• 한국가축번식학회지
• /
• 제21권2호
• /
• pp.167-176
• /
• 1997

본 연구는 수정란을 수란우에 이식하기 이전에 형질전환가능 수정란을 선발할 수 있다면 형질전환동물의 생산에 크게 도움이 되므로 3.2 kb $\beta$-actin promoter (lacZ/n대) DNA를 미세주입하여 배반포기배에서의 발현을 확인하여 이들을 선발할 수 있는가를 규명하고자 하엿다. 채란된 난포란은 10%FBS, 5$\mu\textrm{g}$/ml LH, 0.5$\mu\textrm{g}$/ml FSH, 100 unit/ml penicillin 및 100 $\mu\textrm{g}$/ml streptomycin이 함유된 TCM199에 22~24 시간동안 체외성숙을 유도후 5$\mu\textrm{g}$/ml heparin으로 수정능획득을 유도한 1$\times$106 sperm/ml의 정자로 체외수정을 시켰다. 체외수정후 18~20시간째에 vortexing에 의해 과립막세포를 제거하고 원심분리시켜 자/웅전핵이 확인되는 수정란의 핵에 3~4 ng/${\mu}\ell$ lacZ/neo DNA를 미세주입하였다. 모든 수정란의 배양은 3 mg/ml BSA, 20${\mu}\ell$/ml NEM AMINO acids 및 40${\mu}\ell$/ml BME amino acids가 함유되어 있는 CR1aa 배양액에 neo/DNA로 transfected 된 BRL 단층에서 실시하였다. G418에 대한 적정농도를 찾기 위하여 정상적인 수정란에 0, 50, 100 및 200 $\mu\textrm{g}$/ml G418를 첨가하여 배양한 결과 8일째에 30.3%(44/145), 8.7%(13/150), 0.7%(1/151) 및 0% (0/134)의 수정란이 배반포기까지 발달하였다. 그래서 본 실험에서는 일정하게 100$\mu\textrm{g}$/ml G418을 첨가하여 배양하였다. 총 1,127개의 수정란을 미세주입후 G418 없는 배양액에서 710개 (63.0%)가 분할하였다. 미세주입후 48시간째에 2-세포기이상 분할된 수정란을 대조구 및 100$\mu\textrm{g}$/ml G418처리구를 무작위로 할당하여 배양하였으며, 또한 740개의 정상수정란도 같은 반복수로 배양을 실시하였다. 미세주입한 수정란은 8일 후 11.6%(26/255) 및 5.2% (14/267)가 대조구 및 G418 처리구에서 배반포기까지 발달하였으며 정상수정란은 27.2% (151/740)가 배반포기 배까지 발달하였다. 미세주입후 대조구에서는 23.1$\pm$2.6/70.7$\pm$4.7 (32.7%)의 할구가 $\beta$-Gal 활력을 보였고, 반면에 100$\mu\textrm{g}$/ml G418 처리구에서는 40.3$\pm$4.1/48.8$\pm$7.5 (82.6%)가 $\beta$-Gal 활력을 보였다. 비록 mosaic 형태로 외래유전자가 발현되었지만 대조구에서 87.0% (26/30개) 배반포기가 $\beta$-Gal 활력을 보인 반면, G418 처리구에서는 모든 배반포기가 $\beta$-Gal 활력을 보였다 (P<0.05). 그러나 대조구 및 G418 처리구의 ICM colony에서는 영양배엽과 내배엽을 제외한 epiblast에서는 확인되지 않았다. 그러나 이 결과로부터 $\beta$-actin promoter/lacZ gene이 integration되지 않는 것인지 또는 다만 염색 확인이 되지 않는 것인지를 판단할 수는 없다. 이상의 결과는 미세주입후 G418에서 배양한 배반포기배에서는 대부분의 할구에서 주입된 gene을 발현하고 있었으나 ICM colony에서는 특히 epiblast에서는 발현되지 않거나 침묵하고 있었다. 비록 G418 처리구에서 훨씬 더 높은 비율로 주입된 gene이 발현되고 있으나 총세포수는 유의적으로 감소하여 이후 형질전환동물의 생산과 ES like-cell의 설립에는 감소될 것으로 사려된다. 그러나 형질전환 수정란의 선발 및 형질전환동물의 생산능력에 관해서는 더 많은 연구가 필요하다고 사려된다.

