• Journal of Pharmaceutical Investigation
• /
• 제30권3호
• /
• pp.191-199
• /
• 2000

Genomics is providing targets faster than we can validate them and combinatorial chemistry is providing new chemical entities faster than we can screen them. Historically, the drug discovery cascade has been established as a sequential process initiated with a potency screening against a selected biological target. In this sequential process, pharmacokinetics was often regarded as a low-throughput activity. Typically, limited pharmacokinetics studies would be conducted prior to acceptance of a compound for safety evaluation and, as a result, compounds often failed to reach a clinical testing due to unfavorable pharmacokinetic characteristics. A new paradigm in drug discovery has emerged in which the entire sample collection is rapidly screened using robotized high-throughput assays at the outset of the program. Higher-throughput pharmacokinetics (HTPK) is being achieved through introduction of new techniques, including automation for sample preparation and new experimental approaches. A number of in vitro and in vivo methods are being developed for the HTPK. In vitro studies, in which many cell lines are used to screen absorption and metabolism, are generally faster than in vivo screening, and, in this sense, in vitro screening is often considered as a real HTPK. Despite the elegance of the in vitro models, however, in vivo screenings are always essential for the final confirmation. Among these in vivo methods, cassette dosing technique, is believed the methods that is applicable in the screening of pharmacokinetics of many compounds at a time. The widespread use of liquid chromatography (LC) interfaced to mass spectrometry (MS) or tandem mass spectrometry (MS/MS) allowed the feasibility of the cassette dosing technique. Another approach to increase the throughput of in vivo screening of pharmacokinetics is to reduce the number of sample analysis. Two common approaches are used for this purpose. First, samples from identical study designs but that contain different drug candidate can be pooled to produce single set of samples, thus, reducing sample to be analyzed. Second, for a single test compound, serial plasma samples can be pooled to produce a single composite sample for analysis. In this review, we validated the issue whether the second method can be applied to practical screening of in vivo pharmacokinetics using data from seven of our previous bioequivalence studies. For a given drug, equally spaced serial plasma samples were pooled to achieve a 'Pooled Concentration' for the drug. An area under the plasma drug concentration-time curve (AUC) was then calculated theoretically using the pooled concentration and the predicted AUC value was statistically compared with the traditionally calculated AUC value. The comparison revealed that the sample pooling method generated reasonably accurate AUC values when compared with those obtained by the traditional approach. It is especially noteworthy that the accuracy was obtained by the analysis of only one sample instead of analyses of a number of samples that necessitates a significant man-power and time. Thus, we propose the sample pooling method as an alternative to in vivo pharmacokinetic approach in the selection potential lead(s) from combinatorial libraries.

• 한국농림기상학회지
• /
• 제14권4호
• /
• pp.277-282
• /
• 2012

냉기호 지대 안에서도 일정 수준의 바람이 부는 장소에서는 일 최저기온이 기존 공간기후모형에 의해 예측된 만큼 떨어지지 않음이 관찰되었다. 경남 하동군 악양 집수역 출구부근의 실측자료를 토대로 냉기호가 형성된 25일에 대하여 기존 방법에 의한 일 최저기온 예측 시 발생하는 추정오차를 그 때 관측된 풍속과 비교한 결과 바람이 강해질수록 추정오차가 커지는 경향이 뚜렷해서 풍속이 2m/s에 이르면 냉기호 효과가 완전히 소멸되는 것으로 나타났다. 풍속과 추정오차 간 관계는 Y=2X+0.4 ($R^2$=0.76)로 표현되며 이 식에서 Y는 추정오차($^{\circ}C$), X는 풍속(m/s)이다. 이 식을 기존 일 최저기온 추정모형의 냉기집적효과에 결합하여 악양 집수역 냉기호 수몰지역에 위치한 3곳의 일 최저기온 추정에 이용하였다. 이때 입력 풍속은 바람장 모형 구동에 의한 모의풍속이었다. 추정된 일 최저기온은 오차의 평균평방근(RMSE)이 기존 모형의 1.72에서 1.20으로 줄어들고, 평균오차(ME)로 표현한 편기성(bias)도 -1.33에서 -0.37로 개선되었다.

