WO2022092725A1 - 실험동물 관리방법 - Google Patents
실험동물 관리방법 Download PDFInfo
- Publication number
- WO2022092725A1 WO2022092725A1 PCT/KR2021/014979 KR2021014979W WO2022092725A1 WO 2022092725 A1 WO2022092725 A1 WO 2022092725A1 KR 2021014979 W KR2021014979 W KR 2021014979W WO 2022092725 A1 WO2022092725 A1 WO 2022092725A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- individual
- cages
- expected
- experimental animal
- animals
- Prior art date
Links
- 238000010171 animal model Methods 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004519 manufacturing process Methods 0.000 claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 241001465754 Metazoa Species 0.000 claims description 73
- 238000007726 management method Methods 0.000 claims description 30
- 238000009395 breeding Methods 0.000 claims description 29
- 230000001488 breeding effect Effects 0.000 claims description 29
- 230000035606 childbirth Effects 0.000 claims description 22
- 230000013011 mating Effects 0.000 claims description 17
- 230000034994 death Effects 0.000 claims description 12
- 231100000517 death Toxicity 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 230000035935 pregnancy Effects 0.000 claims description 7
- 230000003111 delayed effect Effects 0.000 claims description 5
- 230000001158 estrous effect Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 241000699670 Mus sp. Species 0.000 description 13
- 238000002474 experimental method Methods 0.000 description 11
- 206010015548 Euthanasia Diseases 0.000 description 7
- 230000003247 decreasing effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 241000699666 Mus <mouse, genus> Species 0.000 description 4
- 241000700159 Rattus Species 0.000 description 3
- 241000282472 Canis lupus familiaris Species 0.000 description 2
- 241000287828 Gallus gallus Species 0.000 description 2
- 241000283973 Oryctolagus cuniculus Species 0.000 description 2
- 235000013330 chicken meat Nutrition 0.000 description 2
- 230000035558 fertility Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 230000005584 early death Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009261 transgenic effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K67/00—Rearing or breeding animals, not otherwise provided for; New breeds of animals
- A01K67/02—Breeding vertebrates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Environmental Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Zoology (AREA)
- Data Mining & Analysis (AREA)
- Biodiversity & Conservation Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 실험동물 관리방법에 관한 것으로서, 실험동물의 개체데이터와 사용자로그데이터를 입력받는 수신단계(S10)와; 상기 개체데이터와 상기 사용자로그데이터에 근거하여 예상 개체생산량, 예상 생산 케이지 수 및 예상 전체 케이지 수 중 적어도 어느 하나를 산출하되 산출된 상기 예상 개체생산량, 상기 예상 생산 케이지 수 및 상기 예상 전체 케이지 수 중 적어도 어느 하나를 최적화 요구조건에 따라 최적화시키는 처리단계(S20)를 포함하는 것을 특징으로 하는 실험동물 관리방법을 개시한다.
Description
본 발명은 실험동물 관리방법에 관한 것으로서, 보다 자세하게는 실험동물 관리 알고리즘을 통해 실험동물을 관리하는 실험동물 관리방법에 관한 것이다.
의학 또는 생물학 연구분야에서는 새로운 물질 또는 장치의 효능과 안정성을 확인하여 새로운 물질 또는 장치가 인체에 미치는 영향을 정확하게 예측하기 위하여 동물을 대상으로 동물실험을 실시한다.
동물실험에 사용되는 실험동물은 쥐, 토끼, 닭, 개 등 다양한 동물이 사용되며, 이중 쥐는 임신주기가 짧으며, 번식력이 높고, 성장속도가 빨라 많은 개체를 확보할 수 있는 장점이 있어 국내 실험동물의 80%를 차지할 만큼 많이 사용되고 있다.
다만, 쥐와 같이 번식력이 높은 동물을 실험실에서 대량으로 관리해야 하는 경우, 개체가 수용되는 케이지 수가 증가하여 연구소의 실험동물 관리시설 공간이 부족해지는 문제가 발생한다.
또한, 실험동물은 교배부터 사용까지 지연이 있으므로 수요와 공급의 불일치가 야기되므로 적절한 개체수 조절의 어려움으로 인하여 사육공간에 대한 체계적인 관리가 어려운 실정이다.
본 발명은 상기와 같은 문제점을 해결하기 위하여, 실험동물 관리 알고리즘을 통해 실험동물을 관리하는 실험동물 관리방법을 개시한다.
본 발명은 상기와 같은 본 발명의 목적을 달성하기 위하여 창출된 것으로서, 실험동물의 개체데이터와 사용자로그데이터를 입력받는 수신단계(S10)와; 상기 개체데이터와 상기 사용자로그데이터에 근거하여 예상 개체생산량, 예상 생산 케이지 수 및 예상 전체 케이지 수 중 적어도 어느 하나를 산출하되 산출된 상기 예상 개체생산량, 상기 예상 생산 케이지 수 및 상기 예상 전체 케이지 수 중 적어도 어느 하나를 최적화 요구조건에 따라 최적화시키는 처리단계(S20)를 포함하는 것을 특징으로 하는 실험동물 관리방법을 개시한다.
본 발명에 따른 실험동물 관리방법은, 상기 처리단계(S20)에서 최적화된 상기 예상 개체생산량, 상기 예상 생산 케이지 수 및 상기 예상 전체 케이지 수 중 적어도 어느 하나에 근거하여 개체수 및 케이지 수 중 적어도 어느 하나를 조절하는 조절단계(S30)를 포함할 수 있다.
상기 수신단계(S10), 상기 처리단계(S20) 및 상기 조절단계(S30)는 적어도 한번 이상 반복 수행될 수 있다.
상기 최적화 요구조건은, 실험동물의 개체수요와 개체공급의 차이값, 예상 개체 재고량 및 전체 케이지 수 중 적어도 어느 하나를 최소화시키는 방향으로 처리하는 것을 특징으로 할 수 있다.
