• 한국미생물·생명공학회지
• /
• 제37권3호
• /
• pp.231-237
• /
• 2009

재조합 대장균으로부터 고순도 베타-카로틴을 효율적으로 회수하기 위한 추출정제 방법을 개발하기 위하여 세포파쇄의 유무, 추출온도, 추출용매의 종류, 세포 대 추출용매의 비율 및 결정세척 용매의 선정이 베타-카로틴 추출수율과 순도에 미치는 영향을 조사하였다. 세포파쇄의 유무는 베타-카로틴 추출수율에 영향을 미치지 않았으므로 별도의 물리적 세포파쇄 단계가 생략되었다. 테스트된 용매 종류에 관계없이 $50^{\circ}C$에서 베타-카로틴의 추출수율은 $30^{\circ}C$에서보다 월등히 높았다. 아이소부틸 아세테이트에 의해 추출되는 베타-카로틴의 양은 추출성능이 제일 낮은 아세톤을 사용한 경우에 비해 7.6배 높았다. 0.4g의 동결건조세포로부터 베타-카로틴을 최대로 추출하기 위해 필요한 아이소부틸 아세테이트의 최적양은 10mL였고, 이는 단위 건조 세포(g-dry cells)당 25mL의 아이소부틸 아세테이트가 필요함을 의미하였다. 아세톤과 올리브오일을 동일비율로 혼합한 용액에 의한 추출양은 아세톤만을 사용한 경우보다 훨씬 높았고 가장 높은 값을 나타낸 아이소부틸 아세테이트에 의한 값과 비슷한 수치를 나타내었다. 추출액에 용해되어 있는 베타-카로틴의 결정 생성을 촉진시켜 베타-카로틴을 추출용액으로 분리하여 얻어진 베타-카로틴 결정의 순도는 89%으나 이를 에탄올로 세척 시 순도가 98.5%로 향상되었다. HPLC, 분광광도계 분석외에 추가적으로 질량분석을 수행함으로써 회수된 결정이 베타-카로틴임을 확인하였다. 이와 같은 결과는 본 연구팀에서 개발한 방법으로 식품의약 안전청에서 고시한 화장품 및 식품의 첨가물 기준을 만족시키는 고순도 베타-카로틴을 효율적으로 생산할 수 있음을 시사한다.

• 한국가축번식학회지
• /
• 제24권1호
• /
• pp.89-95
• /
• 2000

본 실험은 초자화동결된 소 배반포기배를 실험현장에서 효율적으로 융해할 수 있는 기술을 찾고자 실시하였다. 초자화동결은 glycerol (G)과 ethylene glycol (EG) 그리고 10% FBS가 들어있는 m-DPBS를 이용하였으며, 배반포기배는 3단계로 초자화동결 되었는데, 10% G에 5분간 평형, 10% G와 20% EG에 5분간 평형, 그리고 25% G와 25% EG에 30초간 노출하였다. 질소 증기를 3분간 씌고 액화질소에 침지하였다. 융해는 straw 를 공기 중에서 10초간 노출시키고, $25^{\circ}C$ 물에서 빙정이 없어질 때까지 녹인 후 $25^{\circ}C$ 와 36$^{\circ}C$ 에 각각 시간차에 따라 처리군을 나누었다. 초자화동결된 배반포기배를 융해시 시간차에 따라 체외생존능은 융해 24시간과 48시간 후 재팽창과 완전탈출 배반포기배로 평가하였다. 그 결과를 요약하면 다음과 같다. 1) 초자화 동결된 배반포기를 융해시 시간차에 따라 체외생존농을 보았을 때, 1분으로 융해한 군이(86.6, 56.6%) 다른 처리군들보다 (2분 : 93.5, 35.4% ; 2.5분 : 76.9, 30.7% ; 3분 : 88.8, 36.1%; 3.5분 : 83.7, 8.1%) 체외생존능이 높게 나타났다. 2) 1분 융해방법으로 배반포기배의 발달단계에 따라 생존능을 조사하였을 때, 융해 48시간 후 빠르게 발달된 배반포기배의 부화율 (팽윤 : 93.8, 56.3% : 부화초기 : 86.2, 58.6%)은 느리게 발달하는 난자군의 부화율 (초기 : 83.3, 36.6%) 보다 높은 체외생존능을 나타내었다. 3) 또한, 1분 융해방법으로 배반포기배가 생산된 나이에 따라 체외생존능을 조사하였을 때, 융해 48시간 후, 7일 (66.6%) 과 8일 (60.0%)에 생산된 배반포기배가 9일 (22.7%)에 생산된 완전탈출 배반포기배율 보다 유의하게 높은 체외생존율을 나타내었다 (P＜0.05). 그러므로 초자화동결된 배반포기배를 1분 융해방법으로 융해하였을 때 빠르고 효율적으로 체외생존능을 얻을 수 있음을 알 수 있었다.