• Journal of Preventive Medicine and Public Health
• /
• 제55권5호
• /
• pp.464-474
• /
• 2022

Objectives: We introduced the cohort studies included in the Korean Cohort Consortium (KCC), focusing on large-scale cohort studies established in Korea with a prolonged follow-up period. Moreover, we also provided projections of the follow-up and estimates of the sample size that would be necessary for big-data analyses based on pooling established cohort studies, including population-based genomic studies. Methods: We mainly focused on the characteristics of individual cohort studies from the KCC. We developed "PROFAN", a Shiny application for projecting the follow-up period to achieve a certain number of cases when pooling established cohort studies. As examples, we projected the follow-up periods for 5000 cases of gastric cancer, 2500 cases of prostate and breast cancer, and 500 cases of non-Hodgkin lymphoma. The sample sizes for sequencing-based analyses based on a 1:1 case-control study were also calculated. Results: The KCC consisted of 8 individual cohort studies, of which 3 were community-based and 5 were health screening-based cohorts. The population-based cohort studies were mainly organized by Korean government agencies and research institutes. The projected follow-up period was at least 10 years to achieve 5000 cases based on a cohort of 0.5 million participants. The mean of the minimum to maximum sample sizes for performing sequencing analyses was 5917-72 102. Conclusions: We propose an approach to establish a large-scale consortium based on the standardization and harmonization of existing cohort studies to obtain adequate statistical power with a sufficient sample size to analyze high-risk groups or rare cancer subtypes.

• 한국정보전자통신기술학회논문지
• /
• 제16권1호
• /
• pp.41-49
• /
• 2023

CNN(Convolutional Neural Network) 알고리즘은 인공신경망 구현에 활용되는 대표적인 알고리즘으로 기존 FNN(Fully connected multi layered Neural Network)의 문제점인 연산의 급격한 증가와 낮은 객체 인식률을 개선하였다. 그러나 IT 기기들의 급격한 발달로 최근 출시된 스마트폰 및 태블릿의 카메라에 촬영되는 이미지들의 최대 해상도는 108MP로 약 1억 8백만 화소이다. 특히 CNN 알고리즘은 고해상도의 단순 이미지를 학습 및 처리에 많은 비용과 시간이 요구된다. 이에 본 논문에서는 고해상도 단순 이미지의 객체 분류 학습모델 구현을 위한 개선된 CNN 알고리즘을 제안한다. 제안하는 알고리즘은 고해상도의 이미지들의 학습모델 생성 시간을 감소하기 위해 CNN 알고리즘의 풀링계층의 Max Pooling 알고리즘 연산을 위한 인접 행렬 값을 변경한다. 변경한 행렬 값마다 4MP, 8MP, 12MP의 고해상도 이미지들의 처리할 수 있는 학습 모델들을 구현한다. 성능평가 결과, 제안하는 알고리즘의 학습 모델의 생성 시간은 12MP 기준 약 36.26%의 감소하고, 학습 모델의 객체 분류 정확도와 손실률은 기존 모델 대비 약 1% 이내로 오차 범위 안에 포함되어 크게 문제가 되지 않는다. 향후 본 연구에서 사용된 학습 데이터보다 다양한 이미지 종류 및 실제 사진으로 학습 모델을 구현한 실질적인 검증이 필요하다.

• 한국광학회:학술대회논문집
• /
• 한국광학회 2000년도 하계학술발표회
• /
• pp.196-197
• /
• 2000

에너지풀링충돌은 여기된 원자들끼리 서로 충돌하여 하나의 원자는 바닥상태의 에너지 준위의 상태가 되고. 다른 하나의 원자는 더 높은 에너지 준위의 상태로 여기되는 현상이다. 이러한 에너지풀링충돌은 알카리원자에 대해서 많이 연구되어지고 있다.$^{(1)}$ (중략)

• 문화기술의 융합
• /
• 제3권4호
• /
• pp.171-175
• /
• 2017

최근 CNN(Convolutional Neural Network)의 구조가 복잡해지고 신견망의 깊이가 깊어지고 있다. 이에 따라 신경망의 학습에 요구되는 연산량 및 학습 시간이 증가하게 되었다. 최근 GPGPU 및 FPGA를 이용하여 신경망의 학습 속도를 가속화 하는 방법에 대한 연구가 활발히 진행되고 있다. 본 논문에서는 NVIDIA GPGPU를 제어하는 CUDA를 이용하여 CNN의 특징추출부와 분류부에 대한 연산을 가속화하는 방법을 제시한다. 특징추출부와 분류부에 대한 연산을 GPGPU의 블록 및 스레드로 할당하여 병렬로 처리하였다. 본 논문에서 제안하는 방법과 기존 CPU를 이용하여 CNN을 학습하여 학습 속도를 비교하였다. MNIST 데이터세트에 대하여 총 5 epoch을 학습한 결과 제안하는 방법이 CPU를 이용하여 학습한 방법에 비하여 약 314% 정도 학습 속도가 향상된 것을 확인하였다.

