Translate

2019년 4월 30일 화요일

AMD 50 주년 이벤트




(출처: AMD)


 AMD가 창사 50주년을 맞이해 여러 가지 행사를 진행 중입니다. AMD가 설립된 것은 1969년 5월 1일의 일로 페어차일드 반도체에서 근무하던 제리 샌더스 (Jerry Sanders)와 그 동료들에 의해 Advanced Micro Devices (AMD)라는 명칭으로 설립되어 지금까지 그 이름이 바뀌지 않고 있습니다. 통상 인텔의 호환칩 업체로 시작한 것으로 알려져 있지만, 사실 그건 창사 이후 좀 시간이 지난 후 일이고 초기에는 단순한 구조를 지닌 초창기 반도체 제조에 집중했습니다.


 AMD의 최초 제품은 1970년에 내놓은 시프트 레지스터 칩인 Am9300 입니다. 1971년에는 메모리도 제조해 Am3101라는 64-bit bipolar RAM을 출시하기도 했습니다. 이후 여려 가지 반도체 제품을 생산하는 제조업체로 성장했는데, 초기에는 인텔이 아니라 페어차일드 및 내셔널 반도체의 2차 칩 공급 업체 역할을 했습니다. 


 인텔과의 인연이 시작된 것은 인텔 8080의 역설계 방식의 짝퉁인 Am9080을 만든 1975년의 일입니다. 사실 인텔의 허락 없이 진행한 일로 인텔에서는 고소를 진행하려 했으나 당시 인텔을 이끌던 밥 노이스가 차라리 정식 라이센스를 주어 2차 생산 업체로 만들어준 것이 AMD가 인텔 클론 칩 업체가 된 계기였습니다. 이 내용은 인텔 트리니티라는 책에 잘 나와 있습니다. 




 아무튼 그렇게 되어 AMD는 x86 프로세서 제조사로 성장하게 되고 지금의 위치에 있게 되었습니다. 물론 간단히 말하기에는 역사가 깊고 우여곡절이 많았지만, AMD가 있으므로 해서 많은 소비자들이 덕을 보고 CPU 및 GPU 산업 발전에 큰 기여를 했다는 점은 의심의 여지가 없을 것입니다. 앞으로도 AMD의 선전을 기대하는 이유입니다. 


 사실 50주년 기념 라이젠 2700X나 라데온 VII은 기념품이라는 것 이외에는 별로 특별한 것이 없는 제품이지만, 그외에도 국가에 따라 여러 가지 행사가 진행 중입니다. 한국에서는 50주년 이벤트를 다양한 곳에 퍼트려주면 각종 사은품을 주는 행사가 진행 중입니다. 혹시 응모하실 분은 아래 링크를 참조해 주십시요. 








우주 이야기 908 - 거대 블랙홀을 품은 은하 M87


(The galaxy M87, imaged here by NASA's Spitzer Space Telescope, is home to a supermassive black hole that spews two jets of material out into space at nearly the speed of light. The inset shows a close-up view of the shockwaves created by the two jets. Credit: NASA/JPL-Caltech/IPAC)


(This wide-field image of the galaxy M87 was taken by NASA's Spitzer Space Telescope. The top inset shows a close-up of two shockwaves, created by a jet emanating from the galaxy's supermassive black hole. The Event Horizon Telescope recently took a close-up image of the silhouette of that black hole, show in the second inset.Credit: NASA/JPL-Caltech/Event Horizon Telescope Collaboration)


 EHT (Event Horizon Telescope)를 통해 역대 가장 상세한 블랙홀 주변 이미지를 얻어 큰 화제가 된 M87 은하는 그 자체로 매우 흥미로운 연구 대상입니다. 지구에서 대략 5500만 광년 떨어진 대형 타원 은하로 중심부에는 태양 질량의 수십억 배가 넘는 거대 질량 블랙홀을 지니고 있습니다. 이 블랙홀에서 나오는 강력한 제트는 수천 광년 이상 길이의 거대한 분출을 일으켜 오래 전부터 관측이 가능했습니다.


 1918년, 천문학자 허버 커티스 (Heber Cutis)는 M87 은하에서 흥미로운 직선 (a curious straight ray)를 기술했습니다. 이후 천문학자들은 100년에 걸쳐 이 제트를 다양한 파장에서 관측했습니다. 예를 들어 제트 자체는 가시광 영역에서도 선명하게 관측이 가능하지만, 찬드라 X선 관측 위성과 NuSTAR X선에서 고온의 제트 입자를 더 상세히 관측할 수 있습니다. 제트가 성간 가스를 뚫고 나오면서 생기는 충격파는 전파 망원경으로 더 선명하게 관측할 수 있습니다. 특히 이 제트는 거의 광속에 가까운 입자의 흐름이라 상대론적 효과에 의해 더 밝게 보입니다. 


 재미있는 사실은 제트의 분출이 하나가 아니라는 점입니다. 제트는 블랙홀의 양 축으로 분출되므로 우리 쪽으로 분출하는 제트 이외에 반대로 분출하는 제트가 존재합니다. 하지만 광속에 가까운 속도로 우리에게 멀어지는 데다 안보이는 블랙홀 반대 방향이기 때문에 이는 모든 파장에서 관측이 어렵습니다. 다만 제트가 만드는 거대한 충격파는 전파 망원경으로 관측이 가능합니다. (사진) 


 M87 은하와 그 중심 블랙홀은 우주를 연구하는 과학자들에게 보물과도 같은 존재입니다. 앞으로도 이 은하에 대해서 많은 이야기가 나올 것으로 기대합니다. 


 참고 


머릿속 단어를 음성 신호를 바꾸는 번역 장치



(This brain implant works with a neural network to match brain patterns to vocal tract movements(Credit: UCSF))


 과학자들이 머리 속으로 생각한 단어를 파악해 합성음으로 바꿔주는 장치를 개발했습니다. 뇌에 이식하는 임플란트 전극 장치를 이용해 전기적 신호를 해석하는 방법인데 물론 생각 자체를 해석하기 어렵기 때문에 이를 개발한 캘리포니아 대학의 연구팀은 사람이 말을 할 때 입과 턱, 후두 등이 움직이는 신호를 해석하는 대안을 생각했습니다. 


