KR20210042471A - 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치 및 그 동작 방법 - Google Patents

두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치 및 그 동작 방법 Download PDF

Info

Publication number
KR20210042471A
KR20210042471A KR1020190125054A KR20190125054A KR20210042471A KR 20210042471 A KR20210042471 A KR 20210042471A KR 1020190125054 A KR1020190125054 A KR 1020190125054A KR 20190125054 A KR20190125054 A KR 20190125054A KR 20210042471 A KR20210042471 A KR 20210042471A
Authority
KR
South Korea
Prior art keywords
vector
drug
prediction
value
drugs
Prior art date
Application number
KR1020190125054A
Other languages
English (en)
Other versions
KR102299674B1 (ko
Inventor
안재균
이건희
Original Assignee
인천대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 인천대학교 산학협력단 filed Critical 인천대학교 산학협력단
Priority to KR1020190125054A priority Critical patent/KR102299674B1/ko
Publication of KR20210042471A publication Critical patent/KR20210042471A/ko
Application granted granted Critical
Publication of KR102299674B1 publication Critical patent/KR102299674B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Medical Preparation Storing Or Oral Administration Devices (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치 및 그 동작 방법이 개시된다. 본 발명은 두 약물을 함께 사용할 경우에 대한 혼용 효과를 예측할 수 있는 예측모델의 생성이 가능한 전자 장치 및 그 동작 방법을 제시함으로써, 약물 투여자가 두 개의 약물을 함께 사용할 경우에 나타날 수 있는 효과를 미리 확인할 수 있도록 지원할 수 있다.