상기 최적화 요구조건은, 실험동물의 개체생산량 및 개체 변동량 중 적어도 어느 하나를 최대화시키는 방향으로 처리하는 것을 특징으로 할 수 있다.
상기 처리단계(S20)는 머신러닝을 기반으로 수행될 수 있다.
상기 개체데이터는, 개체 사용량, 개체 생산량, 개체 사망량, 개체 재고량 및 개체 저장공간의 수 중 적어도 어느 하나를 포함할 수 있다.
상기 개체 사용량, 상기 개체 생산량, 상기 개체 사망량 및 개체 재고량 중 적어도 어느 하나는 개체 성별, 개체 모색, 개체 연령 및 개체 관리상태 중 적어도 어느 하나에 따라 분류되어 될 수 있다.
상기 예상 개체생산량은, 상기 
를 따라 산출되며, 이때 상기 
은 mating 케이지 수(n)이고, 상기 
은 1회 출산에 태어나는 평균 새끼수(litter)(n)이며, 상기 
는 보정상수이고, 상기 
는, 
으로 계산될 수 있으며, 이때, 상기 
는, postpartum estrous시기에 임신 성공률(0<DD<1)이고, 상기 
은, 생식주기(reproduction cycle) 출산 후 다음 출산까지의 주기이며, 상기 
는, 평균 교배(mating) 시작 후 일주일 후에 수태가 되는 것이 평균이라고 가정하고, 추가로 더 지체된 시간(week)일 수 있다.
예상 생산 케이지 수는, 상기 
으로 산출되며 이때 상기 
은 mating 케이지 수(n)이고, 상기 
은 한번 출산에 평균 새끼수(litter)(n)이며, 상기 
는 보정상수이고, 상기 
은 평균 케이지 당 실험동물 숫자(n)이며, 상기 
는, 
으로 계산될 수 있으며, 이때, 상기 DD(Double Delivery)는, postpartum estrous 시기에 임신 성공률(0<DD<1)이고, 상기 
은, 생식주기(reproduction cycle) 출산 후 다음 출산까지의 주기이며, 상기 
는, 평균 교배(mating) 시작 후 일주일 후에 수태가 되는 것이 평균이라고 가정하고, 추가로 더 지체된 시간(week)일 수 있다.
상기 예상 전체 케이지 수는, 최소값을 산출하는 경우, 
에 따라 산출되며, 최댓값을 산출하는 경우,
본 발명은, 실험동물 관리 및 이를 이용한 실험동물 관리방법을 제공함으로써 실험동물의 수요-공급의 불일치를 최소화하여 실험동물의 재고 및 실험동물사육에 필요한 케이지 수를 효율적으로 관리할 수 있는 이점이 있다.
또한, 본 발명은 처리단계에서 실험동물의 예상 개체생산량, 예상 생산 케이지수, 예상 전체 케이지 수 중 적어도 어느 하나의 최적값을 도출하며 이를 근거로 개체 수 및 케이지 수를 조절함으로써 연구소의 실험동물 관리공간 및 단위 케이지 당 실험동물의 생산효율을 높일 수 있으므로, 연구에 사용되는 비용을 절감할 수 있는 이점이 있다.
또한, 본 발명은 상기 도출된 최적 값을 통해 개체 수 및 케이지 수를 조절함으로써 실험동물 수요에 대한 탄력적인 대응을 가능하게 하며, 실험동물의 재고를 최소화함으로써 실험동물의 안락사를 최소화할 수 있으므로, 보다 윤리적인 실험환경을 제공할 수 있다.
또한, 본 발명은 상기 도출된 최적 값을 통해 개체 수 및 케이지 수를 조절함으로써 연구자에게 최적화된 실험동물의 개체수를 제공하므로 연구자가 실험동물관리에 필요한 노력을 최소화할 수 있는 이점이 있다.
또한, 본 발명은 실험동물뿐만 아니라 공간을 차지하는 모든 사육동물의 관리 최적화에 광범위하게 적용될 수 있으며, 동물뿐만 아니라 공장에서 제품의 재고관리방법에도 적용될 수 있는 이점이 있다.
도 1은, 본 발명의 실험동물 관리방법에 대한 흐름을 보여주는 흐름도이다.
S10 : 수신단계, S20 : 처리단계, S30 : 조절단계
도 2는, 본 발명의 실험동물 관리방법에 대한 효과를 보여주는 그래프이다.
도 3은, 본 발명의 실험동물 관리방법에 대한 효과를 보여주는 표이다.
이하에서 본 발명에 따른 실험동물 관리방법에 대하여 첨부된 도면을 참조하여 설명한다.
본 발명은, 실험동물의 체계적이고 효율적인 관리를 위하여 실험동물 관리 알고리즘을 통해 실험동물을 관리하는 실험동물관리방법을 개시한다.
구체적으로 본 발명은, 도 1에 도시된 바와 같이, 실험동물의 개체데이터와 사용자로그데이터를 입력받는 수신단계(S10)와; 상기 개체데이터와 상기 사용자로그데이터에 근거하여 예상 개체생산량, 예상 생산 케이지 수 및 예상 전체 케이지 수 중 적어도 어느 하나를 산출하되 산출된 상기 예상 개체생산량, 상기 예상 생산 케이지 수 및 상기 예상 전체 케이지 수 중 적어도 어느 하나를 최적화 요구조건에 따라 최적화시키는 처리단계(S20)를 포함하는 것을 특징으로 하는 실험동물 관리방법을 개시한다.
여기서, 실험동물은 쥐, 닭, 개, 토끼 등 다양한 종의 동물이 사용될 수 있으며, 유전자 제거 동물, 형질전환동물을 포함한 다양한 유전자변형 실험동물이 사용될 수 있음은 물론이다.
