• 전기전자학회논문지
• /
• 제27권1호
• /
• pp.116-121
• /
• 2023

본 논문에서는 딥러닝 예측 결과 정보를 적용하는 복합 미생물 배양기를 위한 딥러닝 구조를 개발한다. 제안하는 복합 미생물 배양기는 수집한 복합 미생물 데이터에 대해 복합 미생물 데이터 전처리, 복합 미생물 데이터 구조 변환, 딥러닝 네트워크 설계, 설계한 딥러닝 네트워크 학습, 시제품에 적용되는 GUI 개발 등으로 구성된다. 복합 미생물 데이터 전처리에서는 미생물 배양에 필요한 당밀, 영양제, 식물엑기스, 소금 등의 양에 대해 원-핫 인코딩을 실시하며, 배양된 결과로 측정된 pH 농도와 미생물의 셀 수에 대해 최대-최소 정규화 방법을 사용하여 데이터를 전처리한다. 복합 미생물 데이터 구조 변환에서는 전처리된 데이터를 물 온도와 미생물의 셀 수를 연결하여 그래프 구조로 변환 후, 인접 행렬과 속성 정보로 나타내어 딥러닝 네트워크의 입력 데이터로 사용한다. 딥러닝 네트워크 설계에서는 그래프 구조에 특화된 그래프 합성곱 네트워크를 설계하여 복합 미생물 데이터를 학습시킨다. 설계한 딥러닝 네트워크는 Cosine 손실함수를 사용하여 학습 시에 발생하는 오차를 최소화하는 방향으로 학습을 진행한다. 시제품에 적용되는 GUI 개발은 사용자가 선택하는 물 온도에 따라 목표하는 pH 농도(3.8 이하) 복합 미생물의 셀 수(10⁸ 이상)를 배양시키기 적합한 순으로 나타낸다. 제안된 미생물 배양기의 성능을 평가하기 위하여 공인시험기관에서 실험한 결과는, pH 농도의 경우 평균 3.7로, 복합 미생물의 셀 수는 1.7 × 10⁸으로 측정되었다. 따라서, 본 논문에서 제안한 딥러닝 예측 결과 정보를 적용하는 복합 미생물 배양기를 위한 딥러닝 구조의 효용성이 입증되었다.

• Applied Biological Chemistry
• /
• 제21권2호
• /
• pp.84-102
• /
• 1978

대맥(大麥) 무배아반편종자(無胚芽半片種子)에 $10{\mu}M$ GA를 처리(處理)하여 배양(培養) 10시간(時間)에 배지(培地)에서 ABA의 농도(濃度)가 각각(各各) $0.1{\mu}M,\;5{\mu}M$ 및 $10{\mu}M$이 되도록 ABA 용액(溶液)을 첨가하여 ${\alpha}-amylase$ 생성(生成)의 소장(消長)을 그리고 $10{\mu}M$ GA와 $10{\mu}M$ ABA 혼합액(混合液) 처리(處理)하여 10시간(時間) 배양(培養) 후(後) 핵산(核酸)의 거동을 $10{\mu}M$ GA처리구(處理區)의 그것과 비교(比較)하였다. 대맥(大麥) 초엽(？葉)에 $10{\mu}M$ GA와 $10{\mu}M$ ABA를 처리(處理)하여 초엽의 생육(生育), chlorophyll, RNase의 활성(活性), 단백질(蛋白質) 및 총(繼) RNA 함량(含量)의 소장(消長)을 처리구(處理區)의 그들과 비교(比較)하였고 이들 hormone 처리(處理) 20시간(時間) 배양후(培養後) 핵산(核酸)의 거동 및 polysome과 menosome의 상대적(相對的) 분포(分布)를 조사(調査)하여 몇 가지 결론(結論)을 얻었으며 그 결과(結果)를 요약(要約)하면 다음과 같다. 1) GA 처리(處理)에 의(依)한 총(總) ${\alpha}-amylase$의 생성(生成)은 시간(時間)의 경과(經過)에 따라 직선적(直線的)으로 증가(增加)하였으며 ${\alpha}-amylase$의 분비(分泌)는 배양(培養) 18시간(時間)부터 활발(活潑)하였다. 2) $0.1{\mu}M$ ABA 첨가는 ${\alpha}-amylase$의 생성(生成)을 부분적(部分的)으로 저해(沮害)시켰으나 $5{\mu}M$ 및 $10{\mu}M$ ABA 첨가는 다같이 첨가 4시간(時間) 후(後)에 완전(完全)히 ${\alpha}-amylase$의 생성(生成)을 저해(沮害)시켰으며, 배양과정중(培養過程中) $5{\mu}M$ ABA 첨가는 GA의 농도(濃度)에 관계(關係)없이 완전(完全)히 ${\alpha}-amylase$의 생성(生成)을 저해(沮害)시켰다. 3) ABA는 무배아반편종자(無胚芽半片種子)에서 ${\alpha}-amylase$의 분비(分泌)에 별(別) 영향(影響)을 주지 않았다. 4) 무배아반편종자(無胚芽半片種子)에서 GA 단독(單獨) 처리구(處理區)와 GA-ABA 처리구간(處理區間)에 핵산(核酸)의 분획(分劃)에서 별(別) 이(異)가 없었다. 5) 초엽에서 GA의 처리(處理)는 r-RNA 획분(劃分)을 증가(增加)시킨 반면(反面) ABA 처리(處理)는 r-RNA 획분(劃分)을 감소(減少)시킴과 동시(同時)에 s-RNA 획분(劃分)을 증가(增加)시켰는권(權) 이는 이들 hormone이 RNase의 활성(活性)에 상이(相異)한 영향(影響)을 준 것으로 보였다. 6) 초엽에서 ABA 처리(處理)는 RNA-DNA 획분(劃分)의 성분비(成分比)를 감소(減少)시켰다. 7) 초엽에서 GA 처리(處理)는 RNase의 활성(活性)을 감소(減少)시켰으나 ABA 처리(處理)는 이의 활성(活性)을 증대(增大)시켰다. 8) 초엽에서 GA 처리(處理)는 총(總) RNA에 큰 영향(影響)을 주지 않았으나 ABA 처리(處理)는 이를 현저히 감소(減少)시켰다. 9) 초엽에 있어서 GA 처리(處理)는 초엽의 생장(生長) 및 chlorophyll 함량(含量)을 증가(增加)시켰으나 ABA 처리(處理)는 이들을 감소(減少)시켰다. 10) 초엽에서 GA 처리(處理)는 단백질(蛋白質) 및 polysome의 형성(形成)을 촉진(促進)시켰으나 ABA 처리(處理)는 이들을 감소(減少)시켰다. 11) ABA 처리(處理)는 polysome의 형성(形成)이 저해(沮害)되는 까닭은 ABA가 r-RNA의 합성(合成)을 저해(沮害)하는 것으로 보였다.