• 한국항해항만학회지
• /
• 제35권3호
• /
• pp.235-241
• /
• 2011

현재 부산항신항과 배후단지 물류업체를 연계하는 셔틀운송에는 배후단지 물류업체가 독자적으로 운송차량을 보유하고 운용함으로써 자원소모의 중복성이 있으며 불규칙한 운송화물의 발생으로 화물운송에 매번 다른 차량이 투입되어 업체들이 특정 지역에 밀집되어 있는 단지의 지리적 효과를 충분히 활용하지 못하고 있다. 따라서 본 연구는 이러한 문제들을 해결하기 위해 동적계획을 구성하고 휴리스틱 방법을 통해 작업 스케줄링과 실시간 작업규칙을 구성하며 물류기업의 수 배송 계획에 풀링과 듀얼사이클링을 적용하여 셔틀운송에 소요된 자원의 감축효과와 효율성을 시뮬레이션을 통해 검증한다.

• 한국정보전자통신기술학회논문지
• /
• 제11권2호
• /
• pp.175-180
• /
• 2018

본 논문에서는 몰포러지 연산만을 적용하여 특징을 추출하고, 물체를 인식하는 알고리즘을 제안하였다. 특징추출에서 사용한 몰포러지 연산은 에로전과 다이레이션, 에로전과 다이레이션을 연계한 오프닝과 크로우징, 몰포러지 연산을 이용한 에지 및 스케리톤 검출 연산 등이다. 특징을 기반으로 물체를 인식하는 과정에서는 차원을 축소하기 위해서 풀링 연산을 사용하였다. 다양한 형태소 중에서 $3{\times}3$ Rhombus, $3{\times}3$ Square, $5{\times}5$ Circle 형태소를 임의로 선정하여 몰포러지 연산을 수행하였다. 무작위 인터넷 영상을 대상으로 행한 실험을 통해 물체인식 분야에서 유용한 알고리즘으로 적용될 수 있다는 것을 확인하였다.

• 스마트미디어저널
• /
• 제10권4호
• /
• pp.80-90
• /
• 2021

딥러닝에 기반한 광학 음악 인식 기술(Optical Music Recognition, OMR)을 사용하여 도출된 결과를 가상현실 (Virtual Reality, VR) 게임에 적용시킨 것을 제안한다. 딥러닝 모델은 YOLO v5를 사용했으며 검출되지 않은 객체를 검출하기 위해 Hough transform 사용, 보표 크기 수정 등을 수행한다. 출력된 결과 파일을 사용하여 VR 게임에서 BPM, 최대 콤보 수, 음정과 박자를 분석하여 사용하고 리소스 관리를 위한 Object Pooling 기술을 통해 노트가 밀리는 현상을 방지한다. 광학 음악 인식 기술을 통해 나온 음악 요소로 VR 게임을 제작하여 VR 콘텐츠 제공과 함께 광학 음악 인식의 활용성을 넓히는 것을 확인하였다.

• ETRI Journal
• /
• 제44권6호
• /
• pp.1034-1046
• /
• 2022

The learning-based multiview stereo (MVS) methods for three-dimensional (3D) reconstruction generally use 3D volumes for depth inference. The quality of the reconstructed depth maps and the corresponding point clouds is directly influenced by the spatial resolution of the 3D volume. Consequently, these methods produce point clouds with sparse local regions because of the lack of the memory required to encode a high volume of information. Here, we apply the atrous spatial pyramid pooling (ASPP) module in MVS methods to obtain dense feature maps with multiscale, long-range, contextual information using high receptive fields. For a given 3D volume with the same spatial resolution as that in the MVS methods, the dense feature maps from the ASPP module encoded with superior information can produce dense point clouds without a high memory footprint. Furthermore, we propose a 3D loss for training the MVS networks, which improves the predicted depth values by 24.44%. The ASPP module provides state-of-the-art qualitative results by constructing relatively dense point clouds, which improves the DTU MVS dataset benchmarks by 2.25% compared with those achieved in the previous MVS methods.