생물학적 순차 데이터에 기반한 소리화 작품 창작에 관한 연구

Ⅰ. 서 론

소리화(Sonification)는 데이터를 소리로 변환하는 것으로, 초기에는 청진기, 가이거 계수기 등 과학 분야에서 데이터를 파악하기 위한 시도로써 발달하기 시작하였으나, 소리를 재료로 하는 예술 분야로 확장되었다. 소리화의 대상이 되는 데이터는 주로 순차 데이터(Sequential Data)이다. 순차 데이터는 데이터 집합 내의 객체들이 어떠한 순서를 가지고 있는 데이터로, 순서가 달라질 경우 의미가 손상된다. 소리도 순차 데이터의 일종으로, 그 유사성으로 인해 소리가 아닌 순차 데이터를 소리로 매핑하여 표현하고자 하는 시도가 이루어져 왔다. 소리화는 데이터를 들을 수 있는 형태로 변환하여 새로운 의미를 창출하려는 사운드 아트의 예술적 표현 기법의 하나로 자리 잡았다[1].

소리화의 한 분야로서 과학적 데이터를 소리화하는 대표적인 예로 순차 범주형 데이터(Sequential Categorical Data)의 일종인 생물학적 순차 데이터를 소리화하는 방법이 연구되어 왔다[2]. 과학적 데이터의 소리화에서 선행 연구들은 주로 과학적 발견과 이해를 목적으로 이루어져 왔고 과학적 이해를 넘어 새로운 예술의 방식으로서의 가능성에 대한 탐구는 여러 분야와의 융합을 통해 지속해서 시도되며 데이터 전달과 예술적 표현 사이에서 다양한 방식이 제안되고 있다.

본 논문에서는 핵산 염기서열(Nucleic Acid Sequence) 데이터를 주 대상으로 한 저자의 세 개의 소리화 예술 작품(Sonification art) — <식물의 소리>, <ViViD>, <어드메> — 사례를 통해 생물학적 순차 데이터 소리화의 방법을 제안하고 그 의의를 살펴본다. 소리화의 대상과 표현 방식이 서로 다른 세 개의 작품 사례를 통해 다양한 생물학적 순차 데이터 소리화 방법을 제안하고 각 작품이 전시된 전시장을 방문한 관람객을 대상으로 실시된 설문조사와 인터뷰 기반의 정량 및 정성평가를 통해 과학적 데이터의 소리화 예술 작품이 대중에게 어떻게 수용되는지 보고한다.

본 연구는 예술적 실천으로서의 생명과학 데이터의 소리화라는 과학과 음악의 융합 연구가 새롭고 의미 있는 결과를 생성할 수 있음을 확인하였다는 데 그 의의가 있다.

Ⅱ. 관련연구

Ⅲ. 생물학적 순차 데이터의 소리화 전시

본 논문에서는 핵산 염기서열(Nucleic Acid Sequence) 데이터를 주 대상으로 저자가 수행한 세 개의 소리화 예술 작업 - DMZ 자생식물 종의 DNA 데이터를 소리화한 <식물의 소리>, COVID-19의 RNA 데이터와 확진자 수 변화 추이를 소리화한 <ViViD>, DMZ 자생종의 DNA 데이터와 먹이그물 구조로 이루어진 생태계를 소리화한 <어드메> - 을 소개한다. 세 작품에서 다양한 방법으로 예술적인 실천으로서의 생물학적 순차 데이터의 소리화 방법을 모색하였다.

핵산(Nucleic Acid)은 모든 생명체에 필수적인 생체분자로, 핵산은 DNA와 RNA를 모두 포함하는 개념이다. 핵산을 구성하는 기본 단위인 뉴클레오타이드(Nucleotide)의 구성성분 중 하나인 핵 염기(Nucleobase)를 순서대로 나열한 것을 염기서열(Nucleic Sequence)이라고 한다. DNA의 경우 A (Adenine), T (Thymine), G (Guanine), C (Cytosine)의 네 종류의 염기서열로 구성되어 있으며 RNA의 경우 T (Thymine) 대신 U (Uracil)를 포함하여 네 종류의 염기서열로 구성되어 있다. 염기서열에서 세 개의 연속된 뉴클레오타이드는 하나의 코돈을 형성하며, 각 코돈은 20종의 아미노산(Amino Acid) 중 하나에 대응한다. 복수의 아미노산은 결합하여 펩타이드(Peptide)를 형성하고, 펩타이드들이 모여 단백질(Protein)을 형성한다.

