• 핵의학기술
• /
• 제23권2호
• /
• pp.51-58
• /
• 2019

핵의학 체외 검사실 에서는 시약 Lot가 변경될 때, Lot 간의 결과가 신뢰성이 있는지를 판단하기 위해 Lot 간 동등성 검사(comparability test between reagent lots) 또는 시약 병행 검사(reagent parallel test)를 시행하는데, 다수의 국내 검사실에서는 두 lot 간 결과 차이로부터 %difference를 구하여 저농도에서는 20% 이내, 중 고농도에서는 10% 이내로 설정하고 있으며 범위를 벗어 날 경우 재검사 시행으로 범위를 맞추는 실정이다. 따라서 본원의 핵의학 체외 검사실에서 시행되는 몇 가지 검사를 선정하여 parallel test의 결과를 분석해보았고, 검사별 맞춤 %difference 값 선정에 도움 될 만한 참고 자료를 마련해 보고자 하였다. Thyroid-stimulating hormone(TSH), Free thyroxine(FT4), Carcinoembryonic antigen(CEA), CA-125, Prostate-specific antigen(PSA) 그리고 HBs-Ab, insulin, 7종목에 대해 2018 1월부터 2018년 11월까지의 기간 동안의 시약 lot 변화에 따른 정도 관리 물질의 결과를 분석하였다. TSH, F-T4, CEA, CA-125, PSA의 측정에는 IRMA의 원리를 이용한 RIA-MAT 280 system이 사용되었고, Insulin의 측정에는 TECAN 자동화 분주 장비와 GAMMA-10 측정 장비가 사용되었다. HBs-Ab의 측정에는 HAMILTON 자동화 분주 장비와 GAMMA-10 측정 장비가 사용되었다. 각각 전용 시약과 전용 칼리브레이터, 전용 정도 관리 물질이 사용되었다. 1. TSH [%diffrence Max / Mean / Median] (P-value by t-test > 0.05) C-1(저농도) [14.8 / 4.4 / 3.7 / 0.0 ] C-2(중농도) [10.1 / 4.2 / 3.7 / 0.0] 2. FT4 [%diffrence Max / Mean / Median] (P-value by t-test > 0.05) C-1(저농도) [10.0 / 4.2 / 3.9 / 0.0] C-2(고농도) [9.6 / 3.3 / 3.1 / 0.0 ] 3. CA-125 [%diffrence Max / Mean / median] (P-value by t-test > 0.05) C-1(중농도) [9.6 / 4.3 / 4.3 / 0.3] C-2(고농도) [6.5 / 3.5 / 4.3 / 0.4] 4. CEA [%diffrence Max / Mean / median] (P-value by t-test > 0.05) C-1(저농도) [9.8 / 4.2 / 3.0 / 0.0] C-2(중농도) [8.7 / 3.7 / 2.3 / 0.3] 5. PSA [%diffrence Max / Mean / Median] (P-value by t-test > 0.05) C-1(저농도) [15.4 / 7.6 / 8.2 / 0.0] C-2(중농도) [8.8 / 4.5 / 4.8 / 0.9] 6. HBs-Ab [%diffrence Max / Mean / Median] (P-value by t-test > 0.05) C-1(중농도) [9.6 / 3.7 / 2.7 / 0.2] C-2(고농도) [8.9 / 4.1 / 3.6 / 0.3] 7. insulin [%diffrence Max / Mean / Median] (P-value by t-test > 0.05) C-1(중농도) [8.7 / 3.1 / 2.4 / 0.9] C-2(고농도) [8.3 / 3.2 / 1.5 / 0.1] 모두 정도 관리 물질의 lot 변경 시에도 유의미한 차이가 없었으며 표본 수가 늘어남에 따라 검사실과 검사 종목 별 맞춤 허용 기준을 설정할 수 있을 것이라 기대할 수 있었다. 면역 방사 계수 측정법에서 비교적 검출률이 높은 종목들을 선정해서 일 것이라 판단되며 여러 번 재 측정된 결과 값이기 때문일 수도 있겠다. 대부분의 검사 결과에서 허용 기준인 10%에 크게 못 미치는 차이를 보였으며 저농도 target 값을 가진 경우에도 허용 기준인 20%에 가까운 수치를 보이진 않았다. 더 오랜 기간 동안의 관찰과 연구를 통해 평균의 균질화가 이루어진다면 종목 별 검사실 맞춤 허용 기준을 얻을 수 있을 것으로 판단되며 더 다양한 변수를 고려한 관찰과 연구도 필요할 것이다.

