선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서는 인공신경망 알고리즘을 이용하여 생물공정에서 수집된 형광스펙트럼 데이터를 분류, 분석하고 공정변수들을 예측하기 위한 공정의 모델링에 대해서 논의하였다. SOM에 의해 분류된 전파장 스펙트럼 데이터들은 발효 공정의 변수와 형광데이터 사이에 비선형관계를 설명하기 위하여 사용되었다.
- 그러나 SOM을 이용하여 2차원 형광스펙트럼 데이터의 양을 줄이고 BPNN 알고리즘을 이용하여 스펙트럼 데이터와 공정변수 사이에 가능한 관계들을 정량적으로 분석하기 위한 체계적인 연구가 아직 이루어지지 않고 있다. 따라서 본 논문에서는 SOM과 BPNN과 같은 인공신경망들을 이용하여 재조합 대장균의 발효공정에서 수집된 2차원 형광스펙트럼 데이터들을 분류하고 발효공정의 수행변수를 예측하기 위한 실제적인 접근법에 중점을 두어 연구하였다.
제안 방법
- rpm의 조건으로 수행하였다. 본 연구에서는 ALA 생산을 위해 표 1에서 보는 바와 같이 총 3회의 발효를 수행하였으며, 2차원 형광분광계를 이용하여 공정을 온라인 모니 터 링 하였다.
- 전체형광 데이터는 SOM 알고리즘을 이용하여 데이터들을 몇 개의 그룹들로 분류하였으며, 이렇게 분류되어 진형광 데이터는 BPNN에 의한 발효공정 모델링의 입력자료로 사용되었다. 위의 전체적인 작업과정은 Fig.
- 본연구에서는 온라인 또는 오프라인 측정 데이터 (이동평균과 내삽법을 이용하여 얻은 426개 데이터)에서 입력벡터의 행 요소인 발효시간 중 100개를 골라 학습용과 검증용 데이터로 나누었다. 학습용 데이터 70%와 검증용 데이터 30%는 무작위로 선택하였으며, 학습용 데이터를 이용하여 신경망을 학습하였다. 그리고 네트워크의 일반화 성능을 확인하기위해 정기적으로 학습 데이터로 학습된 네트워크에 검증용 데이터를 대입하여 오류항을 계산하였고, 그 중 가장 작은 오류항 값을 갖는 네트워크 구조를 선택하였다(13).
- 학습용 데이터 70%와 검증용 데이터 30%는 무작위로 선택하였으며, 학습용 데이터를 이용하여 신경망을 학습하였다. 그리고 네트워크의 일반화 성능을 확인하기위해 정기적으로 학습 데이터로 학습된 네트워크에 검증용 데이터를 대입하여 오류항을 계산하였고, 그 중 가장 작은 오류항 값을 갖는 네트워크 구조를 선택하였다(13).
- 그룹들로 분류할 수 있었다(14). 분류된 스펙트럼 데이터로부터 유용한 스펙트럼 데이터들을 찾아내기 위해서 형광 세기 벡터와 가중치 벡터 사이에 역유클리디안 거리를 계산하였다. 각 그룹에서 가장 큰 요소들 중 10% 내의여 기 방출파장의 조합을 각 그룹의 중심영 역 으로 포함시켰다.
- FerMl에서 전체형광영역은 5개로 분류되었으며 그룹 1은 17, 그룹 2는 7, 그룹 3은 11, 그룹 4는 5, 그룹 5는 8 개의 중심영역을 나타내었다. 또한 그룹 분포표에서 각 그룹에 대한 스펙트럼요소들의 가중치를 계산하였다. 전체 스펙트럼 데이터가 5개 그룹으로 분류될 경우 5개의 시간에 따른 가중치의 경로를 얻을 수 있었으며, 이것을 이용하여 발효공정을 정성적으로 분석하였다.
- 또한 그룹 분포표에서 각 그룹에 대한 스펙트럼요소들의 가중치를 계산하였다. 전체 스펙트럼 데이터가 5개 그룹으로 분류될 경우 5개의 시간에 따른 가중치의 경로를 얻을 수 있었으며, 이것을 이용하여 발효공정을 정성적으로 분석하였다. 발효공정에 대한정보는 그룹분포표에서 각 그룹에 대한 분산과 정규화된 가중치의 변화를 온라인 및 오프라인 데이터와 비교함으로써 얻을 수 있다.
