KR102290875B1

KR102290875B1 - 질병 예측 방법, 장치 및 컴퓨터 프로그램

Info

Publication number: KR102290875B1
Application number: KR1020200121316A
Authority: KR
Inventors: 최진우; 김이랑
Original assignee: 주식회사 온코크로스
Priority date: 2020-09-21
Filing date: 2020-09-21
Publication date: 2021-08-19

Abstract

질병 예측 방법, 장치 및 컴퓨터 프로그램이 제공된다. 본 개시의 몇몇 실시예들에 따른 질병 예측 방법은, 학습용 리보솜 데이터와 질병 정보를 포함하는 학습 데이터를 학습하여 질병 예측 모델을 구축하는 단계, 피검자의 검사용 리보솜 데이터를 획득하는 단계 및 질병 예측 모델을 이용하여, 검사용 리보솜 데이터로부터 피검자의 질병 정보를 예측하는 단계를 포함할 수 있다. 질병 예측 모델은 질병 정보에 따라 달리지는 리보솜 데이터의 특징을 탐지 및 학습함으로써, 피검자의 질병 정보를 정확하게 예측할 수 있다.

Description

질병 예측 방법, 장치 및 컴퓨터 프로그램{METHOD, APPARATUS AND COMPUTER PROGRAM FOR PREDICTING DISEASE}

본 개시는 질병 예측 방법, 장치 및 컴퓨터 프로그램에 관한 것이다. 보다 자세하게는, 기계학습(machine-learning) 모델을 이용하여 피검자의 리보솜(ribosome) 데이터로부터 질병의 유무, 종류, 예후 등의 질병 정보를 예측하는 방법, 그 방법을 수행하는 장치 및 그 방법이 구현된 컴퓨터 프로그램에 관한 것이다.

컴퓨팅 방법(computational method)과 생명정보학(bio-informatics)을 이용함으로써, 연구자들은 기존 화합물의 새로운 용도를 찾거나 신규 화합물의 용도를 예측할 수 있다. 이러한 방식은 신규 약제 발견에 많이 사용되고 있다.

신약 발견과 개발은 항상 많은 시간 및 비용을 필요로 하며, 복잡한 프로세스를 거치게 된다. 이에 따라, 최근에는 다른 분야의 학문, 예를 들면 생명정보학, 화학정보학(chemi-informatics), 컴퓨터 공학 및 CADD(computer-aided drug discovery/design) 등을 융합하여, 신약 발견과 개발에 드는 시간을 줄이고 그 효과를 높이려는 연구가 활발하게 이루어지고 있다.

하지만, 이러한 종래 기술은 규칙에 기반(rule-based)하므로, 인간이 인지하지 못하여 규칙을 정의할 수 없는 경우까지 예측하지는 못한다.

본 개시의 몇몇 실시예들을 통해 해결하고자 하는 기술적 과제는, 기계학습(machine-learning) 모델을 이용하여 피검자의 리보솜 데이터로부터 질병의 유무, 종류, 예후 등의 질병 정보를 예측하는 방법, 그 방법을 수행하는 장치 및 그 방법이 구현된 컴퓨터 프로그램을 제공하는 것이다.

본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상기 기술적 과제를 해결하기 위한, 본 개시의 몇몇 실시예들에 따른 질병 예측 방법은, 컴퓨팅 장치에서 피검자의 질병을 예측하는 방법으로서, 학습용 리보솜 데이터와 질병 정보를 포함하는 학습 데이터를 학습하여 질병 예측 모델을 구축하는 단계, 상기 피검자의 검사용 리보솜 데이터를 획득하는 단계 및 상기 질병 예측 모델을 이용하여, 상기 검사용 리보솜 데이터로부터 상기 피검자의 질병 정보를 예측하는 단계를 포함하되, 상기 학습용 리보솜 데이터와 상기 검사용 리보솜 데이터는 리보솜 단백질의 발현 비율에 관한 데이터를 포함할 수 있다.

몇몇 실시예들에서, 상기 학습용 리보솜 데이터는 대형 서브유닛과 소형 서브유닛 간의 단백질 발현 비율, 발현량이 기준치 이상인 리보솜 단백질 및 발현량이 기준치 이하인 리보솜 단백질에 관한 데이터를 더 포함할 수 있다.

몇몇 실시예들에서, 상기 학습 데이터는 대상 조직의 이미지를 더 포함하고, 상기 질병 예측 모델은, 상기 대상 조직의 이미지를 입력받아 상기 질병 정보와 연관된 제1 출력값을 출력하는 제1 신경망, 상기 학습용 리보솜 데이터를 입력받아 상기 질병 정보와 연관된 제2 출력값을 출력하는 제2 신경망 및 상기 제1 출력값 및 상기 제2 출력값을 입력받아 상기 대상 조직에 관한 질병 정보를 예측하는 제3 신경망을 포함하며, 상기 제1 신경망은 컨볼루션 신경망(convolutional neural networks)으로 이루어질 수 있다.

몇몇 실시예들에서, 상기 질병 예측 모델은, 상기 리보솜 단백질에 관한 이미지 형태의 데이터를 입력받아 상기 질병 정보와 연관된 제1 출력값을 출력하는 제1 신경망, 상기 학습용 리보솜 데이터를 입력받아 상기 질병 정보와 연관된 제2 출력값을 출력하는 제2 신경망 및 상기 제1 출력값 및 상기 제2 출력값을 입력받아 질병 정보를 예측하는 제3 신경망을 포함하며, 상기 제1 신경망은 컨볼루션 신경망(convolutional neural networks)으로 이루어질 수 있다.

몇몇 실시예들에서, 상기 질병 정보는 질병인의 전체생존기간과 무병생존기간에 관한 정보를 포함하고, 상기 질병 예측 모델은, 상기 학습용 리보솜 데이터를 입력받아 상기 질병 정보와 연관된 출력값을 출력하는 제1 신경망, 상기 출력값을 입력받아 상기 전체생존기간을 예측하는 제2 신경망 및 상기 출력값을 입력받아 상기 무병생존기간을 예측하는 제3 신경망을 포함하며, 상기 질병 예측 모델을 구축하는 단계는, 상기 학습용 리보솜 데이터와 상기 전체생존기간에 관한 정보를 이용하여 상기 제1 신경망과 상기 제2 신경망을 학습시키는 단계 및 상기 학습용 리보솜 데이터와 상기 무병생존기간에 관한 정보를 이용하여 상기 제1 신경망과 상기 제3 신경망을 학습시키는 단계를 포함할 수 있다.

몇몇 실시예들에서, 상기 질병 예측 모델을 구축하는 단계는, 정상인의 리보솜 단백질 발현 비율과 질병인의 리보솜 단백질 발현 비율을 비교하여, 상기 질병 정보와 연관된 리보솜 단백질의 발현 패턴을 탐지하는 단계, 상기 탐지된 발현 패턴을 이용하여 상기 학습 데이터를 구성하는 데이터 샘플에 샘플 가중치를 부여하는 단계 및 상기 샘플 가중치를 기초로 상기 학습 데이터를 학습하는 단계를 포함할 수 있다.

몇몇 실시예들에서, 상기 질병 예측 모델을 구축하는 단계는, 상기 학습 데이터를 학습하여 임시 질병 예측 모델을 구축하는 단계, 상기 학습용 리보솜 데이터를 구성하는 제1 리보솜 데이터 샘플에서, 리보솜 단백질의 발현 비율 중 적어도 일부를 변경하여 제2 리보솜 데이터 샘플을 생성하는 단계, 제1 리보솜 데이터 샘플을 상기 임시 질병 예측 모델에 입력하여 제1 예측값을 획득하고, 상기 제2 리보솜 데이터 샘플을 상기 임시 질병 예측 모델에 입력하여 제2 예측값을 획득하는 단계, 상기 제1 예측값과 상기 제2 예측값의 차이에 기초하여 상기 질병 정보와 연관된 리보솜 단백질의 발현 패턴을 탐지하는 단계, 상기 탐지된 발현 패턴을 이용하여 상기 학습 데이터를 구성하는 데이터 샘플에 샘플 가중치를 부여하는 단계 및 상기 샘플 가중치를 기초로 상기 학습 데이터를 재학습하여 상기 질병 예측 모델을 구축하는 단계를 포함할 수 있다.