상기 수신단계(S10)는, 컴퓨터, 핸드폰 등의 사용자 단말에 설치된 프로그램에 개체데이터와 사용자로그데이터를 입력받는 단계로서, 유/무선통신망 등을 이용하여 다양한 데이터를 수신받을 수 있다.
상기 유/무선 통신망은 인터넷(internet)이나 공중전화망(PSTN:Public Switched Telephone Network) 등의 유선 통신망을 포함하거나, 블루투스(Bluetooth), 지그비(Zigbee), RFID 통신 등의 근거리 통신망과 HSPA, 3GPP, 4G, 5G의 이동통신망 등의 무선통신망을 포함할 수 있다.
여기서 상기 개체데이터는 실험동물의 개체 수 및 실험동물이 저장되는 저장공간과 관련된 데이터로서, 예를 들어 개체 사용량, 개체 생산량, 개체 사망량, 개체 재고량 및 개체 저장공간의 수에 대한 데이터일 수 있다.
이때 상기 개체데이터는 도 2와 같은 그래프에서, 상기 개체데이터의 변화추세를 직관적으로 확인할 수 있도록 일정기간 동안의 평균적인 데이터 값으로 나타내질 수 있으며 예를 들어 8주 동안의 평균적인 데이터 값으로 나타내질 수 있다.
또한, 상기 개체데이터는 후술하는 처리단계(S20)가 딥 러닝을 기반으로 수행되는 경우, 은닉층(hidden layer)에서 매주의 개체데이터 입력 값이 평균화될 수 있음은 물론이다.
한편, 상기 개체사용량은 일정기간 동안 평균적으로 특정 사육공간에서 특정 사육공간으로 이동하는 실험동물의 개체수, 실험동물이 실험에 사용된 개체수 및 실험이 끝난 후 안락사시킨 실험동물의 개체수 중 적어도 어느 하나를 포함할 수 있다.
예를 들어 상기 개체사용량은, 8주 동안 실험동물이 사육되는 케이지에서 실험하기 직전에 이동되어 사육되는 케이지로 이동하는 실험동물의 개체수, 실제로 실험에 사용된 실험동물의 개체수 및 실험이 끝난 후 안락사시킨 실험동물의 개체수 중 적어도 어느 하나를 포함할 수 있다.
여기서 일정기간 동안 특정 사육공간에서 특정 사육공간으로 이동하는 실험동물의 개체수는 실험에 실제로 사용되는 실험동물의 수의 선행지표로서 사용될 수 있음은 물론이다.
상기 개체생산량은 일정기간 동안 평균적으로 암컷이 출산한 새끼의 수이고, 예를 들어 8주 동안 평균적으로 암컷 실험동물이 출산한 새끼의 수일 수 있다.
한편, 상기 개체 사망량은 일정기간 동안 평균적으로 사망한 실험동물의 개체 수이며, 이는 시점별로 조기사망(4주차)과 후기사망(12주차)으로 나뉠 수 있으며, 사망원인에 따라 자연사망과 안락사로 나뉠 수 있다.
예를 들어 상기 개체 사망량은, 4주차(조기 사망량) 및 12주차(후기 사망량) 중 적어도 어느 하나의 기간에 안락사 된 개체, 자연사한 개체 또는 안락사 된 개체와 자연사한 개체 수의 합일 수 있다.
상기 개체 재고량은 일정기간 동안 주당 평균적으로 사용할 수 있는 n(n≥0)주령 이상의 실험동물의 수이며, 예를 들어 8주동안 주당 실험에 사용할 수 있는 n(n≥0)주령 이상 개체의 평균 수일 수 있다.
여기서 상기 개체재고량은 상기 개체 생산량에서 상기 개체사망량 및 상기 개체 사용량을 제한 실험동물의 수에 따라 증가 될 수 있다.
상기 개체 저장공간의 수는 일정기간 동안 평균적으로 실험동물의 저장, 사육 및 교배 중 적어도 어느 하나에 사용될 수 있는 케이지의 총 개수일 수 있으며, 예를 들어, 특정시점 또는 8주동안 한 케이지 당 실험동물 n(n≥1)마리가 수용될 수 있는 케이지의 총 개수일 수 있다.
이때, 상기 개체 사용량 및 상기 개체 생산량 중 적어도 어느 하나는 필요에 따라 개체 성별, 개체 모색, 개체 연령, 개체 관리상태 및 개체 유전자형 중 적어도 어느 하나에 따라 분류될 수 있음은 물론이다.
상기 사용자로그데이터는 연구자들의 실험동물 사용패턴을 기반으로 수집된 데이터로서 다양하게 구성될 수 있다.
예를 들어, 상기 사용자로그데이터는, 각 연구자별, 시간대별, 날짜별, 실험동물 계통별, 사용 케이지별, 실험동물의 연령별, 실험동물의 상태별, 실험동물의 성별 등에 따른 실험동물의 개체사용량, 개체사용패턴 등이 수집된 데이터일 수 있다.
여기서 개체사용량은, 실제 실험동물 사용 전 허가, 주문, 예약 등의 방식으로 조사된 실험동물 개체 수일 수 있으며, 예를 들어, 상기 개체사용량에 대한 데이터는 고객의 예약주문, 실험동물 사용신청, 실험동물 필요량 설문조사, 실험동물 사용허가 등을 통해 획득될 수 있다.
여기서 상기 개체사용량에 대한 데이터는 상술한 개체사용량으로 획득한 데이터로 대체될 수 있다.
한편, 상기 개체데이터 및 상기 사용자로그데이터는 상기 개체데이터 및 상기 사용자로그데이터를 여러 사람이 공유하여 사용할 목적으로 체계화하여 통합, 관리하는 데이터베이스에 입력되어 저장될 수 있으며, 이때 상기 데이터베이스를 포함하는 데이터 저장장치가 구비될 수 있음은 물론이다.
