표제지

제출문

요약문

목차

I. 서론 23

1. 과업명 23

2. 연구의 배경 및 필요성 23

2-1. 국가 나노물질 안전관리 관련 연구 방향 : 독성 예측기술 23

2-2. 2018년 2월까지의 나노물질별 위해성 논문 출판동향 : 자료의 축적 25

2-3. 나노물질 위해성 연구 개념의 전환 필요 : 상관성 분석 26

2-4. 물리화학적 특성에 따른 나노입자의 독성 : 그룹핑의 필요 27

2-5. 그룹핑과 read across 연구 동향 : 나노물질 적용성 부족 28

2-6. 화학물질에 적용된 QSAR, read across, WoE : 나노 적용성 파악 필요 29

2-7. 머신러닝 기반 나노물질 위해성 평가 : 희귀분석 적용 가능 31

2-8. 머신러닝을 위한 데이터 정제 및 변환 : 나노물성 DB의 가공 필요 33

3. 연구목표 34

II. 연구내용 및 방법 35

1. 연구의 범위 35

2. 연구방법 37

2-1. 나노물질의 유해성예측 기법 조사 37

2-2. 나노물질의 유해성평가를 위한 그룹화, 분류 및 Read across 39

2-3. 국내 나노물질 관리를 위한 그룹화, 분류, Read across 48

3. 연구추진 전략 51

3-1. 연구팀 구성 51

3-2. 연구분야에 대한 역할분담 52

3-3. 연구 추진을 위한 자문위원진 구성(안) 52

3-4. 업무보고 추진 체계 52

III. 연구결과 및 고찰 53

1. 나노물질의 유해성 예측 기법 조사 53

1-1. 화학물질 유해성 예측 기법 조사 53

1-2. 나노물질 유해성 예측 기법 조사 63

2. 나노물질의 유해성평가를 위한 그룹화, 분류 및 Read across 88

2-1. 그룹화를 위한 나노물질 물성 및 독성에 관한 DB 구축 88

2-2. 나노물질 그룹화 방법론 도출 127

2-3. 그룹핑 적용성 평가 182

3. 국내 나노물질 관리를 위한 그룹화, 분류 및 Read across 236

3-1. 그룹화, read across의 국내법 적용가능성 분석 236

3-2. 나노물질 평가 방안 마련 244

IV. 결론 255

1. 과업지시서 세부 업무 내용에 따른 해당 챕터 255

2. 세부 1 결론. 나노물질의 유해성예측 기법 조사 255

3. 세부 2 결론. 나노물질의 유해성평가를 위한 그룹화, 분류 및 Read across 256

4. 세부 3 결론. 국내 나노물질 관리를 위한 그룹화, 분류 및 Read across 257

V. 기대효과(활용방안) 259

VI. 참고문헌 261

VII. 부록 263

1. 국외출장보고서 263

2. 문헌조사 DB 289

Table 1-1. 나노안전관리종합계획 내 중점과제 목록 24

Table 1-2. QSAR 결과를 시험자료에 대체하여 제출할 수 있는 항목 30

Table 2-1. 연구개발의 세부내용 36

Table 2-2. 환경 및 인체 유해성 endpoint 항목 40

Table 2-3. TiO₂에 관한 PChem 및 endpoint 속성에 관한 DB 구축예시 41

Table 2-4. 연구분야별 역할 분담 52

Table 2-5. 업무보고 추진 체계 52

Table 3-1-1. Read across 시나리오에서 제안된 카테고리 일부-SCCAs 56

Table 3-1-2. 단계별 카테고리 접근법에 따른 상세 내용 57

Table 3-1-3. 화학물질 관리 규제 상 나노물질 그룹핑 접근 연구 현황 65

Table 3-1-4. 그룹핑에 관한 문헌정리 68

Table 3-1-5. 나노물질의 그룹화에 사용된 기준 및 해당 단계별 상호 관계-물질특성 70

Table 3-1-6. 나노물질의 그룹화에 사용된 기준 및 해당 단계별 상호 관계-노출 및 독성 특성 70

Table 3-1-7. DF4nanoGrouping를 통한 주요그룹 선정 과정(탄소계 나노물질) 72