3-1 사례 1: <식물의 소리>

Fig. 1.

<The Sound of Plants> (Seoul Forest Community Center & Culture Station Seoul 284, 2019)

<식물의 소리>는 한반도 비무장 지대(DMZ) 내의 자생식물 8종의 DNA 데이터를 소리화한 사운드 아트이다. DMZ는 2,237종의 자생식물이 존재하는 생태계의 보고로, <식물의 소리>는 종 다양성(Species Diversity)과 생태적 가치를 대중에게 새롭고 흥미로운 방식으로 전달하기 위해 소리화라는 예술적 방식을 활용한 작품이다.

Fig. 2.

8 DMZ native plants used in the <The Sound of Plants> exhibition* The plant is native to Korea, so the Korean name is written with their scientific name.

1) 데이터 수집 및 특징

국립 수목원의 도움을 받아 DMZ에 서식하는 자생식물 중 DNA 정보상에서 원시종인 ‘솔잎란’을 기준으로 솔잎란의 염기서열과 뚜렷한 차이를 보이는 20종의 식물을 1차로 선정하고 관객 평가를 통해 인지적으로 더욱 구별되는 8종을 최종 선정하였다. 국립수목원으로부터 각각의 종에 대해 약 20,000자 정도의 아미노산 서열(Amino Acid Sequence) 데이터를 제공받아 소리화에 활용하였다.

Fig. 3.

Overview of the life phenomenon data hierarchy used in <The Sound of Plants>

2) 소리화 알고리즘 디자인

<식물의 소리>는 단시간 내에 압축적으로 DNA 데이터를 전달하기 위해서 아미노산과 펩타이드의 층위를 중심으로 소리화 가능성을 탐구하였다. 소리화에 활용한 데이터는 ‘아미노산의 순차적인 배열’, ‘각 펩타이드의 아미노산 총량’, ‘펩타이드가 함유한 아미노산 종류별 비율’이다. 각 데이터는 음악적으로 선율(Melody)과 타악기 사운드(Percussive Sound), 앰비언트 사운드(Ambient Sound)의 3가지의 트랙으로 변환되었다.

Fig. 4.

Melodical Sound form of sonification based on the characteristics of amino acids

염기서열을 3개씩 묶은 단위인 코돈은 64개의 조합에 따라 20종의 아미노산을 합성한다. 각 아미노산은 크기, 친수성 여부, 산·염기 등의 특성을 활용한 소리로 매핑하여 선율(Melody)로 표현하였다. 아미노산의 분자량은 소리의 크기(Amplitude)를 통해 표현하고, 친수성을 가진 아미노산은 리버브(Reverb) 효과를 통해 잔향을 갖게 표현하고, 아미노산의 산성·염기성은 강한 산·염기 일수록 패닝(Panning)을 통해 측면에서 들리게 표현하였다.

Fig. 5.

Percussive sound form of sonification based on the number of amino acids per peptide

각 펩타이드를 구성하는 아미노산의 수량을 중량감으로 감각할 수 있도록 타악기 사운드(Percussive Sound)의 형태로 변환하였다. 펩타이드를 구성하는 아미노산 수량의 크기에 따라 4개 구간으로 나누어 가장 큰 구간부터 가장 작은 구간까지 각각을 드럼의 Kick, Snare, Hi-hat, No-sound로 변환하였다.

Fig. 6.