이때, 상기 개체데이터와 상기 사용자로그데이터의 각 데이터는 수동 또는 자동으로 사용자 단말 즉, 처리장치에 입력될 수 있다.
일례로 상기 개체데이터 및 상기 사용자로그데이터는 사용자가 직접 개체상태 및 개체 수 등의 개체데이터를 눈으로 확인한 후 각 연구원이 자신의 사용기록을 입력하여 처리장치에 전송할 수 있으며, 다른 예로서, 카메라 등의 영상장치, 센서장치 등을 이용하여 상기 영상장치 및 센서장치 등이 개체데이터 및 사용자로그데이터를 파악함으로써 처리장치에 바로 전송할 수도 있다.
한편, 상기 수신단계(S10)에서 수신된 상기 개체데이터 및 상기 사용자로그데이터는 처리단계(S20)에서 최적화된 개체생산량, 개체안락사량 및 필요한 전체 케이지 수를 산출하는데 이용되는 백데이터로 활용될 수 있다.
즉, 처리단계(S20)에서 상기 개체데이터와 상기 사용자로그데이터를 이용하여 최적화된 개체생산량, 개체안락사량 및 필요한 전체 케이지 수를 산출하며 이를 근거로 실험동물 개체수 및 교배에 필요한 케이지 수 또는 총 케이지 수를 조절함으로써 실험동물의 수요-공급의 불일치를 최소화하여 실험동물의 재고를 최소화하며 실험동물 관리에 필요한 케이지 수를 효과적으로 관리할 수 있다.
이를 위하여 상기 처리단계(S20)에서는 상기 개체데이터와 상기 사용자로그데이터에 근거하여 예상 개체생산량, 예상 생산 케이지 수 및 예상 전체 케이지 수 중 적어도 어느 하나를 산출하되 산출된 상기 예상 개체생산량, 상기 예상 생산 케이지 수 및 상기 예상 전체 케이지 수 중 적어도 어느 하나를 최적화 요구조건에 따라 최적화시킬 수 있다.
구체적으로 상기 처리단계(S20)는, 상기 개체데이터와 상기 사용자로그데이터를 근거로 이하 수식을 이용하여 예상 개체생산량, 예상 생산 케이지 수 및 예상 전체 케이지 수 중 적어도 어느 하나를 계산하며, 산출된 상기 예상 개체생산량, 상기 예상 생산 케이지 수 및 상기 예상 전체 케이지 수 중 적어도 어느 하나는 최적화 요구조건에 따라 최적화되도록 시뮬레이션을 통해 최적의 값을 학습하게 되며, 최적값을 얻을 때까지 상기 반복적으로 수행될 수 있다.
먼저, 상기 처리단계(S20)에서는, 상기 개체데이터와 상기 사용자로그데이터를 기반으로 수식으로 이용하여 예상 개체생산량, 예상 생산 케이지 수 및 예상 전체 케이지 수 중 적어도 어느 하나가 계산될 수 있다.
이때, 상기 예상 개체생산량, 예상 생산 케이지 수 및 예상 전체 케이지 수는 일정기간을 기준으로 계산되어 일정기간에서의 예상 개체생산량의 평균값, 예상 생산 케이지 수의 평균값 및 예상 전체 케이지 수의 평균값으로 계산될 수 있다.
여기서 일정기간(R)은 사용자의 필요에 의하여 어떠한 기간이나 선택될 수 있으나 실험동물의 생식주기(reproduction cycle)출산 후 다음번 출산까지의 주기로 선택됨이 바람직하다.
예를 들어, 실험동물로 쥐를 선택하는 경우, 암컷 쥐의 생식주기(reproduction cycle)출산 후 다음번 출산까지의 주기는 8주이므로 상기 R값은 8로 설정될 수 있다.
상기 예상 개체생산량은 일정기간 동안 평균적으로 생산되는 실험동물의 수로 실험동물의 예상 공급 증가량을 나타내며 
으로 계산될 수 있다.
이때 
은 mating 케이지 수(n)이고, 
은 1회 출산에 태어나는 평균 새끼수(litter)(n)이며, 
는 보정상수이다.
여기서 보정상수 
는, 
으로 계산될 수 있으며, 이때, 
는, postpartum estrous시기(출산 직후 임신 가능시기에 임신성공하는 경우 출산하는 새끼 수가 2배인 시기)에 임신 성공률(0<DD<1)이고, 상기 
은, 생식주기(reproduction cycle) 출산 후 다음 출산까지의 주기이며, 
는 평균 교배(mating) 시작 후 일주일 후에 수태가 되는 것이 평균이라고 가정하고, 추가로 더 지체된 시간(week)을 의미한다.
또한, 상기 예상 개체생산량에 따라 필요한 예상 생산 케이지 수는 실험동물의 예상 공급 증가량에 따라 추가로 필요한 케이지 수를 나타내며, 
으로 계산될 수 있다.
이때 
은 mating 케이지 수(n)이고, 
은 한번 출산에 평균 새끼수(litter)(n)이며, 
는 상술한 바와 같은 보정상수이고, 
은 평균 케이지 당 실험동물 숫자(n)이다.
*여기서, 예상 생산 케이지 수는 실험동물의 사용주령(week)에 따라 변동될 수 있다.
즉, 예상 생산 케이지 수의 최솟값은 
로 산출되며, 예상 생산 케이지 수의 최댓값은 
로 산출된다.
이때, 
는 실험동물 사용 최소 주령(week)이며, 
는 실험동물이 weaning(젖떼기: 어미로부터 분리)하는 주령이고, 
는 실험동물 사용 최대 주령(week)이며, 
은 mating에 필요한 케이지 수(n)이고, 
은 한번 출산에 평균 새끼수(litter)(n)이며, 
는 보정상수이고, 
은 평균 케이지 당 실험동물 숫자(n)이며, 상기 
은, 생식주기(reproduction cycle) 출산 후 다음 출산까지의 주기이다.
