• Applied Biological Chemistry
• /
• 제39권3호
• /
• pp.195-199
• /
• 1996

$crp^{\ast}$ 유전자가 도입된 대장균 MK2001($crp^{{\ast}1}$}, cya::km)을 숙주로 사용하여 mal 유전자 발현을 촉진시키는 유전자의 하나인 sfs1(sugar fermentation stimulation)의 구조해석 결과에 의하면, 잠정적인 sfs1의 promoter 영역에는 CRP 단백질과의 결합영역으로 보이는 염기배열이 존재하였다. 본 실험에서는 sfs1 유전자의 cAMP-CRP에 의한 발현 조절을 확인하고자, lacZ 와의 융합 유전자를 작성하였다. 작성된 융합 유전자는 cya 결손주인 Tp2010에서 cAMP의 첨가에 의해 ${\beta}-galactosidase$ 활성이 크게 증가하였으며, Western blotting의 실험에서도 같은 결과를 나타냈다. in vivo에서 발현이 확인된 전사산물은 cAMP에 의해 전사 촉진이 일어났으며, CRP의 결합부위로 예상되는 DNA 영역은 cAMP가 존재하면 CRP 단백질과 결합하는 특성을 나타내었다. 이상의 결과로 보아, sfs1 유전자의 발현은 UMP-CRP에 의한 전사촉진 현상을 받는 것으로 나타났다.

• Applied Biological Chemistry
• /
• 제38권2호
• /
• pp.111-117
• /
• 1995

CRP (cAMP receptor protein)은 cAMP와 결합하여 cAMP-CRP 복합체를 형성하여 전사조절의 조절인자로서 작용한다. crp 유전자에 변이를 도입하여 cAMP의 비존재 상태에서 cAMP-CRP와 비슷한 기능을 가진 crp 유전자가 도입된 대장균 MK2001 (crp, cya::km)을 숙주로 사용하여 cAMP 혹은 cGMP의 비존재하에서도 mal 유전자의 발현을 촉진시키는 유전자 sfs (sugar fermentation stimulation) 수 종을 클로닝 하였다. 본 실험에서는 이미 밝혀진 nlp (Ner like protein) 유전자와 같이, sfs의 새로운 유전자를 탐색하여, 그 중 sfs4의 2126 bp 전 염기배열을 결정하고, 잠정적인 sfs4의 promoter 영역에는 CRP 단백질과의 결합 DNA 공통 염기배열(5' AAT TGTGA ACACCA TCACC CGT 3')이 존재함을 확인했다. lacZ 융합 유전자를 작성하여 TP2010R1 MK2001의 균주에서 cAMP를 첨가할 경우 각각 2.3배, 1.8배의 ${\beta}-galactosidase$ 활성이 증가하는 것으로 보아 sfs4는 cAMP-CRP에 의해 발현 조절을 받는 것으로 나타났다.

• 한국지능시스템학회논문지
• /
• 제16권4호
• /
• pp.466-471
• /
• 2006

패턴 인식 문제에서 중요한 전처리 과정 중 하나는 특정을 선택하거나 추출하는 부분이다. 특정을 추출하는 방법으로는 PCA가 보통 사용되고 특정을 선택하는 방법으로는 SFS 나 SBS 등의 방법들이 자주 사용되고 있다. 본 논문은 진화 연산 방법으로써 비선형 최적화 문제에서 유용하게 사용되어 지고 있는 유전자 알고리즘을 특정 선택에 적용하는 유전자 알고리즘 특정 선택 (Genetic Algorithm Feature Selection: GAFS)방법을 개발하여 다른 특징 선택 알고리즘과의 비교를 통해 본 알고리즘의 성능을 관찰한다.

• 지능정보연구
• /
• 제26권4호
• /
• pp.173-198
• /
• 2020

최근 온라인의 비약적인 활성화로 캠페인 채널들이 다양하게 확대되면서 과거와는 비교할 수 없을 수준의 다양한 유형들의 캠페인들이 기업에서 수행되고 있다. 하지만, 고객의 입장에서는 중복 노출로 인한 캠페인에 대한 피로감이 커지면서 스팸으로 인식하는 경향이 있고, 기업입장에서도 캠페인에 투자하는 비용은 점점 더 늘어났지만 실제 캠페인 성공률은 오히려 더 낮아지고 있는 등 캠페인 자체의 효용성이 낮아지고 있다는 문제점이 있어 실무적으로 캠페인의 효과를 높이고자 하는 다양한 연구들이 지속되고 있다. 특히 최근에는 기계학습을 이용하여 캠페인의 반응과 관련된 다양한 예측을 해보려는 시도들이 진행되고 있는데, 이 때 캠페인 데이터의 다양한 특징들로 인해 적절한 특징을 선별하는 것은 매우 중요하다. 전통적인 특징 선택 기법으로 탐욕 알고리즘(Greedy Algorithm) 중 SFS(Sequential Forward Selection), SBS(Sequential Backward Selection), SFFS(Sequential Floating Forward Selection) 등이 많이 사용되었지만 최적 특징만을 학습하는 모델을 생성하기 때문에 과적합의 위험이 크고, 특징이 많은 경우 분류 예측 성능 하락 및 학습시간이 많이 소요된다는 한계점이 있다. 이에 본 연구에서는 기존의 캠페인에서의 효과성 제고를 위해 개선된 방식의 특징 선택 알고리즘을 제안한다. 본 연구의 목적은 캠페인 시스템에서 처리해야 하는 데이터의 통계학적 특성을 이용하여 기계 학습 모델 성능 향상의 기반이 되는 특징 부분 집합을 탐색하는 과정에서 기존의 SFFS의 순차방식을 개선하는 것이다. 구체적으로 특징들의 데이터 변형을 통해 성능에 영향을 많이 끼치는 특징들을 먼저 도출하고 부정적인 영향을 미치는 특징들은 제거를 한 후 순차방식을 적용하여 탐색 성능에 대한 효율을 높이고 일반화된 예측이 가능하도록 개선된 알고리즘을 적용하였다. 실제 캠페인 데이터를 이용해 성능을 검증한 결과, 전통적인 탐욕알고리즘은 물론 유전자알고리즘(GA, Genetic Algorithm), RFE(Recursive Feature Elimination) 같은 기존 모형들 보다 제안된 모형이 보다 우수한 탐색 성능과 예측 성능을 보임을 확인할 수 있었다. 또한 제안 특징 선택 알고리즘은 도출된 특징들의 중요도를 제공하여 예측 결과의 분석 및 해석에도 도움을 줄 수 있다. 이를 통해 캠페인 유형별로 중요 특징에 대한 분석과 이해가 가능할 것으로 기대된다.