Ambient sound based on the percentage of different types of amino acids per peptide

각 펩타이드 내의 아미노산 구성의 특징을 지각할 수 있도록 펩타이드에 포함된 특정 아미노산의 수량을 음의 높이로 매핑하여 총 20개의 음을 순차적으로 연주하여 앰비언트 사운드(Ambient Sound)를 생성하였다. 펩타이드 당 아미노산의 수가 고르지 않을 경우, 해당 식물의 펩타이드 특성을 뚜렷하게 나타내기 위해 특징적인 음이 발생하도록 조절하였다.

3) 전시 관람 디자인

관람객은 근거리 위치인식 시스템을 탑재한 헤드셋을 활용하여, 관람객이 전시장 내부의 특정 위치에 가면 패널에 기재된 식물의 소리를 자동으로 들을 수 있게 하였다. 감상 위치에 따라 한 종의 식물 또는 동시에 여러 종의 소리를 함께 들을 수 있게 하여 각 식물의 개별적 소리와 여러 식물의 소리를 비교하며 들을 수 있게 하였다.

3-2 사례 2: <ViViD>

ViViD(Visualizing Virus Diffusion)는 COVID-19의 RNA 염기서열 데이터 및 확산 데이터를 8채널 입체음향 시스템과 7채널 조명 시스템을 통해 표현하는 오디오-비주얼 설치 작품이다.

Fig. 7.

<ViViD> (Seoul Art Space Mullae, 2020)

COVID-19의 사람 간 전파가 어떻게 이루어졌는지 연결 고리를 보여주는 확산 관계망[17]을 통해 가시화된 사람 사이의 사회적 연결 고리를 소리로 감각화시키는 작업이다.

1) 데이터 수집 및 특징

COVID-19(SARS-CoV-2)의 RNA 염기서열 데이터는 NCBI(National Center for Biotechnology Information)의 GenBank[18]를 통해 확보하였다. 해당 데이터는 바이러스의 구조 요소(S, E, M, N)와 보조 유전자(ORF1a, 1b, 3a, 6, 7a, 7b, 8, 10)에 해당하는 ORF(Open Reading Frame)으로 나누어지며, 각 역할에 따라 각 부분의 아미노산 서열(Amino Acid Sequence) 데이터를 소리화에 활용하였다.

대한민국 내 COVID-19의 확산을 보여주는 누적 확진자 수 변화 추이는 대한민국 질병관리청 홈페이지(https://kdca.go.kr)에서 제공하는 ‘코로나바이러스감염증-19 국내 발생 현황 데이터’를 통해 수집했으며, 2020년 1월 첫 확진자 발생부터 전시가 이루어졌던 12월까지의 1년간 일일 확진자 수 및 누적 확진자 수에 대한 데이터를 확보하였다.

Fig. 8.

Changes in daily COVID-19 cases in Korea during 2020

2) 소리화 알고리즘 디자인

COVID-19 유전정보의 소리화에서는 바이러스의 구조요소와 보조 유전자에 해당하는 ORF를 서로 다른 방식으로 소리화하였다. 아미노산 서열 데이터를 순차적으로 읽어오며 소리화를 진행하였으며, 각 아미노산의 화학식에서 구성하는 원소의 비율은 파형의 합성 비율에 대응하였고, 분자량은 요소에 따라 음압(Amplitude) 혹은 음높이에 매핑하여 사운드를 생성하였다.

Fig. 9.

Tone mapping of virus structural elements (S, E, M, N)

Fig. 10.

Examples of sonification of accessory gene

바이러스의 구조 요소인 스파이크단백질(S), 외피단백질(E), 막단백질(M), 뉴클리오캡시드단백질(N)의 경우, 20종의 아미노산을 분자량 순서에 따라 2개씩 묶어 총 10개의 음높이에 매핑하였다. 분자량이 가장 적은 두 종의 아미노산(Glycine과 Alanine)은 가장 낮은 음인 C2로, 반대로 분자량이 가장 많은 두 종의 아미노산(Tyrosine과 Tryptophan)은 가장 높은 음인 A3로, 나머지 아미노산들은 그 사이의 C 메이저 오음계(C Major Pentatonic Scale)위의 음들로 매핑하였다. 각 음은 톱니파(Sawtooth wave)와 사인파(Sine wave)를 1:1로 더하여 생성한 파형으로 음색을 만들었고, 저음 음역대의 소리를 만들기 위해 저역 통과 필터(Low-pass filter)를 적용하여 사운드를 생성하였다.