따라서, 일정기간 동안 평균적으로 실험동물의 교배 및 저장에 필요한 예상 전체 케이지 수는 이하와 같이 계산된다.
즉, 최소 보유해야 하는 예상 전체 케이지 수(
)는, 
이며, 최대 보유해야 하는 예상 전체 케이지 수(
)는, 
로 계산된다.
여기서 
(mating에 필요한 케이지 수)은 이하의 수식을 통하여 보다 구체적으로 산출될 수 있다.
즉, 상기 
(mating에 필요한 케이지 수)을 보충하기 위하여 일정기간(R주) 필요한 암컷 실험동물 수는 
이며, 이러한 암컷 실험동물 수를 유지하기 위하여 필요한 생산 케이지 수(
)는 
로 계산되므로, 
으로 계산된다.
여기서 상기 
는 mating을 위한 mating 케이지의 개수이며, 상기 
교배(breeding)를 시작하는 실험동물 주령이며 상기 
는 교배(breeding)를 종료하는 실험동물 주령이다.
즉, 
를 상기 예상 전체 케이지 수의 수식 중 
에 대입하면 이하와 같이 정리될 수 있다.
예상 전체 케이지 수의 최솟값은 
이며, 다시 상기 
을 유지하기 위한 
이 필요하므로 다음과 같은 무한급수식이 나오게 된다.
즉 예상 전체 케이지수의 최솟값은 
으로 정리되며, 이는
또한, 여기서 예상 전체 케이지 수의 최댓값은,
으로서, 이는 
로 정리되며, 
의 식으로 정리된다.
따라서, 예상 전체 케이지 수는 최소 
가 필요하며 최대 
가 필요하다.
특히 상술한 수식들은 개체생산량 및 케이지수를 효과적으로 관리할 수 있도록 하며, 일례로, 상술한 수식들은 실험공간에 확보된 케이지의 수에서 개체사용량 최대화하거나 개체사용량의 변동에 유연하게 대응하기 위하여 교배에 필요한 케이지수와 저장에 필요한 케이지수의 비율을 제시할 수 있다.
보다 구체적으로 상술한 수식들을 이용하여 계산된 교배에 필요한 케이지수와 저장에 필요한 케이지 수의 비율은, 실험공간에 확보된 케이지 수에서 개체 사용량을 최대화하는 경우 1:1의 비율(이 경우 Tw=4, Tt=8)을 가지도록 산출될 수 있으며, 개체사용량의 변동에 유연하게 대응하게 하는경우 1:2의 비율(이 경우 Tw=4, Tt=12)을 가지도록 산출될 수 있다.
한편, 상술한 수식을 통해 산출된 예상 개체생산량, 예상 생산 케이지 수 및 예상 전체 케이지 수 중 적어도 어느 하나는 최적화 요구조건에 따라 최적화되도록 시뮬레이션을 통해 최적의 값을 학습하게 된다.
여기서 상기 최적화 요구조건은 실험동물의 수요-공급의 불일치를 최소화시키며 실험동물의 관리공간 및 단위 케이지 당 실험동물의 생산효율을 높이기 위한 조건으로 사용자의 필요에 따라 다양한 조건이 설정될 수 있다.
예를 들어, 상기 최적화 요구조건은 개체수요와 개체공급의 차이 값, 예상 개체 재고량, 전체 케이지 수 및 연구자의 노력 중 적어도 어느 하나를 최소화시키는 방향으로 처리할 수 있으며, 개체생산량 및 개체수 변동량 중 적어도 어느 하나를 최대화시키는 방향으로 처리하게 할 수 있다.
여기서, 개체수 변동량은 실험동물의 수요변동량이 큰 경우에도 실험동물의 공급이 부족하지 않도록 개체수를 유연하게 변동시키는 양으로서, 예를 들어 특정 주에는 10마리에 실험동물을 사용하고 그 다음주에는 100마리의 실험동물을 사용하는 경우에도 실험동물의 공급에 차질이 없도록 개체수를 변동시키는 양이다.
다만, 개체수요의 변동폭이 적어서 개체수 변동량을 최대화시키지 않아도 되는 경우에는 상술한 개체 재고량, 전체 케이지 수 및 연구자의 노력을 최소화시키는 방향으로 최적화시킬 수 있음은 물론이다.
또한, 상기 최적화 요구조건은, 지도학습, 비지도학습, 강화학습을 이용한 머신러닝(machine learning) 기반으로 수행될 수 있으며, 이를 위하여 다양한 프로그램이 이용될 수 있음은 물론이다.
한편, 상기 처리단계(S20)에서 최적화된 상기 예상 개체생산량, 상기 예상 생산 케이지 수 및 상기 예상 전체 케이지 수 중 적어도 어느 하나를 근거로 개체수를 조절하여 효과적으로 실험개체관리를 수행할 수 있다.
이를 위하여 본 발명은 처리단계(S20)에서 최적화된 상기 예상 개체생산량, 상기 예상 생산 케이지 수 및 상기 예상 전체 케이지 수에 따라 실험개체수 및 케이지수를 조절하는 조절단계(S30)를 포함할 수 있다.
상기 조절단계(S30)는, 최적화된 상기 예상 개체생산량, 상기 예상 생산 케이지 수 및 상기 예상 전체 케이지 수 중 적어도 어느 하나를 근거로 개체수를 조절하는 단계로서, 조절장치를 구비함으로써 자동으로 수행될 수 있으며, 사용자가 최적값을 인식하여 수동으로 조절을 수행하는 등 다양하게 수행될 수 있다.