Table 3-1-8. 인체 및 환경 노출 및 거동과 관련된 주요 파라미터(일부) 83

Table 3-1-9. 환경 메커니즘에서의 잠재적 및 추가 평가된 물리화학적 특성 항목 84

Table 3-1-10. TiO₂의 환경 거동 모델링을 위한 주요 항목(상대평가) 86

Table 3-1-11. Carbon black의 환경 거동 모델링을 위한 주요 항목(상대평가) 86

Table 3-1-12. 나노물질별 환경 거동 모델링을 위한 주요 항목(상대평가) 87

Table 3-2-1. 화평법내 톤수 범위에 따른 제출 시험자료 88

Table 3-2-2. 톤수별 환경 유해성(생태 영향) 평가항목 일부 89

Table 3-2-3. 화평법상 일부 시험항목별 자료 생산 현황 90

Table 3-2-4. 국제기구 및 주요 선진국의 나노물질 정의 91

Table 3-2-5. 국내법상에서 정의하고 있는 나노 91

Table 3-2-6. OECD WPMN에서 제시한 대표제조나노물질 시험을 위한 endpoint 그룹 92

Table 3-2-7. 그룹핑 연구 사례 조사를 통한 물리화학적 특성 및 유해성 endpoint 항목 95

Table 3-2-8. 국내외 그룹핑 기법에서 사용한 물성 및 유해성 endpoint rank 96

Table 3-2-9. ITS-NANO 방법론에 의한 descriptor의 구분 97

Table 3-2-10. 물성 인자들의 세부 이해 98

Table 3-2-11. 상위 5개 생물종에 관한 상세 나노물질별 DB 수 108

Table 3-2-12. AI₂O₃ 속성값의 최대/최소/평균과 2종 속성간의 분산성 111

Table 3-2-13. CeO₂ 속성값의 최대/최소/평균과 2종 속성간의 분산성 111

Table 3-2-14. FeNP 속성값의 최대/최소/평균과 2종 속성간의 분산성 111

Table 3-2-15. CNT 속성값의 최대/최소/평균과 2종 속성간의 분산성 112

Table 3-2-16. SiO₂ 속성값의 최대/최소/평균과 2종 속성간의 분산성 112

Table 3-2-17. AgNP 속성값의 최대/최소/평균과 2종 속성간의 분산성 113

Table 3-2-18. ZnO 속성값의 최대/최소/평균과 2종 속성간의 분산성 113

Table 3-2-19. TiO₂ 속성값의 최대/최소/평균과 2종 속성간의 분산성 114

Table 3-2-20. EC50 endpoint에 미치는 물성들의 상관계수 : 생물종 효과(이미지참조) 118

Table 3-2-21. EC50 endpoint에 미치는 물성들의 상관계수 : 나노물질 효과(이미지참조) 122

Table 3-2-22. 그룹화 방법론 비교 127

Table 3-2-23. 나노물질별 물성의 상관계수 지배 순서 134

Table 3-2-24. 군집별 평균 물성값와 표준편차 139

Table 3-2-25. 군집별 EC50 endpoint에 미치는 물성들의 상관계수 : k-prototype 결과(이미지참조) 140

Table 3-2-26. K-protoiype 군집별 나노물질별 물성의 상관계수 지배 순서 140

Table 3-2-27. 그룹화 방법론에 따른 기준 물성 파악 145

Table 3-2-28. EC50 범위에 따른 물성별 적용 범위값(이미지참조) 146

Table 3-2-29. DF4nanoGroup에서 사용한 tier approach와 기준 물성 148

Table 3-2-30. 군집3 구성물질별 물성 평균과 표준편차 152

Table 3-2-31. 군집3 구성 상세 그룹별 물성 평균값과 표준편차 152

Table 3-2-32. SEG4nano 방식을 이용한 나노물질 그룹핑 156

Table 3-2-33. AEG4nano 방법론에 의한 G3 그룹내 우선순위 결정표 158

Table 3-2-34. DNN 분류분석을 통한 그룹별 예측 성공률 167