• 지능정보연구
• /
• 제26권4호
• /
• pp.127-148
• /
• 2020

데이터 센터는 컴퓨터 시스템과 관련 구성요소를 수용하기 위한 물리적 환경시설로, 빅데이터, 인공지능 스마트 공장, 웨어러블, 스마트 홈 등 차세대 핵심 산업의 필수 기반기술이다. 특히, 클라우드 컴퓨팅의 성장으로 데이터 센터 인프라의 비례적 확장은 불가피하다. 이러한 데이터 센터 설비의 상태를 모니터링하는 것은 시스템을 유지, 관리하고 장애를 예방하기 위한 방법이다. 설비를 구성하는 일부 요소에 장애가 발생하는 경우 해당 장비뿐 아니라 연결된 다른 장비에도 영향을 미칠 수 있으며, 막대한 손해를 초래할 수 있다. 특히, IT 시설은 상호의존성에 의해 불규칙하고 원인을 알기 어렵다. 데이터 센터 내 장애를 예측하는 선행연구에서는, 장치들이 혼재된 상황임을 가정하지 않고 단일 서버를 단일 상태로 보고 장애를 예측했다. 이에 본 연구에서는, 서버 내부에서 발생하는 장애(Outage A)와 서버 외부에서 발생하는 장애(Outage B)로 데이터 센터 장애를 구분하고, 서버 내에서 발생하는 복합적인 장애 분석에 중점을 두었다. 서버 외부 장애는 전력, 냉각, 사용자 실수 등인데, 이와 같은 장애는 데이터 센터 설비 구축 초기 단계에서 예방이 가능했기 때문에 다양한 솔루션이 개발되고 있는 상황이다. 반면 서버 내 발생하는 장애는 원인 규명이 어려워 아직까지 적절한 예방이 이뤄지지 못하고 있다. 특히 서버 장애가 단일적으로 발생하지 않고, 다른 서버 장애의 원인이 되기도 하고, 다른 서버부터 장애의 원인이 되는 무언가를 받기도 하는 이유다. 즉, 기존 연구들은 서버들 간 영향을 주지 않는 단일 서버인 상태로 가정하고 장애를 분석했다면, 본 연구에서는 서버들 간 영향을 준다고 가정하고 장애 발생 상태를 분석했다. 데이터 센터 내 복합 장애 상황을 정의하기 위해, 데이터 센터 내 존재하는 각 장비별로 장애가 발생한 장애 이력 데이터를 활용했다. 본 연구에서 고려되는 장애는 Network Node Down, Server Down, Windows Activation Services Down, Database Management System Service Down으로 크게 4가지이다. 각 장비별로 발생되는 장애들을 시간 순으로 정렬하고, 특정 장비에서 장애가 발생하였을 때, 발생 시점으로부터 5분 내 특정 장비에서 장애가 발생하였다면 이를 동시에 장애가 발생하였다고 정의하였다. 이렇게 동시에 장애가 발생한 장비들에 대해서 Sequence를 구성한 후, 구성한 Sequence 내에서 동시에 자주 발생하는 장비 5개를 선정하였고, 선정된 장비들이 동시에 장애가 발생된 경우를 시각화를 통해 확인하였다. 장애 분석을 위해 수집된 서버 리소스 정보는 시계열 단위이며 흐름성을 가진다는 점에서 이전 상태를 통해 다음 상태를 예측할 수 있는 딥러닝 알고리즘인 LSTM(Long Short-term Memory)을 사용했다. 또한 단일 서버와 달리 복합장애는 서버별로 장애 발생에 끼치는 수준이 다르다는 점을 감안하여 Hierarchical Attention Network 딥러닝 모델 구조를 활용했다. 본 알고리즘은 장애에 끼치는 영향이 클 수록 해당 서버에 가중치를 주어 예측 정확도를 높이는 방법이다. 연구는 장애유형을 정의하고 분석 대상을 선정하는 것으로 시작하여, 첫 번째 실험에서는 동일한 수집 데이터에 대해 단일 서버 상태와 복합 서버 상태로 가정하고 비교분석하였다. 