상술한 기술적 과제를 해결하기 위한 본 개시의 몇몇 실시예들에 따른 질병 예측 장치는, 하나 이상의 인스트럭션들을 저장하는 메모리 및 상기 저장된 하나 이상의 인스트럭션들을 실행시킴으로써, 학습용 리보솜 데이터와 질병 정보를 포함하는 학습 데이터를 학습하여 질병 예측 모델을 구축하는 동작, 피검자의 검사용 리보솜 데이터를 획득하는 동작 및 상기 질병 예측 모델을 이용하여, 상기 검사용 리보솜 데이터로부터 상기 피검자의 질병 정보를 예측하는 동작을 수행하는 프로세서를 포함하되, 상기 학습용 리보솜 데이터와 상기 검사용 리보솜 데이터는 리보솜 단백질의 발현 비율에 관한 데이터를 포함할 수 있다.

상술한 기술적 과제를 해결하기 위한 본 개시의 몇몇 실시예들에 따른 컴퓨터 프로그램은, 컴퓨팅 장치와 결합되어, 학습용 리보솜 데이터와 질병 정보를 포함하는 학습 데이터를 학습하여 질병 예측 모델을 구축하는 단계, 피검자의 검사용 리보솜 데이터를 획득하는 단계 및 상기 질병 예측 모델을 이용하여, 상기 검사용 리보솜 데이터로부터 상기 피검자의 질병 정보를 예측하는 단계를 실행시키기 위하여 컴퓨터 판독가능한 기록매체에 저장될 수 있다. 이때, 상기 학습용 리보솜 데이터와 상기 검사용 리보솜 데이터는 리보솜 단백질의 발현 비율에 관한 데이터를 포함할 수 있다.

상술한 본 개시의 몇몇 실시예들에 따르면, 리보솜 데이터와 질병 정보를 기계학습하여 질병 예측 모델이 구축될 수 있고, 구축된 질병 예측 모델을 통해 피검자의 리보솜 데이터로부터 질병 정보가 예측될 수 있다. 질병 예측 모델은 인간이 정확하게 규명하기 어려운 리보솜 데이터와 질병 정보와의 관계를 탐지 및 학습(즉, 질병 정보에 따라 달리지는 리보솜 데이터의 특징을 탐지 및 학습)함으로써, 피검자의 리보솜 데이터로부터 질병의 유무, 종류, 예후 등의 질병 정보를 정확하게 예측할 수 있다.

또한, 리보솜 단백질의 발현 비율 외에도 리보솜을 구성하는 서브유닛 간의 발현 비율, 저발현되거나 과발현된 리보솜 단백질의 종류 등과 같이 다양한 리보솜 데이터를 이용하여 질병 예측 모델이 학습될 수 있다. 이러한 경우, 질병 예측 모델이 리보솜 단백질의 발현 정도를 다각적으로 고려하여 질병 정보를 예측하게 되므로, 질병 예측 모델의 예측 정확도가 더욱 향상될 수 있다.

또한, 조직 이미지에서 나타나는 질병 관련 특징, 리보솜 단백질의 위치에 따른 발현량, 리보솜 단백질 간의 위치 관계 등에 관한 데이터를 더 이용하여 질병 예측 모델이 학습될 수 있다. 이에 따라, 질병 예측 모델의 예측 정확도가 더욱 향상될 수 있다.

또한, 질병 정보와 연관된 리보솜 단백질의 발현 패턴이 탐지되고, 탐지된 발현 패턴을 포함하는 리보솜 데이터 샘플에 대해서는 가중 학습이 이루어질 수 있다. 이러한 경우, 질병 예측 모델이 질병 정보와 연관된 리보솜 단백질의 발현 특징을 더욱 잘 학습하게 되므로, 질병 예측 모델의 예측 정확도가 더욱 향상될 수 있다.

본 개시의 기술적 사상에 따른 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 개시의 몇몇 실시예들에 따른 질병 예측 장치와 입출력 데이터를 설명하기 위한 예시적인 도면이다.
도 2 및 도 3은 본 개시의 몇몇 실시예들에서 참조될 수 있는 리보솜 단백질의 리스트를 예시한다.
도 4는 본 개시의 몇몇 실시예들에 따른 질병 예측 방법을 개략적으로 나타내는 예시적인 흐름도이다.
도 5는 본 개시의 몇몇 실시예들에서 참조될 수 있는 인공 신경망의 구조를 예시한다.
도 6은 본 개시의 몇몇 실시예들에 따른 질병 예측 모델의 예시적인 구축 방법을 설명하기 위한 예시도이다.
도 7은 본 개시의 제1 실시예에 따른 질병 예측 모델의 세부 구조 및 학습 방법을 설명하기 위한 예시적인 도면이다.
도 8은 본 개시의 제2 실시예에 따른 질병 예측 모델의 세부 구조 및 학습 방법을 설명하기 위한 예시적인 도면이다.
도 9 내지 도 11은 본 개시의 제3 실시예에 따른 질병 예측 모델의 세부 구조 및 학습 방법을 설명하기 위한 예시적인 도면이다.
도 12는 본 개시의 제4 실시예에 따른 질병 예측 모델의 세부 구조 및 학습 방법을 설명하기 위한 예시적인 도면이다.
도 13은 본 개시의 제1 실시예에 따른 가중 학습 방법을 설명하기 위한 예시적인 도면이다.
도 14 및 도 15는 본 개시의 제2 실시예에 따른 가중 학습 방법을 설명하기 위한 예시적인 도면이다.
도 16은 본 개시의 몇몇 실시예들에 따른 질병 예측 장치를 구현할 수 있는 예시적인 컴퓨팅 장치를 도시한다.

이하, 첨부된 도면을 참조하여 본 개시의 바람직한 실시예들을 상세히 설명한다. 본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시의 기술적 사상은 이하의 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 개시의 기술적 사상을 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시의 기술적 사상은 청구항의 범주에 의해 정의될 뿐이다.

각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.

또한, 본 개시의 구성요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성요소를 다른 구성요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성요소 사이에 또 다른 구성요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.

본 개시에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.

이하, 본 개시의 다양한 실시예들에 대하여 첨부된 도면에 따라 상세하게 설명한다.

도 1은 본 개시의 몇몇 실시예들에 따른 질병 예측 장치(10)와 입출력 데이터를 설명하기 위한 예시적인 도면이다.

도 1에 도시된 바와 같이, 질병 예측 장치(10)는 조직 데이터, 리보솜 데이터 등과 같은 입력 데이터를 토대로 질병 정보를 예측하여 출력하는 컴퓨팅 장치일 수 있다. 여기서, 컴퓨팅 장치는 노트북, 데스크톱(desktop), 랩탑(laptop) 등이 될 수 있으나, 이에 국한되는 것은 아니며 컴퓨팅 기능이 구비된 모든 종류의 장치를 포함할 수 있다. 컴퓨팅 장치의 일 예시에 관하여서는 도 16을 참조하도록 한다. 이하에서는, 설명의 편의상, "질병 예측 장치(10)"를 "예측 장치(10)"로 약칭하도록 한다.

보다 구체적으로, 예측 장치(10)는 예시된 입출력 데이터를 기계학습(machine-learning)하여 질병 예측 모델을 구축하고, 구축된 질병 예측 모델을 통해 피검자의 데이터(e.g. 조직 데이터, 리보솜 데이터 등)로부터 피검자의 질병 정보를 예측할 수 있다.

질병 예측 모델은 예를 들어 신경망(neural network) 모델에 기초하여 구현될 수 있다. 그러나, 본 개시의 범위가 이에 한정되는 것은 아니며, 질병 예측 모델은 결정 트리(decision tree), 서포트 벡터 머신(support vector machine), 로지스틱 회귀(logistic regression) 등과 같은 전통적인 기계학습 모델에 기초하여 구현될 수도 있다. 또한, 신경망 모델은 인공 신경망(artificial neural networks; ANN), 컨볼루션 신경망(convolutional neural networks; CNN), 순환 신경망(recurrent neural networks; RNN) 또는 이들의 조합 등과 같이 다양한 종류의 신경망을 포함할 수 있다. 이하에서는, 설명의 편의상, "질병 예측 모델"을 "예측 모델"로 약칭하도록 한다.

질병 정보는 예측 모델의 예측 대상에 대응되는 것으로서, 예를 들어 질병의 유무, 종류(유형), 진행 단계, 예후(e.g. 전체생존기간, 무병생존기간, 예후의 좋고 나쁨), 이들로부터 가공된 정보 등을 포함할 수 있다. 그러나, 이에 한정되는 것은 아니다. 가령, 리보솜 데이터로부터 질병의 유무를 예측하는 모델을 구축하고자 하는 경우, 질병의 유무 정보를 클래스 레이블(class label)로 하여 리보솜 데이터를 학습(즉, 정상인과 질병인의 리보솜 데이터를 학습)함으로써 예측 모델이 구축될 수 있다. 여기서, 학습을 한다는 것은 오차(e.g. 손실 함수에 의해 산출되는 모델의 예측값과 정답과의 차이)가 최소화되는 방향으로 모델의 가중치(즉, 가중치 파라미터)를 업데이트하는 것을 의미할 수 있다.