Table 3-2-35. KNN 분류분석을 통한 그룹별 예측 성공률 168

Table 3-2-36. Logistic regression(C 100) 분류분석을 통한 그룹별 예측 성공률 169

Table 3-2-37. Decision trees(depth 3) 분류분석을 통한 그룹별 예측 성공률 171

Table 3-2-38. SVM 분류분석을 통한 그룹별 예측 성공률 172

Table 3-2-39. 다양한 머신러닝 모델에 따른 분류분석 정확도 비교 173

Table 3-2-40. Data set에 관한 코드 부여 작업 185

Table 3-2-41. 결측치 해소 방법론에 따른 5점 척도 개선 비율 정리 191

Table 3-2-42. 딥러닝 모델의 레이어, 에포크, 연산속도 194

Table 3-2-43. 나노물질 선정 대상의 우선순위 결정 207

Table 3-2-44. OECD WPMN testing programme에서 사용한 나노물질 208

Table 3-2-45. 선정된 나노물질 목록 208

Table 3-2-46. OECD WPMN 분석에 의한 특성별 적용 가능한 분석법 정리 209

Table 3-2-47. 선정된 나노물질 분석 결과 211

Table 3-2-48. Daphina magna 배양액의 각 물질별 농도 217

Table 3-2-49. 시료별 분산조건 및 HDD 220

Table 3-2-50. 대상 나노물질에 관한 농도별 치사율과 EC50(이미지참조) 221

Table 3-2-51. 신규 12개 나노물질의 머신러닝에 의한 분류분석 224

Table 3-2-52. 신규 12개 나노물질의 물성기반 AEG4nano 방식의 유해등급별 그룹핑 224

Table 3-2-53. AEG4nano 방법론에 의한 12개 신규 나노물질에 관한 위해성 우선순위 결정 225

Table 3-2-54. 머신러닝 모델별 독성 예측 오차 분석에 따른 적합성 평가 : 원자료 227

Table 3-2-55. 머신러닝 모델별 독성 예측 오차 분석에 따른 적합성 평가 : 로그 변환 228

Table 3-2-56. 머신러닝 모델별 독성 예측 오차 분석에 따른 적합성 평가 : 분류분석 229

Table 3-3-1. 국가별 나노물질 등록 시 요구되는 제출 물성 항목 236

Table 3-3-2. 나노물질 독성(EC50)을 지배하는 인자의 우세성(이미지참조) 237

Table 3-3-3. 나노물질별 유해성과 관련된 지배적인 물성인자 237

Table 3-3-4. 국립환경과학원 고시 내 시험항목별 시험면제조건의 나노물질 적용 241

Table 3-3-5. 그룹화 방법론의 한계점 요약 245

Table 3-3-6. Read across 적용의 한계점 요약 247

Table 3-3-7. 톤수별 환경 유해성(생태영향) 평가항목 252

Table 4-1. 과업지시서 이행 여부 255

Fig. 1-1. 나노물질의 위해성평가 결과에 관한 문헌수 25

Fig. 1-2. 인과관계와 상관관계의 예시 : 아이스크림 섭취량과 물놀이 사고의 상관성 27

Fig. 1-3. 나노물질의 독성을 유발하는 물성과 독성인자 28

Fig. 1-4. 금속산화물 나노입자에 관한 그룹핑 예시 29

Fig. 1-5. WoE로 활용 가능한 대체시험법 30

Fig. 1-6. 머신러닝 방법의 분류 31

Fig. 1-7. 회귀트리를 이용한 독성 회귀분석 32

Fig. 2-1. 연구주제별 세부내용 및 담당기관 36

Fig. 2-2. QSAR 및 read across 정의에 따른 적용 사례 조사 37

Fig. 2-3. 나노물질 유해성예측 적용 사례 조사 및 분석 38

Fig. 2-4. 나노물질의 환경 중 노출 39

Fig. 2-5. 그룹화를 통한 나노물질 분류 방법(안) 39

Fig. 2-6. 나노물질의 전과정 관점 해석을 통한 tier approach에 활용할 특성인자 도출 42

Fig. 2-7. GRAQOUS-OECD 공동워크숍 44