두 번째 실험은 서버의 임계치를 각각 최적화 하여 복합 서버 상태일 때의 예측 정확도를 향상시켰다. 단일 서버와 다중 서버로 각각 가정한 첫 번째 실험에서 단일 서버로 가정한 경우 실제 장애가 발생했음에도 불구하고 5개 서버 중 3개의 서버에서는 장애가 발생하지 않은것으로 예측했다. 그러나 다중 서버로 가정했을때에는 5개 서버 모두 장애가 발생한 것으로 예측했다. 실험 결과 서버 간 영향이 있을 것이라고 추측한 가설이 입증된 것이다. 연구결과 단일 서버로 가정했을 때 보다 다중 서버로 가정했을 때 예측 성능이 우수함을 확인했다. 특히 서버별 영향이 다를것으로 가정하고 Hierarchical Attention Network 알고리즘을 적용한 것이 분석 효과를 향상시키는 역할을 했다. 또한 각 서버마다 다른 임계치를 적용함으로써 예측 정확도를 향상시킬 수 있었다. 본 연구는 원인 규명이 어려운 장애를 과거 데이터를 통해 예측 가능하게 함을 보였고, 데이터 센터의 서버 내에서 발생하는 장애를 예측할 수 있는 모델을 제시했다. 본 연구결과를 활용하여 장애 발생을 사전에 방지할 수 있을 것으로 기대된다.

• 농약과학회지
• /
• 제15권4호
• /
• pp.545-572
• /
• 2011

벼줄무늬잎마름바이러스(Rice stripe virus, RSV)에 대하여 유전자 진단기술인 RT-PCR과 VC/RT-PCR 기술을 개발하였다. ELISA 진단법은 유묘 검정법 보다 평균 40.5%, RT-PCR 진단법은 ELISA 진단법 보다 21%의 진단 효율이 높았다. 2009년 경기도 김포, 평택, 시흥 지역에서 채집한 애멸구의 보독충률을 VC/RT-PCR 진단법과 ELISA 진단법으로 검정한 결과 전체 평균 보독충률은 9.2%로 동일하였다. 벼줄무늬잎마름바이러스가 감염된 벼 포장에서 수집한 13개 분리주의 유전자 유연성은 RNA1과 RNA2는 중국+한국, 중국+한국+일본의 2개의 군으로 구분되었다. 또한 병원성 발현에 관여하는 RNA3는 중국, 중국+한국, 한국+일본의 3개 군으로, RNA4는 중국, 한국, 중국+한국+일본, 한국+일본의 4개의 군으로 구분되었다. 경기도 등 7개 도의 주요 28개의 재배지역에서 채집한 애멸구의 전국 평균 보독충률은 2008년 4.3%, 2009년 6.1%, 2010년 7.2%로 매년 상승하였다. 2008년에는 경기도가 11.3%로 가장 높았으며, 2009년에는 전라남도가 20.1%, 2010년에는 경기도 12.0%, 충청북도 14.2%로 가장 높았다. 보독충률이 가장 높았던 지역은 2008년에는 전북 부안 지역이 22.1%, 2009년에는 전남 완도와 진도가 36%, 2010년에는 충북 보은이 30.0%였다. 월동 애멸구의 전국 평균 밀도는 2008년 13.1 마리, 2009년 13.9 마리, 2010년 5.6 마리였으며, 월동 애멸구의 밀도는 전북 부안 지역이 2008년 39.1 마리, 2009년 60.4 마리로 가장 높았으며, 2010년에는 경기 평택 지역이 14.0 마리로 가장 높았다. 2008년 RSV 발생은 전남 진도, 해남 지역을 중심으로 869 ha가 발생하였으며, 2009년에는 전국적으로 21,541 ha가 발생하였으며, 특히 서해안 지역의 경우 경기도, 인천시, 충남, 전북, 전남의 19개 시군, 39개 읍면, 53개 리에서 3,025 포장을 조사한 결과 55.2%가 부분 고사 이상의 피해가 발생하였다. 2008년부터 3년간 전북 부안, 전남 진도 등에서 월동 애멸구의 시기별 발육을 조사한 결과 5월 20일에서 6월 10일 경에는 월동 후 1세대는 대부분 3령과 4령 이었으며 성충은 6월 하순경에 최성기였다. 