Description

두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치 및 그 동작 방법{ELECTRONIC DEVICE CAPABLE OF GENERATING ARTIFICIAL INTELLIGENCE BASED PREDICTION MODEL FOR PREDICTING THE MIXING EFFECT BETWEEN TWO DRUGS AND OPERATING METHOD THEREOF}
본 발명은 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치 및 그 동작 방법에 대한 것이다.
제약 기술의 발달로 치료 효과가 큰 약물들이 많이 개발되고 있다.
보통, 특정 질병을 치료하기 위해 하나의 약물만을 사용할 수도 있지만, 둘 이상의 약물을 혼용함으로써, 치료 효과를 높이는 경우도 많이 존재한다.
하지만, 두 약물을 잘못 혼용하는 경우, 피부 발진이 발생하거나, 발열이 발생하는 등과 같은 부작용이 일어나는 경우도 존재한다.
이로 인해, 두 약물을 혼용하는 처방을 수행하는 경우, 두 약물의 혼용으로 인해 발생하는 약물 혼용 효과를 미리 예측하여 처방할 필요가 있다.
하지만, 시중에는 수많은 종류의 약물들이 존재하고 있다는 점에서 모든 약물들에 대해 두 약물 간의 혼용 효과를 하나씩 확인하는 것이 거의 불가능에 가깝다.
최근에는 일부의 샘플 데이터를 기초로 소정의 결과를 예측하기 위한 예측모델을 만들 수 있는 인공지능 기반의 기계학습 기술이 등장하고 있다. 이와 관련해서, 두 약물 간의 혼용 효과를 예측하는 방법에 있어서도 일부 약물들에 대해 두 약물 간의 혼용 효과에 대한 결과 값을 미리 알고 있다면, 두 약물 간의 특성에 따른 기계학습을 수행함으로써, 두 약물의 특성에 따른 혼용 효과를 예측할 수 예측모델을 만들 수 있을 것이다.
따라서, 두 약물의 특성에 따라 두 약물을 함께 사용할 경우에 나타나는 혼용 효과를 예측할 수 있는 예측모델의 생성 기술에 대한 연구가 필요하다.
본 발명은 두 약물을 함께 사용할 경우에 대한 혼용 효과를 예측할 수 있는 예측모델의 생성이 가능한 전자 장치 및 그 동작 방법을 제시함으로써, 약물 투여자가 두 개의 약물을 함께 사용할 경우에 나타날 수 있는 효과를 미리 확인할 수 있도록 지원하고자 한다.
본 발명의 일실시예에 따른 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치는 n(n은 5이상의 자연수)개의 약물들 각각에 대해, 나머지 n-1개의 약물들과의 분자 구조에 대한 n-1개의 제1 유사도 값, 표적 유전자에 대한 n-1개의 제2 유사도 값 및 유전자 온톨리지에 대한 n-1개의 제3 유사도 값이 사전 측정되어 저장되어 있는 유사도 저장부, m(m은 n보다 작은 3이상의 자연수)개의 약물들 - 상기 m개의 약물들은 상기 n개의 약물들에 포함되는 약물임 - 로부터 조합 가능한 모든 약물 쌍(pair)들에 대해, 사전 설정된 서로 다른 종류의 k(k는 2이상의 자연수)개의 약물 혼용 효과들에 대한 결과 값 - 상기 결과 값은 두 약물 간에 효과가 있는 경우 1로, 효과가 없는 경우 0으로 사전 결정된 값임 - 이 대응되어 저장되어 있는 결과 값 저장부, 상기 m개의 약물들 중 어느 두 약물인 제1 약물과 제2 약물 각각에 대한 n-1개의 상기 제1 유사도 값을 성분으로 갖는 제1 유사도 벡터를 연접(Concatenation)하여 2(n-1)차원의 제1 혼합 벡터를 생성하는 제1 혼합 벡터 생성부, 상기 제1 약물과 상기 제2 약물 각각에 대한 n-1개의 상기 제2 유사도 값을 성분으로 갖는 제2 유사도 벡터를 연접하여 2(n-1)차원의 제2 혼합 벡터를 생성하는 제2 혼합 벡터 생성부, 상기 제1 약물과 상기 제2 약물 각각에 대한 n-1개의 상기 제3 유사도 값을 성분으로 갖는 제3 유사도 벡터를 연접하여 2(n-1)차원의 제3 혼합 벡터를 생성하는 제3 혼합 벡터 생성부, 상기 제1 혼합 벡터, 상기 제2 혼합 벡터, 상기 제3 혼합 벡터 각각을 서로 다른 오토인코더(Autoencoder)에 입력으로 인가하여 벡터 차원 축소를 수행함으로써, 상기 제1 혼합 벡터에 대한 제1 축소 벡터, 상기 제2 혼합 벡터에 대한 제2 축소 벡터 및 상기 제3 혼합 벡터에 대한 제3 축소 벡터를 생성하는 벡터 변환부, 상기 제1 축소 벡터, 상기 제2 축소 벡터 및 상기 제3 축소 벡터를 연접하여 입력 벡터를 생성하는 입력 벡터 생성부, 상기 입력 벡터를 심층 신경망에 입력으로 인가하여 k차원의 출력 벡터를 생성하는 출력 생성부 및 상기 결과 값 저장부로부터 상기 제1 약물과 상기 제2 약물 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값을 확인한 후 상기 k차원의 출력 벡터의 성분인 k개의 출력 값들을 상기 제1 약물과 상기 제2 약물 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값에 하나씩 매칭시켜, 상기 k개의 출력 값들과 각 출력 값에 매칭된 결과 값을 비교함으로써, 상기 오토인코더와 상기 심층 신경망을 기계학습시키는 기계학습 수행부를 포함한다.
또한, 본 발명의 일실시예에 따른 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치의 동작 방법은 n(n은 5이상의 자연수)개의 약물들 각각에 대해, 나머지 n-1개의 약물들과의 분자 구조에 대한 n-1개의 제1 유사도 값, 표적 유전자에 대한 n-1개의 제2 유사도 값 및 유전자 온톨리지에 대한 n-1개의 제3 유사도 값이 사전 측정되어 저장되어 있는 유사도 저장부를 유지하는 단계, m(m은 n보다 작은 3이상의 자연수)개의 약물들 - 상기 m개의 약물들은 상기 n개의 약물들에 포함되는 약물임 - 로부터 조합 가능한 모든 약물 쌍(pair)들에 대해, 사전 설정된 서로 다른 종류의 k(k는 2이상의 자연수)개의 약물 혼용 효과들에 대한 결과 값 - 상기 결과 값은 두 약물 간에 효과가 있는 경우 1로, 효과가 없는 경우 0으로 사전 결정된 값임 - 이 대응되어 저장되어 있는 결과 값 저장부를 유지하는 단계, 상기 m개의 약물들 중 어느 두 약물인 제1 약물과 제2 약물 각각에 대한 n-1개의 상기 제1 유사도 값을 성분으로 갖는 제1 유사도 벡터를 연접(Concatenation)하여 2(n-1)차원의 제1 혼합 벡터를 생성하는 단계, 상기 제1 약물과 상기 제2 약물 각각에 대한 n-1개의 상기 제2 유사도 값을 성분으로 갖는 제2 유사도 벡터를 연접하여 2(n-1)차원의 제2 혼합 벡터를 생성하는 단계, 상기 제1 약물과 상기 제2 약물 각각에 대한 n-1개의 상기 제3 유사도 값을 성분으로 갖는 제3 유사도 벡터를 연접하여 2(n-1)차원의 제3 혼합 벡터를 생성하는 단계, 상기 제1 혼합 벡터, 상기 제2 혼합 벡터, 상기 제3 혼합 벡터 각각을 서로 다른 오토인코더(Autoencoder)에 입력으로 인가하여 벡터 차원 축소를 수행함으로써, 상기 제1 혼합 벡터에 대한 제1 축소 벡터, 상기 제2 혼합 벡터에 대한 제2 축소 벡터 및 상기 제3 혼합 벡터에 대한 제3 축소 벡터를 생성하는 단계, 상기 제1 축소 벡터, 상기 제2 축소 벡터 및 상기 제3 축소 벡터를 연접하여 입력 벡터를 생성하는 단계, 상기 입력 벡터를 심층 신경망에 입력으로 인가하여 k차원의 출력 벡터를 생성하는 단계 및 상기 결과 값 저장부로부터 상기 제1 약물과 상기 제2 약물 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값을 확인한 후 상기 k차원의 출력 벡터의 성분인 k개의 출력 값들을 상기 제1 약물과 상기 제2 약물 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값에 하나씩 매칭시켜, 상기 k개의 출력 값들과 각 출력 값에 매칭된 결과 값을 비교함으로써, 상기 오토인코더와 상기 심층 신경망을 기계학습시키는 단계를 포함한다.
본 발명은 두 약물을 함께 사용할 경우에 대한 혼용 효과를 예측할 수 있는 예측모델의 생성이 가능한 전자 장치 및 그 동작 방법을 제시함으로써, 약물 투여자가 두 개의 약물을 함께 사용할 경우에 나타날 수 있는 효과를 미리 확인할 수 있도록 지원할 수 있다.
도 1은 본 발명의 일실시예에 따른 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치의 구조를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치의 동작을 설명하기 위한 도면이다.
도 3은 본 발명의 일실시예에 따른 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치의 동작 방법을 도시한 순서도이다.
이하에서는 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명하기로 한다. 이러한 설명은 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였으며, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 본 명세서 상에서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 사람에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.
본 문서에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다. 또한, 본 발명의 다양한 실시예들에 있어서, 각 구성요소들, 기능 블록들 또는 수단들은 하나 또는 그 이상의 하부 구성요소로 구성될 수 있고, 각 구성요소들이 수행하는 전기, 전자, 기계적 기능들은 전자회로, 집적회로, ASIC(Application Specific Integrated Circuit) 등 공지된 다양한 소자들 또는 기계적 요소들로 구현될 수 있으며, 각각 별개로 구현되거나 2 이상이 하나로 통합되어 구현될 수도 있다.
한편, 첨부된 블록도의 블록들이나 흐름도의 단계들은 범용 컴퓨터, 특수용 컴퓨터, 휴대용 노트북 컴퓨터, 네트워크 컴퓨터 등 데이터 프로세싱이 가능한 장비의 프로세서나 메모리에 탑재되어 지정된 기능들을 수행하는 컴퓨터 프로그램 명령들(instructions)을 의미하는 것으로 해석될 수 있다. 이들 컴퓨터 프로그램 명령들은 컴퓨터 장치에 구비된 메모리 또는 컴퓨터에서 판독 가능한 메모리에 저장될 수 있기 때문에, 블록도의 블록들 또는 흐름도의 단계들에서 설명된 기능들은 이를 수행하는 명령 수단을 내포하는 제조물로 생산될 수도 있다. 아울러, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 명령들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 가능한 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 정해진 순서와 달리 실행되는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 실질적으로 동시에 수행되거나, 역순으로 수행될 수 있으며, 경우에 따라 일부 블록들 또는 단계들이 생략된 채로 수행될 수도 있다.
도 1은 본 발명의 일실시예에 따른 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치의 구조를 도시한 도면이고, 도 2는 상기 전자 장치를 설명하기 위한 프레임워크를 도시한 도면이다.
도 1을 참조하면, 본 발명에 따른 전자 장치(110)는 유사도 저장부(111), 결과 값 저장부(112), 제1 혼합 벡터 생성부(113), 제2 혼합 벡터 생성부(114), 제3 혼합 벡터 생성부(115), 벡터 변환부(116), 입력 벡터 생성부(117), 출력 생성부(118) 및 기계학습 수행부(119)를 포함한다.
유사도 저장부(111)에는 n(n은 5이상의 자연수)개의 약물들 각각에 대해, 나머지 n-1개의 약물들과의 분자 구조에 대한 n-1개의 제1 유사도 값, 표적 유전자에 대한 n-1개의 제2 유사도 값 및 유전자 온톨리지에 대한 n-1개의 제3 유사도 값이 사전 측정되어 저장되어 있다.
예컨대, n을 5라고 하는 경우, 유사도 저장부(111)에는 5개의 약물들 각각에 대해, 나머지 4개의 약물들과의 분자 구조에 대한 4개의 제1 유사도 값, 표적 유전자에 대한 4개의 제2 유사도 값 및 유전자 온톨리지에 대한 4개의 제3 유사도 값이 사전 측정되어 저장되어 있을 수 있다.
관련해서, 유사도 저장부(111)에는 5개의 약물들 중 약물 1에 대해 나머지 약물 2~5 각각과의 분자 구조에 대한 제1 유사도 값, 표적 유전자에 대한 제2 유사도 값 및 유전자 온톨리지에 대한 제3 유사도 값이 저장되어 있을 수 있고, 나머지 약물 2~5 각각에 대해서도 다른 약물들과의 제1 유사도 값, 제2 유사도 값, 제3 유사도 값이 저장되어 있을 수 있다.
이때, 유사도 저장부(111)에는 하기의 표 1과 같이 데이터가 저장되어 있을 수 있다.
약물의 종류 제1 유사도 값 제2 유사도 값 제3 유사도 값
약물 1 약물 2와의 제1 유사도 값
약물 3과의 제1 유사도 값
약물 4와의 제1 유사도 값
약물 5와의 제1 유사도 값		 약물 2와의 제2 유사도 값
약물 3과의 제2 유사도 값
약물 4와의 제2 유사도 값
약물 5와의 제2 유사도 값		 약물 2와의 제3 유사도 값
약물 3과의 제3 유사도 값
약물 4와의 제3 유사도 값
약물 5와의 제3 유사도 값
약물 2 약물 1과의 제1 유사도 값
약물 3과의 제1 유사도 값
약물 4와의 제1 유사도 값
약물 5와의 제1 유사도 값		 약물 1과의 제2 유사도 값
약물 3과의 제2 유사도 값
약물 4와의 제2 유사도 값
약물 5와의 제2 유사도 값		 약물 1과의 제3 유사도 값
약물 3과의 제3 유사도 값
약물 4와의 제3 유사도 값