Fig. 2-8. DB 그룹핑 및 전처리 순서도 44

Fig. 2-9. 다중선형회귀 모델 45

Fig. 2-10. 딥러닝 모델 46

Fig. 2-11. 회귀트리 모델 46

Fig. 2-12. 모델의 성능평가 지표 47

Fig. 2-13. 물벼룩 독성 시험을 통한 머신러닝 예측 모델 검증 47

Fig. 2-14. OECD WPMN 그룹핑 전문가 서면 의견 청취 48

Fig. 2-15. 유관 법령 내 나노물질 유해성예측을 위한 필수 인자 도출 49

Fig. 2-16. 전산모델링을 통한 독성예측에 관한 방향성 예시 50

Fig. 2-17. 최종목표 달성을 위한 연구주제별 추진전략 51

Fig. 3-1-1. 화학물질 대상의 데이터 갭 보완을 위한 접근법 54

Fig. 3-1-2. read across 예측 기법 평가를 위한 시나리오 선택의 도식적 표현 55

Fig. 3-1-3. QSAR 개요 및 QSAR 모델을 이용한 물질자료의 생산과정 개요 58

Fig. 3-1-4. QSAR 모델의 적합성 판단 기준 59

Fig. 3-1-5. EPI Suite™ v4.0-US EPA'S QSAR 프로그램 60

Fig. 3-1-6. QSAR 프로그램을 통한 유전독성 예측 향상 연구 프로세스 62

Fig. 3-1-7. 물리화학적 특성 프레임워크 개요 63

Fig. 3-1-8. 물리화학적 특성 결정 프레임워크 및 측정 보고를 위한 가이드라인 프로세스 64

Fig. 3-1-9. 제조나노물질 그룹핑 기준 및 그룹 66

Fig. 3-1-10. 나노물질 독성 예측을 위한 주요 구성 요소에 대한 접근법 67

Fig. 3-1-11. 나노 특이적 우선 순위화 및 위해성평가 접근 방식 단계 흐름도 69

Fig. 3-1-12. 나노물질 그룹화 및 테스트를 위한 의사결정 체계도 71

Fig. 3-1-13. 나노물질 특성화를 위한 주요 물리화학적 특성 73

Fig. 3-1-14. 금속산화물 나노입자에 의해 유도된 ZHE1 억제 기전 사례 3가지 74

Fig. 3-1-15. 예측모델 개발을 위한 프로세스 75

Fig. 3-1-16. (a) 데이터세트 중 누락된 물리화학적 특성 맵, (b) 전처리 단계별 데이터세트, (c)... 76

Fig. 3-1-17. nano-QSAR 모델을 활용한 세포독성 예측 결과 77

Fig. 3-1-18. S2NANO 포털에서 제공하고 있는 safety screening 시스템 78

Fig. 3-1-19. 베타 분석을 위한 전체 업무 흐름도 79

Fig. 3-1-20. 나노물질의 환경 노출에 따른 주요 변환 과정 81

Fig. 3-1-21. 유해성 평가를 위한 의사결정 프레임워크 일부(인체 및 환경) 82

Fig. 3-1-22. 환경에 노출된 나노물질의 잠재적 변환 과정 및 영향 85

Fig. 3-2-1. 나노물질 인체 노출경로에 따른 연관되는 물성 descriptor 99

Fig. 3-2-2. 나노물질 생태 노출경로에 따른 연관되는 물성 descriptor 100

Fig. 3-2-3. 금속 나노입자의 항균 작용과 관련된 기작 101

Fig. 3-2-4. Trojan-horse 기작에 의한 AgNP의 세포내 침투 101

Fig. 3-2-5. 27가지 속성 값에 따른 문헌조사 DB 일부 103

Fig. 3-2-6. EC50 자료를 지닌 나노물질별 문헌 수(이미지참조) 105

Fig. 3-2-7. 생물종에 따른 나노물질 DB 수 106

Fig. 3-2-8. 상위 5개 생물종에 관한 상세 나노물질 DB 구성 107

Fig. 3-2-9. 이종 속성간 데이터 분산 예시 : 물벼룩, AgNP, 크기-EC50(이미지참조) 109

Fig. 3-2-10. 이종 속성간 데이터 분산 예시 : 물벼룩, AgNP, 크기-응집 109

Fig. 3-2-11. 이종 속성간 데이터 분산 예시 : 물벼룩, SiO₂, 크기-EC50(이미지참조) 110