보조 유전자(ORF1a, 1b, 6, 7a, 7b, 8, 10)의 소리화는 구조 요소의 소리화와 구별되게 하기 위해 다른 방식을 이용하였다. 각 아미노산을 구성하는 화학식에서 질소(N), 수소(H), 탄소(C), 산소(O) 원소가 차지하는 비율 값을 사인파(Sine wave), 삼각파(Triangle wave), 톱니파(Sawtooth wave), 사각파(Square wave)의 합성 비율로 활용하여 음의 파형을 결정하고 분자량을 진폭에 매핑하였다.

COVID-19 확진자 수 변화에 대한 데이터는 8채널 입체음향에서 재생되는 음원의 개수와 움직임으로 소리화하였다. 소리의 개수와 움직임은 불꽃놀이에서 불꽃이 퍼져 나가는 형태에서 모티브를 얻어 음원이 특정 지점에서 여러 개의 음원으로 증가해서 나누어져 확산되는 형태로 시뮬레이션하였다. 일일 확진자 수의 증가량을 입체음향 음원의 개수로 매핑하였고, 바이러스의 확산은 가상의 3D 구형 좌표계 상에서 음원들의 퍼져 나가는 움직임으로, 거리 두기 단계 기준의 인원수는 음원의 재생 속도로 매핑하여 표현하였다.

8채널의 입체음향 시스템은 8개의 스피커, 2개의 4채널 파워앰프, 오디오 믹서로 구성되었다. 실제 스피커의 배치는 관람자를 중심으로 하는 원 위에서, 서로 동일한 간격을 두고 8개를 설치하였다. 스피커를 통해, COVID-19의 확진자 수 변화 추이를 표현한 확산 시뮬레이션의 결과에 따라 최대 64개 음원이 위치가 이동되며 재생된다.

소리화한 음원의 보조적인 전달 수단으로 소리를 시각화하는 7개의 LED바 조명을 함께 설치하였다. 각 조명은 관람객이 입장하는 통로를 제외하고 각 스피커 사이에 설치하였으며, 각 조명의 R, G, B 값은 주위의 스피커에서 발생하는 소리의 주파수 대역별(저역, 중역, 고역대) 에너지 레벨에 연동되는 방식으로 결정되게 하여 소리의 차이를 부각하고 작품의 시각적 심미성도 높이려 했다.

Fig. 11.

Installation diagram of <ViViD>

3) 전시 관람 디자인

약 10m×10m 공간에서 관람자는 전시에 관한 간략한 설명 텍스트를 읽고 입장하여 자유롭게 입체음향과 조명을 감상하였다. 전면에는 작품 이해에 도움이 되는 시각 정보를 제공하기 위해 현재 재생되는 소리에 해당하는 날짜와 진행 정도를 보여주는 원형 프로그레스 그래픽(Circular Progress Graphics)이 표시되었으며, 사운드는 총 11분간 재생되었다.

3-3 사례 3: <어드메>

Fig. 12.

<Ŏdŭme> (Asia Culture Center, 2020 ~ 2021)

<어드메>는 DMZ를 모방한 가상의 생태계에서 일어나는 현상들을 소리화한 사운드 설치 작품이다. DMZ내의 생태계 다양성을 감각화시키기 위해, DMZ의 대표적인 생태계 권역을 세 개로 -민물·논지평야, 산악·산악계곡, 해안 생태계- 나누어 각 권역에서 관찰할 수 있는 대표적인 자생 생물 종을 선정하고, 각 생물 종의 DNA 데이터와 먹이그물을 소리화하였다. 생성된 사운드는 지오데식(Geodesic) 돔형 구조에 설치된 20.2 채널의 입체음향 형태로 재생되고, 생태계의 입체적인 먹이그물 구조가 가진 역동성과 에너지 순환이 이루는 균형을 은유적으로 전달한다. 작품은 생태계 권역에 따라 3개의 막으로 구성되어 있으며, 각 권역이 총 55분간 차례로 상연되었다.

