KR-20260061527-A - MVOC Marker for Indoor Mold Detection and Indoor Mold Detection Method using it

Abstract

본 발명은실내 곰팡이 감지를 위한 MVOC 지표 조성물 및 이를 이용한 실내 곰팡이 감지 방법에 관한 것이다. 이를 위하여 본 발명의 MVOC 지표 조성물을 이용한 실내 곰팡이 감지방법은, 벤조사이클로부탄(Benzocyclobutane), 스티렌(Styrene), 에탄올(Ethanol), 벤젠(Benzene) 및 2-부타논(2-Butanone)으로 이루어진 군에서 선택된 어느 하나 이상의 휘발성 유기화합물을 검출하는 단계를 포함한다. 이로써, 종래의 복잡한 미생물 검출 방법에 의존하지 않더라도 간단하면서도 정확도 높은 실내 곰팡이의 검출이 가능한 이점이 있다.

Inventors

• 김대근
• 최예림

Assignees

• 서울과학기술대학교 산학협력단

Dates

Publication Date

20260506

Application Date

20260403

Claims (5)

1. 벤조사이클로부탄(Benzocyclobutane), 스티렌(Styrene), 에탄올(Ethanol), 벤젠(Benzene) 및 2-부타논(2-Butanone)으로 이루어진 군에서 선택된 어느 하나 이상의 휘발성 유기화합물을 포함하는 실내 곰팡이 감지를 위한 MVOC 지표 조성물.
2. 제1항에 있어서, 벤조사이클로부탄(Benzocyclobutane), 스티렌(Styrene) 및 2-부타논(2-Butanone) 중에서 선택된 어느 하나 이상과 에탄올(Ethanol) 및 벤젠(Benzene) 중에서 선택된 어느 하나 이상의 휘발성 유기화합물을 포함하는 실내 곰팡이 감지를 위한 MVOC 지표 조성물.
3. 제1항에 있어서, 벤조사이클로부탄(Benzocyclobutane)을 포함하고, 스티렌(Styrene), 에탄올(Ethanol), 벤젠(Benzene) 및 2-부타논(2-Butanone) 중에서 선택된 어느 하나 이상의 휘발성 유기화합물을 추가적으로 포함하는 실내 곰팡이 감지를 위한 MVOC 지표 조성물.
4. 제3항에 있어서, 벤조사이클로부탄(Benzocyclobutane)을 포함하고, 스티렌(Styrene), 에탄올(Ethanol), 벤젠(Benzene) 및 2-부타논(2-Butanone) 중에서 선택된 어느 세 개의 휘발성 유기화합물을 추가적으로 포함하는 실내 곰팡이 감지를 위한 MVOC 지표 조성물.
5. 벤조사이클로부탄(Benzocyclobutane), 스티렌(Styrene), 에탄올(Ethanol), 벤젠(Benzene) 및 2-부타논(2-Butanone)으로 이루어진 군에서 선택된 어느 하나 이상의 휘발성 유기화합물을 검출하는 단계를 포함하는 실내 곰팡이 감지 방법.