구체적으로, 상기 조절단계(S30)는 최적화된 상기 예상 개체생산량, 상기 예상 생산 케이지 수 및 상기 예상 전체 케이지 수 중 적어도 어느 하나를 근거로 개체교배 시기, 개체교배 횟수 등을 조절하여 개체생산량을 증감시키거나, 개체재고량을 증감시키거나, 교배에 필요한 케이지 수와 실험동물 저장에 필요한 케이지 수의 비율을 조절하여 최적값에 대한 피드백을 제공할 수 있다.
여기서 상기 개체재고량은 개체생산량 및 사용자의 안락사 등으로 조절될 수 있으며, 상기 개체재고량이 사용자의 안락사로 조절되는 경우, 조기 안락사량으로 즉각적으로 변화하는 수요에 대응하여 개체재고량을 조절할 수 있으며, 후기 안락사량으로 개체재고량의 총량을 조절하여 최적화된 개체 재고량을 제공할 수 있다.
즉, 상기 조절단계(S30)는 실험공간의 개체 및 케이지 수로부터 도출된 최적값에 따라 실험동물 개체수 및 케이지 수를 조절하여 피드백함으로써 최적화된 상기 예상 개체생산량, 상기 예상 생산 케이지 수 및 상기 예상 전체 케이지 수에 대하여 실험동물의 수요에 대한 탄력적인 대응을 할 수 있으며 수요-공급의 불일치 최소화 및 실험동물 재고를 최소화할 수 있는 이점이 있다.
이러한 발명의 효과는 도 2 내지 도 3에 도시된 바와 같이, 본 발명 적용 이전과 이후의 그래프를 비교함으로써 알 수 있다.
즉, 도 2 내지 도 3은 실험동물을 쥐로 선택하였을 때, 본 발명의 최적값에 따른 개체수 조절에 의한 개체수요-공급의 차이량와 재고량의 감소 효과를 보여준다.
구체적으로, 상기 도 2의 그래프는, 개체 수요와 개체 공급의 평균 차이량은 본 발명 적용 이전 약 25.4마리에서 본 발명 적용 이후 약 20.7 마리로 약 18.4% 감소하였으며 실험동물의 재고량 또한 84일 이상의 재고량의 경우 본 발명 적용 이전과 이후 약 13.7마리에서 4.6마리로 약 66.4% 감소하였고, 56일 이상의 재고량의 경우 본 발명 적용 이전과 이후 약 94.3마리에서 81.2마리로 약 13.9% 감소하였으며, 28일 이상의 재고량의 경우 본 발명 이전과 이후 약 220.3마리에서 약 184.5마리로 약 16.2% 감소하여 실험동물의 평균 재고량이 32.2% 감소함을 보여주었다.
즉, 본 발명은, 개체 수요-공급의 차이량과 실험동물 재고량을 효과적으로 감소시킴으로써 실험동물의 재고 및 실험동물사육에 필요한 케이지 수를 효율적으로 관리할 수 있으며, 이를 통해 실험동물 관리에 사용되는 노력 및 비용을 최소화시킬 수 있다.
이때, 도 2의 그래프에서 ≥0d 및 ≥56d의 쥐의 수는 1주 단위의 쥐 코호트 숫자를 반영하기 위하여 8주 동안의 ≥0d, ≥56d의 전체 쥐의 수를 8로 나눈 수(n)로 적용되었다.
이는, 실험용 쥐의 경우, 실험에 사용할 수 있는 쥐의 최소 주령 기준이 8주이며, 암컷 쥐가 8주에 한 번씩 출산을 하므로 8주 단위의 mouse delivery flow가 생기기 때문이다.
구체적으로, 실험용 쥐의 경우 8주 단위의 mouse delivery flow가 발생하므로 8주 동안의 ≥0d, ≥56d의 전체 쥐의 수를 8로 나눈 수(n)로 적용함으로써 평형상태(equilibrium)로 사용할 수 있는 쥐의 수를 표현할 수 있으며, 예를 들어, 실험용 쥐의 생산량이 부족할 경우, 바로 교배숫자를 늘려서 4주 후부터 새끼 쥐가 생산되므로 결과적으로 실험용 쥐의 재고량의 감소분을 인식하고 빠르게 대응하여 재고의 평형상태를 유지할 수 있다.
또한, 상기와 같이 평형상태로 사용할 수 있는 실험동물의 수를 표현하기 위하여 일정기간에 따라 실험동물의 수를 나누는 숫자(n)는 실험동물 별 실험 가능한 최소 주령 및 출산에 이르는 임신기간 등에 따라 달리 적용될 수 있음은 물론이다.
한편, 상기 수신단계(S10), 상기 처리단계(S20) 및 상기 조절단계(S30)는 도 1에 도시된 바와 같이, 상기 수신단계(S10), 상기 처리단계(S20), 상기 조절단계(S30)가 순차적으로 처리되며 조절단계(S30) 이후 다시 수신단계(S10)가 수행됨으로써 상기 수신단계(S10), 상기 처리단계(S20) 및 상기 조절단계(S30)가 적어도 한번 이상 반복될 수 있다.
또한, 상기 수신단계(S10), 상기 처리단계(S20) 및 상기 조절단계(S30) 중 어느 하나의 단계가 생략되거나 순서가 바뀌어 수행될 수 있음은 물론이다.
더욱이, 상기 실험동물관리방법은 실험동물뿐만 아니라, 공간을 차지하는 모든 사육동물 관리 최적화에 광범위하게 적용될 수 있음은 물론이며, 동물뿐만 아니라 공장에서 재고와 공장가동률을 결정하는 stock management system에도 적용 가능할 수 있다.