• 지능정보연구
• /
• 제20권3호
• /
• pp.109-131
• /
• 2014

최근 전 세계적인 원전 설비의 수요 증가로 원자력 전략물자 취급의 중요성이 높아지는 가운데, 국외 수출을 위한 원전 관련 물품 및 기술의 신청 또한 급증하는 추세이다. 전략물자 사전판정 업무는 통상 원자력 물자 관리에 해박한 전문가의 경험 및 지식에 근거하여 수행되어 왔지만, 급증하는 수요에 상응하는 전문 인력의 공급이 부족한 실정이다. 이러한 문제를 극복하기 위하여, 본 연구진은 전략물자 수출 통제를 위한 사례 기반 지능형 수출 통제 시스템을 설계 및 개발하였다. 이 시스템은 현장 전문가의 전담 업무이던 신규 사례에 대한 전략물자 사전판정 과정 업무의 주요 맥락을 자동화 하여 전문가 및 관계 기관이 감당해야 할 업무 부담을 줄이며, 빠르고 정확한 판정을 돕는 의사결정 지원 시스템의 역할을 맡는다. 개발된 시스템은 사례 기반 추론 (Case Based Reasoning) 방식에 기반을 두어 설계되었는데, 이는 과거 사례의 특성을 활용하여 신규 사례의 해법을 유추하는 추론 방법이다. 본 연구에서는 자연어로 작성된 전자문서 처리에 널리 사용되는 텍스트 마이닝 분석 기법을 원자력 분야에 특화된 형태로 응용하여 전략물자 수출통제 시스템을 설계하였다. 시스템 설계의 근거로 선행 연구에서 제안된 반자동식 핵심어 추출 방안의 성능을 보다 엄밀히 검증하였고, 추출된 핵심어로 신규 사례와 유사한 과거 사례를 추출하는 알고리즘을 제안하였다. 제안된 방안은 텍스트 마이닝 분야의 TF-IDF 방법 및 코사인 유사도 점수를 활용한 결과(${\alpha}$)와 원자력 분야에서 통용되는 개념적 지식을 계통으로 분류하여 도출한 결과(${\beta}$)를 조합하여 최종 결과 (${\gamma}$) 를 생성하게 된다. 세부 요소 기술의 성능 검증은 임상 데이터를 활용한 실험 및 실무 전문가의 의견수렴을 통해 이루어졌다. 개발된 시스템은 사전판정 전문 인력을 다수 양성하는 데 드는 비용을 절감하는 데 일조할 것이며, 지식서비스 산업의 의미 있는 응용 사례로서 관련 산업의 성장에 기여할 수 있을 것으로 보인다.