Fig. 3-2-12. 이종 속성간 데이터 분산 예시 : 물벼룩, CNT, 크기-EC50(이미지참조) 110

Fig. 3-2-13. Tornado diagram을 이용한 물질별 변수 data의 분산 경향 115

Fig. 3-2-14. 피어슨 상관계수(r)에 따른 상관 경향 116

Fig. 3-2-15. Fish 상관계수에 관한 heat map 117

Fig. 3-2-16. Microalgae 상관계수에 관한 heat map 118

Fig. 3-2-17. Water flea 상관계수에 관한 heat map 119

Fig. 3-2-18. Al₂O₃ 상관계수에 관한 heat map 120

Fig. 3-2-19. CeO₂ 상관계수에 관한 heat map 121

Fig. 3-2-20. CNT 상관계수에 관한 heat map 122

Fig. 3-2-21. SiO₂ 상관계수에 관한 heat map 123

Fig. 3-2-22. AgNP 상관계수에 관한 heat map 124

Fig. 3-2-23. TiO₂ 상관계수에 관한 heat map 125

Fig. 3-2-24. ZnO 상관계수에 관한 heat map 126

Fig. 3-2-25. EC50- 크기 간의 2차원 군집화(이미지참조) 129

Fig. 3-2-26. EC50- 비표면적 간의 2차원 군집화(이미지참조) 130

Fig. 3-2-27. EC50- 제타전위 간의 2차원 군집화(이미지참조) 131

Fig. 3-2-28. EC50-AR(모양)간의 2차원 군집화(이미지참조) 133

Fig. 3-2-29. EC50-응집 간의 2차원 군집화(이미지참조) 133

Fig. 3-2-30. 나노물질별 지배물성에 관한 유사성 diagram : key spinner 135

Fig. 3-2-31. 나노물질별 지배물성에 관한 유사성 diagram : 독립 군집화 cut 135

Fig. 3-2-32. K-means에 의한 중심 값 찾는 방법에 관한 도식 136

Fig. 3-2-33. K-means 클러스터링에서 k 개수에 따른 분산오차 감소 그래프 137

Fig. 3-2-34. DBSCAN 클러스터링에 의한 비구형 군집화 예시 138

Fig. 3-2-35. 그룹별 포함되어 있는 나노물질 구성 139

Fig. 3-2-36. 그룹별 물성-EC50 사이의 상관성에 관한 bubble chart(이미지참조) 141

Fig. 3-2-37. K-prototype에 의해 도출된 군집 0에 관한 물성간의 상관성에 관한 heat map 142

Fig. 3-2-38. K-prototype에 의해 도줄된 군집 1에 관한 물성간의 상관성에 관한 heat map 142

Fig. 3-2-39. K-prototype에 의해 도줄된 군집 2에 관한 물성간의 상관성에 관한 heat map 143

Fig. 3-2-40. K-prototype에 의해 도줄된 군집 3에 관한 물성 간의 상관성에 관한 heat map 143

Fig. 3-2-41. K-prototype에 의해 도출된 군집 5에 관한 물성 간의 상관성에 관한 heat map 144

Fig. 3-2-42. 인과성 해석에 사용 가능한 독성기작 정리도 145

Fig. 3-2-43. 독성학적 기준에 의한 물성 분류 147

Fig. 3-2-44. 신규 나노물질에 관한 요구되는 독성실험 결정트리 149

Fig. 3-2-45. 기준 물성에 의한 나노물질이 그룹별 분류 150

Fig. 3-2-46. 나노물질의 그룹별 분류를 위한 계층적 접근법에 의한 분류 흐름도 151

Fig. 3-2-47. G3 그룹의 입자크기에 따른 EC50 상관 관계(이미지참조) 154

Fig. 3-2-48. G3 그룹의 절대값 제타전위에 따른 EC50 상관 관계(이미지참조) 154

Fig. 3-2-49. G3 그룹의 응집 크기에 따른 EC50 상관 관계(이미지참조) 155