약물 5와의 제3 유사도 값
약물 3 약물 1과의 제1 유사도 값
약물 2와의 제1 유사도 값
약물 4와의 제1 유사도 값
약물 5와의 제1 유사도 값		 약물 1과의 제2 유사도 값
약물 2와의 제2 유사도 값
약물 4와의 제2 유사도 값
약물 5와의 제2 유사도 값		 약물 1과의 제3 유사도 값
약물 2와의 제3 유사도 값
약물 4와의 제3 유사도 값
약물 5와의 제3 유사도 값
약물 4 약물 1과의 제1 유사도 값
약물 2와의 제1 유사도 값
약물 3과의 제1 유사도 값
약물 5와의 제1 유사도 값		 약물 1과의 제2 유사도 값
약물 2와의 제2 유사도 값
약물 3과의 제2 유사도 값
약물 5와의 제2 유사도 값		 약물 1과의 제3 유사도 값
약물 2와의 제3 유사도 값
약물 3과의 제3 유사도 값
약물 5와의 제3 유사도 값
약물 5 약물 1과의 제1 유사도 값
약물 2와의 제1 유사도 값
약물 3과의 제1 유사도 값
약물 4와의 제1 유사도 값		 약물 1과의 제2 유사도 값
약물 2와의 제2 유사도 값
약물 3과의 제2 유사도 값
약물 4와의 제2 유사도 값		 약물 1과의 제3 유사도 값
약물 2와의 제3 유사도 값
약물 3과의 제3 유사도 값
약물 4와의 제3 유사도 값
여기서, 분자 구조에 대한 제1 유사도 값(Structural Similarity Profile: SSP)이란 두 약물의 분자 구조가 얼마나 유사한지 여부를 나타내는 유사도 값으로 약물의 SMILES(Simplified Molecular Input Line Entry System)를 특정한 규칙에 따라서 고유한 이진 벡터로 변환한 후 두 약물 간의 타니모토 계수(Tanimoto coefficient)를 연산함으로써, 사전 측정될 수 있다.
그리고, 표적 유전자에 대한 제2 유사도 값(Target gene Similarity Profile: TSP)이란 두 약물이 공통으로 가지고 있는 표적 유전자의 수가 얼마나 되는지를 계산한 것으로, 먼저 유전자 네트워크 상에서 두 약물의 표적 유전자들 사이의 최단 거리를 구하고, 사용자가 설정한 값과 유전자 사이의 최단 거리의 최댓값 중 더 큰 값을 한계점으로 설정한 후 두 약물의 전체 유전자 순서쌍 중에서 한계점보다 값이 작은 것들의 수를 두 약물의 전체 유전자 순서쌍의 수로 나눠줌으로써, 사전 측정될 수 있다.
또한, 유전자 온톨로지에 대한 제3 유사도 값(Gene ontology Similarity Profile: GSP)이란 두 약물의 표적 유전자들의 정보가 얼마나 겹치는지를 계산한 것으로, 표적 유전자에 대한 제2 유사도 값을 계산하는 방법과 동일하게 계산하되, 표적 유전자를 GO(Gene ontologe) term으로, 거리를 계산할 때 사용하는 네트워크를 GO 그래프로 대체하여 계산함으로써, 사전 측정될 수 있다.
결과 값 저장부(112)에는 m(m은 n보다 작은 3이상의 자연수)개의 약물들로부터 조합 가능한 모든 약물 쌍(pair)들에 대해, 사전 설정된 서로 다른 종류의 k(k는 2이상의 자연수)개의 약물 혼용 효과들에 대한 결과 값이 대응되어 저장되어 있다.
여기서, 상기 m개의 약물들은 모두 상기 n개의 약물들에 포함되는 약물이다.
그리고, 약물 혼용 효과란 두 약물 간의 상호 작용(drug-drug interaction: DDI)을 의미하는 것으로, 두 약물을 혼용할 경우, 발열이 발생하는 효과, 피부 발진이 발생하는 효과, 기침을 멈추게 하는 효과 등을 의미한다.
또한, 상기 결과 값은 두 약물 간에 효과가 있는 경우 1로, 효과가 없는 경우 0으로 사전 결정된 값으로, 기계학습을 수행하기 위한 트레이닝 데이터이다.
예컨대, m을 3이라고 하고, k가 6이라고 하는 경우, 결과 값 저장부(112)에는 3개의 약물들로부터 조합 가능한 모든 약물 쌍들에 대해, 6개의 약물 혼용 효과들에 대한 결과 값이 트레이닝 데이터로 저장되어 있을 수 있다.
관련해서, 관리자는 상기 3개의 약물들 중 약물 1과 약물 2를 혼용해서 사용하였을 때의 6가지의 약물 혼용 효과들을 실험을 통해 측정해 본 후 6가지의 약물 혼용 효과들 중 의미있는 효과가 있는 것으로 판단되는 약물 혼용 효과들에 대해 1이라는 결과 값을 할당하고, 효과가 없는 것으로 판단되는 약물 혼용 효과들에 대해 0이라는 결과 값을 할당할 수 있다. 이러한 방식으로, 관리자는 상기 3개의 약물들로부터 조합 가능한 모든 약물 쌍들에 대해, 6가지의 약물 혼용 효과들에 대한 결과 값을 산출하여 결과 값 저장부(112)에 트레이닝 데이터로 저장해 둘 수 있다.
이 점을 고려하면, 결과 값 저장부(112)에는 하기의 표 2와 같이 데이터가 저장되어 있을 수 있다.
약물 쌍 약물 혼용 효과 1 약물 혼용 효과 2 약물 혼용 효과 3 약물 혼용 효과 4 약물 혼용 효과 5 약물 혼용 효과 6
약물 1, 2 1 1 0 0 1 0
약물 1, 3 0 0 0 1 0 1
약물 2, 3 1 0 0 0 1 1
제1 혼합 벡터 생성부(113)는 상기 m개의 약물들 중 어느 두 약물인 제1 약물(211)과 제2 약물(212) 각각에 대한 n-1개의 상기 제1 유사도 값을 성분으로 갖는 제1 유사도 벡터(221, 222)를 연접(Concatenation)하여 2(n-1)차원의 제1 혼합 벡터를 생성한다.
예컨대, 도 2에 도시된 그림과 같이, n을 5라고 하는 경우, 제1 혼합 벡터 생성부(113)는 상기 표 1과 같은 유사도 저장부(111)를 참조하여 제1 약물(211)에 대한 4개의 제1 유사도 값을 성분으로 갖는 4차원의 제1 유사도 벡터(221)를 생성하고, 제2 약물(212)에 대한 4개의 제1 유사도 값을 성분으로 갖는 4차원의 제1 유사도 벡터(222)를 생성한 후 제1 약물(211)에 대한 제1 유사도 벡터(221)와 제2 약물(212)에 대한 제1 유사도 벡터(222)를 서로 연접하여 8차원의 제1 혼합 벡터를 생성할 수 있다.
제2 혼합 벡터 생성부(114)는 상기 제1 약물(211)과 상기 제2 약물(212) 각각에 대한 n-1개의 상기 제2 유사도 값을 성분으로 갖는 제2 유사도 벡터(231, 232)를 연접하여 2(n-1)차원의 제2 혼합 벡터를 생성한다.
예컨대, 도 2에 도시된 그림과 같이, n을 5라고 하는 경우, 제2 혼합 벡터 생성부(114)는 상기 표 1과 같은 유사도 저장부(111)를 참조하여 제1 약물(211)에 대한 4개의 제2 유사도 값을 성분으로 갖는 4차원의 제2 유사도 벡터(231)를 생성하고, 제2 약물(212)에 대한 4개의 제2 유사도 값을 성분으로 갖는 4차원의 제2 유사도 벡터(232)를 생성한 후 제1 약물(211)에 대한 제2 유사도 벡터(231)와 제2 약물(212)에 대한 제2 유사도 벡터(232)를 서로 연접하여 8차원의 제2 혼합 벡터를 생성할 수 있다.
제3 혼합 벡터 생성부(115)는 상기 제1 약물(211)과 상기 제2 약물(212) 각각에 대한 n-1개의 상기 제3 유사도 값을 성분으로 갖는 제3 유사도 벡터(241, 242)를 연접하여 2(n-1)차원의 제3 혼합 벡터를 생성한다.
예컨대, 도 2에 도시된 그림과 같이, n을 5라고 하는 경우, 제3 혼합 벡터 생성부(115)는 상기 표 1과 같은 유사도 저장부(111)를 참조하여 제1 약물(211)에 대한 4개의 제3 유사도 값을 성분으로 갖는 4차원의 제3 유사도 벡터(241)를 생성하고, 제2 약물(212)에 대한 4개의 제3 유사도 값을 성분으로 갖는 4차원의 제3 유사도 벡터(242)를 생성한 후 제1 약물(211)에 대한 제3 유사도 벡터(241)와 제2 약물(212)에 대한 제3 유사도 벡터(242)를 서로 연접하여 8차원의 제3 혼합 벡터를 생성할 수 있다.
벡터 변환부(116)는 상기 제1 혼합 벡터, 상기 제2 혼합 벡터, 상기 제3 혼합 벡터 각각을 서로 다른 오토인코더(Autoencoder)(251, 252, 253)에 입력으로 인가하여 벡터 차원 축소를 수행함으로써, 상기 제1 혼합 벡터에 대한 제1 축소 벡터(261), 상기 제2 혼합 벡터에 대한 제2 축소 벡터(262) 및 상기 제3 혼합 벡터에 대한 제3 축소 벡터(263)를 생성한다.
관련해서, 도 2에서는 상기 오토인코더(251, 252, 253)를 통해 8차원의 제1 혼합 벡터, 제2 혼합 벡터, 제3 혼합 벡터가 각각 2차원의 제1 축소 벡터(261), 제2 축소 벡터(262), 제3 축소 벡터(263)로 축소된 예가 도시되어 있다.
입력 벡터 생성부(117)는 상기 제1 축소 벡터(261), 상기 제2 축소 벡터(262) 및 상기 제3 축소 벡터(263)를 연접하여 입력 벡터를 생성한다.
출력 생성부(118)는 상기 입력 벡터를 심층 신경망(270)에 입력으로 인가하여 k차원의 출력 벡터를 생성한다.
기계학습 수행부(119)는 결과 값 저장부(112)로부터 상기 제1 약물(211)과 상기 제2 약물(212) 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값을 확인한 후 상기 k차원의 출력 벡터의 성분인 k개의 출력 값들을 상기 제1 약물(211)과 상기 제2 약물(212) 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값에 하나씩 매칭시켜, 상기 k개의 출력 값들과 각 출력 값에 매칭된 결과 값을 비교함으로써, 상기 오토인코더(251, 252, 253)와 상기 심층 신경망(270)을 기계학습시킨다.
이때, 본 발명의 일실시예에 따르면, 기계학습 수행부(119)는 변환부(120) 및 학습 처리부(121)를 포함할 수 있다.
변환부(120)는 상기 k개의 출력 값들을 사전 설정된 활성화 함수(Activation Function)에 입력으로 인가하여 상기 k개의 출력 값들 각각에 대한 변환 값을 생성한다.
이때, 상기 활성화 함수는 입력 값을 0~1 사이의 값으로 변환하는 함수로, 시그모이드(Sigmoid) 함수가 사용될 수 있다.
학습 처리부(121)는 상기 k개의 출력 값들 각각에 대한 변환 값이 각 출력 값에 매칭된 결과 값에 최대로 근접하도록 상기 오토인코더(251, 252, 253)와 상기 심층 신경망(270)에 대한 기계학습을 수행한다.
이때, 본 발명의 일실시예에 따르면, 학습 처리부(121)는 상기 k개의 출력 값들 각각에 대한 변환 값과 각 출력 값에 매칭된 결과 값을 기초로 사전 설정된 손실 함수(Loss Function)를 기반으로 한 손실 값을 연산하고, 상기 손실 값이 최소가 되도록 상기 오토인코더(251, 252, 253)와 상기 심층 신경망(270)에 대한 기계학습을 수행할 수 있다.
이때, 본 발명의 일실시예에 따르면, 상기 손실 함수는 하기의 수학식 1과 같이 나타낼 수 있고, 학습 처리부(121)는 하기의 수학식 1의 연산에 따라 상기 손실 값을 연산할 수 있다.
Figure pat00001
여기서, L은 상기 손실 값, ti는 상기 제1 약물(211)과 상기 제2 약물(212) 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값 중 i번째 약물 혼용 효과에 대한 결과 값, yi는 상기 k개의 출력 값들에 대한 변환 값 중 i번째 출력 값에 대한 변환 값을 의미한다.
관련해서, k가 6이라고 가정하고, 기계학습 수행부(119)의 동작을 예를 들어 설명하면 다음과 같다.
우선, k는 6이라고 가정하였기 때문에, 상기 입력 벡터가 심층 신경망(270)을 통과하게 되면, 6차원의 출력 벡터가 생성될 수 있다. 이때, 기계학습 수행부(119)는 결과 값 저장부(112)로부터 제1 약물(211)과 제2 약물(212) 간의 6개의 약물 혼용 효과들에 대한 결과 값을 확인한 후 6차원의 출력 벡터의 성분인 6개의 출력 값들을 6개의 약물 혼용 효과들에 대한 결과 값에 하나씩 순차적으로 매칭시킬 수 있다.
예컨대, 6개의 출력 값들이 O1, O2, O3, O4, O5, O6이라고 하고, 제1 약물(211)과 제2 약물(212) 간의 6개의 약물 혼용 효과들에 대한 결과 값이 0, 0, 0, 1, 0, 1이라고 하는 경우, 기계학습 수행부(119)는 O1, O2, O3, O4, O5, O6 각각에 대해 0, 0, 0, 1, 0, 1을 하나씩 매칭시킬 수 있다.
이때, 변환부(120)는 상기 6개의 출력 값들인 O1, O2, O3, O4, O5, O6을 시그모이드 함수에 각각 입력으로 인가하여 0~1 사이의 변환 값인 y1, y2, y3, y4, y5, y6을 생성할 수 있다.
그러고 나서, 학습 처리부(121)는 상기 수학식 1과 같은 손실 함수에 y1, y2, y3, y4, y5, y6과 그에 대응되는 결과 값인 0, 0, 0, 1, 0, 1을 인가하여 손실 값을 연산한 후 상기 손실 값이 최소가 되도록 상기 오토인코더(251, 252, 253)와 상기 심층 신경망(270)을 기계학습시킬 수 있다.
이때, 학습 수행부(121)는 상기 손실 값에 기초하여 역전파(Backpropagation) 처리를 수행함으로써, 상기 오토인코더(251, 252, 253)와 상기 심층 신경망(270)을 기계학습시킬 수 있다.
본 발명의 일실시예에 따르면, 전자 장치(110)는 반복 수행 제어부(122)를 더 포함할 수 있다.
반복 수행 제어부(122)는 상기 제1 약물(211)과 상기 제2 약물(212) 이외에 결과 값 저장부(112)에 결과 값이 저장되어 있는 상기 m개의 약물들로부터 조합 가능한 모든 약물 쌍들에 대해 상기 오토인코더(251, 252, 253)와 상기 심층 신경망(270)을 기계학습시키기 위한 과정의 반복 수행을 제어함으로써, 상기 오토인코더(251, 252, 253)와 상기 심층 신경망(270)을 정교하게 기계학습시킬 수 있다.
본 발명의 일실시예에 따르면, 전자 장치(110)는 제1 예측용 혼합 벡터 생성부(123), 제2 예측용 혼합 벡터 생성부(124), 제3 예측용 혼합 벡터 생성부(125), 예측용 벡터 변환부(126), 예측용 입력 벡터 생성부(127), 예측용 출력 생성부(128), 예측용 변환부(129) 및 약물 혼용 효과 예측부(130)를 더 포함할 수 있다.