 고발라 아누만치팔리 (Gopala Anumanchipalli)가 이끄는 UCSF의 연구팀은 성도 (vocal tract, 후두에서 입과 코까지 소리가 나오는 통로)의 신호를 파악하는데 주력했습니다. 물론 100% 정확하게 사람의 의도를 파악하기는 어렵지만, 보통 마음 속에서 단어를 생각하는 것 만으로도  실제로 말을 하지 않더라도 신호가 생성되기 때문에 어느 정도 파악이 가능합니다. 




(동영상) 


 5명의 자원자를 대상으로 한 실험에서 연구팀은 69%의 정확도로 대상자가 생각한 단어를 맞출 수 있었습니다. 물론 아직 갈길이 멀지만 의식은 있어도 사지가 마비되거나 다른 이유로 말을 하지 못하는 환자들을 위한 새로운 번역 장치가 가능할 것으로 기대됩니다. 다만 뭔가 공각기동대에서 나오는 전뇌화의 전단계 같다는 생각도 드네요.


 참고 






2019년 4월 29일 월요일

Core i9-9900K로 무장한 팬리스 PC - Airtop3






(출처: Compulab)


 무소음 PC 제조 전문 업체인 컴퓨랩이 에어탑 Airtop3 팬리스 공냉식 PC를 출시했습니다. 이 회사의 natural air-flow (NAF) 기술을 적용한 에어탑3는 300W TDP를 감당할 수 있는 냉각 시스템을 갖추고 있습니다. 사용자 옵션에 따라 8코어 Core i9-9900K CPU와 쿼드로 RTX 4000, 최대 128GB 메모리얼와 2.5인치 SSD 4개 및 M.2 SSD 두 개를 장착할 수 있습니다. 그래픽 카드는 GTX 1660 Ti 로 교체 가능합니다. 



 과연 발열을 감당할 수 있을지 의구심이 드는 구성이지만, 제품 목적상 상당한 내구성을 보장하는 산업용 PC이기 때문에 아마도 가능한 것으로 보입니다. 산업용 PC 의 경우 영하 40도에서 영상 70도 사이에서 작동을 보장합니다. 기본적인 스펙과 구조는 이전에 등장한 Airtop2와 사실 같으며 내부 부품만 업그레이드 한 것으로 보입니다. 




 전에도 언급한 것처럼 정말 이런 사양으로 무소음 실사용이 가능한지 궁금한 물건입니다. 좁은 공간에 이것 저것 넣으면 결국 발열이 문제가 될 수 밖에 없는데 팬 없이 쿨링이 가능하다는 사실이 신기합니다. 다만 가격이 비싼 편으로 쉽게 구매할 물건은 아닐 것 같습니다. 셀러론 G4900을 사용한 최저 옵션 기본 가격도 999달러부터 시작으로 풀 옵션은 상당히 고가인 물건입니다. 


 참고 


단맛에 대한 선호도를 결정하는 유전자



(public domain)



 사람에 따라 좋아하는 음식은 서로 다르기 마련입니다. 누군가는 담백한 맛을 좋아하고 누군가는 단맛을 선호할 수도 있습니다. 문제는 단 음식을 너무 많이 먹을 경우 비만 위험도가 크게 올라간다는 점입니다. 따라서 과학자들은 단 음식을 선호하거나 자꾸 먹게 되는 이유에 대해서 연구해 왔습니다. 



 당연히 여기에는 문화적 배경이나 성장 환경 등 여러 이유가 있겠지만, 유전적 요인이 있다는 점 역시 분명합니다. 퀸즐랜드 대학의 리앙 - 다르 황 (Liang-Dar Hwang, The University of Queensland Diamantina Institute, The University of Queensland)이 이끄는 연구팀은 176,867명의 유럽, 호주, 미국인의 전장 유전체 데이터를 GWAS 를 분석해 FTO 유전자와 설탕 섭취의 연관성을 찾아 냈습니다. 구체적으로 이 유전자가 어떻게 단 음식을 먹도록 자극하는지 아직 모르지만, 연관 유전자를 찾아낸 만큼 앞으로 이를 규명할 수 있는 길이 열린 셈입니다. 


 물론 우리가 유전자를 바꿀 순 없지만, 유전적 배경을 알아낸다면 위험도 예측이나 생활 습관 교정에 더 도움이 될 것입니다. 또 그 기전을 알아낸다면 단맛을 자극하는 경로를 찾아내 이를 억제하는 약물 개발이 가능할 수 있습니다. 다만 이 단계까지 많은 연구가 남아 있는 만큼 개개인이 스스로 적당히 조절하는 지혜가 필요할 것입니다. 인생의 즐거움을 포기할 필요까지는 없지만, 그래도 뱃살을 적절하게 관리하는 지혜도 필요합니다. 


 참고 


Liang-Dar Hwang et al. New insight into human sweet taste: a genome-wide association study of the perception and intake of sweet substances, The American Journal of Clinical Nutrition (2019). DOI: 10.1093/ajcn/nqz043





반감기 1.8 x 10^22 년 제논 - 124의 방사선 붕괴를 포착하다.



(The XENON1T dark matter collaboration has observed the radioactive decay of xenon-124, which has a half-life of 1.8 X 1022 years Credit: XENON1T)


 과학자들이 매우 드문 제논 - 124의 방사선 붕괴 현상을 관측했습니다. 전 세계 160여명의 과학자들이 협력한 XENON Collaboration이 운용하는 XENON1T 장치는 이름처럼 매우 안정한 원자인 제논 1300kg을 저장한 장치입니다. 이탈리아 그란 싼소 산 지하 1500미터 아래에 위치한 XENON1T는 우주에 있는 물질의 대부분을 차지하지만 그 정체를 모르는 암흑 물질을 검출하기 목적으로 개발됐습니다. 물질과 반응하지 않지만 혹시 제논 원자핵과 반응을 보이면 그 정체를 추적할 수 있기 때문입니다. 



 제논 -124는 반감기가 무려 1.8 x 10^22 년인 매우 안정적인 원자입니다. 이는 우주의 나이보다 1조배 이상 긴 것으로 사실 누구도 이를 직접 관측한 이는 없고 이론적인 추정일 뿐이었습니다. 하지만 XENON1T은 이 제논 원자의 양성자 가운데 하나가 중성자로 변하는 과정을 포착했습니다. 이 과정에서 양상자는 두 개의 전자를 흡수하는 Double-electron capture 현상이 발생하는데 이를 포착한 것입니다. 


