• 한국가금학회지
• /
• 제43권2호
• /
• pp.111-118
• /
• 2016

본 연구에서는 곰팡이 독소에 대한 노출을 확인하기 위한 목적으로 닭의 간, 신장 조직에서 곰팡이 독소 분석법을 확립하였다. 곰팡이 독소의 경우 닭에서 독성이 강하며, 본 실험에서는 가축의 사료에서 주로 확인되는 곰팡이 독소 6종(아플라톡신 $B_1{\cdot}M_1$, 오크라톡신 A, 푸모니신 $B_1$, 데옥시니발레놀, 제랄레논)을 선별하여 추출, 정제조건을 확립하고 LC-MS/MS를 이용하여 분석하였다. 확립된 분석조건에서 검량선은 $R^2$값이 0.99 이상으로 우수한 직선성을 나타내었다. QUECHERS법을 응용하여 닭 간, 신장 시료에서 곰팡이 독소를 추출, 정제하여 분석하였을 때 곰팡이 독소 4종(아플라톡신 $B_1$, 오크라톡신 A, 데옥시니발레놀, 제랄레논)의 평균 회수율은 80.94~98.10%이고, 상대표준편차도 14% 미만으로 조사되어 높은 정확도와 정밀도를 확인할 수 있었다. 검량선에 근거하였을 때 곰팡이 독소 6종에 대하여 닭 간 시료의 경우 검출한계는 $7.6{\sim}145.79{\mu}g/kg$, 정량한계는 $23.04{\sim}441.78{\mu}g/kg$이었다. 닭 신장의 경우 검출한계는 $6.07{\sim}197.20{\mu}g/kg$, 정량한계는 $18.40{\sim}597.59{\mu}g/kg$으로 나타났다. 본 연구의 결과 LC-MS/MS를 이용하여 닭의 간, 신장에서 곰팡이 독소 6종 동시 분석법을 확립하였으며, 이는 생체시료에서 효율적인 곰팡이 독소 동시 분석법으로 활용이 가능할 것으로 기대된다.

• 분석과학
• /
• 제35권3호
• /
• pp.136-142
• /
• 2022

안락사 시킨 유기견의 사체를 고온 및 고압 처리하여 가루로 만들고 사료 원료(육골분)로 사용했다는 언론보도에 따라 안락사에 사용된 마취제 케타민과 덱스메데토미딘의 사료 내 잔류가능성이 제기되었다. 이에 신속한 잔류 조사를 위해 QuEChERS 전처리와 질량분석기를 이용한 동시분석법을 개발하였다. 개발된 동시분석법의 직선성은 0.999 이상을 보였다. 선택성은 무처리 시료와 케타민과 덱스메데토미딘이 정량한계수준으로 처리된 시료의 비교를 통해 평가하였고, MRM 크로마토그램을 확인한 결과 각각의 머무름 시간에서 매질의 간섭은 없었다. 검출한계는 0.6 ㎍/L, 정량한계는 2 ㎍/L로 설정하였으며, 분석법의 최종 정량한계는 10 ㎍/kg로 설정하였다. 육골분, 육분, 애완용 배합사료 중 케타민의 회수율 실험 결과, 80.48-98.63 %, 상대표준편차 5.00 % 이하의 결과를 보였으며, 덱스메데토미딘은 회수율 72.75-93.00 %, 상대표준편차 4.83 % 이하의 결과를 보였다. 개발된 분석법을 활용하여 케타민과 덱스메데토미딘의 잔류실태조사를 실시하였다. 해당 원료가 배포된 시기에 제조된 육골분 등의 사료 6 점을 수거하여 분석한 결과, 육골분 시료 한점에서 케타민이 10.8 ㎍/kg이 검출되었고, 덱스메데토미딘은 정량 한계 미만의 농도로 확인되었다. 이에 해당 원료를 사용한 제품은 전량 회수, 폐기되었다. 이후에도 육골분 사료의 안전성 확보를 위해 육골분 및 배합사료 등의 시료 32점을 추가로 수거하여 케타민과 덱스메데토미딘에 대한 잔류 조사를 실시 하였고, 분석결과 두 성분 모두 검출되지 않았다. 하지만 이번 조사를 통해 마취제 같은 의약품들이 고온 및 고압에도 분해되지 않고 잔류할 수 있다는 사실을 확인하였고, 이에 따라 육골분 사료에서 관리하고 있지 않은 다른 잠재적 유해물질들에 대한 조사의 필요성이 제기되었다.

• 한국미생물·생명공학회지
• /
• 제50권4호
• /
• pp.548-556
• /
• 2022

Quorum quenching 활성을 나타내는 acylase 효소는 생물막 형성에 중요한 영향을 미친다. 본 연구에서는 acylase 처리 조건(acylase 처리 시기 및 기간)이 다종 생물막(multispecies biofilm) 형성에 미치는 영향을 규명하였다. 서로 다른 속(genus)에 속하는 9종의 박테리아로 구성된 컨소시엄을 사용하여 acylase 처리 조건에 따른 10가지 episode에서 다양한 acylase 농도(1, 5, 10, 20, 50 mg·l^-1)에 따라 5일 동안 생물막을 형성시켰다. 각 농도별로 5일 동안 acylase를 처리한 조건에서 acylase의 농도가 증가함에 따라 생물막 형성은 억제되었다(linear regression, Y = -0.05· x + 2.37, p < 0.05, R² = 0.88). 모든 acylase 농도 조건에서 acylase를 생물막이 형성된 후에 처리한 경우(L1-L4)에 비해서 생물막 형성 시작 단계에 처리한 경우(B1-B4) 생물막 형성이 더 효과적으로 억제되었다(p < 0.05). ANOVA 결과에 따르면 acylase 10 mg·l^-1 이상 농도에서 acylase 처리 기간(period)은 acylase 처리 시기(application timings, beginning or later)에 상관없이 생물막 형성에 영향을 미쳤다(p < 0.05). 각 농도별 처리 시기(L1-L4 또는 B1-B4)에서 처리 기간과 생물막 형성 사이의 선형 회귀 분석 결과에 따르면 acylase 10 mg·l^-1 이상 농도에서 acylase 처리 기간이 증가함에 따라 생물막 형성은 억제되었다(p < 0.05, 20 mg·l^-1 농도의 L1-L4 제외). 시간에 따른 생물막 형성 결과에 따르면 모든 10가지 episode에서 생물막은 시간에 따라 점차 증가했으며(p < 0.05), 배양 시간과 생물막 형성 사이의 선형 회귀 분석 기울기 값은 acylase를 생물막 형성 시작 단계에 처리했을 때 더 낮게 나타났다(p < 0.05). 본 연구 결과는 생물막 형성 억제에 대한 acylase의 처리 시기 및 기간의 중요성을 시사한다.