제1 예측용 혼합 벡터 생성부(123)는 상기 오토인코더(251, 252, 253)와 상기 심층 신경망(270)에 대한 기계학습이 완료된 이후, 상기 n개의 약물들 중 제1 선택 약물과 제2 선택 약물이 선택되어, 상기 제1 선택 약물과 상기 제2 선택 약물 간의 혼용 효과의 예측 명령이 인가되면, 상기 제1 선택 약물과 상기 제2 선택 약물 각각에 대한 n-1개의 상기 제1 유사도 값을 성분으로 갖는 제1 유사도 벡터를 연접하여 2(n-1)차원의 제1 예측용 혼합 벡터를 생성한다.
제2 예측용 혼합 벡터 생성부(124)는 상기 제1 선택 약물과 상기 제2 선택 약물 각각에 대한 n-1개의 상기 제2 유사도 값을 성분으로 갖는 제2 유사도 벡터를 연접하여 2(n-1)차원의 제2 예측용 혼합 벡터를 생성한다.
제3 예측용 혼합 벡터 생성부(125)는 상기 제1 선택 약물과 상기 제2 선택 약물 각각에 대한 n-1개의 상기 제3 유사도 값을 성분으로 갖는 제3 유사도 벡터를 연접하여 2(n-1)차원의 제3 예측용 혼합 벡터를 생성한다.
즉, 제1 예측용 혼합 벡터 생성부(123), 제2 예측용 혼합 벡터 생성부(124), 제3 예측용 혼합 벡터 생성부(125)는 제1 혼합 벡터 생성부(113), 제2 혼합 벡터 생성부(114), 제3 혼합 벡터 생성부(115)와 동일한 방식으로 상기 제1 선택 약물과 상기 제2 선택 약물 각각에 대한 제1, 제2, 제3 예측용 혼합 벡터를 생성할 수 있다.
예측용 벡터 변환부(126)는 상기 제1 예측용 혼합 벡터, 상기 제2 예측용 혼합 벡터, 상기 제3 예측용 혼합 벡터 각각을 기계학습이 완료된 서로 다른 상기 오토인코더(251, 252, 253)에 입력으로 인가하여 벡터 차원 축소를 수행함으로써, 상기 제1 예측용 혼합 벡터에 대한 제1 예측용 축소 벡터, 상기 제2 예측용 혼합 벡터에 대한 제2 예측용 축소 벡터 및 상기 제3 예측용 혼합 벡터에 대한 제3 예측용 축소 벡터를 생성한다.
그리고, 예측용 입력 벡터 생성부(127)는 상기 제1 예측용 축소 벡터, 상기 제2 예측용 축소 벡터 및 상기 제3 예측용 축소 벡터를 연접하여 예측용 입력 벡터를 생성한다.
예측용 출력 생성부(128)는 상기 예측용 입력 벡터를 기계학습이 완료된 상기 심층 신경망(270)에 입력으로 인가하여 k차원의 예측용 출력 벡터를 생성한다.
예측용 변환부(129)는 상기 k차원의 예측용 출력 벡터의 성분인 k개의 예측용 출력 값들을 상기 활성화 함수에 입력으로 인가하여 상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값을 생성한다.
약물 혼용 효과 예측부(130)는 상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값을 상기 제1 선택 약물과 상기 제2 선택 약물 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값으로 하나씩 지정하고, 상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값 중 사전 설정된 기준치를 초과하는 예측용 변환 값을 확인한 후 상기 k개의 약물 혼용 효과들 중 상기 확인된 예측용 변환 값이 지정된 약물 혼용 효과를 상기 제1 선택 약물과 상기 제2 선택 약물 간의 약물 혼용 효과로 예측한다.
예컨대, 예측용 출력 생성부(128)에서 6차원의 예측용 출력 벡터가 생성되었다고 하는 경우, 예측용 변환부(129)는 상기 예측용 출력 벡터의 성분인 6개의 예측용 출력 값들을 시그모이드 함수에 입력으로 인가하여 0~1 사이의 6개의 예측용 변환 값을 생성할 수 있다.
그 이후, 약물 혼용 효과 예측부(130)는 6개의 예측용 변환 값을 상기 제1 선택 약물과 상기 제2 선택 약물 간의 6개의 약물 혼용 효과들에 대한 결과 값으로 하나씩 지정할 수 있다. 예컨대, 상기 6개의 예측용 변환 값이 0.6, 0.3, 0.7, 0.2, 0.4. 0.8이라고 하는 경우, 약물 혼용 효과 예측부(130)는 0.6, 0.3, 0.7, 0.2, 0.4. 0.8을 상기 제1 선택 약물과 상기 제2 선택 약물 간의 6개의 약물 혼용 효과들에 대한 결과 값으로 하나씩 지정할 수 있다.
그러고 나서, 약물 혼용 효과 예측부(130)는 상기 6개의 예측용 변환 값 중 사전 설정된 기준치를 초과하는 예측용 변환 값을 확인한 후 상기 6개의 약물 혼용 효과들 중 상기 확인된 예측용 변환 값이 지정된 약물 혼용 효과를 상기 제1 선택 약물과 상기 제2 선택 약물 간의 약물 혼용 효과로 예측할 수 있다. 관련해서, 앞서 설명한 예시와 같이, 상기 6개의 예측용 변환 값이 0.6, 0.3, 0.7, 0.2, 0.4. 0.8이라고 하고, 상기 기준치가 0.5라고 하는 경우, 약물 혼용 효과 예측부(130)는 6가지의 약물 혼용 효과들 중 0.6, 0.7, 0.8이라는 예측용 변환 값이 결과 값으로 지정된 3개의 약물 혼용 효과를 상기 제1 선택 약물과 상기 제2 선택 약물 간의 약물 혼용 효과로 예측할 수 있다.
도 3은 본 발명의 일실시예에 따른 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치의 동작 방법을 도시한 순서도이다.
단계(S310)에서는 n(n은 5이상의 자연수)개의 약물들 각각에 대해, 나머지 n-1개의 약물들과의 분자 구조에 대한 n-1개의 제1 유사도 값, 표적 유전자에 대한 n-1개의 제2 유사도 값 및 유전자 온톨리지에 대한 n-1개의 제3 유사도 값이 사전 측정되어 저장되어 있는 유사도 저장부를 유지한다.
단계(S320)에서는 m(m은 n보다 작은 3이상의 자연수)개의 약물들(상기 m개의 약물들은 상기 n개의 약물들에 포함되는 약물임)로부터 조합 가능한 모든 약물 쌍(pair)들에 대해, 사전 설정된 서로 다른 종류의 k(k는 2이상의 자연수)개의 약물 혼용 효과들에 대한 결과 값(상기 결과 값은 두 약물 간에 효과가 있는 경우 1로, 효과가 없는 경우 0으로 사전 결정된 값임)이 대응되어 저장되어 있는 결과 값 저장부를 유지한다.
단계(S330)에서는 상기 m개의 약물들 중 어느 두 약물인 제1 약물과 제2 약물 각각에 대한 n-1개의 상기 제1 유사도 값을 성분으로 갖는 제1 유사도 벡터를 연접하여 2(n-1)차원의 제1 혼합 벡터를 생성한다.
단계(S340)에서는 상기 제1 약물과 상기 제2 약물 각각에 대한 n-1개의 상기 제2 유사도 값을 성분으로 갖는 제2 유사도 벡터를 연접하여 2(n-1)차원의 제2 혼합 벡터를 생성한다.
단계(S350)에서는 상기 제1 약물과 상기 제2 약물 각각에 대한 n-1개의 상기 제3 유사도 값을 성분으로 갖는 제3 유사도 벡터를 연접하여 2(n-1)차원의 제3 혼합 벡터를 생성한다.
단계(S360)에서는 상기 제1 혼합 벡터, 상기 제2 혼합 벡터, 상기 제3 혼합 벡터 각각을 서로 다른 오토인코더에 입력으로 인가하여 벡터 차원 축소를 수행함으로써, 상기 제1 혼합 벡터에 대한 제1 축소 벡터, 상기 제2 혼합 벡터에 대한 제2 축소 벡터 및 상기 제3 혼합 벡터에 대한 제3 축소 벡터를 생성한다.
단계(S370)에서는 상기 제1 축소 벡터, 상기 제2 축소 벡터 및 상기 제3 축소 벡터를 연접하여 입력 벡터를 생성한다.
단계(S380)에서는 상기 입력 벡터를 심층 신경망에 입력으로 인가하여 k차원의 출력 벡터를 생성한다.
단계(S390)에서는 상기 결과 값 저장부로부터 상기 제1 약물과 상기 제2 약물 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값을 확인한 후 상기 k차원의 출력 벡터의 성분인 k개의 출력 값들을 상기 제1 약물과 상기 제2 약물 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값에 하나씩 매칭시켜, 상기 k개의 출력 값들과 각 출력 값에 매칭된 결과 값을 비교함으로써, 상기 오토인코더와 상기 심층 신경망을 기계학습시킨다.
이때, 본 발명의 일실시예에 따르면, 단계(S390)에서는 상기 k개의 출력 값들을 사전 설정된 활성화 함수(상기 활성화 함수는 입력 값을 0~1 사이의 값으로 변환하는 함수임)에 입력으로 인가하여 상기 k개의 출력 값들 각각에 대한 변환 값을 생성하는 단계 및 상기 k개의 출력 값들 각각에 대한 변환 값이 각 출력 값에 매칭된 결과 값에 최대로 근접하도록 상기 오토인코더와 상기 심층 신경망에 대한 기계학습을 수행하는 단계를 포함한다.
이때, 본 발명의 일실시예에 따르면, 상기 기계학습을 수행하는 단계는 상기 k개의 출력 값들 각각에 대한 변환 값과 각 출력 값에 매칭된 결과 값을 기초로 사전 설정된 손실 함수를 기반으로 한 손실 값을 연산하고, 상기 손실 값이 최소가 되도록 상기 오토인코더와 상기 심층 신경망에 대한 기계학습을 수행할 수 있다.
이때, 본 발명의 일실시예에 따르면, 상기 기계학습을 수행하는 단계는 상기 수학식 1의 연산에 따라 상기 손실 값을 연산할 수 있다.
또한, 본 발명의 일실시예에 따르면, 상기 전자 장치의 동작 방법은 상기 m개의 약물들로부터 조합 가능한 모든 약물 쌍들에 대해 상기 오토인코더와 상기 심층 신경망을 기계학습시키기 위한 과정의 반복 수행을 제어하는 단계를 더 포함할 수 있다.
또한, 본 발명의 일실시예에 따르면, 상기 전자 장치의 동작 방법은 상기 오토인코더와 상기 심층 신경망에 대한 기계학습이 완료된 이후, 상기 n개의 약물들 중 제1 선택 약물과 제2 선택 약물이 선택되어, 상기 제1 선택 약물과 상기 제2 선택 약물 간의 혼용 효과의 예측 명령이 인가되면, 상기 제1 선택 약물과 상기 제2 선택 약물 각각에 대한 n-1개의 상기 제1 유사도 값을 성분으로 갖는 제1 유사도 벡터를 연접하여 2(n-1)차원의 제1 예측용 혼합 벡터를 생성하는 단계, 상기 제1 선택 약물과 상기 제2 선택 약물 각각에 대한 n-1개의 상기 제2 유사도 값을 성분으로 갖는 제2 유사도 벡터를 연접하여 2(n-1)차원의 제2 예측용 혼합 벡터를 생성하는 단계, 상기 제1 선택 약물과 상기 제2 선택 약물 각각에 대한 n-1개의 상기 제3 유사도 값을 성분으로 갖는 제3 유사도 벡터를 연접하여 2(n-1)차원의 제3 예측용 혼합 벡터를 생성하는 단계, 상기 제1 예측용 혼합 벡터, 상기 제2 예측용 혼합 벡터, 상기 제3 예측용 혼합 벡터 각각을 기계학습이 완료된 서로 다른 상기 오토인코더에 입력으로 인가하여 벡터 차원 축소를 수행함으로써, 상기 제1 예측용 혼합 벡터에 대한 제1 예측용 축소 벡터, 상기 제2 예측용 혼합 벡터에 대한 제2 예측용 축소 벡터 및 상기 제3 예측용 혼합 벡터에 대한 제3 예측용 축소 벡터를 생성하는 단계, 상기 제1 예측용 축소 벡터, 상기 제2 예측용 축소 벡터 및 상기 제3 예측용 축소 벡터를 연접하여 예측용 입력 벡터를 생성하는 단계, 상기 예측용 입력 벡터를 기계학습이 완료된 상기 심층 신경망에 입력으로 인가하여 k차원의 예측용 출력 벡터를 생성하는 단계, 상기 k차원의 예측용 출력 벡터의 성분인 k개의 예측용 출력 값들을 상기 활성화 함수에 입력으로 인가하여 상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값을 생성하는 단계 및 상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값을 상기 제1 선택 약물과 상기 제2 선택 약물 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값으로 하나씩 지정하고, 상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값 중 사전 설정된 기준치를 초과하는 예측용 변환 값을 확인한 후 상기 k개의 약물 혼용 효과들 중 상기 확인된 예측용 변환 값이 지정된 약물 혼용 효과를 상기 제1 선택 약물과 상기 제2 선택 약물 간의 약물 혼용 효과로 예측하는 단계를 포함할 수 있다.
이상, 도 3을 참조하여 본 발명의 일실시예에 따른 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치의 동작 방법에 대해 설명하였다. 여기서, 본 발명의 일실시예에 따른 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치의 동작 방법은 도 1과 도 2를 이용하여 설명한 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치(110)의 동작에 대한 구성과 대응될 수 있으므로, 이에 대한 보다 상세한 설명은 생략하기로 한다.
본 발명의 일실시예에 따른 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치의 동작 방법은 컴퓨터와의 결합을 통해 실행시키기 위한 저장매체에 저장된 컴퓨터 프로그램으로 구현될 수 있다.
또한, 본 발명의 일실시예에 따른 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치의 동작 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
110: 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치
111: 유사도 저장부 112: 결과 값 저장부
113: 제1 혼합 벡터 생성부 114: 제2 혼합 벡터 생성부
115: 제3 혼합 벡터 생성부 116: 벡터 변환부
117: 입력 벡터 생성부 118: 출력 생성부
119: 기계학습 수행부 120: 변환부
121: 학습 처리부 122: 반복 수행 제어부
123: 제1 예측용 혼합 벡터 생성부 124: 제2 예측용 혼합 벡터 생성부
125: 제3 예측용 혼합 벡터 생성부 126: 예측용 벡터 변환부
127: 예측용 입력 벡터 생성부 128: 예측용 출력 생성부
129: 예측용 변환부 130: 약물 혼용 효과 예측부