 사실 원자의 반감기라고 해도 평균을 말하는 것이기 때문에 분명 원자 가운데는 더 빨리 방사성 붕괴를 일으키는 것도 있고 느리게 일으키는 것도 있을 것입니다. 따라서 제논 원자 중 하나가 방사성 붕괴를 일으켰다는 사실 자체는 놀라운 일이 아닐 수 있지만, 극도로 드문 현상을 민감하게 관측했다는 사실은 놀라운 것 같습니다.



 참고 



Observation of two-neutrino double electron capture in 124Xe with XENON1T, Nature (2019). DOI: 10.1038/s41586-019-1124-4 , https://www.nature.com/articles/s41586-019-1124-4



2019년 4월 28일 일요일

백악기 가장 기묘하게 생긴 게 - Callichimaera perplexa



(Life reconstruction of Callichimaera perplexa: The strangest crab that has ever lived. Credit: Oksana Vernygora, University of Alberta)


 과학자들이 백악기 중반에 살았던 괴상하게 생긴 게를 발견했습니다. 예일 대학의 고생물학자인 자비에 루크(Yale paleontologist Javier Luque)와 그 동료들은 미국과 캐나다의 지층에서 복잡하게 생긴 아름다운 키메라 (perplexing beautiful chimera)라는 뜻의 칼리키메라 페르플렉사 Callichimaera perplexa를 발견했습니다. 


 한손에 들어올 정도로 작은 고대 갑각류지만, 칼리키메라는 갑각류 버전 오리 너구리처럼 여러 개의 해양 생물을 섞어 놓은 듯 한 외형을 지니고 있습니다. 튀어나온 거대한 눈 (물론 갑각류이므로 겹눈 구조), 집게 모양의 입, 그리고 고생대에 번성했다 사라진 바다전갈 같은 큰 노 같은 뒷다리, 상대적으로 긴 꼬리를 지닌 이 생물체의 복원도는 게임 스포어에 나오는 생물을 연상시키는 형태를 지니고 있습니다. 


 왜 이런 독특한 외형을 지니게 되었는지는 알 수 없지만, 역대 가장 기묘한 외형을 지닌 갑각류인 점은 분명해 보입니다. 다만 복원도가 실제로 완벽한지는 좀 더 기다려봐야 알 수 있습니다. 고대 생물의 복원도는 실제와 좀 다른 경우들이 많은데다 나중에 수정되는 경우도 드물지 않기 때문이죠. 다소 만화적 외형 때문에 괜한 의심이 드는 것 같기도 합니다. 


 참고 


J. Luque el al., "Exceptional preservation of mid-Cretaceous marine arthropods and the evolution of novel forms via heterochrony," Science Advances (2019). DOI: 10.1126/sciadv.aav3875 , advances.sciencemag.org/content/5/4/eaav3875




대규모 테스트에 들어가는 말라리아 백신



 아프리카에서 최초의 말라리아 백신이 대대적인 테스트에 들어갔습니다. GSK에서 개발한 RTS,S/AS01 는 말라위에서 접종을 시작했으며 앞으로 케냐와 가나에서 접종을 확대해 앞으로 3년 간 100만명 이상의 아동에 접종할 예정입니다. 


 RTS,S/AS01의 접종 스케줄은 다소 복잡해서 생후 5-9새월 사이 한달 간격으로 세번 접종한 다음 2세가 되기 전 추가 접종을 한 번 더 맞아야 합니다. 의료 인프라가 부족한 가난한 나라에서 여건상 접종이 잘 이뤄질지 우려의 시선도 있지만, 다른 백신이 없는 상태에서 유일한 희망이라고 할 수 있습니다. 

 사실 백신의 예방 효과 역시 그렇게 좋지 않아서 40% 정도만 예방할 수 있을 뿐입니다. 하지만 매년 25만명의 어린이가 말라리아로 죽는 상황에서 이 정도 수준의 예방 효과만 있다고 해도 적지 않은 의미가 있습니다. GSK는 1000만 개의 백신을 기증해 마지막 테스트를 진행하고 있습니다. 여기서 큰 부작용이 없고 효과를 입증하면 말라리아 백신의 시대가 열릴 것으로 보입니다. 


  이를 시작으로 저렴하고 효과적인 말라리아 백신이 개발되어 말라리아 역시 과거의 질병이 되는 미래를 기대해 봅니다. 


 참고 



스스로 에너지를 공급하는 심박동기



(The symbiotic pacemaker based on implantable triboelectric nanogenerator. Credit: Zhou Li)


 미국과 중국의 과학자들이 돼지 심장의 수축력을 이용해서 영구적으로 작동이 가능한 심박동기를 개발하는데 성공했습니다. 인공 심빅동기는 부정맥이 있는 환자에서 인공적인 전기 신호를 통해 심장이 정상적으로 뛸 수 있게 도와주는 장치입니다. 현재 수백만명의 환자가 심박동기의 도움을 받아 정상작인 생활을 영위하고 있습니다. 하지만 기계인 이상 수명이 있어 교체가 필요합니다. 특히 배터리의 정기적인 교체가 필요합니다. 


 일부 연구자들은 심장의 수축력을 전기 에너지로 바꿔주는 장치를 이용하면 부피가 큰 배터리 자체를 삽입하거나 교체할 필요가 사라질 것으로 생각하고 연구를 진행했습니다. 중국 과학원의 저우 리 (Zhou Li, from the Chinese Academy of Sciences)를 비롯한 연구팀은 사람과 비슷한 부정맥을 지닌 돼지에 자가 발전형 심박동기를 (Self-powered pacemaker) 탑재해 안정적으로 작동할 수 있다는 점을 입증했습니다. 이 인공 심박동기는 마찰 전기 발전기 (triboelectric nanogenerator)를 이용합니다. 


 물론 실제 사람에 이식하기 전까지 많은 연구를 통해 안전성을 검증할 필요가 있지만, 이론적으로 볼 때 매우 획기적인 변화가 예상됩니다. 연구팀은 이 마찰 전기 소재가 여러 분야에 응용될 수 있을 것으로 기대하고 있습니다. 예를 들어 옷에 붙여 미세한 전기를 생산해 유용하게 사용할 수 있는 웨어러블 기기 등에 응용될 수 있습니다. 