- FerM2에서 수집된 전체 형광스펙트럼 데이터들은 SOM 알고리즘을 이용하여 총 8개 그룹으로 분류하였으며, 가장 작은 유클리디안 거리 중 20% 내의 요소들을 중심영역에 포함시켰다. 그 결과 그룹 1은 19, 그룹 2는 13, 그룹 3은 11, 그룹 4는 13, 그룹 5는 6, 그룹 6은 15, 그룹 7은 7, 그룹 8은 15개의 중심영역을 각각 나타내었다.
- 발효공정 모델링에서 입력 뉴런의 숫자는 매우 중요한데 이러한 입력뉴런의 숫자는 그룹중심영 역의 비율 (percentage)에 의존한다(15). 그러므로 모델성능에 대한 입력뉴런숫자의 영향성을 조사하기 위 해 그룹분포표에서 중심영 역 숫자를 변화시 켜 그 영향성을 조사하였다. 예를 들면 가장 작은 유클리디안 거리 중 5% 내의 요소들을 중심영역으로 포함시킬 경우 25개의 중심영역을 얻을 수 있고, 가장 작은 유클리디안 거리 중 30% 내의 요소들을 중심영역에 포함시킬 경우 147개의 중심영역을 나타내었다.
- 네트워크모델에 의한 ALA농도의 예측값을 실제 오프라인 데이터와 비교하였다. Fig.
- 즉 특정 발효공정을 위해 세워진 인공 신경망 모델이 다른 유사한 발효공정에서도 공정 변수들을 예측할 수 있는가를 검증하는 것이 필요하다는 것이다. 이를 위해서 FerM3에서는 LA를 지수성장기 종반에 첨 한 것을 제외하고는 FerM2와 모든 조건을 동일하게 수행하였다. FerM2에서 ALA농도 예즉을 위한 98-8-1 구조의 BPNN 모델을 FerM3에 적용하여 그 적합성을 검증하였다.
- FerM2에서 ALA농도 예즉을 위한 98-8-1 구조의 BPNN 모델을 FerM3에 적용하여 그 적합성을 검증하였다. FerM3에서 수집된 형광스펙트럼을 입력데이터로 사용하고, FerM2의 모델링을 위해 사용된 가중치를 이용하여 FerM3 에서의 ALA농도를 예측하였다. Fig.
- 수 있다. 98-5-1 구조의 BPNN 모델을 이용하여 FerM3 에서의 DCW값을 6.9, 9.2, 11.6, 16.3 시간에 각각 예측하였다. 그리고 위의 모든 경우에서 예측은 공정이 종료되는(21시간) 시점까지 계속되었다.
- 본 연구에서는 인공신경망을 이용하여 2차원 형광 스펙트럼데이터를 분류, 분석하고 모델식을 이용하여 발효 공정을 예측하였다. SOM 알고리즘은 많은 양의 형광 스펙트럼데이터를 소수의 특정그룹으로 분류하고 전체 형광 데이터에서 중요한 스펙트럼요소들을 가려내었다(493개의 스펙트럼 요소 중 49개).
- 세포의 대사 상태나 공정의 수행변수들과 같은 정량적인 정보들은 BPNN모델을 이용하여 예측 가능하였다. 네트워크의 최적 구조는 발효공정의 공정변수뿐만 아니라 관심의 대상이 되는 다른 부분에 대해서도 시험하였다. 위의 결과들을 종합하여 볼 때 BPNN모델은 공정변수의 예측에 매우 유용하게 이용될 수 있다는 것을 알 수 있었다.
대상 데이터
- 본연구에서는 온라인 또는 오프라인 측정 데이터 (이동평균과 내삽법을 이용하여 얻은 426개 데이터)에서 입력벡터의 행 요소인 발효시간 중 100개를 골라 학습용과 검증용 데이터로 나누었다. 학습용 데이터 70%와 검증용 데이터 30%는 무작위로 선택하였으며, 학습용 데이터를 이용하여 신경망을 학습하였다.
이론/모형
- 발효공정에서 수집된 많은 양의 2차원 형광스펙트럼 데이터의 분석을 위해 SOM과 BPNN 알고리즘이 사용되었다. 전체형광 데이터는 SOM 알고리즘을 이용하여 데이터들을 몇 개의 그룹들로 분류하였으며, 이렇게 분류되어 진형광 데이터는 BPNN에 의한 발효공정 모델링의 입력자료로 사용되었다.