Claims (14)

  1. n(n은 5이상의 자연수)개의 약물들 각각에 대해, 나머지 n-1개의 약물들과의 분자 구조에 대한 n-1개의 제1 유사도 값, 표적 유전자에 대한 n-1개의 제2 유사도 값 및 유전자 온톨리지에 대한 n-1개의 제3 유사도 값이 사전 측정되어 저장되어 있는 유사도 저장부;
    m(m은 n보다 작은 3이상의 자연수)개의 약물들 - 상기 m개의 약물들은 상기 n개의 약물들에 포함되는 약물임 - 로부터 조합 가능한 모든 약물 쌍(pair)들에 대해, 사전 설정된 서로 다른 종류의 k(k는 2이상의 자연수)개의 약물 혼용 효과들에 대한 결과 값 - 상기 결과 값은 두 약물 간에 효과가 있는 경우 1로, 효과가 없는 경우 0으로 사전 결정된 값임 - 이 대응되어 저장되어 있는 결과 값 저장부;
    상기 m개의 약물들 중 어느 두 약물인 제1 약물과 제2 약물 각각에 대한 n-1개의 상기 제1 유사도 값을 성분으로 갖는 제1 유사도 벡터를 연접(Concatenation)하여 2(n-1)차원의 제1 혼합 벡터를 생성하는 제1 혼합 벡터 생성부;
    상기 제1 약물과 상기 제2 약물 각각에 대한 n-1개의 상기 제2 유사도 값을 성분으로 갖는 제2 유사도 벡터를 연접하여 2(n-1)차원의 제2 혼합 벡터를 생성하는 제2 혼합 벡터 생성부;
    상기 제1 약물과 상기 제2 약물 각각에 대한 n-1개의 상기 제3 유사도 값을 성분으로 갖는 제3 유사도 벡터를 연접하여 2(n-1)차원의 제3 혼합 벡터를 생성하는 제3 혼합 벡터 생성부;
    상기 제1 혼합 벡터, 상기 제2 혼합 벡터, 상기 제3 혼합 벡터 각각을 서로 다른 오토인코더(Autoencoder)에 입력으로 인가하여 벡터 차원 축소를 수행함으로써, 상기 제1 혼합 벡터에 대한 제1 축소 벡터, 상기 제2 혼합 벡터에 대한 제2 축소 벡터 및 상기 제3 혼합 벡터에 대한 제3 축소 벡터를 생성하는 벡터 변환부;
    상기 제1 축소 벡터, 상기 제2 축소 벡터 및 상기 제3 축소 벡터를 연접하여 입력 벡터를 생성하는 입력 벡터 생성부;
    상기 입력 벡터를 심층 신경망에 입력으로 인가하여 k차원의 출력 벡터를 생성하는 출력 생성부; 및
    상기 결과 값 저장부로부터 상기 제1 약물과 상기 제2 약물 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값을 확인한 후 상기 k차원의 출력 벡터의 성분인 k개의 출력 값들을 상기 제1 약물과 상기 제2 약물 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값에 하나씩 매칭시켜, 상기 k개의 출력 값들과 각 출력 값에 매칭된 결과 값을 비교함으로써, 상기 오토인코더와 상기 심층 신경망을 기계학습시키는 기계학습 수행부
    를 포함하는 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치.
  2. 제1항에 있어서,
    상기 기계학습 수행부는
    상기 k개의 출력 값들을 사전 설정된 활성화 함수(Activation Function) - 상기 활성화 함수는 입력 값을 0~1 사이의 값으로 변환하는 함수임 - 에 입력으로 인가하여 상기 k개의 출력 값들 각각에 대한 변환 값을 생성하는 변환부; 및
    상기 k개의 출력 값들 각각에 대한 변환 값이 각 출력 값에 매칭된 결과 값에 최대로 근접하도록 상기 오토인코더와 상기 심층 신경망에 대한 기계학습을 수행하는 학습 처리부
    를 포함하는 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치.
  3. 제2항에 있어서,
    상기 학습 처리부는
    상기 k개의 출력 값들 각각에 대한 변환 값과 각 출력 값에 매칭된 결과 값을 기초로 사전 설정된 손실 함수(Loss Function)를 기반으로 한 손실 값을 연산하고, 상기 손실 값이 최소가 되도록 상기 오토인코더와 상기 심층 신경망에 대한 기계학습을 수행하는 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치.
  4. 제3항에 있어서,
    상기 학습 처리부는
    하기의 수학식 1의 연산에 따라 상기 손실 값을 연산하는 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치.
    [수학식 1]
    Figure pat00002