 영구 삽입형 인공 심박동기 이상으로 마찰 전기를 이용한 기기 역시 앞으로 흥미로운 주제가 될 것 같습니다. 


 참고 


Symbiotic cardiac pacemaker, Nature Communications (2019). DOI: 10.1038/s41467-019-09851-1 , https://www.nature.com/articles/s41467-019-09851-1




2019년 4월 27일 토요일

스피노사우루스과 공룡 이리타토르 이야기



(Reconstructed skeleton at the National Museum of Nature and Science, Tokyo. The postcranium is based on remains that cannot be confidently attributed to the animal. 출처: https://en.wikipedia.org/wiki/Irritator#/media/File:Irritator_challengeri_mount_01.jpg)


 백악기 중기인 1억1천만년 전에서 9천3만년 전 사이 수각류 공룡의 일종인 스피노사우루스는 바닷가에서 큰 번영을 누렸습니다. 이 가운데는 역사상 가장 큰 육식 공룡으로 알려진 스피노사우루스 아에집티아쿠스(Spinosaurus aegyptiacus)가 가장 유명하지만, 당연히 이 한 종만 존재한 것은 아닙니다. 스피노사우루스 아에집티아쿠스와 다른 속이지만, 비교적 가까운 육식 공룡으로 이리타토르 (Irritator)가 있습니다. 스피노사우루스과에서 가장 잘 알려진 아에집티아쿠스에 대해서는 제 책인 포식자에서 소개했지만, 그외 다른 흥미로운 공룡에 대한 이야기도 여기서 다뤄보겠습니다. 





 이리타토르는 1996년 브라질에서 처음 발견되었는데, 과학자가 아니라 개인적인 화석 수집상에 의해 발굴되어 문제가 있었던 경우입니다. 이를 구매한 슈투트가르트 주립 자연사 박물관 (State Museum of Natural History Stuttgart)의 고생물학자들은 이리타토르의 두개골 화석이 심하게 손상되고 다른 골격 표본이나 발굴 현장에 대한 조사가 제대로 이뤄지지 않아 크게 실망했습니다. 이때 느낀 감정을 속명에 부여해 (irritation) 사우루스로 끝나는 속명이 아니라 이리타토르라는 속명을 같게 된 것입니다. 종명은 코난 도일의 소설 속 인물인 챌린저 교수에서 따와 Irritator challengeri로 명명됐습니다. 뭔가 이름부터가 사연이 많은 공룡이라고 하겠습니다. 


 이리타토르에서 가장 확실하게 밝혀진 부분은 두개골이며 나머지 부분은 발견되지 않았습니다. 따라서 전체 모습 복원이 쉽지 않지만 과학자들은 최대한 가지고 있는 정보를 모아 이 공룡이 6-8m 길이에 몸무게 1톤 정도 되는 중대형 수각류 공룡이라는 점을 확인했습니다. 흥미로운 점은 역시 브라질에서 발견된 다른 신종 공룡인 Angaturama limai의 주둥이 부분이 많이 유사하다는 점입니다. 따라서 사실은 같은 종이 다르게 이름이 명명되었을 가능성이 있습니다. 아마도 좀 더 작은 개체일 가능성이 있습니다.사실 발굴 시기와 지역도 비슷합니다.  


(Map of northeastern Brazil showing the location of the Araripe and São Luís-Grajaú basins. The (likely) provenance of the holotypes of local spinosaurid taxa is indicated. Marcos A. F. Sales, Cesar L. Schultz - http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0187070)

(Specimen SMNS 58022, holotype of Irritator challengeri. A, Left lateral view. B, Right lateral view. The abbreviation for the third tooth of the left maxilla follows Hendrickx et al. [58]. Additional abbreviations: ao.f, antorbital fenestra; c.c, crista cranii; e.n, external naris; m, maxilla; m.r, mandibular ramus; n, nasal; n.c, nasal sagittal crest; n.p, nasal process; o, orbit; pm, premaxilla; s, stapes. Marcos A. F. Sales, Cesar L. Schultz - http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0187070)


 비록 두개골이 발견된 화석의 전부지만, 그래도 다른 스피노사우루스과 공룡 및 훼손된 두개골 화석에 대한 정밀한 분석을 통해 여러 가지 사실이 밝혀졌습니다. 가장 흥미로운 부분은 스피노사우루스의 먹이입니다. 스피노사우루스과는 대부분 수생이나 반수생 공룡으로 생각되는데, 이리타토르 역시 주로 물고기를 먹고 살았다는 증거가 있습니다. 이리타토르의 주둥이는 길쭉한 편이며 초식 공룡을 사냥하는 티라노사우루스 같은 공룡에서 흔히 보는 톱니 모양의 이빨이 없습니다. 이는 공룡이나 큰 초식 동물을 사냥하기 보다는 물고기를 잡는데 더 적합한 구조입니다. 현생 동물 가운데 이리타토르와 가장 유사한 턱을 지닌 동물은 바로 물고기를 먹는 악어의 일종인 인도 가비알 (gharial)로 이리타토르 역시 주로 물고기를 잡아먹었을 것으로 예상됩니다. 


 흥미로운 사실은 이리타토르와 유사한 이빨 자국이 있는 익룡 화석도 발견된 적이 있다는 것입니다. 적극적으로 사냥을 했는지 그냥 시체를 먹은 것인지는 모르지만, 물고기가 풍부한 해안가는 익룡과 이리타토르 모두에게 좋은 서식처였을 것이며 종종 이리타토르가 익룡을 잡아먹었다고 해도 이상할 것은 없는 이야기일 것입니다. 


 바다가 제공하는 풍부한 먹이는 육지와 하늘의 동물을 항상 끌어들였습니다. 북극곰에서 바다표범, 각종 바다새는 물론이고 아예 물속에서의 삶에 너무 잘 적응해 물을 떠나서 살 수 없는 고래와 돌고래처럼 바다는 항상 생명의 보금자리였습니다. 그리고 종종 풍부한 먹이로 인해 거대 포식자의 삶을 지탱하는 장소가 되기도 합니다. 백악기 중반 스피노사우루스과 역시 예외가 아니었을 것입니다. 