다음으로, 리보솜 데이터는 리보솜 단백질의 발현 비율, 발현 위치, 발현 분포, 리보솜을 구성하는 대형 서브유닛(large sub unit; LSU)과 소형 서브유닛(small sub unit; SSU) 간의 단백질 발현 비율, 발현량(또는 발현 비율)이 기준치 이상(또는 이하)인 리보솜 단백질의 종류/개수, 특정 사이트(site; e.g. E, P, A site) 주변의 단백질 종류 또는 단백질 발현 비율, 이들로부터 가공된 데이터 등을 포함할 수 있다. 그러나, 이에 한정되는 것은 아니다.

참고로, 리보솜 단백질의 발현 비율은 리보솜을 구성하는 리보솜 단백질들의 발현량의 비율을 의미할 수 있다. 리보솜 단백질의 종류는 도 2 및 도 3을 참조하도록 한다. 도 2 및 도 3은 각각 60s 대형 서브유닛과 40s 소형 서브유닛을 구성하는 리보솜 단백질의 리스트를 예시하고 있다.

질병 정보 예측을 위해 리보솜 데이터를 활용한 이유는 정상인과 질병인 간에 리보솜 단백질의 발현 비율이 달라진다는 사실에서 기인한 것으로 이해될 수 있다. 정확한 원인의 규명은 어려우나, 기계학습을 통해 질병 정보와 연관된 리보솜 단백질의 발현 패턴이 학습(탐지)될 수 있다면, 다른 방법에 비해 피검자의 질병 정보가 정확하고 효과적으로 예측될 수 있다.

다음으로, 조직 데이터는 예를 들어 조직의 종류, 조직 관련 이미지, 병변 정보 및 이들로부터 가공된 데이터 등을 포함할 수 있다. 그러나, 이에 한정되는 것은 아니다.

예측 장치(10)가 예측 모델을 구축하고, 구축된 예측 모델을 이용하여 피검자의 질병 정보를 예측하는 구체적인 방법에 관하여서는 추후 도 4 이하의 도면을 참조하여 상세하게 설명하도록 한다.

한편, 도 1은 예측 장치(10)가 하나의 컴퓨팅 장치로 구현된 것을 예로써 도시하고 있으나, 예측 장치(10)는 복수의 컴퓨팅 장치들로 구현될 수도 있다. 이러한 경우, 예측 장치(10)의 제1 기능은 제1 컴퓨팅 장치에서 구현되고, 제2 기능은 제2 컴퓨팅 장치에서 구현될 수 있다. 또는, 예측 장치(10)의 특정 기능이 복수의 컴퓨팅 장치에서 구현될 수도 있다.

지금까지 도 1 내지 도 3을 참조하여 본 개시의 몇몇 실시예들에 따른 예측 장치(10)에 대하여 간략하게 설명하였다. 이하에서는, 도 4 이하의 도면을 참조하여 본 개시의 몇몇 실시예들에 따른 질병 예측 방법에 관하여 설명하도록 한다.

이하에서 후술될 질병 예측 방법의 각 단계는 컴퓨팅 장치에 의해 수행될 수 있다. 다시 말하면, 상기 방법의 각 단계는 컴퓨팅 장치의 프로세서에 의해 실행되는 하나 이상의 인스트럭션들로 구현될 수 있다. 상기 방법에 포함되는 모든 단계는 하나의 물리적인 컴퓨팅 장치에 의하여 실행될 수도 있을 것이나, 복수의 물리적인 컴퓨팅 장치에 의해 분산되어 실행될 수도 있다. 예를 들면, 상기 방법의 제1 단계들은 제1 컴퓨팅 장치에 의하여 수행되고, 상기 방법의 제2 단계들은 제2 컴퓨팅 장치에 의하여 수행될 수도 있다. 이하에서는, 상기 방법의 각 단계가 도 1에 예시된 예측 장치(10)에 의해 수행되는 것을 가정하여 설명을 이어가도록 한다. 따라서, 이하의 설명에서 각 동작의 주어가 생략된 경우, 상기 예시된 장치(10)에 의하여 수행되는 것으로 이해될 수 있다.

도 4는 본 개시의 몇몇 실시예들에 따른 질병 예측 방법을 개략적으로 나타내는 예시적인 흐름도이다. 단, 이는 본 개시의 목적을 달성하기 위한 바람직한 실시예일뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수 있음은 물론이다.

도 4에 도시된 바와 같이, 상기 질병 예측 방법은 리보솜 데이터와 질병 정보를 학습하여 예측 모델을 구축하는 단계 S100에서 시작될 수 있다. 즉, 예측 모델의 학습 데이터는 리보솜 데이터와 질병 정보로 구성될 수 있다. 다만, 다른 몇몇 실시예들에서는, 학습 데이터가 조직 데이터가 더 포함될 수도 있다. 상기 리보솜 데이터는 피검자의 리보솜 데이터와 구분하기 위해 학습용 리보솜 데이터로 명명될 수도 있다.

앞서 언급한 바와 같이, 예측 모델은 기계 학습 모델로서, 예를 들어 신경망에 기초하여 구현된 모델일 수 있다. 보다 구체적인 예로서, 예측 모델은 도 5에 예시된 바와 같은 인공 신경망에 기초한 모델일 수 있다. 그러나, 본 개시의 범위가 이에 한정되는 것은 아니다. 도시된 바와 같이, 인공 신경망 모델은 입력층(input layer), 은닉층(hidden layer) 및 출력층(output layer)으로 구성될 수 있는데, 당해 기술 분야의 종사자라면 각 층의 기능, 동작 원리 및 학습 방법(e.g. 오차 역전파를 통해 오차가 최소화되는 방향으로 각 층의 가중치를 업데이트하는 방법) 등에 관하여 자명하게 이해할 수 있을 것인 바, 이에 대한 설명은 생략하도록 한다.

본 단계에서, 예측 모델은 조직 별(또는 질병 별)로 구축될 수 있다. 즉, 제1 조직에 대한 질병 정보를 예측하는 제1 예측 모델이 구축되고, 이와 별도로 제2 조직에 대한 질병 정보를 예측하는 제2 예측 모델이 구축될 수 있다. 가령, 리보솜 데이터로부터 특정 조직의 질병(e.g. 악성 종양 등) 유무(또는 질병 종류 등)를 예측하는 모델을 구축한다고 가정하자. 이러한 경우, 도 6에 예시된 바와 같이, 특정 조직(A)에 대한 정상인의 리보솜 데이터(21)와 질병인의 리보솜 데이터(21)를 학습함으로써, 주어진 리보솜 데이터로부터 특정 조직(A)의 질병 유무를 예측하는 모델(20)이 구축될 수 있다. 도 6은 이해의 편의를 제공하기 위해 이진 분류(binary classification)를 수행하는 모델(20)을 구축하는 것을 예로써 도시하고 있으나, 본 개시의 범위가 이에 한정되는 것은 아니다. 클래스 레이블의 설계 방식에 따라 예측 모델은 다중 분류를 수행할 수도 있다.

또는, 예측 모델은 조직 및 질병 별로 구축될 수도 있다.

또는, 예측 모델은 복수의 조직에 대한 질병 정보를 예측하도록 구축될 수도 있다. 예를 들어, 복수의 조직에 관한 데이터(e.g. 조직의 종류)와 리보솜 데이터를 질병 정보와 함께 학습하는 경우, 복수의 조직에 대한 질병 정보를 예측하는 모델이 구축될 수 있다.

한편, 예측 모델의 세부 구조와 그에 따른 학습 방법은 다양하게 설계될 수 있으며, 이는 실시예에 따라 달라질 수 있다. 이와 관련하여서는 추후 도 7 이하의 도면을 참조하여 상세하게 설명하도록 한다.

단계 S200에서, 피검자의 리보솜 데이터가 획득될 수 있다. 예측 모델이 조직 데이터를 입력 데이터로 이용하는 모델이라면, 본 단계에서 피검자의 조직 데이터도 획득될 수 있다. 상기 리보솜 데이터는 학습용 리보솜 데이터와 구분하기 위해 검사용 리보솜 데이터로 명명될 수도 있다.