- 1에 나타내었다. SOM 과 BPNN 알고리즘 훈련은 Matlab Neural Netwok Toolbox (ver. 6.1, The Mathworks, Inc., USA)를 이용하였으며 512 MB의 팬티엄 V 컴퓨터가 사용되 었다(6).
- 그룹 분포표에서 각 그룹의 중심영역과 함께 여기 파장과 방출파장의 조합은 BPNN 알고리즘에 의한 발효 공정모델링의 입력 뉴런으로 사용되었다. 발효공정 모델링에서 입력 뉴런의 숫자는 매우 중요한데 이러한 입력뉴런의 숫자는 그룹중심영 역의 비율 (percentage)에 의존한다(15).
- ALA농도에 대한 예측오차 값은 교차확인(cross-validation) 알고리즘을 이용하여 계산하였다. 예측오차 값은 훈련 횟수가 증가할수록 감소하지만 일정수준이상 증가하면 다시 증가하게 된다.
- 3(b)는 BPNN 모델에 의한 CO2 농도의 예측값과 실제 CO2 측정값을 비교한 것이다. CO2 농도 예측을 위해서 98-8-1 의 BPNN 모델구조를 이용하였으며, 그 결과 상관계수와 표준오차는 각각 0.970과 0.0327을 나타내었다.
- 이를 위해서 FerM3에서는 LA를 지수성장기 종반에 첨 한 것을 제외하고는 FerM2와 모든 조건을 동일하게 수행하였다. FerM2에서 ALA농도 예즉을 위한 98-8-1 구조의 BPNN 모델을 FerM3에 적용하여 그 적합성을 검증하였다. FerM3에서 수집된 형광스펙트럼을 입력데이터로 사용하고, FerM2의 모델링을 위해 사용된 가중치를 이용하여 FerM3 에서의 ALA농도를 예측하였다.
- 몇몇 공정변수들은 SOM으로부터 얻은 분산 및 정규화된 가중치와 연관시켜서 정성적인 분석을 하였다. 세포의 대사 상태나 공정의 수행변수들과 같은 정량적인 정보들은 BPNN모델을 이용하여 예측 가능하였다. 네트워크의 최적 구조는 발효공정의 공정변수뿐만 아니라 관심의 대상이 되는 다른 부분에 대해서도 시험하였다.
성능/효과
- 0247이었다. 위의 결과는 FerM2에서 98-3-1 구조가 DCW 값 예측을 위한 가장 최적의 모델구조임을 의미하는 것이다. Fig.
- 6시간 이후에 예측된 DCW값은 오프라인 데이터의 DCW값과 잘 일치하였다. 즉, 각 모델의 예측능력을 나타내는 RMSEP (the root means square error of the prediction, RMSEP = JSsL 0””)勺)를 살펴보면 예측된 DCW값 (*!况如)과 11.6시간과 23시간 사이에 더하여진 오프라인 데이터 값 (*爾)을 이용한 결과 Q112 g/L이였으며 9.2시간과 16.3 시간 이후에 RMSEP 값은 각각 0.165 g/L과 0.143 g/L이었다. 이러한 결과는 발효공정에 대해 완전히 훈련된 BPNN 모델은 좋은 예측능력을 가지고 있다는 것을 의미하는 것이다.
- 네트워크의 최적 구조는 발효공정의 공정변수뿐만 아니라 관심의 대상이 되는 다른 부분에 대해서도 시험하였다. 위의 결과들을 종합하여 볼 때 BPNN모델은 공정변수의 예측에 매우 유용하게 이용될 수 있다는 것을 알 수 있었다. 네트워크모델은 매우 강력하며 다른 유사한 발효공정에서의 공정변수 예측에 쓰일 수 있다.
후속연구
- 이렇게 두 결과가 일치하지 않는 이유는 FerM3에서 재조합 대장균의 플라스미드 안정성이 발효 12시간에 90%에서 발효 종료시점에 10%로 감소하였기 때문일 것이다. 결과적으로 재조합대장균의 회분발효에 대한 BPNN 모델은 매우 적합하며 ALA농도와 같은 공정변수들의 예측을 위해서도 사용될 수 있을 것이다. 그러나 이러한 BPNN 모델의 적합성도 2차원 형광분광계의 photomultiplier 세기변화와 같은 측정조건에 많은 제약을 받을 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.