Fig. 3-2-50. G3 그룹의 표면적 크기에 따른 EC50 상관 관계(이미지참조) 155

Fig. 3-2-51. AEG4nano 방식을 이용한 나노물질 그룹핑 157

Fig. 3-2-52. AEG4nano 의 risk matrix 157

Fig. 3-2-53. 신규 나노물질(정보 포함)에 관한 기존 그룹핑 범주의 수정(업데이트) 과정 159

Fig. 3-2-54. 그룹핑을 통한 가용 정보 선택과 read across 수행에 관한 기본 개념 160

Fig. 3-2-55. 데이터의 정규화에 필요한 min-max, standard scaling 방법론 비교 162

Fig. 3-2-56. 원본 자료의 표준화 작업 162

Fig. 3-2-57. 신규 물질에 관한 read across 수행 절차 163

Fig. 3-2-58. 신규 CNT 물성에 관한 기존 물성내 동질성 확인 순서 예시 164

Fig. 3-2-59. 메일에서 스팸을 제거하는 분류분석 수행 예시 165

Fig. 3-2-60. Train, test set 구성에 따른 반복 학습 모식도 166

Fig. 3-2-61. 분류분석 모델에 관한 일반적인 개념도 166

Fig. 3-2-62. DNN 분류분석 모델 적용도 167

Fig. 3-2-63. Depth 2를 적용한 decision tree의 분류분석 170

Fig. 3-2-64. Depth 3를 적용한 decision tree 의 분류분석 171

Fig. 3-2-65. SVM 기법을 이용한 선형(좌) 및 비선형(우) 분류 172

Fig. 3-2-66. Gradous 프로젝트의 WP별 역할 174

Fig. 3-2-67. Gradous 워크숍 일정 175

Fig. 3-2-68. Gradous grouping framework에 관한 목적 개괄 176

Fig. 3-2-69. EU 나노그룹핑에 관한 연구과제간 역할 분담 176

Fig. 3-2-70. Gracious의 공개된 grouping framework 초안(2018.9자) 177

Fig. 3-2-71. IATA에 의한 전략적 접근법 179

Fig. 3-2-72. DF4NanoGrouping, Gracious, ECHA와의 그룹핑 기법 연계도 180

Fig. 3-2-73. Gradous 회의중 breakout 결과에 관한 패널 토의 사진 181

Fig. 3-2-74. 결측치 해소를 위한 작업 수행 절차 182

Fig. 3-2-75. 참고자료 활용전의 물성정보 결측 비율 183

Fig. 3-2-76. 참고자료 활용후의 물성정보 결측 비율 183

Fig. 3-2-77. 원본 자료내 결측치의 5점 척도(막대 구성 : 좌 생태, 우 인체) 184

Fig. 3-2-78. 참고문헌 활용을 통한 수정 자료내 결측치의 5점 척도 184

Fig. 3-2-79. DNN 모식도와 모델링 input, output 데이터 사용수 186

Fig. 3-2-80. Epoch 증가에 따른 DNN 결과 신뢰도 변화 187

Fig. 3-2-81. Epoch 수 변화에 따른 머신러닝 정확도 변화 : 표면적 예측 187

Fig. 3-2-82. 머신러닝을 통한 도출한 응집 변수의 실제값과 예측값 비교 188

Fig. 3-2-83. 머신러닝을 통한 도출한 제타전위 변수의 실제값과 예측값 비교 189

Fig. 3-2-84. 2단계 결측치 해소를 통한 DB의 채움 특성 변화 190

Fig. 3-2-85. 머신러닝을 통한 수정 자료내 결측치의 5점 척도 190

Fig. 3-2-86. 머신러닝을 통한 데이터 분포의 피크폭 감소 확인(우 : 머신러닝 후) 191

Fig. 3-2-87. 머신러닝 개발환경 및 사용 라이브러리 개략도 192

Fig. 3-2-88. Tensorflow 적용한 Pycharm 구동 환경 193

Fig. 3-2-89. 나노물질 그룹핑/read across를 통한 나노물질의 독성값 예측 흐름도 194