4) 데이터 수집 및 특징

DMZ 자생종들에 대한 정보를 수집하기 위해 문헌 조사를 진행하였다. 국립생태원에서 발간한 <DMZ 일원 생태계 조사>자료를 토대로 DMZ 생태연구소와 국립생태원의 자문을 받아 대표 종을 선정하였다. 종의 선정 기준으로는 지역적 특수성과 먹이그물 구조의 균형을 고려하였다.

Table 1.

DMZ native species utilized in <Ŏdŭme>

선정한 각 생물 종의 유전자 데이터는 NCBI (National Center for Biotechnology Information) GenBank의 데이터를 사용하였다. 유전자 서열 데이터 중에서 동물 종은 각 동물 종을 식별하기 위한 일종의 바코드로 자주 사용되는 미토콘드리아 유전자의 일부인 COI (Cytochrome coxidase subunit I)를 활용하였고, 식물 종의 경우 유사한 역할을 하는 matK (Megakaryocyte-associated tyrosine kinase)를 활용하였다. 이 과정에서 국립생물자원관의 자문을 받아 리보솜(Ribosome)에서 유전자 서열 데이터를 단백질로 번역하는 과정과 데이터를 해석하는 방법들을 기반으로 소리화 방법을 연구하였다.

5) 소리화 알고리즘 디자인

염기(A, T, G, C)의 4가지 요소의 비율을 사인파, 삼각파, 사각파, 톱니파의 파형의 비율에 대응시켜 파형을 더하여 음색을 정하고, 코돈에 매칭되는 아미노산의 분자량을 서열화하여 낮은음부터 높은음까지 총 20개의 음높이로 대응시켰다.

Fig. 13.

Determing ADSR (Attack-Decay-Sustain-Release) based on ATGC ratio and a species in <Ŏdŭme>

사운드 간 특성을 더 명확하게 하기 위해 생물의 종(포유류, 양서류·파충류, 조류, 어류, 무척추동물)별로 특성이 다른 엔벨로프(Envelope) 프리셋(Preset)을 적용하였다. 앞서 염기의 비율에 따라 결정된 엔벨로프에 종의 분류에 따른 엔벨로프를 합성하여 최종 소리를 생성하여, 청각 아이콘과 유사하지만 데이터와 소리의 연관관계가 비직접적인 이어콘(Earcon) 방식으로 재생하였다.

먹이그물 상에서 각 종의 위치를 포식자–피식자에 따라 3단계로 구분하고, 포식자에 가까울수록 3단계로 구분한 음역대 중 낮은 음역에, 피식자에 가까울수록 높은 음역에 배치하였다. 이렇게 결정된 음역에 앞서 아미노산의 분자량에 따라 결정된 음높이를 더해 최종적인 음높이를 결정하였다.

먹이그물 유향 그래프상에서 생태계 시뮬레이션 알고리즘에 따른 개체 수 변화를 시뮬레이션하는 가상의 생태계를 생성하고, 생태계의 변화 과정에 따라 각 생물의 소리 크기와 위치, 잔향(Reverb)의 양을 결정하였다. 개체 수의 변화로 소리의 크기 변화를 결정하고, 종의 육지, 바다, 하늘 등 주요 활동 공간에 따라 음원의 입체음향 상의 주요 높이를 결정하였다. 육지에 서식하는 포유류 등의 경우 주로 감상하는 사람과 비슷한 높이에서, 하늘에 서식하는 조류 등의 경우 머리보다 위쪽에서, 물에 서식하는 어류 등의 경우 머리보다 아래에서 음원의 이동이 발생하게 하였다. 마지막으로 생태계의 균형 여부를 잔향의 정도로 표현하였다.

Fig. 14.