• 대한핵의학회지
• /
• 제39권3호
• /
• pp.182-190
• /
• 2005

목적: CT기반 감쇠보정 영상의 표준섭취계수(Standard Uptake Value:SUV)가 $^{137}Cs$ 기반 감쇠보정 영상의 SUV보다 높다. 이 연구에서는 이러한 오차가 생기는 원인을 밝히고자 감쇠계수가 정확하게 변환되었는지 여부를 관심영역 분석을 통하여 평가하였다. 대상 및 방법: Philips GEMINI PET/CT는 X-ray CT (평균 40 keV) 혹은 $^{137}Cs$ (662 keV) 투과영상을 감쇠보정에 이용하는데 GEMINI PET/CT에서 사용하는 각각 선원의 에너지는 511 keV에서 얻은 감쇠계수와 틀리기 때문에 스캐너 내부에 장착된 감쇠계수 변환 알고리즘을 이용하여 511 keV에 해당하는 감쇠계수 값으로 변환된 감쇠지도를 사용하므로 감쇠계수의 변환이 정확하게 이루어졌는지 평가하는 것이 중요하다. 각각의 실험과정은 다음과 같다. 먼저 시스템 성능평가 팬텀 CT 투과 영상을 사용하여 Hounsfield units (HU)값을 측정하였다. 다음으로 NEMA 타원형 ECT 팬텀의 CT, $^{137}Cs$ 투과영상을 얻어 $^{68}Ge$ 투과선원을 장착한 Siemens ECAT EXACT 47 PET 스캐너에서 얻은 팬텀 투과 영상과 비교하여 감쇠계수가 511 keV에 해당하는 감쇠계수로 잘 변환되었는지 측정하였고 Gammex 467 electron density CT 팬텀의 CT, $^{137}Cs$ 투과영상에서 관심영역 분석을 하여 다양한 전자밀도 값에 대한 감쇠계수 변환의 정확성을 평가하였다. 또, 재구성한 영상에 미치는 영향을 평가하기 위하여 정상 및 병적 조직에서 CT, $^{137}Cs$ 기반 감쇠계수와 표준섭취계수를 비교하였다. 결과: CT에서 측정한 HU는 신뢰할 수 있는 값임을 확인하였으나 전자밀도와 원자번호가 큰 영역에서 CT 기반 감쇠계수에 오차가 있었는데 NEMA 타원형 ECT 팬텀 실험결과에 의하면 뼈 영역에서 오차는 11%이었다. 임상데이터에서도 마찬가지로 CT를 이용하여 얻은 감쇠계수가 $^{137}Cs$을 이용하여 얻은 감쇠계수보다 낮았고 전자밀도와 원자번호가 큰 영역에서 오차가 컸다. 그러나, 표준섭취계수는 $^{137}Cs$를 사용하여 감쇠보정을 한 영상의 값이 CT를 이용하여 감쇠보정을 한 값보다 오히려 낮았고 표준섭취계수의 백분율 차이는 $6.6{\sim}52.7%$이었다. 결론: CT의 HU가 정확함에도 불구하고 뼈 영역에서 CT 투과영상을 기반으로 한 감쇠계수의 변환이 부정확하고 CT 및 $^{137}Cs$ 투과영상을 기반으로 얻은 표준 섭취계수에 차이가 있으므로 이에 관한 추가적인 연구가 필요할 것으로 생각한다.