    여기서, L은 상기 손실 값, ti는 상기 제1 약물과 상기 제2 약물 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값 중 i번째 약물 혼용 효과에 대한 결과 값, yi는 상기 k개의 출력 값들에 대한 변환 값 중 i번째 출력 값에 대한 변환 값을 의미함.
  5. 제1항에 있어서,
    상기 m개의 약물들로부터 조합 가능한 모든 약물 쌍들에 대해 상기 오토인코더와 상기 심층 신경망을 기계학습시키기 위한 과정의 반복 수행을 제어하는 반복 수행 제어부
    를 더 포함하는 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치.
  6. 제2항에 있어서,
    상기 오토인코더와 상기 심층 신경망에 대한 기계학습이 완료된 이후, 상기 n개의 약물들 중 제1 선택 약물과 제2 선택 약물이 선택되어, 상기 제1 선택 약물과 상기 제2 선택 약물 간의 혼용 효과의 예측 명령이 인가되면, 상기 제1 선택 약물과 상기 제2 선택 약물 각각에 대한 n-1개의 상기 제1 유사도 값을 성분으로 갖는 제1 유사도 벡터를 연접하여 2(n-1)차원의 제1 예측용 혼합 벡터를 생성하는 제1 예측용 혼합 벡터 생성부;
    상기 제1 선택 약물과 상기 제2 선택 약물 각각에 대한 n-1개의 상기 제2 유사도 값을 성분으로 갖는 제2 유사도 벡터를 연접하여 2(n-1)차원의 제2 예측용 혼합 벡터를 생성하는 제2 예측용 혼합 벡터 생성부;
    상기 제1 선택 약물과 상기 제2 선택 약물 각각에 대한 n-1개의 상기 제3 유사도 값을 성분으로 갖는 제3 유사도 벡터를 연접하여 2(n-1)차원의 제3 예측용 혼합 벡터를 생성하는 제3 예측용 혼합 벡터 생성부;
    상기 제1 예측용 혼합 벡터, 상기 제2 예측용 혼합 벡터, 상기 제3 예측용 혼합 벡터 각각을 기계학습이 완료된 서로 다른 상기 오토인코더에 입력으로 인가하여 벡터 차원 축소를 수행함으로써, 상기 제1 예측용 혼합 벡터에 대한 제1 예측용 축소 벡터, 상기 제2 예측용 혼합 벡터에 대한 제2 예측용 축소 벡터 및 상기 제3 예측용 혼합 벡터에 대한 제3 예측용 축소 벡터를 생성하는 예측용 벡터 변환부;
    상기 제1 예측용 축소 벡터, 상기 제2 예측용 축소 벡터 및 상기 제3 예측용 축소 벡터를 연접하여 예측용 입력 벡터를 생성하는 예측용 입력 벡터 생성부;
    상기 예측용 입력 벡터를 기계학습이 완료된 상기 심층 신경망에 입력으로 인가하여 k차원의 예측용 출력 벡터를 생성하는 예측용 출력 생성부;
    상기 k차원의 예측용 출력 벡터의 성분인 k개의 예측용 출력 값들을 상기 활성화 함수에 입력으로 인가하여 상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값을 생성하는 예측용 변환부; 및
    상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값을 상기 제1 선택 약물과 상기 제2 선택 약물 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값으로 하나씩 지정하고, 상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값 중 사전 설정된 기준치를 초과하는 예측용 변환 값을 확인한 후 상기 k개의 약물 혼용 효과들 중 상기 확인된 예측용 변환 값이 지정된 약물 혼용 효과를 상기 제1 선택 약물과 상기 제2 선택 약물 간의 약물 혼용 효과로 예측하는 약물 혼용 효과 예측부
    를 포함하는 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치.
  7. n(n은 5이상의 자연수)개의 약물들 각각에 대해, 나머지 n-1개의 약물들과의 분자 구조에 대한 n-1개의 제1 유사도 값, 표적 유전자에 대한 n-1개의 제2 유사도 값 및 유전자 온톨리지에 대한 n-1개의 제3 유사도 값이 사전 측정되어 저장되어 있는 유사도 저장부를 유지하는 단계;
    m(m은 n보다 작은 3이상의 자연수)개의 약물들 - 상기 m개의 약물들은 상기 n개의 약물들에 포함되는 약물임 - 로부터 조합 가능한 모든 약물 쌍(pair)들에 대해, 사전 설정된 서로 다른 종류의 k(k는 2이상의 자연수)개의 약물 혼용 효과들에 대한 결과 값 - 상기 결과 값은 두 약물 간에 효과가 있는 경우 1로, 효과가 없는 경우 0으로 사전 결정된 값임 - 이 대응되어 저장되어 있는 결과 값 저장부를 유지하는 단계;
    상기 m개의 약물들 중 어느 두 약물인 제1 약물과 제2 약물 각각에 대한 n-1개의 상기 제1 유사도 값을 성분으로 갖는 제1 유사도 벡터를 연접(Concatenation)하여 2(n-1)차원의 제1 혼합 벡터를 생성하는 단계;
    상기 제1 약물과 상기 제2 약물 각각에 대한 n-1개의 상기 제2 유사도 값을 성분으로 갖는 제2 유사도 벡터를 연접하여 2(n-1)차원의 제2 혼합 벡터를 생성하는 단계;
    상기 제1 약물과 상기 제2 약물 각각에 대한 n-1개의 상기 제3 유사도 값을 성분으로 갖는 제3 유사도 벡터를 연접하여 2(n-1)차원의 제3 혼합 벡터를 생성하는 단계;
    상기 제1 혼합 벡터, 상기 제2 혼합 벡터, 상기 제3 혼합 벡터 각각을 서로 다른 오토인코더(Autoencoder)에 입력으로 인가하여 벡터 차원 축소를 수행함으로써, 상기 제1 혼합 벡터에 대한 제1 축소 벡터, 상기 제2 혼합 벡터에 대한 제2 축소 벡터 및 상기 제3 혼합 벡터에 대한 제3 축소 벡터를 생성하는 단계;
    상기 제1 축소 벡터, 상기 제2 축소 벡터 및 상기 제3 축소 벡터를 연접하여 입력 벡터를 생성하는 단계;
    상기 입력 벡터를 심층 신경망에 입력으로 인가하여 k차원의 출력 벡터를 생성하는 단계; 및
    상기 결과 값 저장부로부터 상기 제1 약물과 상기 제2 약물 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값을 확인한 후 상기 k차원의 출력 벡터의 성분인 k개의 출력 값들을 상기 제1 약물과 상기 제2 약물 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값에 하나씩 매칭시켜, 상기 k개의 출력 값들과 각 출력 값에 매칭된 결과 값을 비교함으로써, 상기 오토인코더와 상기 심층 신경망을 기계학습시키는 단계
    를 포함하는 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치의 동작 방법.
  8. 제7항에 있어서,
    상기 기계학습시키는 단계는
    상기 k개의 출력 값들을 사전 설정된 활성화 함수(Activation Function) - 상기 활성화 함수는 입력 값을 0~1 사이의 값으로 변환하는 함수임 - 에 입력으로 인가하여 상기 k개의 출력 값들 각각에 대한 변환 값을 생성하는 단계; 및
    상기 k개의 출력 값들 각각에 대한 변환 값이 각 출력 값에 매칭된 결과 값에 최대로 근접하도록 상기 오토인코더와 상기 심층 신경망에 대한 기계학습을 수행하는 단계
    를 포함하는 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치의 동작 방법.
  9. 제8항에 있어서,
    상기 기계학습을 수행하는 단계는
    상기 k개의 출력 값들 각각에 대한 변환 값과 각 출력 값에 매칭된 결과 값을 기초로 사전 설정된 손실 함수(Loss Function)를 기반으로 한 손실 값을 연산하고, 상기 손실 값이 최소가 되도록 상기 오토인코더와 상기 심층 신경망에 대한 기계학습을 수행하는 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치의 동작 방법.
  10. 제9항에 있어서,
    상기 기계학습을 수행하는 단계는
    하기의 수학식 1의 연산에 따라 상기 손실 값을 연산하는 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치의 동작 방법.
    [수학식 1]
    Figure pat00003