단계 S300에서, 예측 모델을 이용하여, 피검자의 리보솜 데이터로부터 피검자의 질병 정보가 예측될 수 있다. 예를 들어, 예측 모델이 질병의 유무를 예측하는 모델인 경우, 피검자의 리보솜 데이터를 예측 모델에 입력함으로써 얻어진 예측값(e.g. 정상 또는 질병 클래스에 대한 컨피던스 스코어)을 토대로 피검자의 질병 유무가 예측될 수 있다. 다른 예로서, 예측 모델이 질병의 예후(e.g. 전체생존기간, 무병생존기간, 좋고 나쁨 등)를 예측하는 모델인 경우(e.g. 도 12 참조), 피검자의 리보솜 데이터를 예측 모델에 입력함으로써 얻어진 예측값을 토대로 피검자의 예후가 예측될 수 있다.

지금까지 도 4 내지 도 6를 참조하여 본 개시의 몇몇 실시예들에 따른 질병 예측 방법에 대하여 개략적으로 설명하였다. 이하에서는, 예측 모델의 세부 구조와 그에 따른 학습 방법에 관한 다양한 실시예들에 대하여 도 7 이하의 도면을 참조하여 설명하도록 한다. 또한, 이해의 편의를 제공하기 위해, 예측 모델이 질병의 유무를 예측하는 모델인 것을 가정(도 12 제외)하여 설명을 이어가도록 한다. 다만, 본 개시의 범위가 이에 한정되는 것은 아니며, 클래스 레이블의 정의 및 설계 방식에 따라 예측 모델의 예측 대상은 얼마든지 달라질 수 있다.

도 7은 본 개시의 제1 실시예에 따른 예측 모델의 세부 구조와 학습 방법을 설명하기 위한 예시적인 도면이다.

도 7에 도시된 바와 같이, 제1 실시예에 따른 예측 모델은 하나 이상의 신경망(30)을 포함하도록 구성될 수 있다. 신경망(30)은 인공 신경망일 수 있을 것이나, 경우에 따라 다른 종류의 신경망으로 이루어질 수도 있다.

신경망(30)은 다양한 리보솜 데이터를 입력받아 질병 정보에 관한 예측값을 출력하도록 학습될 수 있다. 가령, 신경망(30)이 리보솜 데이터를 입력받아 질병 유무에 관한 예측값을 출력하면, 출력된 예측값과 정답(즉, 질병 정보에 있는 정답)과의 오차가 역전파되어 신경망(30)의 가중치가 업데이트됨으로써 학습이 이루어질 수 있다. 이렇게 학습된 신경망(30)은 피검자의 리보솜 데이터로부터 질병 유무를 정확하게 예측할 수 있다.

본 실시예에서, 리보솜 데이터는 리보솜 단백질의 발현 비율뿐만 아니라, 대형 서브유닛(LSU)과 소형 서브유닛(SSU) 간의 단백질 발현 비율, 발현량(또는 발현 비율)이 기준치 이상(또는 이하)인 리보솜 단백질(즉, 저발현 또는 과발현된 리보솜 단백질)의 종류 또는 개수, 특정 사이트(e.g. E, P, A site) 주변의 단백질 종류 또는 단백질 발현 비율 등을 포함할 수 있다. 이러한 경우, 신경망(30)(또는 예측 모델)이 리보솜 단백질에 관한 다양한 데이터를 종합적으로 고려하여 질병 정보를 예측하게 되므로, 예측 정확도가 보다 향상될 수 있다.

지금까지 도 7을 참조하여 본 개시의 제1 실시예에 따른 예측 모델의 세부 구조와 학습 방법에 대하여 설명하였다. 이하에서는, 도 8을 참조하여 본 개시의 제2 실시예에 따른 예측 모델의 세부 구조와 학습 방법에 대하여 설명하도록 한다.

도 8은 본 개시의 제2 실시예에 따른 예측 모델의 세부 구조와 학습 방법을 설명하기 위한 예시적인 도면이다.

도 8에 도시된 바와 같이, 제2 실시예에 따른 예측 모델은 제1 신경망(41), 제2 신경망(42) 및 제3 신경망(43)을 포함하도록 구성될 수 있다. 또한, 제1 신경망(41) 및 제2 신경망(42)의 출력값이 제3 신경망(43)으로 입력되도록 구성될 수 있다.

제1 신경망(41)은 조직 이미지를 입력받아 질병 정보와 연관된 제1 출력값을 출력하도록 학습될 수 있다. 제1 신경망(41)은 이미지 처리에 특화된 컨볼루션 신경망일 수 있으며, 조직 이미지로부터 질병과 연관된 특징값(e.g. 특징맵, 액티베이션 맵 등) 또는 병변 정보(e.g. 병변 위치, 병변 종류, 종양 증식 점수 등)를 출력하도록 학습될 수 있다

다음으로, 제2 신경망(42)은 리보솜 데이터를 입력받아 질병 정보와 연관된 제2 출력값을 출력하도록 학습될 수 있다. 앞서 언급한 바와 같이, 리보솜 데이터는 예를 들어 리보솜 단백질의 발현 비율에 관한 다양한 데이터를 포함할 수 있다. 제2 신경망(42)은 예를 들어 인공 신경망일 수 있을 것이나, 이에 한정되는 것은 아니다.

다음으로, 제3 신경망(43)은 제1 출력값 및 제2 출력값을 입력으로 하여 질병 정보에 대한 예측값을 출력하도록 학습될 수 있다. 가령, 제3 신경망(43)이 제1 출력값과 제2 출력값을 종합하여 질병의 유무에 관한 예측값(e.g. 클래스 별 컨피던스 스코어)을 출력하면, 출력된 예측값과 정답과의 오차가 역전파되어 제3 신경망(43)의 가중치가 업데이트됨으로써 학습이 이루어질 수 있다. 또한, 이러한 오차 역전파에 의해 제1 신경망(41) 및/또는 제2 신경망(42)의 가중치도 업데이트될 수 있다. 제3 신경망(43)은 인공 신경망(e.g. 완전 연결 계층)일 수 있을 것이나, 이에 한정되는 것은 아니다.

몇몇 예들에서는, 제1 신경망(41)이 사전 학습(pre-trained)된 것일 수도 있다. 구체적으로, 제1 신경망(41)은 조직 이미지로부터 질병 정보와 연관된 특징을 추출하도록 사전에 별도로 학습되고, 제2 신경망(42) 및 제3 신경망(43)이 학습될 때 제1 신경망(41)은 학습되지 않을 수 있다. 또는, 제1 신경망(41)에 대해 같이 학습이 이루어지며, 제1 신경망(41)의 가중치가 미세 조정(fine-tuning)될 수도 있다. 어떠한 경우이든, 제1 신경망(41)이 사전에 집중적으로 학습됨으로써 질병 정보와 연관된 특징을 정확하게 추출할 수 있게 되므로, 예측 모델의 성능이 향상될 수 있다.

위와 같이 학습된 예측 모델은 피검자의 조직 이미지와 리보솜 데이터로부터 피검자의 대상 조직에 대한 질병 정보를 예측할 수 있다. 가령, 예측 모델은 피검자의 조직 이미지와 리보솜 데이터를 입력받아 대상 조직의 질병 유무에 관한 예측값을 출력할 수 있다.

지금까지 도 8을 참조하여 본 개시의 제2 실시예에 따른 예측 모델의 세부 구조와 학습 방법에 대하여 설명하였다. 상술한 방법에 따르면, 조직 이미지에서 나타나는 질병 관련 특징을 더 고려하여 질병 정보를 예측하도록 예측 모델이 학습될 수 있는 바, 예측 모델의 예측 정확도가 더욱 향상될 수 있다. 이하에서는, 도 9를 참조하여 본 개시의 제3 실시예에 따른 예측 모델의 세부 구조와 학습 방법에 대하여 설명하도록 한다.

도 9는 본 개시의 제3 실시예에 따른 예측 모델의 세부 구조와 학습 방법을 설명하기 위한 예시적인 도면이다.

도 9에도시된 바와 같이, 제3 실시예에 따른 예측 모델은 제1 신경망(51), 제2 신경망(52) 및 제3 신경망(53)을 포함하도록 구성될 수 있다. 또한, 제1 신경망(51) 및 제2 신경망(52)의 출력값이 제3 신경망(53)으로 입력되도록 구성될 수 있다.