• 만화애니메이션 연구
• /
• 통권9호
• /
• pp.127-142
• /
• 2005

Study of Animation 3-Dimensional Motion Picture국내뿐만 아니라 전 세계의 수백만의 인구가 영상을 접하고 있다. 영상은 움직이는 형상을 시각화 하는 것에서 지식, 정보 전달의 매체로서 자리 매김 하였다. 과학의 발전은 온라인(Online)시대를 열어주었고 온라인 시대의 정보습득은 지속적으로 고속화 되어, 과량의 정보 속에서 선택을 해야 하는 관객들을 함께 가속화 시키고 있다. 선택적인 측면에서 시각적인 전달 방법은 급변하는 시대의 요구에 맞게 변화하게 된다. 다량의 정보 속에서 순간의 선택을 받기 위한 일한으로, 1차적인 요건은 시선을 집중시키는 것이며, 그에 상응하는 만족감을 선사하는 것이다. 영상의 초기는 실제로 자신이 보고 있는 상황을 그대로 옮기고자 하는 욕구에서 출발한 것이다. 정지화면에서 만족하지 못한 인간은 움직이는 화면(Film)을 개발하였고 양안의 시점의 차이와 광선의 자극 반응을 감안한 실제 인지하는 시점보다 더 입체감을 만들어내는 영상을 가늠 해내는 연구를 하게 된다. 이는 컬러 필름(Color Film)에서 입체영상 개발까지 놀라운 성과를 누리게 된다. 인간의 가시적인 면에 대한 욕망의 추구 즉, 극대화된 실재감(Reality) 있는 볼거리 추구는 영상이 포함되는 모든 분야에 지속적으로 요구되고 있다. 지금 수백만의 인구가 보편적으로 보고 있는 영상들은 평면적이다. 화면의 깊이 감(Depth)과 착시현상(Optical Illusion)은 효과적으로 현실감을 주며 정보를 전달한다. 하지만, 인간의 양안 시점차이로 인식하는 입체감은 평면속에서 만들어 내는 깊이 감으로는 현실감 있게 인식하는데 한계점이 존재한다. 이러한 한계를 만족시킬 입체 영상) 입체영상은 영화에서 시작되었으나, 20c후반기에 들어서면서 애니메이션 분야와 모바일, 광고 패널, 텔레비전등의 매체를 이용한 입체 영상의 개발로 인하여 특정 분야에 한정 시킬 수 없으므로 영상으로 칭한다. 입체 영상은 21c에 들어서면서 영상매체의 한 분야로 급부상하고 있다. 1900년 무렵부터 연구된 입체영화(3-Dimensional motion Picture)는 In여 년이 지난 지금 대중화를 눈앞에 두고 있다. 국내에서는 놀이 동산이나 박물관등에서 흔히 볼 수 있다. 하지만 앞으로는 HDW등의 대중화로 화질의 발전을 이룬 텔레비전 분야 등에서 실용화 될 전망이다. 국제적인 흐름과 함께 국내에서도 입체 영화에 대한 연구가 활성화 되어 영상산업의 한 주류로서 대두되고 있다. 이러한 상황에서 입체영상에 대한 이해와 콘텐츠(Contents)의 개발은 기술적인 진보에 발맞추어 준비되어야 한다. 본 논문은 이러한 기술적인 계보에 발맞춘 영상 콘텐츠 개발에 박차를 가하고자 앞으로의 발전분야에 대한 기술적인 면과 기법적인 면을 제시하여 기술만 앞서고 내용은 수입하는 수입국이기 보다는 미리 준비하여 비전문가나 타국의 기술에 선점 당하지 않는 분야로 성장할 수 있는 진보적인 영상 인들의 관심과 지속적인 연구를 독려하고자 한다.

• 지능정보연구
• /
• 제27권3호
• /
• pp.95-112
• /
• 2021

대학 교육에 있어서 전공과목의 선택은 학생들의 진로에 중요한 역할을 한다. 하지만, 산업의 변화에 발맞춰 대학 교육도 학과별 전공과목의 분야가 다양해지고 그 수가 많아지고 있다. 이에 학생들은 본인의 진로에 맞게 수업을 선택하여 수강하는 것에 어려움을 겪고 있다. 본 연구는 대학 전공과목 추천 모델을 제시함으로써 개인 맞춤형 교육을 실현하고 학생들의 교육만족도를 제고하고자 한다. 모델 연구에는 대학교 학부생들의 2015년~2017년 수강 이력 데이터를 활용하였으며, 메타데이터로는 학생과 수업의 전공 명을 사용했다. 수강 이력 데이터는 컨텐츠 소비 여부만을 나타낸 암시적 피드백 데이터로, 수업에 대한 선호도를 반영한 것이 아니다. 따라서 학생과 수업의 특성을 나타내는 임베딩 벡터를 도출했을 시, 표현력이 낮다. 본 연구는 이러한 문제점에 착안하여, 네트워크 분석을 통해 학생, 수업의 벡터를 생성하고 이를 모델의 입력 값으로 활용하는 Net-NeuMF 모델을 제시한다. 모델은 암시적 피드백을 가진 데이터를 이용한 대표적인 모델인 원핫 벡터를 이용하는 NeuMF의 구조를 기반으로 하였다. 모델의 입력 벡터는 네트워크 분석을 통해 학생과 수업의 특성을 나타낼 수 있도록 생성하였다. 학생을 표현하는 벡터를 생성하기 위해, 각 학생을 노드로 설정하고 엣지는 두 학생이 같은 수업을 수강한 경우 가중치를 가지고 연결되도록 설계했다. 마찬가지로 수업을 표현하는 벡터를 생성하기 위해 각 수업을 노드로 설정하고 엣지는 공통으로 수강한 학생이 있는 경우 연결시켰다. 이에 각 노드의 특성을 수치화 하는 표현 학습방법론인 Node2Vec을 이용하였다. 모델의 평가를 위해 추천 시스템에서 주로 활용하는 지표 4가지를 사용하였고, 임베딩 차원이 모델에 미치는 영향을 분석하기 위해 3가지 다른 차원에 대한 실험을 진행하였다. 그 결과 기존 NeuMF 구조에서 원-핫 벡터를 이용하였을 때보다 차원과 관계없이 평가지표에서 좋은 성능을 보였다. 이에 본 연구는 학생(사용자)와 수업(아이템)의 네트워크를 이용해 기존 원-핫 임베딩 보다 표현력을 높였다는 점, 모델을 구성하는 각 구조의 특성에 맞도록 임베딩 벡터를 활용하였다는 점, 그리고 기존의 방법론에 비해 다양한 종류의 평가지표에서 좋은 성능을 보였다는 점을 기여점으로 가지고 있다.