    여기서, L은 상기 손실 값, ti는 상기 제1 약물과 상기 제2 약물 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값 중 i번째 약물 혼용 효과에 대한 결과 값, yi는 상기 k개의 출력 값들에 대한 변환 값 중 i번째 출력 값에 대한 변환 값을 의미함.
  11. 제7항에 있어서,
    상기 m개의 약물들로부터 조합 가능한 모든 약물 쌍들에 대해 상기 오토인코더와 상기 심층 신경망을 기계학습시키기 위한 과정의 반복 수행을 제어하는 단계
    를 더 포함하는 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치의 동작 방법.
  12. 제8항에 있어서,
    상기 오토인코더와 상기 심층 신경망에 대한 기계학습이 완료된 이후, 상기 n개의 약물들 중 제1 선택 약물과 제2 선택 약물이 선택되어, 상기 제1 선택 약물과 상기 제2 선택 약물 간의 혼용 효과의 예측 명령이 인가되면, 상기 제1 선택 약물과 상기 제2 선택 약물 각각에 대한 n-1개의 상기 제1 유사도 값을 성분으로 갖는 제1 유사도 벡터를 연접하여 2(n-1)차원의 제1 예측용 혼합 벡터를 생성하는 단계;
    상기 제1 선택 약물과 상기 제2 선택 약물 각각에 대한 n-1개의 상기 제2 유사도 값을 성분으로 갖는 제2 유사도 벡터를 연접하여 2(n-1)차원의 제2 예측용 혼합 벡터를 생성하는 단계;
    상기 제1 선택 약물과 상기 제2 선택 약물 각각에 대한 n-1개의 상기 제3 유사도 값을 성분으로 갖는 제3 유사도 벡터를 연접하여 2(n-1)차원의 제3 예측용 혼합 벡터를 생성하는 단계;
    상기 제1 예측용 혼합 벡터, 상기 제2 예측용 혼합 벡터, 상기 제3 예측용 혼합 벡터 각각을 기계학습이 완료된 서로 다른 상기 오토인코더에 입력으로 인가하여 벡터 차원 축소를 수행함으로써, 상기 제1 예측용 혼합 벡터에 대한 제1 예측용 축소 벡터, 상기 제2 예측용 혼합 벡터에 대한 제2 예측용 축소 벡터 및 상기 제3 예측용 혼합 벡터에 대한 제3 예측용 축소 벡터를 생성하는 단계;
    상기 제1 예측용 축소 벡터, 상기 제2 예측용 축소 벡터 및 상기 제3 예측용 축소 벡터를 연접하여 예측용 입력 벡터를 생성하는 단계;
    상기 예측용 입력 벡터를 기계학습이 완료된 상기 심층 신경망에 입력으로 인가하여 k차원의 예측용 출력 벡터를 생성하는 단계;
    상기 k차원의 예측용 출력 벡터의 성분인 k개의 예측용 출력 값들을 상기 활성화 함수에 입력으로 인가하여 상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값을 생성하는 단계; 및
    상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값을 상기 제1 선택 약물과 상기 제2 선택 약물 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값으로 하나씩 지정하고, 상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값 중 사전 설정된 기준치를 초과하는 예측용 변환 값을 확인한 후 상기 k개의 약물 혼용 효과들 중 상기 확인된 예측용 변환 값이 지정된 약물 혼용 효과를 상기 제1 선택 약물과 상기 제2 선택 약물 간의 약물 혼용 효과로 예측하는 단계
    를 포함하는 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치의 동작 방법.
  13. 제7항 내지 제12항 중 어느 한 항의 방법을 컴퓨터와의 결합을 통해 실행시키기 위한 컴퓨터 프로그램을 기록한 컴퓨터 판독 가능 기록 매체.
  14. 제7항 내지 제12항 중 어느 한 항의 방법을 컴퓨터와의 결합을 통해 실행시키기 위한 저장매체에 저장된 컴퓨터 프로그램.
KR1020190125054A 2019-10-10 2019-10-10 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치 및 그 동작 방법 KR102299674B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190125054A KR102299674B1 (ko) 2019-10-10 2019-10-10 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치 및 그 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190125054A KR102299674B1 (ko) 2019-10-10 2019-10-10 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치 및 그 동작 방법