이상은 본 발명에 의해 구현될 수 있는 바람직한 실시 예의 일부에 관하여 설명한 것에 불과하므로, 주지된 바와 같이 본 발명의 범위는 위의 실시 예에 한정되어 해석되어서는 안 될 것이며, 위에서 설명된 본 발명의 기술적 사상과 그 근본을 함께하는 기술적 사상은 모두 본 발명의 범위에 포함된다고 할 것이다.
Claims (11)
- 실험동물의 개체데이터와 사용자로그데이터를 입력받는 수신단계(S10)와;상기 개체데이터와 상기 사용자로그데이터에 근거하여 실험동물의 예상 개체생산량, 예상 생산 케이지 수 및 예상 전체 케이지 수 중 적어도 어느 하나를 산출하되 산출된 상기 예상 개체생산량, 상기 예상 생산 케이지 수 및 상기 예상 전체 케이지 수 중 적어도 어느 하나를 최적화 요구조건에 따라 최적화시키는 처리단계(S20)를 포함하는 것을 특징으로 하는 실험동물 관리방법.
- 청구항 1에 있어서,상기 처리단계(S20)에서 최적화된 상기 예상 개체생산량, 상기 예상 생산 케이지 수 및 상기 예상 전체 케이지 수 중 적어도 어느 하나에 근거하여 실험동물의 개체 수 및 케이지 수 중 적어도 어느 하나를 조절하는 조절단계(S30)를 포함하는 것을 특징으로 하는 실험동물 관리방법.
- 청구항 2에 있어서,상기 수신단계(S10), 상기 처리단계(S20) 및 상기 조절단계(S30)는 적어도 한번 이상 반복 수행되는 것을 특징으로 하는 실험동물 관리방법.
- 청구항 1에 있어서,상기 최적화 요구조건은,실험동물의 개체수요와 개체공급의 차이값, 예상 개체 재고량 및 전체 케이지 수 중 적어도 어느 하나를 최소화시키는 방향으로 처리하는 것을 특징으로 하는 실험동물 관리방법.
- 청구항 4에 있어서,상기 최적화 요구조건은,실험동물의 개체생산량 및 개체 변동량 중 적어도 어느 하나를 최대화시키는 방향으로 처리하는 것을 특징으로 하는 실험동물 관리방법.
- 청구항 1에 있어서,상기 처리단계(S20)는 머신러닝을 기반으로 수행되는 것을 특징으로 하는 실험동물 관리방법.
- 청구항 1에 있어서,상기 개체데이터는,개체 사용량, 개체 생산량, 개체 사망량, 개체 재고량 및 개체 저장공간의 수 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 실험동물 관리방법.
- 청구항 7에 있어서,상기 개체 사용량, 상기 개체 생산량, 개체 사망량 및 상기 개체 재고량 중 적어도 어느 하나는 개체 성별, 개체 모색, 개체 연령 및 개체 관리상태 중 적어도 어느 하나에 따라 분류되어 인식되는 것을 특징으로 하는 실험동물 관리방법.
- 청구항 1에 있어서,상기 예상 개체생산량은상기를 따라 산출되며, 이때 상기
은 mating 케이지 수(n)이고, 상기
은 1회 출산에 태어나는 평균 새끼수(litter)(n)이며, 상기
는 보정상수이고, 상기
는,
으로 계산될 수 있으며, 이때, 상기
는, postpartum estrous시기에 임신 성공률(0<DD<1)이고, 상기
은, 생식주기(reproduction cycle) 출산 후 다음 출산까지의 주기이며, 상기
는, 평균 교배(mating) 시작 후 일주일 후에 수태가 되는 것이 평균이라고 가정하고, 추가로 더 지체된 시간(week)인 것을 특징으로 하는 실험동물 관리방법.
- 청구항 1에 있어서,예상 생산 케이지 수는,상기으로 산출되며 이때 상기
은 mating 케이지 수(n)이고, 상기
은 한번 출산에 평균 새끼수(litter)(n)이며, 상기
는 보정상수이고, 상기
은 평균 케이지 당 실험동물 숫자(n)이며, 상기
는,
으로 계산될 수 있으며, 이때, 상기 DD(Double Delivery)는, postpartum estrous 시기에 임신 성공률(0<DD<1)이고, 상기
은, 생식주기(reproduction cycle) 출산 후 다음 출산까지의 주기이며, 상기
는, 평균 교배(mating) 시작 후 일주일 후에 수태가 되는 것이 평균이라고 가정하고, 추가로 더 지체된 시간(week)인 것을 특징으로 하는 실험동물 관리방법.