(Generalized locations of spinosaurid fossil discoveries from the Albian-Cenomanian, 113 to 93.9 million years ago, marked on a map of that time span. ALEJANDRO SERRANO-MARTÍNEZ, DANIEL VIDAL, LARA SCISCIO, FRANCISCO ORTEGA, and FABIEN KNOLL - Serrano-Martínez, A., Vidal, D., Sciscio, L., Ortega, F., and Knoll, F. 2016. Isolated theropod teeth from the Middle Jurassic of Niger and the early dental evolution of Spinosauridae. Acta Palaeontologica Polonica 61 (2): 403–415. Figure 6D. https://www.app.pan.pl/archive/published/app61/app001012014.pdf)


 이리타토르의 존재는 이런 반수생 혹은 수생 생활을 선택한 공룡이 하나가 아니었다는 점을 보여줍니다. 하지만 아직도 남은 의문점이 많습니다. 과연 이리타토르도 스피노사우루스처럼 돛을 지닌 공룡이었을까요? 더 극단적으로 바다 생활에 적응해 아예 육지에서 삶이 어색해진 공룡도 있었을까요? 그리고 왜 이들이 사라지게됐을까요? 


 이 질문에 답하기 위해서 고생물학자들이 직접 더 많은 화석을 찾아내야 할 것 같습니다. 



참고


Martill, D.M.; Cruickshank, A.R.I.; Frey, E.; Small, P.G.; Clarke, M. (1996). "A new crested maniraptoran dinosaur from the Santana Formation (Lower Cretaceous) of Brazil". Journal of the Geological Society. 153 (1): 5–8. Bibcode:1996JGSoc.153....5M. doi:10.1144/gsjgs.153.1.0005.

Sales, Marcos A.F.; Schultz, Cesar L. (2017-11-06). "Spinosaur taxonomy and evolution of craniodental features: Evidence from Brazil". PLOS ONE. 12 (11): e0187070. 

Witton, Mark P. (2018-01-01). "Pterosaurs in Mesozoic food webs: a review of fossil evidence". Geological Society, London, Special Publications. 455 (1): 7–23




바닷물속 DNA로 산호초의 상태를 확인한다?




(A Blue Starfish (Linckia laevigata) resting on hard Acropora and Porites corals (one can also see Anthiinae fish and crinoids). Lighthouse, Ribbon Reefs, Great Barrier Reef. Copyright (c) 2004 Richard Ling)


 DNA는 대부분 세포 속이나 혹은 핵 안에 안전하게 보관합니다. 하지만 세포가 파괴되면 외부 환경에 노출될 수 있습니다. 물론 이 경우 DNA는 쉽게 파괴될 뿐이지만, 그래도 일부 파편들은 환경에 살아남아 일정 기간 존재합니다. 과학자들은 이를 측정하면 생물종이나 균주 등 여러 가지 정보를 얻을 수 있다는 사실을 발견했습니다. 


 하와이 대학의 연구팀 (marine biology grad student Patrick Nichols and Assoc. Prof. Peter Marko) 환경에 노출된 environmental DNA (eDNA)를 이용해 산호초의 상태를 모니터링 할 수 있는 방법을 개발했습니다. 산호초 보호는 해양 생태계 보호에서 매우 중요하지만, 현재까지는 스쿠버 다이빙을 통해 육안으로 확인하는 것이 가장 좋은 방법입니다. 당연히 시간과 비용이 많이 들었습니다. 


 연구팀은 eDNA가 매우 빠르고 정확하게 산호종을 확인할 수 있다는 점을 확인했습니다. 물론 이 역시 한계는 있지만 산호의 종류와 종을 확인하면 산호초가 어떤 상태인지 확인하는데 큰 도움이 될 것입니다. 특히 과정을 자동화 할 수 있기 때문에 시간과 비용을 크게 아낄 수 있을 것입니다. 사실 이런 이유로 eDNA를 활용한 연구나 생태계 조사가 점점 활성화 되고 있습니다. 


 앞으로 eDNA의 활용도가 점차 늘어날 것으로 기대됩니다. 


 참고 



장수 유전자의 비밀을 풀다



(University of Rochester biology professors Andrei Seluanov and Vera Gorbunova. Credit: University of Rochester photo / J. Adam Fenster)


 생명체의 수명은 종마다 큰 차이를 보입니다. 같은 포유류도 몇년 이상 살지 못하는 쥐부터 사람처럼 100년 넘게 사는 경우가 있는 등 매우 다양합니다. 과학자들은 이런 차이가 어디서 기인하는지 연구해왔습니다. 물론 수명을 결정하는 요인을 모두 밝혀내지는 못했지만, 연구를 통해 많은 사실들이 밝혀져 있습니다. 


 생명체의 수명을 결정하는데 중요한 인자는 DNA의 손상입니다. 산소로 호흡하는 대부분의 진핵 생물은 산소에 의한 DNA 손상을 피할 수 없습니다. 산화손상 (oxidative damage) DNA를 구성하는 두 개의 유전자가 모두 손상되는 double-strand breaks (DSBs)이 발생하고 누적되면 세포 노화와 암 발생을 피할 수 없게 됩니다. 물론 이로 인해 자손을 남기지 못하면 안되기 때문에 대부분의 생물은 손상된 DNA를 복구하는 메카니즘을 지니고 있습니다. 


 로체스터 대학의 연구팀 (사진)은 이런 손상 복구 유전자 가운데 하나인 sirtuin 6 (SIRT6) 유전자에 대해서 연구했습니다. SIRT6는 매우 중요한 DNA 복구 유전자로 대부분의 동물에서 볼 수 있지만, 그 염기 서열을 동물에 따라 차이가 있습니다. 연구팀은 18종의 설치류에서 SIRT6의 차이를 연구했습니다. 여기에는 3년 정도 사는 쥐도 있고 32년 정도 살 수 있는 비버 같은 장수 설치류의 유전자도 있습니다. 