Publications (2)

Publication Number Publication Date
KR20210042471A true KR20210042471A (ko) 2021-04-20
KR102299674B1 KR102299674B1 (ko) 2021-09-07

Family

ID=75743386

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190125054A KR102299674B1 (ko) 2019-10-10 2019-10-10 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치 및 그 동작 방법

Country Status (1)

Country Link
KR (1) KR102299674B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102339561B1 (ko) 2021-06-16 2021-12-16 닥터노아바이오텍 주식회사 약물들 간 상호작용을 분석하기 위한 방법 및 장치

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190049537A (ko) * 2017-10-30 2019-05-09 서울대학교산학협력단 심화 학습 기반의 약물-표적 단백질 간 상호작용 예측 시스템 및 그 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190049537A (ko) * 2017-10-30 2019-05-09 서울대학교산학협력단 심화 학습 기반의 약물-표적 단백질 간 상호작용 예측 시스템 및 그 방법

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Guy Shtar et al., Detecting drug-drug interactions using artificial neural networks and classic graph similarity measures, PLOS ONE(2019. 8.1.) *
Narjes Rohani et al, Drug-Drug Interaction Predicting by Neural Network Using Integrated Similarity, SCIENTIFIC REPORTS(2019. 9. 20.) *
Tengfei Ma et al, Drug Similarity Integration Through Attentive Multi-view Graph Auto-Encoders, Proceedings of the Twenty-Seventh International Joint Conference on AI(IJCAI-18)(2018.9.9) *
류재용 et al, Deep learning improves prediction of drug-drug and drug-food interactions, PNAS(2018. 3. 28.) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102339561B1 (ko) 2021-06-16 2021-12-16 닥터노아바이오텍 주식회사 약물들 간 상호작용을 분석하기 위한 방법 및 장치

Also Published As

Publication number Publication date
KR102299674B1 (ko) 2021-09-07

Similar Documents

Publication Publication Date Title
CN109952580B (zh) 基于准循环神经网络的编码器-解码器模型
CN109906460B (zh) 用于问答的动态协同注意力网络
Huang et al. Decorrelated batch normalization
US20220415452A1 (en) Method and apparatus for determining drug molecule property, and storage medium
US11455523B2 (en) Risk evaluation method, computer-readable recording medium, and information processing apparatus
Zhou et al. Inverse kinematics solution for robotic manipulator based on extreme learning machine and sequential mutation genetic algorithm
Ranjan et al. Deep robust framework for protein function prediction using variable-length protein sequences
KR102128059B1 (ko) 고객의 정보와 금융상품 구매이력에 기초한 기계학습을 통해 최적의 금융상품을 추천하는 전자 장치
Xu et al. Deep neural network self-distillation exploiting data representation invariance
KR20210042471A (ko) 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치 및 그 동작 방법
KR102482472B1 (ko) 기계학습 기반의 꼭짓점 추출을 통해 기울어진 차량 번호판 이미지를 직사각형화시킬 수 있는 전자 장치 및 그 동작 방법
WO2021174922A1 (zh) 语句情感分类方法及相关设备
KR102188115B1 (ko) 생성적 적대 신경망을 기초로 암의 예후 예측에 사용되는 바이오 마커의 선정이 가능한 전자 장치 및 그 동작 방법
Sharma et al. A generalized zero-shot quantization of deep convolutional neural networks via learned weights statistics
Nejadgholi et al. A brain-inspired method of facial expression generation using chaotic feature extracting bidirectional associative memory
Kumar et al. Lite-SeqCNN: A light-weight deep CNN architecture for protein function prediction
Lee et al. Crossmodal clustered contrastive learning: Grounding of spoken language to gesture
Zhang et al. Research on the inverse kinematics of manipulator using an improved self-adaptive mutation differential evolution algorithm
KR20230022005A (ko) 화합물 정보 추출을 위한 장치 및 방법
CN113469197A (zh) 图文匹配方法、装置、设备以及存储介质
KR102082253B1 (ko) 좌표 모델을 기초로 메쉬 품질의 향상을 위한 그래픽 처리를 수행하는 전자 장치 및 그 동작 방법
Buet-Golfouse et al. Lifting Volterra Diffusions via Kernel Decomposition
US20230214447A1 (en) Data processing apparatus, data processing method, and recording medium
KR102557697B1 (ko) 기계학습 기반의 꼭짓점 추출과 호모그래피 행렬의 연산을 통해 기울어진 차량 번호판 이미지를 직사각형화시킬 수 있는 전자 장치 및 그 동작 방법
KR20200027085A (ko) 전자 장치 및 그 제어 방법

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant