• 대한환경공학회지
• /
• 제35권4호
• /
• pp.247-256
• /
• 2013

본 연구에서는 페놀계 화합물의 산화-변환 반응매개체로 알려진 버네사이트를 고정화한 알긴산 겔 비드(birnessite entrapped alginate beads, Bir-AB)를 제조하고, 1-naphthol (1-NP)의 제거반응 특성을 회분식 실험을 통하여 조사하였다. SEM (Scanning Electron Microscopy)분석 결과, 버네사이트 입자는 알긴산 겔을 가교로 하여 비드에 고정화됨을 확인하였다. Bir-AB에 의한 1-NP의 제거는 유사일차 속도반응(pseudo-first order kinetic)을 따랐으며, 반응속도상수(k)는 알긴산(AG)에 대한 버네사이트(Bir) 입자의 혼합비(Bir : AG=0.25 : 1~1 : 1 w/w)가 2배 증가할 때마다 약 1.5배씩 증가하였다. Bir-AB에 의한 1-NP 제거는 pH의 영향을 받았으며 pH가 10에서 4로 감소하면서 반응속도 상수(k, $hr^{-1}$)는 0.361에서 0.661로 약 1.8배 증가하였다. 반응상등액에 대한 총유기탄소(TOC) 분석결과 Bir-AB는 버네사이트 분말입자를 사용한 경우에 비교해 상대적으로 높은 용존 유기탄소 제거 효과(74% vs 92%)를 보였으며, 반응 후 분리한 비드에 대한 탈착실험(CH3OH)과 HPLC 크로마토그램 분석 결과로부터 1-NP의 중합체 생성물은 Bir-AB에의 고정화를 통해 수용액으로부터 제거될 수 있음을 확인하였다. 또한, 반응상등액에 대한 원자흡광분석(AAS) 분석결과 반응과정에서 용출되는 Mn이온은 Bir-AB에의 재흡착을 통해 제거되었다. Bir-AB는 간단한 여과를 통해 모두 회수가능하며, 2회 재사용에 따른 1-NP의 제거효율을 평가한 결과, 초기에 비교한 큰 반응성의 감소(제거율<20%) 없이 재사용이 가능한 것으로 나타났다.

• KSBB Journal
• /
• 제21권3호
• /
• pp.204-211
• /
• 2006

IFN-${\gamma}$의 대량생산을 위한 기초연구로서 IFN-${\gamma}$의 아미노 말단에 glucagon과 ferritin을 융합파트너로 각각 결합시켜 재조합 IFN-${\gamma}$의 발현을 유도하였다. 대장균 내에서 발현되는 IFN-${\gamma}$는 그 자체로 매우 강한 소수성 결합의 양상을 나타내어 inclusion body 형태로 발현된다고 알려져 있으나 OrigamiTM(DE3) 균주로부터 50% 이상의 수용성 형태로 발현시켰다. IFN-${\gamma}$로부터 융합파트너를 제거할 수 있는 system을 개발하기 위해 융합파트너와 IFN-${\gamma}$ 사이에 enterokinase cleavage site를 도입하였으며, enterokinase에 의해 IFN-${\gamma}$에는 영향을 미치지 않고 효과적으로 융합파트너를 제거할 수 있었다. 재조합 IFN-${\gamma}$의 분리 및 정제를 위해 발현벡터상의 융합파트너와 IFN-${\gamma}$사이에 6X His-tag을 도입하였고 융합파트너의 N-말단에도 6X His-tag을 추가적으로 도입함으로써 융합파트너와 더불어 enterokinase에 의해 분해되지 않은 융합단백질을 Ni-NTA agarose column으로 제거함으로서 IFN-${\gamma}$를 완전 정제할 수 있었다. IFN-${\gamma}$의 발현을 유도하는 발현유도체로서 15 mM lactose를 이용하여 5 L 발효조에서 IFN-${\gamma}$의 발현을 검토한 결과, 재조합 균체의 단위 건조질량(dry cell weight, g)으로 약 11 g DCW/L 수준의 재조합 융합단백질을 얻을 수 있었다.

• 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.