 그 결과 예상할 수 있듯이 오래 사는 종일수록 더 효율적인 SIRT6 유전자를 지녀 DNA의 손상을 잘 복구하는 것으로 나타났습니다. 이를 확인하기 위해서 연구팀은 유전자를 교체해 다른 동물에서 수명 변화를 관찰했습니다. 예를 들어 사람 세포에 쥐와 비버의 SIRT6 유전자를 삽입한 결과 비버의 SIRT6가 더 효과적으로 DNA를 보호했으며 이를 초파리에서 삽입했을 때도 마찬가지였습니다. 초파리에 SIRT6 유전자를 삽입한 경우 비버의 유전자를 삽입하는 것이 쥐의 유전자를 삽입하는 것보다 수명을 더 늘리는 효과가 확인되었습니다. 


 물론 이것이 바로 인간의 수명을 증대시키지는 못하지만, 수명과 노화의 메카니즘을 더 자세히 밝혀 수명 연장의 꿈을 가능하게 만들수도 있습니다. 그리고 과학이 답해야 하는 더 궁극적인 질문 - 왜 노화가 일어나고 왜 죽는가 - 에 대한 답을 찾는데 도움을 줄 것으로 기대됩니다. 


 참고 


Xiao Tian et al. SIRT6 Is Responsible for More Efficient DNA Double-Strand Break Repair in Long-Lived Species, Cell (2019). DOI: 10.1016/j.cell.2019.03.043


2019년 4월 26일 금요일

물고기에 부착하는 웨어러블 센서



(The new version of Marine Skin can be glued directly to the animal's skin, or it can be wrapped around their body like a bracelet(Credit: KAUST))

(While the new version of Marine Skin presently records the same data as the original patch, plans call for the addition of sensors that will also allow it to measure factors such as the water's oxygen and carbon dioxide levels, and the animals' geographical location(Credit: KAUST))


 피부에 부착할 수 있는 웨어러블 기기는 현재는 널리 사용되지 않고 있지만 플렉서블 기기 관련 기술이 발전하면서 앞으로 유망한 분야라고 하겠습니다. 특히 헬스케어 부분에서 요긴하게 사용될 수 있을 것으로 기대하고 있습니다. 하지만 플렉서블 센서의 가능성은 의외의 분야에서도 있을 수 있습니다. 


 사우디 아라비아의 킹 압둘라 공대 (King Abdullah University of Science and Technology (KAUST))의 연구팀은 물고기에 부착할 수 있는 형태의 플렉서블 센서를 개발했습니다. 이 플렉서블 센서는 기존의 태그 형태의 센서에 비해 감도가 15배 정도 우수하며 수심과 이동 경로, 산소 농도 같은 주요 정보를 1년까지 수집할 수 있습니다. 


 이런 센서는 어족 자원 연구 및 기초 과학 연구를 위해 사용됩니다. 물고기를 센서를 달아 풀어준 다음 이 물고기가 잡히면 회수 하는 방식입니다. 하지만 물고기에 손상을 주면 안되기 때문에 사실 일부 어종에만 적용이 가능했습니다. 잘 늘어나는 실리콘 재질의 웨어러블 센서는 기존에는 센서를 달기 어려웠던 어종에 문제 없이 장착할 수 있으며 비교적 작은 물고기도 편하게 움직일 수 있습니다. 


 개인적으로 미처 생각하지 못했던 응용 방법인데 괜찮은 아이디어 같습니다. 



 참고 






당뇨발 치료 예후에 영향을 주는 황색 포도상구균 균주



  당뇨 환자에서 생기는 당뇨발은 당뇨병의 주요 합병증 가운데 하나입니다. 작은 족부 궤양에서 시작되어 결국 발을 절단해야 하는 상황까지 몰릴 수 있기 때문에 당뇨 환자는 발 관리가 중요합니다. 하지만 그래도 인구 고령화와 비만 인구 증가로 당뇨 환자 자체가 증가하고 있어 당뇨발은 더 큰 문제가 되고 있습니다. 


 미국에서 당뇨발로 치료 받는 환자는 400-600만명에 달하며 매년 의료비 지출이 90-130억 달러에 이르고 있습니다. 따라서 많은 연구자들이 당뇨발의 효과적인 치료와 관리 방법을 연구하고 있습니다. 위스콘신 의대의 린제이 칼란 (University of Wisconsin School of Medicine and Public Health Professor of Medical Microbiology and Immunology Lindsay Kalan)과 그 동료들은 궤양 감염의 중요한 세균인 황색 포도상구균(Staphylococcus aureus )의 균주(strain)를 조사했습니다. 


 황색 포도상구균은 피부에 국한되어 있을 때는 큰 문제가 없지만, 상처나 내부 장기 깊이 들어가면 심각한 감염증을 일으킬 수 있습니다. 하지만 사실 다른 세균과 마찬가지로 황색 포도상구균 역시 여러 균주가 있으며 항생제 내성 및 병원성이 서로 다릅니다. 따라서 이 균주를 확인할 수 있다면 더 효과적인 치료 및 관리가 가능할지도 모릅니다. 


 연구팀은 46명의 당뇨발 환자의 궤양 부위에서 세균을 동정한 다음 26주간 치료하면서 다시 2주 간격으로 미생물군을 수집했습니다. 그 결과 치료 예후에 균주가 큰 영향을 미치는 것으로 나타났습니다. 유전자 확인 결과는 치료에 잘 반응하지 않는 균주들이 존재하며 이들이 치료 경과 중 큰 변화가 없다는 것을 확인했습니다. 그리고 동물 실험을 통해 실제로 잘 치료되지 않는 궤양과 연관이 있음을 증명했습니다. 


 이런 정보가 당장에 치료 효과를 높일 순 없겠지만, 당뇨발의 정확한 예후 예측과 새로운 치료법 개발에 도움을 줄 것으로 기대합니다. 



 참고 






새턴 V와 우주 왕복선 테스트 시설을 민간 로켓 테스트 시설로 제공하는 나사



(Blue Origin will upgrade and refurbish Test Stand 4670 at NASA’s Marshall Space Flight Center in Huntsville, Alabama to support testing of their BE-3U and BE-4 rocket engines(Credit: NASA))


 1965년 건설되 새턴 로켓과 우주 왕복선을 테스트 했던 나사의 로켓 테스트 시스템이 새롭게 개조되어 블루 오리진의 로켓을 테스트할 예정입니다. 휴스턴 마셜 우주 비행 센테에 있는 Test Stand 4670은 과거 새턴 V 로켓과 우주 왕복선의 메인 엔진 및 외부 연료 탱크를 테스트 하는 데 사용됐으나 1998년 이후로 20년 동안 사용하지 않은 채 방치돼 있었습니다. 