Description

실내 곰팡이 감지를 위한 MVOC 지표 조성물 및 이를 이용한 실내 곰팡이 감지 방법{MVOC Marker for Indoor Mold Detection and Indoor Mold Detection Method using it} 본 발명은 실내 곰팡이 감지를 위한 MVOC 지표 조성물 및 이를 이용한 실내 곰팡이 감지 방법에 관한 것으로, 실내 곰팡이와 대조군에서 발생되는 기체를 이용하여 가스 크로마토그래프 질량 분석(GC-MS)으로 휘발성 유기화합물의 데이터를 도출하고, 휘발성 유기화합물의 데이터에 랜덤 포레스트(Random forest) 모델을 적용하여 최종적으로 벤조사이클로부탄(Benzocyclobutane), 스티렌(Styrene), 에탄올(Ethanol), 벤젠(Benzene) 및 2-부타논(2-Butanone)으로 이루어진 군에서 선택된 어느 하나 이상의 휘발성 유기화합물을 지표 조성물로 결정함으로써 실내 곰팡이 검출에 활용하는 실내 곰팡이 감지를 위한 MVOC 지표 조성물 및 이를 이용한 실내 곰팡이 감지 방법에 관한 것이다. 실내 환경은 실외 환경에 비해 온도와 습도의 변동이 적어 미생물 증식에 유리한 조건을 제공하므로, 알레르기, 감염, 과민성 폐렴, 호흡기 자극 등을 유발하는 생물학적 위험으로부터 인체 건강을 유지하기 위해서 실내 환경의 미생물 관리는 매우 중요하다. 대표적으로, 곰팡이는 실내 환경에서 가장 빈번하게 자라나는 미생물로서, 높은 습도와 적정 온도에서 약간의 영양분만 있다면 음식, 실내 식물, 벽, 바닥 등 실내 환경의 어느 곳에서도 생장할 수 있다. 곰팡이의 포자는 공기 중에 비산하여 인체의 비강이나 안구를 자극하여 염증을 유발하고, 호흡 곤란을 야기할 수 있으며, 면역력이 약한 사람들에게는 아스퍼질러스 감염병까지 유발할 수 있는 것으로 알려져 있다. 뿐만 아니라, 실내 가구나 자재 등도 곰팡이에 의하여 부식될 수 있고, 심할 경우 창문이나 벽, 건물의 구조까지 손상시킬 수 있다. 그런데, 곰팡이를 포함하는 이러한 미생물의 농도는 세포의 발달과 소멸에 따른 생물학적 특성으로 인해 정확한 측정에 어려움이 있다. 구체적으로, 실내 환경의 미생물의 측정은 배양 기반방법, 배양 독립적 검출, 분자기법에 의존하나, 배양 기반방법은 미생물이 성장하는 배지에 의존함에 따라 배양 가능한 미생물만 검출함에 따라 미생물 농도가 과소평가되는 한계가 있으며, 관찰 기반방법은 전문지식과 형태학적 관찰이 수반되어 밀집된 군집이나 사상성 성장을 하는 미생물을 검출하기 어렵고, 화학 및 분자생물학적 방법은 정성적 미생물 분석에 활용되지만 고가의 장비에 의존하는 경우가 많다. 한편, 곰팡이와 박테리아는 대사 과정에서 미생물 유래 휘발성 유기화합물(Microbial Volatile Organic Compounds, MVOCs)을 생성하며, 특히, 곰팡이가 공기중에 방출하는 휘발성 물질은 흔히 곰팡이 냄새로 지칭되는 불쾌한 냄새를 발생시키는 것으로 알려져 있다. 따라서, 실내 곰팡이의 발생을 감지할 수 있는 미생물 유래 휘발성 유기화합물을 지표로 결정할 수 있다면, 상술한 미생물 측정방법에 의존하지 않고도 실내 곰팡이의 발생을 높은 정확도로 감지할 수 있을 것으로 기대된다. 도 1은 MVOC 지표 조성물의 결정방법을 간략히 도시한 개념도. 도 2는 MVOC 지표 조성물의 결정방법을 시계열적으로 도시한 블록도. 도 3은 대상 곰팡이를 배양하는 과정을 도시한 이미지. 도 4a 내지 도 4c는 배양일에 따른 휘발성 유기화합물의 가지 수와 피크 면적의 합계를 나타낸 그래프. 도 5는 곰팡이의 종별로 배양일에 따라 발생되는 휘발성 유기화합물의 농도를 히트맵으로 나타낸 덴드로그램. 도 6은 의사 결정에 상대적 중요도가 높은 유기화합물을 우선 순위에 따라 도출한 이미지. 도 7은 유기화합물 변수의 수에 따른 분류 예측 모델의 분류 정확도를 나타낸 그래프. 이하에서는 도면에 도시된 사항을 바탕으로 본 발명의 바람직한 실시예를 상세하게 설명하되, 관련된 공지기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명은 생략한다. 본 발명은 실내 곰팡이 감지를 위한 MVOC 지표 조성물 및 이를 이용한 실내 곰팡이 감지 방법에 관한 것이다. 한편, 본 발명에서는 실내에서 흔히 발생하는 대표적인 곰팡이 종인 페니실리움(Penicillium sp.), 클라도스포리움(Cladosporium sp.), 아스퍼질러스(Aspergillus sp.)를 대상으로 지표 조성물을 결정하였다. 본 발명이 제공하는 실내 곰팡이 감지를 위한 MVOC 지표 조성물은, 벤조사이클로부탄(Benzocyclobutane), 스티렌(Styrene), 에탄올(Ethanol), 벤젠(Benzene) 및 2-부타논(2-Butanone)으로 이루어진 군에서 선택된 어느 하나 이상의 휘발성 유기화합물을 포함하는 것을 특징으로 한다. 이때, 상기 지표 조성물에 의하여 검출되는 실내 곰팡이는 페니실리움(Penicillium sp.), 클라도스포리움(Cladosporium sp.), 아스퍼질러스(Aspergillus sp.)