독성에 의한 것이 아니라, 종양조직에 의해 유도되는 신혈관형성 저해 활성에 의해 나타나는 것을 규명하였다. 이러한 결과는 대부분의 항암화학요법제가 가지는 독성작용을 극복하고, 선택적인 종양성장 억제제로서의 개발 가능성을 시사하여 주고 있다. 또한 Gomisin A는 종양세포의 세포외기질 부착억제활성을 통해 암 전이 억제활성을 나타냄을 확인하였다. 지금까지의 결과는, Gomisin A를 활용한 부작용이 적으며 효과적인 암 치료제 개발의 선도 물질로서 활용 가능성을 나타내 주고 있으며, 또한 고 기능성 식품 및 화장품의 개발에 활용이 가능할 것이다. 그러나, 향후 종양 면역활성, 암세포 자살 유도능과 같은 다양한 부분의 연구가 수반되어야 할 것이다.

• 지능정보연구
• /
• 제19권2호
• /
• pp.1-20
• /
• 2013

소셜 네트워크는 사용자들의 공통된 관심사, 경험, 그리고 일상 생활들을 함께 공유하기 위해 소셜 네트워크 상 사람들을 서로 연결시켜주는 거대한 커뮤니케이션 플랫폼이다. 소셜 네트워크상의 사용자들은 포스팅, 댓글, 인스턴스 메시지, 게임, 소셜 이벤트 외에도 다양한 애플리케이션을 통해 다른 사용자들과 소통하고 개인 정보 관리하는데 많은 시간을 소비한다. 소셜 네트워크 상의 풍부한 사용자 정보는 추천시스템이 추천 성능을 향상시키기 위해 필요한 큰 잠재력이 되었다. 대부분의 사용자들은 어떤 상품을 구매하기 전 가까운 관계이거나 같은 성향을 가진 사람들의 의견을 반영하여 의사 결정을 하게 된다. 그러므로 소셜 네트워크에서의 사용자 관계는 추천시스템을 위한 사용자 선호도 예측을 효율적으로 높이는데 중요한 요소라 할 수 있다. 일부 연구자들은 소셜 네트워크에서의 사용자와 다른 사용자들 사이의 상호작용 즉, 소셜 관계(social relationship)와 같은 소셜 데이터가 추천시스템에서 추천의 질에 어떠한 영향을 미치는가를 연구하고 있다. 추천시스템은 아마존, 이베이, Last.fm과 같은 큰 규모의 전자상거래 사이트 또한 채택하여 사용되는 시스템으로, 추천시스템을 위한 방법으로는 협업적 여과 방법과 내용 기반 여과 방법이 있다. 협업적 여과 방법은 사용자들의 선호도 학습에 의해 사용자가 아직 평가하지 않은 아이템 중 선호할 수 있는 아이템을 정확하게 제안하기 위한 추천시스템 방법 중 하나이다. 협업적 여과는 사용자들의 데이터에 초점을 맞춘 방법으로 유사한 배경과 선호도를 가지는 사용자들로부터 정보를 수집하여 사용자들의 선호도 예측을 자동으로 발생시킨다. 특히 협업적 여과는 근접한 이웃 사용자들에 의해서 목적 사용자가 선호할 수 있는 아이템을 제시하는 것으로 유사한 이웃 사용자를 찾는 것이 중요하다. 좋은 이웃 사용자 발견은 사용자와 아이템을 고려하는 방법이 일반적이다. 각 사용자는 아이템 즉, 영화, 상품, 책 등에 자신의 선호도를 나타내기 위하여 평가 값을 입력하고, 시스템은 이를 바탕으로 사용자-평가 행렬을 구축한다. 이 사용자-평가 행렬은 목적 사용자와 유사하게 아이템을 평가한 사용자 그룹을 찾기 위한 것으로, 목적 사용자가 아직 평가하지 않은 아이템에 대하여 사용자-평가 매트릭스를 통해 그 평가 값을 예측한다. 현재 이 협업적 여과 방법은 전자상거래와 정보 검색에서 적용되어 개인화 시스템에 효율적으로 사용되고 있다. 하지만 초기 사용자 문제, 데이터 희박성 문제와 확장성 그리고 예측 정확도 향상 등 해결해야 할 과제가 여전히 남아 있다. 이러한 문제들을 해소하기 위해 많은 연구자들은 하이브리드, 신뢰기반, 소셜 네트워크 기반 협업적 여과와 같은 다양한 방법을 제안하였다. 본 논문에서는 전통적인 협업적 여과 방식의 예측 정확도와 추천 성능을 향상시키기 위해 소셜 네트워크에 존재하는 소셜 관계를 이용한 협업적 여과 시스템을 제안한다. 소셜 관계는 소셜 네트워크 서비스 중 하나인 페이스북 사용자들이 남긴 포스팅과 사용자의 소셜 네트워크 친구와 의견 교류 중 남긴 코멘트와 같은 사용자 행동을 기반으로 정의된다. 소셜 관계를 구축하기 위해 소셜 네트워크 사용자의 포스팅과 댓글을 추출하고, 추출된 텍스트에 불용어 및 특수 기호 제거와 스테밍 등 전처리를 수행하였다. 특징 벡터는 TF-IDF를 이용하여 전처리된 텍스트에 나타난 각 단어에 대한 특징 점수를 계산함으로써 구축된다. 본 논문에서 이웃 사용자를 결정하기 위해 사용되는 사용자 간 유사도는 특징 벡터를 이용한 사용자 행동 유사도와 사용자의 영화 평가를 기반으로 한 전통적 방법의 유사도를 결합하여 계산된다. 제안하는 시스템은 목표 사용자와 제안한 방법을 통해 결정된 이웃 사용자 집단을 기반으로 목표 사용자가 평가하지 않은 아이템에 대한 선호도를 예측하고 Top-N 아이템을 선별하여 사용자에게 아이템을 추천하게 된다. 본 논문에서 제안하는 방법을 확인하고 평가하기 위하여 IMDB에서 제공하는 영화 정보 기반으로 영화 평가 시스템을 구축하였다. 예측 정확도를 평가하기 위해 MAE 값을 이용하여 제안하는 알고리즘이 얼마나 정확한 추천을 수행하는지에 대한 예측 정확도를 측정하였다. 그리고 정확도, 재현율 및 F1값 등을 활용하여 시스템의 성능을 평가하였으며, 시스템의 추천 품질은 커버리지를 이용하여 평가되었다. 실험 결과로부터 본 논문에서 제안한 시스템이 보다 더 정확하고 좋은 성능으로 사용자에게 아이템을 추천하는 것을 볼 수 있었다. 특히 소셜 네트워크에서 사용자 행동을 기반으로 한 소셜 관계를 이용함으로써 추천 정확도를 6% 향상시킴을 보였다. 또한 벤치마크 알고리즘과의 성능비교 실험을 통해 7% 향상된 추천 성능의 결과를 보여준다. 그러므로 사용자의 행동으로부터 관찰된 소셜 관계를 CF방법과 결합한 제안한 방법이 정확한 추천시스템을 위해 유용하며, 추천시스템의 성능과 품질을 향상시킬 수 있음을 알 수 있다.