Example of simulating a food web ecosystem in <Ŏdŭme> (Cube size proportional to number of objects)

소리를 보조하기 위한 수단으로 16개의 LED 조명을 설치해서 시각화하였다. 돔 외부의 둘레에 12개의 LED 미니 무빙 라이트를 설치하였고, 상단의 원형 트러스에 4개의 LED 무빙 라이트를 설치하였다. 하단의 12개의 조명은 재생되는 사운드를 12개 채널로 다운 믹싱(Down mixing)한 사운드에, 상단의 4개의 조명은 4채널로 다운 믹싱한 사운드에 매핑하였다. 조명의 수평 움직임(Panning)은 인접한 두 개의 채널에서 재생되는 소리의 비율에 따라, 오른쪽 소리가 크게 나면 왼쪽으로 밀리는 형태로 매핑하였다. 하단 조명의 수직 움직임(Tilt)은 고주파수 대역의 에너지 분포 수준에, 밝기는 소리의 세기에, 주요 색상은 산악, 해양, 논지 평야의 권역에 따른 분류에 각각 매핑하여 소리의 특징이 감각화되는데 보조 역할을 하게 하였다.

Fig. 15.

Geodesic dome structure and speaker installation layout in <Ŏdŭme>

6) 전시 관람 디자인

관람자는 8m×8m×5m 크기의 지오데식 돔 공간 안에 들어가서 20.2채널의 입체음향이 만들어 내는 소리와 16채널의 조명이 만들어 내는 빛을 자유롭게 감상하였다.

Ⅳ. 관람객 반응

4-2 관람객 평가

1) <식물의 소리> 관람객 평가

Table 2.

<The Sound of Plants> audience evaluation items and results(N=10)

소리화의 대상에 대한 관람객의 관심과 이해가 높아졌는지 알아보기 위한 5점 리커트 척도로 구성된 정량 평가에서 관람객의 평가는 모두 3점과 4점 사이로 중간 이상으로 보고되었다. 정성적인 주요 의견으로는 생소한 식물 종을 ‘소리화’라는 새로운 방법으로 표현한 것이 소리화의 대상인 DMZ 식물에 대한 흥미를 유발했다는 점과, 감상자의 사운드에 대한 사전 지식 및 친숙도에 따라 감상 경험이 다르다는 점이 도출되었다. 아래는 이와 관련하여 관람객이 보고한 사항의 일부이다.

Table 3.

<The Sound of Plants> select audience comments

2) <ViViD> 관람객 평가

Table 4.

<ViViD> audience evaluation items and results(N=44)

소리화의 대상에 대한 관람객의 관심과 이해가 높아졌는지 알아보기 위한 5점 리커트 척도로 이루어진 정량 평가 결과, 입체 사운드로 표현된 바이러스 확산이 효과적이었다는 점이 가장 높은 평균 점수를 기록하였고(B4, M=4.23), 소리화가 바이러스의 RNA 데이터를 이해하는 데 도움을 주었다(B6, M=3.16)가 낮은 평균 점수를 보였다. 정성적인 주요 의견으로는 소리 자체의 질감, 작품이 제공하는 몰입감, 자신에 대한 반추에 대한 긍정적인 평가가 도출되었다. 부정 평가로는 11분의 다소 긴 관람 시간과 RNA 데이터에 대한 사전 지식이 부족한 관람객들이 소리를 이해하기 어려워하는 점이 언급되었다. 아래는 이와 관련하여 관람객이 보고한 사항의 일부이다.

Table 5.

<ViViD> select audience comments

3) <어드메> 관람객 평가

Table 6.

<Ŏdŭme> audience evaluation items and results(N=52)

작품이 생물학적 데이터의 이해에 도움을 주고 흥미를 유발하는지 알아보기 위해 실시한 7점 리커트 척도로 이루어진 정량 평가에서 모든 항목에서 4점과 6점 사이의 점수를 기록하여(평균 5.15) 대체로 긍정적인 관객의 반응을 확인하였다. 관람객의 정성적 주요 의견으로는 DMZ 공간의 어려운 접근성을 소리화로 감각할 수 있게 만든 참신성, 생태계의 균형을 소리화로 표현한 참신성에 대한 언급이 많았다. 주요 부정적 의견으로는 입체 음향에 익숙하지 않아 개별 소리 요소를 분리하여 인지하고 이해하는 데 어려움을 겪었다가 있었다. 아래는 이와 관련하여 관람객이 보고한 사항의 일부이다.