• 지능정보연구
• /
• 제26권1호
• /
• pp.1-21
• /
• 2020

인공지능 기술의 급속한 발전과 함께 빅데이터의 상당 부분을 차지하는 비정형 텍스트 데이터로부터 의미있는 정보를 추출하기 위한 다양한 연구들이 활발히 진행되고 있다. 비즈니스 인텔리전스 분야에서도 새로운 시장기회를 발굴하거나 기술사업화 주체의 합리적 의사결정을 돕기 위한 많은 연구들이 이뤄져 왔다. 본 연구에서는 기업의 성공적인 사업 추진을 위해 핵심적인 정보 중의 하나인 시장규모 정보를 도출함에 있어 기존에 제공되던 범위보다 세부적인 수준의 제품군별 시장규모 추정이 가능하고 자동화된 방법론을 제안하고자 한다. 이를 위해 신경망 기반의 시멘틱 단어 임베딩 모델인 Word2Vec 알고리즘을 적용하여 개별 기업의 생산제품에 대한 텍스트 데이터를 벡터 공간으로 임베딩하고, 제품명 간 코사인 거리(유사도)를 계산함으로써 특정한 제품명과 유사한 제품들을 추출한 뒤, 이들의 매출액 정보를 연산하여 자동으로 해당 제품군의 시장규모를 산출하는 알고리즘을 구현하였다. 실험 데이터로서 통계청의 경제총조사 마이크로데이터(약 34만 5천 건)를 이용하여 제품명 텍스트 데이터를 벡터화 하고, 한국표준산업분류 해설서의 산업분류 색인어를 기준으로 활용하여 코사인 거리 기반으로 유사한 제품명을 추출하였다. 이후 개별 기업의 제품 데이터에 연결된 매출액 정보를 기초로 추출된 제품들의 매출액을 합산함으로써 11,654개의 상세한 제품군별 시장규모를 추정하였다. 성능 검증을 위해 실제 집계된 통계청의 품목별 시장규모 수치와 비교한 결과 피어슨 상관계수가 0.513 수준으로 나타났다. 본 연구에서 제시한 모형은 의미 기반 임베딩 모델의 정확성 향상 및 제품군 추출 방식의 개선이 필요하나, 표본조사 또는 다수의 가정을 기반으로 하는 전통적인 시장규모 추정 방법의 한계를 뛰어넘어 텍스트 마이닝 및 기계학습 기법을 최초로 적용하여 시장규모 추정 방식을 지능화하였다는 점, 시장규모 산출범위를 사용 목적에 따라 쉽고 빠르게 조절할 수 있다는 점, 이를 통해 다양한 분야에서 수요가 높은 세부적인 제품군별 시장정보 도출이 가능하여 실무적인 활용성이 높다는 점에서 의의가 있다.

• 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.

• 지능정보연구
• /
• 제23권4호
• /
• pp.147-168
• /
• 2017

오래 전부터 학계에서는 정확한 주식 시장의 예측에 대한 많은 연구가 진행되어 왔고 현재에도 다양한 기법을 응용한 예측모형들이 연구되고 있다. 특히 최근에는 딥러닝(Deep-Learning)을 포함한 다양한 기계학습기법(Machine Learning Methods)을 이용해 주가지수를 예측하려는 많은 시도들이 진행되고 있다. 전통적인 주식투자거래의 분석기법으로는 기본적 분석과 기술적 분석방법이 사용되지만 보다 단기적인 거래예측이나 통계학적, 수리적 기법을 응용하기에는 기술적 분석 방법이 보다 유용한 측면이 있다. 이러한 기술적 지표들을 이용하여 진행된 대부분의 연구는 미래시장의 (보통은 다음 거래일) 주가 등락을 이진분류-상승 또는 하락-하여 주가를 예측하는 모형을 연구한 것이다. 하지만 이러한 이진분류로는 추세를 예측하여 매매시그널을 파악하거나, 포트폴리오 리밸런싱(Portfolio Rebalancing)의 신호로 삼기에는 적합치 않은 측면이 많은 것 또한 사실이다. 이에 본 연구에서는 기존의 주가지수 예측방법인 이진 분류 (binary classification) 방법에서 주가지수 추세를 (상승추세, 박스권, 하락추세) 다분류 (multiple classification) 체계로 확장하여 주가지수 추세를 예측하고자 한다. 이러한 다 분류 문제 해결을 위해 기존에 사용하던 통계적 방법인 다항로지스틱 회귀분석(Multinomial Logistic Regression Analysis, MLOGIT)이나 다중판별분석(Multiple Discriminant Analysis, MDA) 또는 인공신경망(Artificial Neural Networks, ANN)과 같은 기법보다는 예측성과의 우수성이 입증된 다분류 Support Vector Machines(Multiclass SVM, MSVM)을 사용하고, 이 모델의 성능을 향상시키기 위한 래퍼(wrapper)로서 유전자 알고리즘(Genetic Algorithm)을 이용한 최적화 모델을 제안한다. 특히 GA-MSVM으로 명명된 본 연구의 제안 모형에서는 MSVM의 커널함수 매개변수, 그리고 최적의 입력변수 선택(feature selection) 뿐만이 아니라 학습사례 선택(instance selection)까지 최적화하여 모델의 성능을 극대화 하도록 설계하였다. 제안 모형의 성능을 검증하기 위해 국내주식시장의 실제 데이터를 적용해본 결과 ANN이나 CBR, MLOGIT, MDA와 같은 기존 데이터마이닝 기법들이나 인공지능 알고리즘은 물론 현재까지 가장 우수한 예측 성과를 나타내는 것으로 알려져 있던 전통적인 다분류 SVM 보다도 제안 모형이 보다 우수한 예측성과를 보임을 확인할 수 있었다. 특히 주가지수 추세 예측에 있어서 학습사례의 선택이 매우 중요한 역할을 하는 것으로 확인 되었으며, 모델의 성능의 개선효과에 다른 요인보다 중요한 요소임을 확인할 수 있었다.