- 청구항 1에 있어서,상기 예상 전체 케이지 수는,최소값을 산출하는 경우,에 따라 산출되며,
최댓값을 산출하는 경우,에 따라 산출되며,
이때, 상기는 실험동물 사용 최소 주령이며, 상기
는 실험동물 사용 최대 주령이고, 상기
는 실험동물이 weaning(젖떼기: 어미로부터 분리)하는 주령이며, 상기
는 보정상수이고, 상기
은 실험동물의 교배에 사용되는 케이지 수이며, 상기
는 1회 출산에 태어나는 평균적인 새끼의 수이고, 상기
는 평균 케이지 당 실험동물의 수이며, 상기
은, 생식주기(reproduction cycle) 출산 후 다음 출산까지의 주기이고, 상기
교배(breeding)를 시작하는 실험동물 주령이며 상기
는 교배(breeding)를 종료하는 실험동물 주령인 것을 특징으로 하는 실험동물 관리방법.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-2020-0139309 | 2020-10-26 | ||
| KR1020200139309A KR102553876B1 (ko) | 2020-10-26 | 2020-10-26 | 실험동물 관리방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2022092725A1 true WO2022092725A1 (ko) | 2022-05-05 |
Family
ID=81382762
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/KR2021/014979 WO2022092725A1 (ko) | 2020-10-26 | 2021-10-25 | 실험동물 관리방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102553876B1 (ko) |
| WO (1) | WO2022092725A1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007175050A (ja) * | 2005-11-29 | 2007-07-12 | Yoshimoto Pole Co Ltd | 飼育動物個体群の管理システム |
| US20180049415A1 (en) * | 2016-08-21 | 2018-02-22 | Daniel Michael Leo | Insect production systems and methods |
| KR101957498B1 (ko) * | 2017-02-02 | 2019-06-19 | 주식회사 링크노아 | 빅데이터 분석 기반의 축우 관리 시스템 및 방법 |
| KR102014353B1 (ko) * | 2018-12-11 | 2019-08-26 | 에이비주식회사 | 머신러닝 기반의 스마트팜 가축관리 시스템 |
| KR20200079752A (ko) * | 2018-12-26 | 2020-07-06 | 농업회사법인 푸디웜 주식회사 | 곤충의 사육 제어 장치 및 방법 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102324668B1 (ko) * | 2015-09-11 | 2021-11-10 | 전남대학교산학협력단 | 한우 개체 관리 및 교배 예측 방법 |
| KR101811640B1 (ko) * | 2016-08-03 | 2017-12-26 | 한국과학기술연구원 | 기계학습을 이용한 작물의 생산량 예측장치 및 방법 |
| KR101831928B1 (ko) * | 2016-10-13 | 2018-02-27 | 원광대학교산학협력단 | 맞춤형 실험동물 사육 시스템 |
| KR20180057785A (ko) * | 2016-11-22 | 2018-05-31 | 주식회사 글로비트 | 영상분석을 통한 어류 개체수 측정 시스템 및 그 측정방법 |
| KR101860679B1 (ko) * | 2017-08-31 | 2018-05-23 | 강원호 | 육류 수요 및 생산량 예측을 통한 고객 맞춤형 큐레이션 시스템 |
-
2020
- 2020-10-26 KR KR1020200139309A patent/KR102553876B1/ko active IP Right Grant
-
2021
- 2021-10-25 WO PCT/KR2021/014979 patent/WO2022092725A1/ko active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007175050A (ja) * | 2005-11-29 | 2007-07-12 | Yoshimoto Pole Co Ltd | 飼育動物個体群の管理システム |
| US20180049415A1 (en) * | 2016-08-21 | 2018-02-22 | Daniel Michael Leo | Insect production systems and methods |
| KR101957498B1 (ko) * | 2017-02-02 | 2019-06-19 | 주식회사 링크노아 | 빅데이터 분석 기반의 축우 관리 시스템 및 방법 |
| KR102014353B1 (ko) * | 2018-12-11 | 2019-08-26 | 에이비주식회사 | 머신러닝 기반의 스마트팜 가축관리 시스템 |
| KR20200079752A (ko) * | 2018-12-26 | 2020-07-06 | 농업회사법인 푸디웜 주식회사 | 곤충의 사육 제어 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220055141A (ko) | 2022-05-03 |
| KR102553876B1 (ko) | 2023-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Simianer et al. | Genetic management of the Göttingen Minipig population | |
| Denenberg | Commentary: is maternal stimulation the mediator of the handling effect in infancy? | |
| Stutt et al. | Traumatic insemination and sexual conflict in the bed bug Cimex lectularius | |
| Forni et al. | Different genomic relationship matrices for single-step analysis using phenotypic, pedigree and genomic information | |
| Valente et al. | Is structural equation modeling advantageous for the genetic improvement of multiple traits? | |
| Reeve et al. | Partitioning of reproduction in mother-daughter versus sibling associations: a test of optimal skew theory | |
| Gowaty et al. | Behavioral, demographic, and environmental correlates of extrapair fertilizations in eastern bluebirds, Sialia sialis | |
| Woodard et al. | Molecular heterochrony and the evolution of sociality in bumblebees (Bombus terrestris) | |
| MacColl et al. | Sharing of caring: nestling provisioning behaviour of long-tailed tit, Aegithalos caudatus, parents and helpers | |
| Vogel | Cloned gaur a short-lived success | |
| Stelzer | Does the avoidance of sexual costs increase fitness in asexual invaders? | |
| WO2020251224A1 (ko) | 참여형 양어 시스템 | |
| WO2022092725A1 (ko) | 실험동물 관리방법 | |
| Kristensen et al. | Multi‐level hierarchic Markov processes as a framework for herd management support | |
| Plate et al. | Comparison of infinitesimal and finite locus models for long-term breeding simulations with direct and maternal effects at the example of honeybees | |
| Laine et al. | Exploration of tissue-specific gene expression patterns underlying timing of breeding in contrasting temperature environments in a song bird | |
| WO2020111361A1 (ko) | 반려동물 숙박 관리 시스템 및 이를 이용한 반려동물 숙박 관리 방법 | |
| Mäntysaari et al. | Clinical ketosis: phenotypic and genetic correlations between occurrences and with milk yield | |
| WO2021141316A1 (ko) | 애완동물의 게놈 기반 중매 소셜 네트워크 시스템 및 애완동물의 게놈 기반 중매 정보 제공 방법 | |
| Boes et al. | Innovations in cryoconservation of animal genetic resources: Practical guide | |
| Kinoshita et al. | Effects of time‐dependent competition for oviposition sites on clutch sizes and offspring sex ratios in a fig wasp | |
| Bateman et al. | Matrix models of hierarchical demography: linking group-and population-level dynamics in cooperative breeders | |
| Ding et al. | A significant quantitative trait locus on chromosome Z and its impact on egg production traits in seven maternal lines of meat-type chicken | |
| Williams‐Blangero et al. | Heritability of age at first birth in captive olive baboons | |
| Zhou et al. | Improving genomic prediction for two Yorkshire populations with a limited size using the single‐step method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 21886719 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 21886719 Country of ref document: EP Kind code of ref document: A1 |