으로 이루어진 군에서 선택된 어느 하나 이상의 곰팡이 균주이다. 아래의 표 1은 지표 조성물로서, 벤조사이클로부탄(Benzocyclobutane), 스티렌(Styrene), 에탄올(Ethanol), 벤젠(Benzene) 및 2-부타논(2-Butanone) 중에서 적어도 2개 이상의 휘발성 유기화합물을 포함하도록 지표 조성물을 결정한 경우에 그에 따른 실내 곰팡이 존재 여부에 대한 분류 정확도를 나타낸 것이다. 이때, 정확도는 후술할 랜덤 포레스트 모델(Random forest)을 적용한 예측 모델에 의한 것이다. 유기화합물의 지표 조성물과 그에 따른 예측 정확도 발췌사용된 MVOC의 수사용된 MVOC정확도5Styrene, Benzene, 2-Butanone, Benzocyclobutane, Ethanol0.96204Styrene, Benzene, 2-Butanone, Benzocyclobutane14Benzene, 2-Butanone, Benzocyclobutane, Ethanol0.94443Styrene, Benzene, 2-Butanone0.912332-Butanone, Benzocyclobutane, Ethanol0.90282Styrene, Benzene0.90572Benzocyclobutane, Ethanol0.9167 상기 표 1에서도 확인되듯이, 벤조사이클로부탄(Benzocyclobutane), 스티렌(Styrene) 및 2-부타논(2-Butanone) 중에서 선택된 어느 하나 이상과 에탄올(Ethanol) 및 벤젠(Benzene) 중에서 선택된 어느 하나 이상의 휘발성 유기화합물을 포함하도록 지표 조성물을 결정한 경우의 정확도(accuracy)는 모든 경우에 있어서 적어도 0.9 이상의 정확도가 확보되는 것으로 검증되었다. 따라서, 본 발명의 실내 곰팡이 감지를 위한 MVOC 지표 조성물은 바람직하게는 벤조사이클로부탄(Benzocyclobutane), 스티렌(Styrene) 및 2-부타논(2-Butanone) 중에서 선택된 어느 하나 이상과 에탄올(Ethanol) 및 벤젠(Benzene) 중에서 선택된 어느 하나 이상의 휘발성 유기화합물을 포함하는 것이 바람직하다. 더욱 바람직하게는, 벤조사이클로부탄(Benzocyclobutane), 스티렌(Styrene), 벤젠(Benzene) 및 2-부타논(2-Butanone)을 포함하도록 4개의 지표 조성물을 결정한 경우에 가장 정확도가 높게 도출되는 것으로 확인되었다. 다만, 5개의 지표 조성물을 이용하는 것보다 더 높은 정확도를 보이는 것은 기계학습의 한계인 데이터 세트의 부족이나, 데이터 세트에 대한 과적합의 문제일 수 있다. 그러나, 그 경우에도 적어도 벤조사이클로부탄(Benzocyclobutane), 스티렌(Styrene), 벤젠(Benzene) 및 2-부타논(2-Butanone)을 포함하는 것이 바람직하다는 결론은 동일함을 알 수 있다. 한편, 본 발명의 실내 곰팡이 감지를 위한 MVOC 지표 조성물의 결정방법은, 도 2에 도시된 바와 같이 대상 곰팡이로부터 발생된 유기화합물에 대한 데이터를 도출하고(S10), 동시에 대조군으로부터 발생된 유기화합물에 대한 데이터를 도출하며(S20), 데이터를 이용하여 랜덤 포레스트 모델을 적용하여 곰팡이 발생에 대한 분류 예측 모델을 형성하고(S30), 상대적 중요도를 바탕으로 우선 순위에 따라 복수의 유기화합물을 선정하며(S40), 선택된 유기화합물을 이용하여 간소화된 분류 예측 모델을 형성함으로써 지표 조성물로서의 정확도를 검증한다(S50). 구체적으로, 상기 S10 단계는 검출하고자 하는 대상 곰팡이로부터 발생된 유기화합물에 대한 데이터를 도출하는 단계이다. 이를 위하여 대상 곰팡이를 수명 주기에 걸쳐 배양하고, 배양 과정에서 일정 주기로 대상 곰팡이에서 발생된 기체를 수집하여 가스 크로마토그래프 질량 분석(GC-MS)을 수행한다. 결과 데이터로서, 대상 곰팡이에 의하여 발생된 미생물 유래 휘발성 유기화합물(MVOCs)들의 종류와 농도가 일정 주기 마다 도출된다. 상기 S20 단계는 대조군으로부터 발생된 유기화합물에 대한 데이터를 도출하는 단계이다. 이때, 대조군은 대상 곰팡이가 존재하지 않는 서식지 자체나 기타 대상 곰팡이가 배양되는 환경에서 기체를 발생시키는 다양한 대상이 대조군이 될 수 있다. 마찬가지로 각 대조군에서 발생된 기체에 대한 가스 크로마토그래프 질량 분석(GC-MS)을 수행하여 각 대조군으로부터 발생된 휘발성 유기화합물(MVOCs)들의 종류와 농도가 도출된다. 따라서, S10 단계와 S20 단계는 시간적 위계가 존재하지 않는다. 동시에 수행될 수도 있으며, S10 단계보다 먼저 수행될 수도 있다. 이후 진행되는 S30 단계는 대상 곰팡이와 각 대조군으로부터 발생된 유기화합물에 대한 데이터를 학습데이터로 활용하여 랜덤 포레스트 모델을 적용하여 곰팡이 발생에 대한 분류 예측 모델을 형성한다. 이때, 생성된 분류 예측 모델은 전체 유기화합물을 변수로 생성된 모델이므로 학습데이터에 대한 분류 정확도가 매우 우수하지만 모델이 매우 무거운 한계를 지닌다. 곰팡이