Table 7.

<Ŏdŭme> select audience comments

Ⅴ. 논 의

감상자가 가진 소리화의 대상이 되는 데이터에 대한 사전이해도의 차이가 소리화(Sonification) 작품을 감상하는 경험에 영향을 미치는 것을 확인하였다. 관람객은 DNA 및 RNA 데이터보다는 코로나바이러스 확진자 수 증가 추이 데이터를 더 잘 이해하고 있어 <ViViD> 작품에서 해당 부분을 보다 깊이 이해하고 풍부한 경험을 보고 하였다. 다시 말해, 관람객에게 충분한 사전 정보를 제공하여 사운드와 의미의 연결을 유도하는 것이 소리화 작품의 성공에 기여할 것으로 판단된다. 정성 평가에서 일부 관람객이 제안한 인터랙티브 시스템이 도움이 될 수 있을 것이다.

인간의 인지 모델과 소리화의 구성이 유사할수록 더 직관적인 이해를 유도하는 것으로 나타났다. <ViViD>에서 바이러스의 확산을 공간음향에서 음원이 퍼져나가는 형태로 표현한 것이 높은 평가를 받았다.

본 연구의 주요 한계는 주로 20대 여성을 중심으로 한 일반 관람객의 평가에 기반하고 있다는 점이다. 추후 다양한 연령대 및 관심 그룹을 대상으로 한 평가를 수행하거나, 생물학에 대한 높은 관심을 가진 사람들로 대상 집단의 성격을 명확히 하여 보다 심층적인 연구를 수행할 필요가 있다.

Ⅵ. 결 론

본 연구는 생물학적 순차 데이터를 중심으로 생명 현상에 관련된 데이터들의 소리화 방법을 저자의 세 가지 소리화 예술 작품의 사례를 통해 탐구하였다. 각 작품은 소리화를 활용하여 종 다양성(Species Diversity), 생태계 다양성(Ecosystem Diversity), 원 헬스(One Health) 등 생명 현상과 관련된 다양한 개념을 주제로 다루었다.

세 전시 사례에서 얻은 관람객 평가 결과는 소리화 작품이 과학적 순차 데이터에 대한 이해와 흥미를 증진시킬 수 있는 가능성을 시사한다. 특히, 관람객과의 인터뷰 등을 통해 소리화 예술 기법은 아직 대중에게 낯선 방식이기에 색다른 흥미를 유발할 수 있음을 확인할 수 있었다.

소개된 개별 사례에서 시도된 방법들은 향후 예술적 표현의 수단으로 소리화를 활용하려는 창작자들에게, 그리고 보다 실용적으로는 생물학 교육시 학생들의 흥미를 높일 수 있는 참고 사례로서 기여할 수 있을 것으로 기대한다. 아울러, 본 연구는 예술적 실천으로서 순차 데이터 소리화를 통한 과학-음악 간 융합 연구가 새롭고 의미 있는 결과를 생성했다는 데 의의가 있다.