 하지만 상업 우주 발전을 촉진하기 위한 상업 우주 발사 법안 (Commercial Space Launch Act agreement)에 의해 현재 사용하지 않는 나사의 여러 설비들이 우주 개발 회사에 제공되고 있습니다. 블루 오리진은 여기서 BE-3U and BE-4 로켓 엔진을 테스트 할 계획인데 워낙 큰 철근 콘크리트 구조물이라 테스트에는 문제가 없을 것으로 보입니다. 물론 새 로켓에 맞춰 새롭게 개조할 필요는 있기 때문에 이 작업이 한창 진행 중입니다. 


 사실 스페이스 X를 비롯한 민간 우주 회사들이 두각을 나타낼 수 있는 이유도 이렇게 나사의 설비를 저렴한 가격에 제공하는 데 있습니다. 특혜 시비가 있을 수도 있지만 해당 산업 육성을 위해서는 적절한 정책이라고 생각합니다. 당장에 비용은 많이 들고 큰 수익을 기대할 수 없는 우주 산업에 정부의 지원이 없다면 신생 기업이 나오기 어렵습니다. 결국 이런 투자가 미래 신성장 동력 및 산업을 이끌 것으로 기대합니다. 



 참고 




2019년 4월 25일 목요일

로지스틱 회귀 분석 (3)





 모델 선택은 분석에 있어 가장 어려운 과정이 될 수 있습니다. 이것 저것 변수를 많이 넣게 되면 오히려 각 변수간 상호 작용의 가능성이 커지고 현상을 설명하는 모델이 너무 복잡해지거나 과보정이 되어 정확한 상관 관계를 보여주지 못할 수 있습니다. 반대로 너무 변수를 적게 넣으면 다른 교란 변수에 의한 영향력을 보정할 수 없게 됩니다. 경우에 따라서는 저자의 주장에 적당한 모델을 선택해 P값을 해킹하는 일이 발생할 수도 있습니다. 


 따라서 연구에 따라서 모델 선택을 어떻게 했는지가 매우 중요한 이슈가 될 수 있습니다. 논문 심사에서 중요하게 보는 문제가 될 수 있기 때문에 구체적으로 왜 이렇게 모델을 선택하고 중요한 변수를 넣거나 넣지 않은 이유를 설명할 수 있어야 합니다. 로지스틱 회귀 분석에서 모델 선정에 중요한 파라미터는 바로 AIC (akaike information criterion)입니다. AIC 가 낮을수록 좋은 모델이라고 할 수 있습니다. 따라서 AIC는 summary()에서 기본으로 보여줍니다. 



library(moonBook)
library(mlbench)

data(PimaIndiansDiabetes)
pima <- pimaindiansdiabetes="" span="">

pima<-subset pima="" pressure="">0)
pima<-subset mass="" pima="">0)
pima<-subset glucose="" pima="">0)

pima$obesity[pima$mass>=30]=2
pima$obesity[pima$mass<30 span="">
pima$obesity[pima$mass<25 span="">
table(pima$obesity)

out=glm(diabetes~factor(obesity)+pressure+glucose+age+pedigree,family=binomial,data=pima)
summary(out)
extractOR(out)

> out=glm(diabetes~factor(obesity)+pressure+glucose+age+pedigree,family=binomial,data=pima)
> summary(out)

Call:
glm(formula = diabetes ~ factor(obesity) + pressure + glucose + 
    age + pedigree, family = binomial, data = pima)

Deviance Residuals: 
    Min       1Q   Median       3Q      Max  
-2.8133  -0.7259  -0.3803   0.7219   2.5514  

Coefficients:
                  Estimate Std. Error z value Pr(>|z|)    
(Intercept)      -8.223152   0.831018  -9.895  < 2e-16 ***
factor(obesity)1  1.225678   0.471464   2.600 0.009330 ** 
factor(obesity)2  2.174498   0.441818   4.922 8.58e-07 ***
pressure         -0.001569   0.008389  -0.187 0.851656    
glucose           0.034531   0.003597   9.600  < 2e-16 ***
age               0.032288   0.008562   3.771 0.000163 ***
pedigree          0.984527   0.305211   3.226 0.001257 ** 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 931.94  on 723  degrees of freedom
Residual deviance: 676.98  on 717  degrees of freedom
AIC: 690.98

Number of Fisher Scoring iterations: 5

> extractOR(out)
                   OR  lcl   ucl      p
(Intercept)      0.00 0.00  0.00 0.0000
factor(obesity)1 3.41 1.35  8.58 0.0093
factor(obesity)2 8.80 3.70 20.91 0.0000
pressure         1.00 0.98  1.01 0.8517
glucose          1.04 1.03  1.04 0.0000
age              1.03 1.02  1.05 0.0002
pedigree         2.68 1.47  4.87 0.0013


 여기서 AIC는 690.98입니다. 만약 여기서 혈압 (pressure)를 빼면 어떨까요?

> out=glm(diabetes~factor(obesity)+glucose+age+pedigree,family=binomial,data=pima)
> summary(out)

Call:
glm(formula = diabetes ~ factor(obesity) + glucose + age + pedigree, 
    family = binomial, data = pima)

Deviance Residuals: 
    Min       1Q   Median       3Q      Max  
-2.8102  -0.7283  -0.3808   0.7295   2.5530  

Coefficients:
                  Estimate Std. Error z value Pr(>|z|)    
(Intercept)      -8.306914   0.701427 -11.843  < 2e-16 ***
factor(obesity)1  1.224595   0.471094   2.599  0.00934 ** 
factor(obesity)2  2.165589   0.438837   4.935 8.02e-07 ***
glucose           0.034457   0.003573   9.644  < 2e-16 ***
age               0.031815   0.008175   3.892 9.95e-05 ***
pedigree          0.985863   0.305021   3.232  0.00123 ** 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 931.94  on 723  degrees of freedom
Residual deviance: 677.01  on 718  degrees of freedom
AIC: 689.01

 그 결과 AIC는 689.01으로 소폭 감소했습니다. 그 다음엔 가족력 (pedigree)을 빼보겠습니다. 