제1 신경망(51)은 제1 리보솜 데이터를 입력받아 질병 정보와 연관된 제1 출력값을 출력하도록 학습될 수 있다. 여기서, 제1 리보솜 데이터는 리보솜과 관련된 데이터를 2차원(또는 3차원)의 이미지 형태로 가공한 것일 수 있고, 제1 신경망(51)은 이미지 처리에 특화된 컨볼루션 신경망일 수 있으며, 컨볼루션 연산을 통해 제1 리보솜 데이터를 분석하도록 학습될 수 있다. 다만, 제1 리보솜 데이터를 생성하는 방식은 다양할 수 있다.

몇몇 예들에서, 리보솜 단백질의 위치에 따른 발현량 또는 발현 비율(즉, 리보솜 내 리보솜 단백질의 발현 분포)을 2차원(또는 3차원)의 데이터로 가공함으로써 제1 리보솜 데이터가 생성될 수 있다. 이해의 편의를 제공하기 위해, 본 예시에 관하여 도 10을 참조하여 부연 설명하도록 한다.

도 10은 리보솜 서브유닛(61, 62) 내 리보솜 단백질의 위치에 따른 발현량이 히트맵(heat map) 형태로 가공된 것을 예시하고 있다. 예시된 바와 같이, 2차원 평면(60) 상에 리보솜 서브유닛(61, 62)을 매핑시키고, 매핑된 위치의 단백질 발현량에 따라 적절한 픽셀값을 부여함으로써 2차원의 히트맵 이미지(63; 즉, 제1 리보솜 데이터)가 생성될 수 있다. 이때, 히트맵 이미지(63)의 특정 채널에는 해당 위치에서 발현된 리보솜 단백질의 유형 정보가 더 포함될 수도 있다. 이러한 히트맵 이미지(63)와 질병 정보가 학습 데이터로 활용되면, 제1 신경망(51)이 리보솜 단백질의 발현 분포와 질병 정보와의 연관성(e.g. 리보솜의 특정 부위에서 단백질이 저발현 또는 과발현되는 경우 질병이 있을 확률이 높음)을 학습할 수 있게 된다. 따라서, 예측 모델의 예측 정확도가 더욱 향상될 수 있다.

다른 몇몇 예들에서는, 리보솜 단백질들 간의 위치 관계(또는 연결 관계)를 2차원(또는 3차원)의 데이터로 가공함으로써 제1 리보솜 데이터가 생성될 수 있다. 이해의 편의를 제공하기 위해, 본 예시에 관하여 도 11을 참조하여 부연 설명하도록 한다.

도 11을 참조하면, 리보솜 단백질과 대응되는 2개의 축에 의해 형성된 2차원 평면(또는 매트릭스)(70) 상에 리보솜 단백질 쌍(e.g. RP₁-RP₂)의 위치 관계를 나타내는 값을 할당함으로써 2차원의 이미지(71; 즉, 제1 리보솜 데이터)가 생성될 수 있다. 가령, 리보솜을 구성할 때, 제1 리보솜 단백질(e.g. RP₁)과 제2 리보솜 단백질(e.g. RP₂)이 인접하여 위치한 경우, 2차원 평면(70)의 매핑 위치(72)에 소정의 값(e.g. 1)이 할당될 수 있다. 이때, 두 리보솜 단백질의 인접 정도에 따라 차등적인 값이 할당될 수도 있다(e.g. 거리가 가까울수록 큰 값이 할당됨). 이러한 이미지(71)와 질병 정보가 학습 데이터로 활용되면, 제1 신경망(51)이 리보솜 단백질들 간의 위치 관계와 질병 정보와의 연관성(e.g. 특정 종류의 리보솜 단백질들이 뭉쳐있는 경우 질병이 있을 확률이 높음)을 학습할 수 있게 된다. 따라서, 예측 모델의 예측 정확도가 더욱 향상될 수 있다.

다시 도 9를 참조하여 예측 모델을 구성하는 다른 신경망(52, 53)에 대한 설명을 이어가도록 한다.

제2 신경망(52)은 제2 리보솜 데이터를 입력받아 질병 정보와 연관된 제2 출력값을 출력하도록 학습될 수 있다. 제2 리보솜 데이터는 예를 들어 리보솜 단백질의 발현 비율에 관한 다양한 데이터를 포함할 수 있다. 또한, 제2 신경망(52)은 예를 들어 인공 신경망일 수 있을 것이나, 이에 한정되는 것은 아니다.

다음으로, 제3 신경망(53)은 제1 출력값 및 제2 출력값을 입력받아 질병 정보에 대한 예측값을 출력하도록 학습될 수 있다. 가령, 제3 신경망(53)이 제1 출력값과 제2 출력값을 종합하여 질병의 유무에 관한 예측값(e.g. 클래스 별 컨피던스 스코어)을 출력하면, 출력된 예측값과 정답과의 오차가 역전파되어 제3 신경망(53)의 가중치가 업데이트됨으로써 학습이 이루어질 수 있다. 또한, 이러한 오차 역전파에 의해 제1 신경망(51) 및/또는 제2 신경망(52)의 가중치도 업데이트될 수 있다.

몇몇 예들에서는, 제1 신경망(51)이 사전 학습된 것일 수도 있다. 구체적으로, 제1 신경망(51)은 이미지 형태의 제1 리보솜 데이터부터 질병 정보와 연관된 특징을 추출하도록 사전에 별도로 학습되고, 제2 신경망(52) 및 제3 신경망(53)이 학습될 때 제1 신경망(51)은 학습되지 않을 수 있다. 또는, 제1 신경망(51)에 대해 같이 학습이 이루어지며, 제1 신경망(51)의 가중치가 미세 조정될 수도 있다. 어떠한 경우이든, 제1 신경망(51)이 사전에 집중적으로 학습됨으로써 질병 정보와 연관된 특징을 정확하게 추출할 수 있게 되므로, 예측 모델의 성능이 향상될 수 있다.

위와 같이 학습된 예측 모델은 피검자의 리보솜 데이터로부터 질병 정보를 예측할 수 있다. 가령, 예측 모델은 피검자의 제1 리보솜 데이터와 제2 리보솜 데이터를 입력받아 질병 유무에 관한 예측값을 출력할 수 있다.

지금까지 도 9 내지 도 11을 참조하여 본 개시의 제3 실시예에 따른 예측 모델의 세부 구조와 학습 방법에 대하여 설명하였다. 상술한 방법에 따르면, 이미지 형태로 가공된 리보솜 데이터에서 나타나는 질병 관련 특징을 더 고려하도록 예측 모델이 학습될 수 있는 바, 질병 정보 예측의 정확도가 향상될 수 있다. 이하에서는, 도 12를 참조하여 본 개시의 제4 실시예에 따른 예측 모델의 세부 구조와 학습 방법에 대하여 설명하도록 한다.

도 12는 본 개시의 제4 실시예에 따른 예측 모델의 세부 구조와 학습 방법을 설명하기 위한 예시적인 도면이다.

도 12에 도시된 바와 같이, 제4 실시예에 따른 예측 모델은 질병 정보 중에서도 예후 정보를 예측할 수 있으며, 예후 정보는 예를 들어 전체생존기간(OS)과 무병생존기간(RFS)일 수 있으나, 이에 한정되는 것은 아니다.

제4 실시예에 따른 예측 모델은 제1 신경망(81), 제2 신경망(82) 및 제3 신경망(83)을 포함하도록 구성될 수 있다. 또한, 제1 신경망(81)의 출력값이 제2 신경망(82) 및 제3 신경망(83)으로 입력되도록 구성될 수 있다.

제1 신경망(81)은 리보솜 데이터를 입력받아 예후 정보와 연관된 출력값을 출력하도록 학습될 수 있다. 가령, 제1 신경망(81)은 일종의 공유 신경망으로 입력된 리보솜 데이터에서 전체생존기간(또는 전체생존율) 및 무병생존기간(또는 무병생존율)과 공통적으로 연관되는 특징을 추출하도록 학습될 수 있다. 제1 신경망(81)의 출력값은 제2 신경망(82)과 제3 신경망(83)으로 입력될 수 있다. 제1 신경망(81)은 예를 들어 인공 신경망일 수 있을 것이나, 이에 한정되는 것은 아니다.

다음으로, 제2 신경망(82)은 제1 신경망(81)의 출력값을 입력받아 전체생존기간에 관한 예측값을 출력하도록 학습될 수 있다. 몇몇 예들에서는, 제1 신경망(81)으로 입력된 리보솜 데이터가 제2 신경망(82)으로도 입력될 수도 있다. 제2 신경망(82)은 전체생존기간의 예측에 특화된 신경망으로, 제1 신경망(81)의 출력값을 토대로 전체생존기간과 특화된 특징을 고려하여 전체생존기간을 예측하도록 학습될 수 있다. 제2 신경망(82)은 예를 들어 인공 신경망일 수 있을 것이나, 이에 한정되는 것은 아니다.

다음으로, 제3 신경망(83)은 제1 신경망(81)의 출력값을 입력받아 무병생존기간에 관한 예측값을 출력하도록 학습될 수 있다. 몇몇 예들에서는, 제1 신경망(81)으로 입력된 리보솜 데이터가 제3 신경망(83)으로도 입력될 수도 있다. 제3 신경망(83)은 무병생존기간의 예측에 특화된 신경망으로, 제1 신경망(81)의 출력값을 토대로 무병생존기간과 특화된 특징을 고려하여 무병생존기간을 예측하도록 학습될 수 있다. 제3 신경망(83)은 예를 들어 인공 신경망일 수 있을 것이나, 이에 한정되는 것은 아니다.

도 12에 예시된 예측 모델을 학습시키는 방식은 다양할 수 있다.

먼저, 상술한 제1 신경망(81)과 제2 신경망(82)은 리보솜 데이터와 전체생존기간에 관한 정보를 이용하여 학습될 수 있고, 제1 신경망(81)과 제3 신경망(83)은 리보솜 데이터와 무병생존기간에 관한 정보를 이용하여 학습될 수 있다. 이러한 경우, 제1 신경망(81)은 리보솜 데이터에서 전체생존기간 및 무병생존기관과 공통적으로 연관된 특징을 추출하도록 학습될 수 있고, 제2 신경망(82) 및 제3 신경망(83)은 각각 리보솜 데이터에서 전체생존기간과 무병생존기간에 특화된 특징을 추출하고, 추출된 특징과 상기 공통 연관 특징을 고려하여 전체생존기간과 무병생존기간을 예측하도록 학습될 수 있다.

몇몇 예들에서는, 전체생존기간과 무병생존기간의 차이를 기준으로 리보솜 데이터를 포함하는 학습 데이터를 분류하고, 분류된 학습 데이터를 이용하여 예측 모델이 학습될 수 있다. 예를 들어, 학습 데이터가 두 기간의 차이가 기준치 이하인 제1 학습 데이터와 기준치 이상인 제2 학습 데이터로 분류될 수 있다. 그리고, 제1 학습 데이터를 이용하여 제1 신경망(81)이 학습되고, 제2 학습 데이터를 이용하여 제2 신경망(82) 및 제3 신경망(83)이 학습될 수 있다. 이러한 경우, 제1 신경망(81)은 전체생존기간 및 무병생존기간과 공통적으로 연관된 리보솜 데이터의 특징을 보다 잘 추출하도록 학습될 수 있고, 제2 신경망(82) 및 제3 신경망(83)은 각각 전체생존기간 및 무병생존기간에 특화된 특징을 보다 잘 추출하도록 학습될 수 있다. 또는, 전체 학습 데이터로 전체 신경망(81, 82, 83)에 대해 1차 학습이 이루어지고, 제1 학습 데이터 및 제2 학습 데이터로 연관된 신경망(81, 82, 83)에 대해 2차 학습이 이루어질 수도 있다. 2차 학습은 가중 학습의 형태로 이루어질 수도 있다. 가중 학습 방식의 예에 대해서는 도 13 내지 도 15의 설명 부분을 참조하도록 한다. 또는, 제1 학습 데이터 및 제2 학습 데이터로 연관된 신경망(81, 82, 83)에 대해 1차 학습이 이루어지고, 전체 학습 데이터로 전체 신경망(81, 82, 83)에 대해 2차 학습이 이루어질 수도 있다.

지금까지 도 12를 참조하여 본 개시의 제4 실시예에 따른 예측 모델의 세부 구조와 학습 방법에 대하여 설명하였다. 상술한 방법에 따르면, 전체생존기간 및 무병생존기간에 공통적으로 연관된 특징을 학습하는 신경망과 전체생존기간 및 무병생존기간에 특화된 특징을 학습하는 신경망으로 예측 모델을 구성함으로써, 학습이 효율적으로 이루어질 수 있으며, 예후 정보에 대한 예측 정확도도 향상될 수 있다.

지금까지 도 7 내지 도 12를 참조하여 본 개시의 제1 내지 제4 실시예를 개별적으로 설명하였으나, 상술한 제1 내지 제4 실시예는 다양한 형태로 조합될 수 있다. 예를 들어, 예측 모델은 조직 이미지를 입력받는 제1 신경망(e.g. 도 8의 41), 이미지 형태의 리보솜 데이터를 입력받는 제2 신경망(e.g. 도 9의 51), 리보솜 데이터를 입력받는 제3 신경망(e.g. 도 8의 42, 도 9의 52), 및 제1 내지 제3 신경망의 출력값을 입력받아 질병 정보를 예측하는 제4 신경망(e.g. 도 8의 43, 도 9의 53)으로 구성될 수도 있다.

한편, 본 개시의 몇몇 실시예들에서는, 질병 예측 모델의 예측 성능을 보다 향상시키기 위해 가중 학습이 수행될 수 있다. 여기서, 가중 학습이란 학습 데이터 등에 따라 학습 강도를 달리하며 모델을 학습시키는 것을 의미할 수 있다. 이러한 경우, 중요한 학습 데이터(e.g. 질병 정보와 연관성이 깊은 리보솜 데이터 샘플)가 보다 강하게 학습됨으로써 모델의 성능이 향상될 수 있는데, 이하, 도 13 내지 도 15를 참조하여 본 실시예에 관하여 상세하게 설명하도록 한다.

도 13은 본 개시의 제1 실시예에 따른 가중 학습 방법을 설명하기 위한 예시적인 도면이다.

제1 실시예에 따른 가중 학습 방법은 학습 데이터에 포함된 리보솜 단백질의 발현 비율을 분석하여 질병 정보와 연관된 리보솜 단백질의 발현 패턴을 탐지하는 단계에서 시작될 수 있다.

예를 들어, 도 13에 도시된 바와 같이, 정상인의 리보솜 단백질 발현 비율과 질병인의 리보솜 단백질 발현 비율이 비교될 수 있다. 그리고, 발현 비율의 차이가 기준치 이상인 부분(91 내지 94)의 리보솜 단백질(RP₁, RP₂, RP_n-1, RP_n)에 기초하여 발현 패턴(e.g. {RP₁, RP₂, RP_n-1, RP_n})이 결정될 수 있다. 또는, 발현 비율의 차이가 기준치 이상인 제1 리보솜 단백질(e.g. RP₁, RP₂)과 기준치 미만인 제2 리보솜 단백질(e.g. RP₃, RP_n-2)의 조합에 기초하여 발현 패턴(e.g. {RP₁, RP₂, RP₃, RP_n-2})이 결정될 수도 있다. 또는, 리보솜 단백질의 종류와 발현 비율 조건의 다양한 조합에 기초하여 발현 패턴(e.g. {RP₁ > 0.5 and RP₃< 0.2})이 결정될 수도 있다.

다른 예로서, 질병인의 리보솜 단백질 발현 비율을 분석하여 질병과 연관된 발현 패턴(e.g. 다수의 질병인에게서 등장하고 발현 비율이 기준치 이상 또는 미만인 리보솜 단백질)이 탐지될 수 있고, 정상인의 리보솜 단백질의 발현 비율을 분석하여 정상과 연관된 발현 패턴(e.g. 다수의 정상인에게서 등장하고 발현 비율이 기준치 이상 또는 미만인 리보솜 단백질)이 탐지될 수도 있다.

다음 단계에서, 탐지된 발현 패턴을 이용하여 학습 데이터를 구성하는 각 데이터 샘플에 샘플 가중치가 부여될 수 있다. 예를 들어, 탐지된 발현 패턴과 데이터 샘플과의 유사도에 따라 샘플 가중치가 차등적으로 부여될 수 있다. 보다 구체적으로, 탐지된 발현 패턴과 완전히 부합하는 제1 데이터 샘플(또는 발현 패턴을 포함하는 데이터 샘플)에는 가장 높은 샘플 가중치가 부여되고, 일부 부합하는 제2 데이터 샘플에는 제1 데이터 샘플보다 낮은 샘플 가중치가 부여될 수 있다. 그리고, 전혀 부합하지 않는 제3 데이터 샘플에는 가장 낮은 샘플 가중치가 부여될 수 있다.

다음 단계에서, 부여된 샘플 가중치를 기초로 예측 모델이 학습될 수 있다. 즉, 샘플 가중치가 높은 데이터 샘플들에 대해 더 강도 높은 학습이 이루어질 수 있다. 다만, 그 구체적인 학습 방식은 다양할 수 있다.

몇몇 예들에서는, 데이터 샘플에 대한 예측 모델의 오차(즉, 예측값과 정답의 차이)에 기초하여 예측 모델의 가중치를 업데이트하기 전에, 샘플 가중치에 기초하여 오차가 증감될 수 있다. 가령, 샘플 가중치가 높을수록 오차가 더 증가되고, 반대의 경우에는 오차가 감소될 수 있다. 또한, 증감된 오차에 기초하여 예측 모델의 가중치가 업데이트될 수 있다. 이러한 경우, 샘플 가중치가 높은 데이터 샘플에 대한 오차가 예측 모델에 더 큰 영향을 미치게 되기 때문에, 샘플 가중치에 따른 가중 학습이 효과적으로 이루어질 수 있다.

다른 몇몇 예들에서는, 샘플 가중치에 기초하여 데이터 샘플의 학습횟수가 달라질 수 있다. 가령, 샘플 가중치가 높은 데이터 샘플에 대해 추가 학습이 더 이루어질 수 있다.

또 다른 몇몇 예들에서는, 데이터 샘플을 예측 모델에 입력할 때, 샘플 가중치에 기초하여 데이터 샘플의 값(e.g. 리보솜 단백질의 발현 비율값)이 증감될 수 있다. 가령, 샘플 가중치가 높을수록 데이터 샘플의 값이 더 증가되고, 반대의 경우에는 데이터 샘플의 값이 감소될 수 있다. 이러한 경우, 샘플 가중치가 높은 데이터 샘플이 예측 모델의 학습에 더 큰 영향을 미치게 되기 때문에, 샘플 가중치에 따른 가중 학습이 효과적으로 이루어질 수 있다.

또 다른 몇몇 예들에서는, 샘플 가중치에 기초하여 데이터 샘플의 학습 순서가 달라질 수 있다. 가령, 샘플 가중치가 높은 데이터 샘플이 낮은 데이터 샘플보다 먼저 학습될 수 있다. 통상적으로, 먼저 학습된 데이터 샘플이 나중에 학습된 데이터 샘플보다 예측 모델의 학습에 더 큰 영향을 미칠 수 있기 때문이다.

또 다른 몇몇 예들에서는, 전술한 예시들의 조합에 기초하여 예측 모델이 학습될 수 있다.

한편, 몇몇 예들에서는, 학습 데이터에 질병의 진행 단계(e.g. 초기, 중기, 후기, 1기, 2기, 3기 등)에 관한 정보가 포함될 수 있다. 그리고, 질병 정보와 연관된 리보솜 단백질의 발현 패턴을 탐지할 때, 정상인의 리보솜 단백질 발현 비율과 진행 초기 단계에 있는 질병인의 리보솜 단백질 발현 비율이 비교될 수 있다. 이러한 경우, 질병 초기의 질병인에게 나타나는 발현 패턴에 기초하여 샘플 가중치가 부여될 것이기 때문에, 예측 모델이 초기 상태의 질병을 보다 잘 검출하도록 학습될 수 있다.

지금까지, 도 13을 참조하여 본 개시의 제1 실시예에 따른 가중 학습 방법에 대하여 설명하였다. 이하에서는, 도 14 및 도 15를 참조하여 본 개시의 제2 실시예에 따른 가중 학습 방법에 대하여 설명하도록 한다.

도 14 및 도 15는 본 개시의 제2 실시예에 따른 가중 학습 방법을 설명하기 위한 예시적인 도면이다. 이하, 도 14 및 도 15를 참조하여 설명한다.

제2 실시예에 따른 가중 학습 방법은 학습 데이터를 학습하여 임시 예측 모델(103)을 구축하는 단계에서 시작될 수 있다. 임시 예측 모델(103)의 구조 및 학습 방식은 어떠한 방식이 되더라도 무방하다.

다음 단계에서, 학습 데이터를 구성하는 제1 데이터 샘플(즉, 리보솜 데이터의 샘플)에서 리보솜 단백질의 발현 비율 중 적어도 일부를 변경하여 제2 데이터 샘플이 생성될 수 있다. 가령, 도 14에 도시된 바와 같이, 발현 비율이 기준치 이상인 리보솜 단백질(101, 102)의 발현 비율값이 변경될 수 있다. 다만, 본 단계의 세부 내용은 다양할 수 있다.

몇몇 예들에서는, 제1 데이터 샘플에서 발현 비율이 기준치 이상(또는 기준치 미만)인 리보솜 단백질의 발현 비율이 변경될 수 있다.

다른 몇몇 예들에서는, 제1 데이터 샘플에서 랜덤하게 선택된 리보솜 단백질의 발현 비율이 변경될 수 있다. 이때, 선택된 리보솜 단백질의 개수는 1개일 수도 있고, 복수일 수도 있다.

또 다른 몇몇 예들에서는, 제1 데이터 샘플에서 특정 리보솜 단백질의 발현 비율이 특정 값으로 변경되어 제2 데이터 샘플이 생성될 수 있다. 이때, 특정 값은 0일 수도 있고, 정상인 또는 질병인의 평균 발현 비율값일 수도 있다. 가령, 상기 제1 데이터 샘플이 정상인의 샘플인 경우, 상기 특정 리보솜 단백질의 발현 비율이 질병인의 평균 발현 비율값으로 변경될 수 있다. 반대의 경우라면, 정상인의 평균 발현 비율값으로 변경될 수 있다.

또 다른 몇몇 예들에서는, 전술한 예시들의 조합에 기초하여 제2 데이터 샘플이 생성될 수도 있다.

다음 단계에서, 제1 데이터 샘플을 임시 예측 모델(103)에 입력하여 제1 예측값(Out₁)이 획득되고, 제2 데이터 샘플을 임시 예측 모델(103)에 입력하여 제2 예측값(Out₂)이 획득될 수 있다. 그리고, 두 예측값의 차이(Diff)가 산출될 수 있다.

다음 단계에서, 두 예측값의 차이(Diff)에 기초하여 질병 정보와 연관된 리보솜 단백질의 발현 패턴이 탐지될 수 있다. 가령, 차이값(Diff)이 기준치 이상인 경우, 제1 데이터 샘플에서 발현 비율이 변경된 리보솜 단백질(101, 102)을 기초로 발현 패턴이 결정될 수 있다. 특정 리보솜 단백질(101, 102)의 발현 비율을 변경하였을 때, 임시 예측 모델의 예측값이 크게 달라진다는 것은 특정 리보솜 단백질(101, 102)의 발현 비율이 질병 정보 예측에 크게 영향을 미친다는 것(즉, 핵심적인 특징임)을 의미하기 때문이다. 발현 패턴을 결정하는 구체적인 방식에 관하여서는 도 13의 설명 부분을 더 참조하도록 한다.

다음 단계에서, 탐지된 발현 패턴을 이용하여 학습 데이터(111, 112)를 구성하는 각 데이터 샘플에 샘플 가중치가 부여될 수 있다. 이와 관련하여서는 도 13의 설명 부분을 더 참조하도록 한다.

다음 단계에서, 부여된 샘플 가중치를 기초로 학습 데이터(111, 112)를 재학습하여 예측 모델(113)이 구축될 수 있다. 가령, 샘플 가중치를 기초로 초기화된 상태(즉, 모델의 가중치가 초기화된 상태)의 예측 모델(113)이 재학습될 수 있다. 이와 관련하여서는 도 13의 설명 부분을 더 참조하도록 한다.

지금까지, 도 13 내지 도 15를 참조하여 본 개시의 몇몇 실시예들에 따른 가중 학습 방법에 대하여 설명하였다. 상술한 방법에 따르면, 질병 정보와 연관성이 높을 것으로 추정되는 데이터 샘플들에 대하여 가중 학습이 이루어질 수 있다. 이에 따라, 예측 모델에 대한 학습이 보다 효과적으로 이루어질 수 있으며, 그 예측 성능 또한 크게 향상될 수 있다.

이하에서는, 도 16을 참조하여 본 개시의 몇몇 실시예들에 따른 예측 장치(10)를 구현할 수 있는 예시적인 컴퓨팅 장치(120)에 대하여 설명하도록 한다.

도 16은 컴퓨팅 장치(120)를 나타내는 예시적인 하드웨어 구성도이다.

