장내 미생물 군집은 소화 과정, 면역 시스템, 질병 발생 등 숙주의 다양한 면에 광범위한 영향을 주는 것으로 알려져 있으며, 주요 장내 미생물 종은 숙주의 생리 기능에 핵심적인 역할을 수행한다고 발표된 바 있다. 곤충의 장내 미생물 군집에 관한 연구가 최근 활발히 이루어지고 있으며, 이들 연구는 주로 장내 미생물 군집과 기생충, 병원체 간의 상호작용, 종간의 신호 전달 네트워크, 먹이의 소화 과정 등을 중심으로 이루어지고 있다. 이러한 연구들은 대부분 Illumina MiSeq을 활용하여 16S rRNA 유전자의 V1부터 V9 영역 중 선택된 특정 부분을 대상으로 짧은 서열 정보를 대상으로 진행되었다. 그러나, 최근에는 PacBio HiFi 기술이 상용화되면서 16S rRNA의 전장 분석이 가능할 수 있게 되었다. 이번 연구는 장수말벌(Vespa mandarinia)의 해부를 통해 gut과 carcass 부분을 분리한 뒤, 각 샘플을 Illumina MiSeq과 PacBio HiFi 기술을 활용하여 미생물 군집 간의 차이점을 확인하기 위하여 수행되었다.

Haemaphysalis longicornis는 사람과 동물에게 여러 심각한 병원체를 전달하는 주요 매개체로, 한반도에 널리 분포하고 있다. H. longicornis는 Rickettsia spp., Borrelia spp., Francisella spp., Coxiella spp., 그리고 중증열성혈소판 감소증후군 바이러스 (SFTS virus) 등을 매개하는 것으로 알려져 있다. 국내에 서식하는 H. longicornis의 미생물 군집과 관련된 연구는 많이 진행되지 않은 것으로 확인되었다. 이 연구는 한반도 내 다양한 지역에서 채집된 H. longicornis의 미생물군집 다양성을 지역별, 성장 단계 및 성별에 따라 분석하였다. 2019년 6월부터 7월까지 질병관리청 권역별기후변화매개체감시거점센터 16개 지역에서 채집한 H. longicornis의 16S rRNA 유전자 V3-V4 영역을 PCR로 증폭 후 Illumina MiSeq 플랫폼으로 시퀀싱하였다. Qiime2를 활용한 미생물 다양성 분석을 통해 총 46개의 샘플에서 1,754,418개의 non-chimeric reads를 얻었으며, 평균 126개 의 operating taxonmic unit (OTU) 을 식별하여 총 1,398개의 OTU를 확인하였다. 대부분의 지역에서 Coxiella spp.가 우점종으로 나타났으며, 특히 Coxiella endosymbiont는 가장 높은 우점도를 보이며, Coxiella burnetii와 계통 발생 학적으로 유사한 것으로 확인되었다. 이 연구를 통해 분석된 결과는 각 지역의 H. longicornis 미생물군집 데이터 베이스 구축에 활용되었으며, 이를 통해 지역별 미생물군집의 특이성을 식별할 수 있게 하였다. 이는 한반도의 H. longicornis에 의한 질병 전파 연구와 이를 통한 공중보건 개선에 기여할 것으로 기대된다.

본 연구는 신생아 검사 중 포수클로랄(chloral hydrate)을 투여 후 진행되는 신생아 진정 검사 대비 진정 대체 방식 중 하나인 피드 및 랩(feed and wrap) 방식의 유용성을 평가한 연구이다. 본 연구에선 진정으로 진행한 신생아의 두뇌 T2 축면 영상과 피드 및 랩 방식으로 진행한 같은 영상 각 30개의 운동 허상(motion artifact)과 백질과 회백질의 구분 정도를 두 명의 영상의학과 전문의가 정성적으로 평가하였고, 운동 허상을 측정하기 위해서 위상부호화(phase encoding) 방향의 배경 영역(background area)의 평균 신호 강도(mean signal intensity)를 구하여서 정량적 방식으로 평가하였다. 또한 총검사 시간을 정리한 뒤 정량적 방식으로 평가하였고 투약 기록의 여부와 간호일지를 토대로 피드 및 랩 방식의 총 39건의 검사 건수 대비 성공률을 측정하였다. 운동 허상의 정량적 평가와 영상 품질의 정성적 평가 모두에서 두 집단은 유의미한 차이가 없었으나, 검사 시간의 정량적 평가에선 p값이 0.001로 유의한 차이가 있었다. 피드 및 랩 방식의 총검사 건수 대비 성공률은 100%였다. 결론적으로 본 논문에선 피드 및 랩 방식과 진정 방식의 영상 품질이 유의한 차이가 없고 성공률이 높기에 유용하다고 판단하였으나, 검사 시간이 더 지연되는 한계가 있다는 사실을 확인하였다.