Fig. 3-2-90. 독성값 예측을 위한 인공신경망 모델 195

Fig. 3-2-91. 독성값 예측을 위한 결정트리 모델 196

Fig. 3-2-92. 독성값 예측을 위한 랜덤 포레스트 모델 197

Fig. 3-2-93. Training, test data를 이용한 머신러닝시 under, over fitting 존재 가능성 198

Fig. 3-2-94. 독성 예측 모델에 관한 데이터 훈련 방식 199

Fig. 3-2-95. 그룹별 독성값 예측 모델의 적용 범위 : 크기, 제타전위 202

Fig. 3-2-96. 그룹별 독성값 예측 모델의 적용 범위 : 표면적, 응집크기 203

Fig. 3-2-97. 그룹별 독성값 예측 모델의 적용 범위 : EC50(이미지참조) 204

Fig. 3-2-98. 크기, 응집, 비표면적에 관한 물질별 정규분포도 205

Fig. 3-2-99. 제타전위에 관한 물질별 정규분포도 206

Fig. 3-2-100. 국내 A사 ZnO 나노입자의 물성분석 결과 212

Fig. 3-2-101. 국외 시그마알드리치 ZnO 나노입자의 물성분석 결과 212

Fig. 3-2-102. 국내 A사 TiO₂ 나노입자의 물성분석 결과 213

Fig. 3-2-103. 국외 시그마알드리치 TiO₂ 나노입자의 물성분석 결과 213

Fig. 3-2-104. 국외 Degussa TiO₂ 나노입자의 물성분석 결과 214

Fig. 3-2-105. 국내 B사 SiO₂ 나노입자의 물성분석 결과 214

Fig. 3-2-106. 국외 시그마알드리치 SiO₂ 나노입자의 물성분석 결과 215

Fig. 3-2-107. 국내 D사 AgNP 나노입자의 물성분석 결과 215

Fig. 3-2-108. 국내 B사 AgNP 나노입자의 물성분석 결과 216

Fig. S-2-109. 국외 시그마알드리치 AgNP 나노입자의 물성분석 결과 216

Fig. 3-2-110. 국외 시그마알드리치 CNT 나노입자의 물성분석 결과 216

Fig. 3-2-111. 국내 C사 CNT 나노입자의 물성분석 결과 217

Fig. 3-2-112. OECD TG 202에 의한 Daphnia magna 급성 독성 시험 절차 218

Fig. 3-2-113. 물벼룩 독성평가에 관한 실험과정 요약 219

Fig. 3-2-114. 12개 대상 시료에 관한 분산상 사진 220

Fig. 3-2-115. 시그마 TiO₂(좌)와 한화 CNT의 D-R 그래프 222

Fig. 3-2-116. 국내D AgNP(좌)와 국내B AgNP의 용량반응(D-R) 그래프 222

Fig. 3-2-117. 시그마 AgNP(좌)와 시그마 CNT의 D-R 그래프 223

Fig. 3-2-118. 국내A ZnO(좌)와 시그마 ZnO의 용량반응(D-R) 그래프 223

Fig. 3-2-119. 12개 나노물질에 관한 AEG4nano 분류법을 적용한 매트릭스 결과 226

Fig. 3-2-120. 3가지 모델을 이용한 독성 예측 유효성 평가 227

Fig. 3-2-121. OECD WPMN 파리 국제회의 일정 230

Fig. 3-2-122. GRAQOUS 워크숍 포스터 발표 내용 231

Fig. 3-2-123. 회의장 홍보 부스를 통한 국내 연구내용 안내 232

Fig. 3-2-124. 데이터 가공을 통한 테스트용 자료 선별 과정에 관한 개념도 233

Fig. 3-2-125. 그룹핑의 목적 또는 endpoint에 따른 그룹핑 기법 변화 가능성 234

Fig. 3-2-126. 기술별 TRL 수준 정의 235

Fig. 3-3-1. 나노물질 등록에 관한 비시험법 적용 절차 243

Fig. 3-3-2. CuO 나노입자의 Fe 도핑을 통한 Cu 이온 용출 억제 SbD 사례 250

Fig. 3-3-3. 물벼룩 대비 조류, 어류의 EC50 상관성(이미지참조) 251

Fig. 3-3-4. 물벼룩을 이용한 AgNP, AuNP에 관한 ACR 비율 평가 253