> out=glm(diabetes~factor(obesity)+glucose+age,family=binomial,data=pima)
> summary(out)

Call:
glm(formula = diabetes ~ factor(obesity) + glucose + age, family = binomial, 
    data = pima)

Deviance Residuals: 
    Min       1Q   Median       3Q      Max  
-2.2393  -0.7657  -0.3874   0.7429   2.6414  

Coefficients:
                  Estimate Std. Error z value Pr(>|z|)    
(Intercept)      -7.911011   0.680699 -11.622  < 2e-16 ***
factor(obesity)1  1.249056   0.474545   2.632 0.008486 ** 
factor(obesity)2  2.219298   0.442638   5.014 5.34e-07 ***
glucose           0.034991   0.003523   9.932  < 2e-16 ***
age               0.030844   0.008092   3.812 0.000138 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 931.94  on 723  degrees of freedom
Residual deviance: 687.99  on 719  degrees of freedom
AIC: 697.99

Number of Fisher Scoring iterations: 5


 그 결과 697.99으로 소폭 증가했습니다. 이 세 모델은 AIC가 비슷하지만 그래도 두 번째 모델이 가장 작다는 결론을 내릴 수 있습니다. 하지만 어떤 변수를 넣고 뺄지는 만약 변수의 숫자가 매우 많아지면 상당한 복잡한 문제가 됩니다. 당연히 이를 자동화할 수 있는 방법이 있는데 바로 단계적 (stepwise model selection)으로 모델을 결정하는 것입니다. R에서는 step ()을 이용해서 구현할 수 있으며 가장 많은 모델에서 하나씩 줄여나가며 최적의 조합을 찾는 backward selection과 반대로 하나씩 변수를 추가해가면서 최적의 모델을 찾는 forward selection 두 가지 방법이 있습니다. 


 우선 5개의 변수를 가진 모델에서 하나씩 줄여나가는 backward 방식을 사용해 보겠습니다. 



full.model=glm(diabetes~factor(obesity)+pressure+glucose+age+pedigree,family=binomial,data=pima)
reduce.model=step(full.model,direction = "backward")


우선 가장 변수가 많은 모델을 결정한 다음 이를 step에 넣고 backward로 방향을 정해줍니다. 

> reduce.model=step(full.model,direction = "backward")
Start:  AIC=690.98
diabetes ~ factor(obesity) + pressure + glucose + age + pedigree

                  Df Deviance    AIC
- pressure         1   677.01 689.01
                 676.98 690.98
- pedigree         1   687.91 699.91
- age              1   691.44 703.44
- factor(obesity)  2   721.17 731.17
- glucose          1   793.36 805.36

Step:  AIC=689.01
diabetes ~ factor(obesity) + glucose + age + pedigree

                  Df Deviance    AIC
                 677.01 689.01
- pedigree         1   687.99 697.99
- age              1   692.36 702.36
- factor(obesity)  2   722.21 730.21
- glucose          1   794.37 804.37


 선정된 모델은 summary로 더 간결하게 알 수 있습니다. 


summary(reduce.model)


> summary(reduce.model)

Call:
glm(formula = diabetes ~ factor(obesity) + glucose + age + pedigree, 
    family = binomial, data = pima)

Deviance Residuals: 
    Min       1Q   Median       3Q      Max  
-2.8102  -0.7283  -0.3808   0.7295   2.5530  

Coefficients:
                  Estimate Std. Error z value Pr(>|z|)    
(Intercept)      -8.306914   0.701427 -11.843  < 2e-16 ***
factor(obesity)1  1.224595   0.471094   2.599  0.00934 ** 
factor(obesity)2  2.165589   0.438837   4.935 8.02e-07 ***
glucose           0.034457   0.003573   9.644  < 2e-16 ***
age               0.031815   0.008175   3.892 9.95e-05 ***
pedigree          0.985863   0.305021   3.232  0.00123 ** 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 931.94  on 723  degrees of freedom
Residual deviance: 677.01  on 718  degrees of freedom
AIC: 689.01

Number of Fisher Scoring iterations: 5


 선택된 모델은 앞서 본 두 번째 모델입니다. 반대로 forward의 경우 처음에는 변수가 하나도 없는 모델에서 시작해야 합니다. scope에 full model을 적어주고 중간 결과를 생략하기 위해 trace = 0을 표기했습니다. 


model1=glm(diabetes~1,family=binomial,data=pima)
forward.model=step(model1, direction = "forward",
                   scope=(diabetes~factor(obesity)+pressure+glucose+age+pedigree), trace = 0)
summary(forward.model)


> summary(forward.model)

Call:
glm(formula = diabetes ~ glucose + factor(obesity) + age + pedigree, 
    family = binomial, data = pima)

Deviance Residuals: 
    Min       1Q   Median       3Q      Max  
-2.8102  -0.7283  -0.3808   0.7295   2.5530  

Coefficients:
                  Estimate Std. Error z value Pr(>|z|)    
(Intercept)      -8.306914   0.701427 -11.843  < 2e-16 ***
glucose           0.034457   0.003573   9.644  < 2e-16 ***
factor(obesity)1  1.224595   0.471094   2.599  0.00934 ** 
factor(obesity)2  2.165589   0.438837   4.935 8.02e-07 ***
age               0.031815   0.008175   3.892 9.95e-05 ***
pedigree          0.985863   0.305021   3.232  0.00123 ** 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 931.94  on 723  degrees of freedom
Residual deviance: 677.01  on 718  degrees of freedom
AIC: 689.01

Number of Fisher Scoring iterations: 5




 역시 같은 결과가 나왔습니다. stepwise 방식은 널리 사용되기는 하지만 사실 만능은 아닙니다. AIC와 독립적으로 결과 변수를 설명하는데 매우 중요한 원인이 되는 변수가 있을 수 있으며 이를 빼는 것이 반드시 좋은 것이 아닐 수 있기 때문입니다. stepwise 방식을 사용할 경우 모델 선정에서 주관적으로 결정한 것이 아니라 객관적인 기준을 가지고 선정한 인상을 줄 수 있지만, 이 역시 사용자가 주관적으로 특정 변수를 뺄 가능성은 얼마든지 존재합니다. 따라서 필수적인 방식은 아니지만, 모델 선정에 있어 참고할 수 있는 중요한 방법인 점은 분명합니다.