Fibrous adsorbents, such as activated carbon fibers (ACF) have acknowledged advantages of rapid adsorption rate and ease of modification compared with granular and powdered adsorbents. Based on the surface modification of lyocell-based ACF, we observed different surface characteristics of ACF samples with variation in the mixing ratio and impregnation time of H3PO4, NaCl, and KMnO4 solution. For an engineering application, we also explored the adsorption characteristics of thusproduced ACF samples onto volatile organic compounds (VOCs). Isothermal adsorption experiments were performed using toluene and benzene as adsorbates. Results indicate that both physical and chemical surface properties have an effect on the adsorption of volatile organic compounds (VOCs).

감성공학이라는 개념이 대두된 이래로 게임 산업에서도 감성적 성향에 기반한 게임을 개발하려는 움직임이 나타났다. 기존의 경쟁과 승리를 갈구하는 게임 방식에서 인간의 감성을 자극해 몰입을 유도하는 방식으로 전환된 것이다. 따라서 게임을 출시하기 전 개발단계에서 감성평가라는 시스템이 적용되었다. 감성 평가 시스템은 게임 인터페이스, 시스템 등의 사용성과 플레이어의 감성 욕구를 검증할 수 있는 평가 방법이다. 하지만 문항 선택 방식의 평가 방식으로는 평가자의 주관에 의존해야 한다는 단점이 있으며, 게임에 충분히 몰입을 했는지의 여부에 의해 평가자의 답변이 바뀔 수 있다는 문제가 있다. 특히 게임은 다른 미디어 콘텐츠에 비해 몰입성에 대한 영향을 크게 받는 편이며 몰입성은 수치를 통한 계량화가 힘들기 때문에 평가 대상으로 삼기 힘든 면이 있다. 이에 본 연구에서는 시선 추적 기술을 이용해 플레이어의 몰입도를 측정한 뒤 감성 평가를 실시하여 감성 평가의 신뢰성을 높이는 방법을 제안하고자 한다.

모바일 게임 시장이 스마트폰 중심으로 변화되기 시작하면서 모바일 게임에서는 오토 플레이 시스템이 적용되기 시작하였다. 오토플레이 시스템은 버튼 한번으로 게임을 자동으로 진행하는 시스템 이며 현재 거의 대부분의 모바일 게임에서 적용되었고 PC게임에서 까지 이러한 시스템이 적용되고 있다. 하지만 이러한 오토 플레이 시스템의 성능은 매우 비효율적으로 행동하고 있으며 본 논문에서는 플레이어의 행동 패턴을 기반으로 학습한 인공지능을 제안하고자 한다. 본 논문에서 제안하는 인공지능 모델은 플레이어가 게임을 진행하면서 게임 데이터와 플레이어가 입력한 버튼 값을 학습 데이터로 저장하고 학습데이터를 DNN(Deep Neural Network) 신경망 모델을 사용하여 학습하였다. 게임에서는 플레이어가 중복적으로 다른 버튼을 동시에 누르기 때문에 Output Layer를 다층으로 분류하여 학습을 진행했다. 본 논문 실험에서는 20명의 실험자들에게 제안하는 인공지능 모델을 사용함으로써 결과를 기록하였고 트랙을 일정하게 벽을 부딪치지 않고 달린 플레이어 데이터만 제대로 학습되어 결과를 얻을 수 있었고 그렇지 않은 플레이어의 데이터는 캐릭터가 제대로 이동하지 않아 결과 값을 얻을 수가 없었다. 또한 간단한 아케이드 게임을 만들어 강화학습과 비교하였으며 강화학습보다 성능은 좋지 않았지만 학습속도가 약 10배 빨랐다.