References

• P. Sinclair, “Sonification: What Where How Why Artistic Practice Relating Sonification to Environments,” AI & Society, Vol. 27, No. 2, pp. 173-175, May 2012. [https://doi.org/10.1007/s00146-011-0346-2]
• G. Ritschard, “Exploring Sequential Data,” in Proceedings of the 15th International Conference on Discovery Science, Lyon, France, pp. 3-6, October 2012. [https://doi.org/10.1007/978-3-642-33492-4_3]
• G. Kramer, B. Walker, T. Bonebright, P. Cook, J. H. Flowers, N. Miner, and J. Neuhoff, Sonification Report: Status of the Field and Research Agenda, National Science Foundation, Alexandri: VA, NSF Sonification White Paper - Master 12/13/98, 1999.
• S. Gresham-Lancaster, “Relationships of Sonification to Music and Sound Art,” AI & Society, Vol. 27, No. 2, pp. 207-212, May 2012. [https://doi.org/10.1007/s00146-011-0337-3]
• T. Hermann and H. Ritter, “Sound and Meaning in Auditory Data Display,” in Proceedings of the IEEE, Vol. 92, No. 4, pp. 730-741, April 2004. [https://doi.org/10.1109/JPROC.2004.825904]
• E. Rutherford and H. Geiger, “An Electrical Method of Counting the Number of α-Particles from Radio-Active Substances,” in Proceedings of the Royal Society of London. Series A, Containing Papers of a Mathematical and Physical Character, Vol. 81, No. 546, pp. 141-161, August 1908. [https://doi.org/10.1098/rspa.1908.0065]
• E. E. Fournier d’Albe, “On a Type-Reading Optophone,” in Proceedings of the Royal Society of London. Series A, Containing Papers of a Mathematical and Physical Character, Vol. 90, No. 619, pp. 373-375, July 1914. [https://doi.org/10.1098/rspa.1914.0061]
• M. Quinton, I. McGregor, and D. Benyon, “Sonification of an Exoplanetary Atmosphere,” in Proceedings of the 15th International Audio Mostly Conference (AM ’20), Graz, Austria, pp. 191-198, September 2020. [https://doi.org/10.1145/3411109.3411117]
• M. Asendorf, M. Kienzle, R. Ringe, F. Ahmadi, D. Bhowmik, J. Chen, ... and T. Ziemer, “Tiltification - An Accessible App to Popularize Sonification,” in Proceedings of the 26th International Conference on Auditory Display (ICAD 2021), Online, pp. 184-191, June 2021. [https://doi.org/10.21785/icad2021.025]
• Wired. Smog Musicians Turn Pollution Data into Jagged Melodies [Internet]. Available: https://www.wired.com/2010/10/smog-music/, .
• Sonic Acts. Dolmen [Internet]. Available: https://sonicacts.com/archive/mario-de-vega-dolmen, .
• Algorithmic Arts. Genetic Music from DNA and Protein [Internet]. Available: http://www.geneticmusic.com/music.htm
• T. Ingalls, G. Martius, M. Hellmuth, M. Marz, and S. J. Prohaska, “Converting DNA to Music: COMPOSALIGN,” in Proceedings of German Conference on Bioinformatics (GCB 2009), Halle (Saale), Germany, pp. 93-103, September 2009.
• M. D. Temple, “An Auditory Display Tool for DNA Sequence Analysis,” BMC Bioinformatics, Vol. 18, 221, 2017. [https://doi.org/10.1186/s12859-017-1632-x]
• DNA Sonification. The Sound of Genes [Internet]. Available: http://dnasonification.org/, .
• Sound Cloud. Viral Counterpoint of the Coronavirus Spike Protein (2019-nCoV) by Markus J. Buehler [Internet]. Available: https://soundcloud.com/user-275864738/viral-counterpoint-of-the-coronavirus-spike-protein-2019-ncov, .
• KBS Data Journalism Team. COVID-19 Spreading Network [Internet]. Available: https://dj.kbs.co.kr/resources/2020-01-31/, .
• NCBI (National Center for Biotechnology Information). Severe Acute Respiratory Syndrome Coronavirus 2 Isolate Wuhan-Hu-1, Complete Genome [Internet]. Available: https://www.ncbi.nlm.nih.gov/nuccore/NC_045512, .
• D. Worrall, Data Sonification: A Prehistory, in Sonification Design: From Data to Intelligible Soundfields, Cham, Switzerland: Springer, ch. 1, pp. 3-21, 2019.
• L. Crawford, “Viktor Shklovskij: Différance in Defamiliarization,” Comparative Literature, Vol. 36, No. 3, pp. 209-219, 1984. [https://doi.org/10.2307/1770260]