2009년 5월 31에서 6월 1일에 태안, 서산, 부안, 신안, 진도 등에서 공중 포충망에 채집한 애멸구는 모두 성충이었으며 밀도는 태안 지역이 963 마리, 서천 919 마리, 신안 819 마리 등으로 매우 많이 포획되었으며, 공중 포충망에 채집된 애멸구는 국내에서 월동한 애멸구 집단이 아니고 중국에서 비래한 애멸구 집단으로 확인되었다. 2010년에는 5월 중순에서 6월 중순까지 공중 포충망에 애멸구 성충이 거의 채집되지 않았다. 2009년 충남 홍성, 전북 부안, 전남 영광 등 서해안 8개 지역의 공중 포충망에서 채집한 애멸구 성충의 RSV 보독충률은 2.1%에서 9.5%로 변이가 컸으며, 보령이 9.5%로 가장 높았으며, 다음으로 충남 홍성 7.9%, 전남 영광 6.5%, 충남 태안 6.4%였다. 애멸구 비래 후 약 10일 후에 공중 포충망 주변의 논에 심겨진벼에 대하여 RSV의 유전자 진단 결과 태안 84.6%, 부안 65.4%, 진도 92.9% 이었으며, 평균 감염률은 81% 이었다. 보리는 RSV의 주요 월동 기주식물로 알려져 있으나 RSV의 감염률은 경기 평택 등 전국에서 530점을 채집하여 유전자 진단 결과 감염률이 0.2%로 매우 낮았다. RSV의 새로운 자연 기주식물로 29종이 확인되었다. 하계 일년생 식물은 조개풀 등 13종, 동계 일년생은 들묵새 등 11종, 다년생으로는 우산잔디 등 5종 이었다. RSV 감염률은 동계 일년생인 들묵새 24.9%, 하계 일년생인 바랭이 44.9%, 물피 95.2%, 가을강아지풀 65.5%이었으며, 다년생인 물억새는 33.3%였다. RSV에 감수성인 동진1호 등 8개 품종과 저항성인 삼광벼 등 17개 품종에 대하여 2009년 부안, 익산, 김제 지역의 자연 포장에서 병징 발현 여부를 조사한 결과 감수성 8개 품종은 모두 감수성이었으며, 진성 저항성 품종 중 온누리 등 12개 품종은 감수성이었으며 삼광벼 등 5개 품종은 포장 저항성이었다. RSV에 저항성인 남평벼 등 4 품종과 감수성인 동진1호 등 3 품종을 대상으로 바이러스를 인공접종한 결과 RSV의 병징 발현률은 감수성 품종의 경우 평균 53.3%이었으며 저항성 품종의 경우 평균 34.0%로 19.3% 낮았다. 감수성인 흑남벼와 저항성인 남평벼를 이용하여 병징 발현률과 바이러스 감염률을 조사한 결과 병징 발현률은 흑남벼 28%, 남평벼 12%로 감수성 품종이 병징 발현률이 2배 이상 높았다. 그러나 체내 바이러스 감염률은 흑남벼 85%, 남평벼 97%로 오히려 저항성 품종에서 12%의 높은 감염률을 보였다. 저항성 품종에서의 저항성 기작은 병징 발현에 대한 저항성이며 바이러스 증식에서는 저항성이 아니었다. RSV에 저항성 품종인 남평벼, 온누리와 감수성 품종인 동진1호, 운광벼를 이용하여 생육시기별로 인공접종하여 수량 감소를 2008년부터 3년간 조사한 결과 감수성 품종에서는 주당 수량을 보면 유묘기 감염시 7.8 g, 분얼기 감염시 8.5 g, 최고 분얼기 감염시 13.8 g으로 무처리에 비하면 수량 감소율이 유묘기 51%, 분얼기 46%, 최고 분얼기 13%로 일찍 감염될수록 수량 감소 영향이 컷다. 저항성 품종에서는 시기별 감염과 수량 감소가 통계적으로 상관이 없었다. 자연 발병된 농가 포장에서 운광 품종을 대상으로 태안과 진도지역에서 조사한 결과 발병경률 23.4% 이상이면 발병경률의 증가에 따라서 상관계수 0.94로 수량 감소율도 동일하게 증가하였다.