• 지능정보연구
• /
• 제23권4호
• /
• pp.127-146
• /
• 2017

상품자산(Commodity Asset)은 주식, 채권과 같은 전통자산의 포트폴리오의 안정성을 높이기 위한 대체투자자산으로 자산배분의 형태로 투자되고 있지만 주식이나 채권 자산에 비해 자산배분에 대한 모델이나 투자전략에 대한 연구가 부족한 실정이다. 최근 발전한 기계학습(Machine Learning) 연구는 증권시장의 투자부분에서 적극적으로 활용되고 있는데, 기존 투자모델의 한계점을 개선하는 좋은 성과를 나타내고 있다. 본 연구는 이러한 기계학습의 한 기법인 SVM(Support Vector Machine)을 이용하여 상품자산에 투자하는 모델을 제안하고자 한다. 기계학습을 활용한 상품자산에 관한 기존 연구는 주로 상품가격의 예측을 목적으로 수행되었고 상품을 투자자산으로 자산배분에 관한 연구는 찾기 힘들었다. SVM을 통한 예측대상은 투자 가능한 대표적인 4개의 상품지수(Commodity Index)인 골드만삭스 상품지수, 다우존스 UBS 상품지수, 톰슨로이터 CRB상품지수, 로저스 인터내셔날 상품지수와 대표적인 상품선물(Commodity Futures)로 구성된 포트폴리오 그리고 개별 상품선물이다. 개별상품은 에너지, 농산물, 금속 상품에서 대표적인 상품인 원유와 천연가스, 옥수수와 밀, 금과 은을 이용하였다. 상품자산은 전반적인 경제활동 영역에 영향을 받기 때문에 거시경제지표를 통하여 투자모델을 설정하였다. 주가지수, 무역지표, 고용지표, 경기선행지표 등 19가지의 경제지표를 이용하여 상품지수와 상품선물의 등락을 예측하여 투자성과를 예측하는 연구를 수행한 결과, 투자모델을 활용하여 상품선물을 리밸런싱(Rebalancing)하는 포트폴리오가 가장 우수한 성과를 나타냈다. 또한, 기존의 대표적인 상품지수에 투자하는 것 보다 상품선물로 구성된 포트폴리오에 투자하는 것이 우수한 성과를 얻었으며 상품선물 중에서도 에너지 섹터의 선물을 제외한 포트폴리오의 성과가 더 향상된 성과를 나타남을 증명하였다. 본 연구에서는 포트폴리오 성과 향상을 위해 기존에 널리 알려진 전통적 주식, 채권, 현금 포트폴리오에 상품자산을 배분하고자 할 때 투자대상은 상품지수에 투자하는 것이 아닌 개별 상품선물을 선정하여 자체적 상품선물 포트폴리오를 구성하고 그 방법으로는 기간마다 강세가 예측되는 개별 선물만을 골라서 포트폴리오를 재구성하는 것이 효과적인 투자모델이라는 것을 제안한다.

• 지능정보연구
• /
• 제18권2호
• /
• pp.29-45
• /
• 2012

회사채 신용등급은 투자자의 입장에서는 수익률 결정의 중요한 요소이며 기업의 입장에서는 자본비용 및 기업 가치와 관련된 중요한 재무의사결정사항으로 정교한 신용등급 예측 모형의 개발은 재무 및 회계 분야에서 오랫동안 전통적인 연구 주제가 되어왔다. 그러나, 회사채 신용등급 예측 모형의 성과와 관련된 가장 중요한 문제는 등급별 데이터의 불균형 문제이다. 예측 문제에 있어서 데이터 불균형(Data imbalance) 은 사용되는 표본이 특정 범주에 편중되었을 때 나타난다. 데이터 불균형이 심화됨에 따라 범주 사이의 분류경계영역이 왜곡되므로 분류자의 학습성과가 저하되게 된다. 본 연구에서는 데이터 불균형 문제가 존재하는 다분류 문제를 효과적으로 해결하기 위한 다분류 기하평균 부스팅 기법 (Multiclass Geometric Mean-based Boosting MGM-Boost)을 제안하고자 한다. MGM-Boost 알고리즘은 부스팅 알고리즘에 기하평균 개념을 도입한 것으로 오분류된 표본에 대한 학습을 강화할 수 있으며 불균형 분포를 보이는 각 범주의 예측정확도를 동시에 고려한 학습이 가능하다는 장점이 있다. 회사채 신용등급 예측문제를 활용하여 MGM-Boost의 성과를 검증한 결과 SVM 및 AdaBoost 기법과 비교하여 통계적으로 유의적인 성과개선 효과를 보여주었으며 데이터 불균형 하에서도 벤치마킹 모형과 비교하여 견고한 학습성과를 나타냈다.