도 16에 도시된 바와 같이, 컴퓨팅 장치(120)는 하나 이상의 프로세서(121), 버스(123), 통신 인터페이스(124), 프로세서(121)에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리(122)와, 컴퓨터 프로그램(126)을 저장하는 스토리지(125)를 포함할 수 있다. 다만, 도 16에는 본 개시의 실시예와 관련 있는 구성요소들만이 도시되어 있다. 따라서, 본 개시가 속한 기술분야의 통상의 기술자라면 도 16에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 알 수 있다. 즉, 컴퓨팅 장치(120)에는, 도 16에 도시된 구성요소 이외에도 다양한 구성요소가 더 포함될 수 있다. 또는, 컴퓨팅 장치(120)는 도 16에 도시된 구성요소 중 일부를 제외하고 구성될 수도 있다.

프로세서(121)는 컴퓨팅 장치(120)의 각 구성의 전반적인 동작을 제어할 수 있다. 프로세서(121)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 개시의 기술 분야에 잘 알려진 임의의 형태의 프로세서 중 적어도 하나를 포함하여 구성될 수 있다. 또한, 프로세서(121)는 본 개시의 실시예들에 따른 방법/동작을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 컴퓨팅 장치(120)는 하나 이상의 프로세서를 구비할 수 있다.

메모리(122)는 각종 데이터, 명령 및/또는 정보를 저장할 수 있다. 메모리(122)는 본 개시의 실시예들에 따른 방법/동작을 실행하기 위하여 스토리지(125)로부터 하나 이상의 컴퓨터 프로그램(126)을 로드할 수 있다. 메모리(122)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 이에 한정되는 것은 아니다.

버스(123)는 컴퓨팅 장치(120)의 구성요소 간 통신 기능을 제공할 수 있다. 버스(123)는 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.

통신 인터페이스(124)는 컴퓨팅 장치(120)의 유무선 인터넷 통신을 지원할 수 있다. 또한, 통신 인터페이스(124)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(124)는 본 개시의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다.

스토리지(125)는 상기 하나 이상의 프로그램(126)을 비임시적으로 저장할 수 있다. 스토리지(125)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.

컴퓨터 프로그램(126)은 메모리(122)에 로드될 때 프로세서(121)로 하여금 본 개시의 다양한 실시예들에 따른 방법/동작을 수행하도록 하는 하나 이상의 인스트럭션들(instructions)을 포함할 수 있다. 즉, 프로세서(121)는 상기 하나 이상의 인스트럭션들을 실행함으로써, 본 개시의 다양한 실시예들에 따른 방법/동작들을 수행할 수 있다.

예를 들어, 컴퓨터 프로그램(126)은 학습용 리보솜 데이터와 질병 정보를 포함하는 학습 데이터를 학습하여 질병 예측 모델을 구축하는 동작, 피검자의 검사용 리보솜 데이터를 획득하는 동작 및 상기 질병 예측 모델을 이용하여, 상기 검사용 리보솜 데이터로부터 상기 피검자의 질병 정보를 예측하는 동작을 수행하도록 하도록 하는 하나 이상의 인스트럭션들을 포함할 수 있다. 이러한 경우, 컴퓨팅 장치(120)를 통해 본 개시의 몇몇 실시예들에 따른 예측 장치(10)가 구현될 수 있다.

지금까지 도 1 내지 도 16을 참조하여 설명된 본 개시의 기술적 사상은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.

이상에서, 본 개시의 실시예를 구성하는 모든 구성요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 개시의 기술적 사상이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 개시의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.

도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행되어야만 하거나 또는 모든 도시 된 동작들이 실행되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 더욱이, 위에 설명한 실시예들에서 다양한 구성들의 분리는 그러한 분리가 반드시 필요한 것으로 이해되어서는 안 되고, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키지 될 수 있음을 이해하여야 한다.

이상 첨부된 도면을 참조하여 본 개시의 실시예들을 설명하였지만, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 본 개시가 다른 구체적인 형태로도 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시에 의해 정의되는 기술적 사상의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims

컴퓨팅 장치에서 피검자의 질병을 예측하는 방법으로서,
학습용 리보솜 데이터와 질병 정보를 포함하는 학습 데이터를 학습하여 질병 예측 모델을 구축하는 단계;
상기 피검자의 검사용 리보솜 데이터를 획득하는 단계; 및
상기 질병 예측 모델을 이용하여, 상기 검사용 리보솜 데이터로부터 상기 피검자의 질병 정보를 예측하는 단계를 포함하되,
상기 학습용 리보솜 데이터와 상기 검사용 리보솜 데이터는 리보솜 단백질의 발현 비율에 관한 데이터를 포함하고,
상기 질병 예측 모델을 구축하는 단계는,
상기 학습 데이터를 학습하여 임시 질병 예측 모델을 구축하는 단계;
상기 학습용 리보솜 데이터를 구성하는 제1 리보솜 데이터 샘플에서, 특정 리보솜 단백질의 발현 비율을 변경하여 제2 리보솜 데이터 샘플을 생성하는 단계;
상기 제1 리보솜 데이터 샘플을 상기 임시 질병 예측 모델에 입력하여 제1 예측값을 획득하고, 상기 제2 리보솜 데이터 샘플을 상기 임시 질병 예측 모델에 입력하여 제2 예측값을 획득하는 단계;
상기 제1 예측값과 상기 제2 예측값의 차이가 기준치 이상이라는 판단에 응답하여, 상기 특정 리보솜 단백질을 기초로 상기 질병 정보와 연관된 리보솜 단백질의 발현 패턴을 생성하는 단계;
상기 생성된 발현 패턴을 이용하여 상기 학습 데이터를 구성하는 데이터 샘플에 샘플 가중치를 부여하는 단계; 및
상기 샘플 가중치를 기초로 상기 학습 데이터를 재학습하여 상기 질병 예측 모델을 구축하는 단계를 포함하는,
질병 예측 방법.
제1 항에 있어서,
상기 학습용 리보솜 데이터는 대형 서브유닛과 소형 서브유닛 간의 단백질 발현 비율, 발현량이 기준치 이상인 리보솜 단백질 및 발현량이 기준치 이하인 리보솜 단백질에 관한 데이터를 더 포함하는,
질병 예측 방법.
제1 항에 있어서,
상기 학습 데이터는 대상 조직의 이미지를 더 포함하고,
상기 질병 예측 모델은,
상기 대상 조직의 이미지를 입력받아 상기 질병 정보와 연관된 제1 출력값을 출력하는 제1 신경망,
상기 학습용 리보솜 데이터를 입력받아 상기 질병 정보와 연관된 제2 출력값을 출력하는 제2 신경망 및
상기 제1 출력값 및 상기 제2 출력값을 입력받아 상기 대상 조직에 관한 질병 정보를 예측하는 제3 신경망을 포함하며,
상기 제1 신경망은 컨볼루션 신경망(convolutional neural networks)으로 이루어지는,
질병 예측 방법.
제1 항에 있어서,
상기 질병 예측 모델은,
상기 리보솜 단백질에 관한 이미지 형태의 데이터를 입력받아 상기 질병 정보와 연관된 제1 출력값을 출력하는 제1 신경망,
상기 학습용 리보솜 데이터를 입력받아 상기 질병 정보와 연관된 제2 출력값을 출력하는 제2 신경망 및
상기 제1 출력값 및 상기 제2 출력값을 입력받아 질병 정보를 예측하는 제3 신경망을 포함하며,
상기 제1 신경망은 컨볼루션 신경망(convolutional neural networks)으로 이루어지는,
질병 예측 방법.
제4 항에 있어서,
상기 이미지 형태의 데이터는 리보솜 내에서 리보솜 단백질의 위치에 따른 발현량 또는 발현 비율을 나타내는 것인,
질병 예측 방법.
제4 항에 있어서,
상기 이미지 형태의 데이터는 리보솜 단백질과 대응되는 2개의 축에 의해 형성되는 2차원 평면 상에 리보솜 단백질 쌍의 위치 관계에 따른 값을 할당함으로써 생성된 것인,
질병 예측 방법.
제1 항에 있어서,
상기 질병 정보는 질병인의 전체생존기간과 무병생존기간에 관한 정보를 포함하고,
상기 질병 예측 모델은,
상기 학습용 리보솜 데이터를 입력받아 상기 질병 정보와 연관된 출력값을 출력하는 제1 신경망,
상기 출력값을 입력받아 상기 전체생존기간을 예측하는 제2 신경망 및
상기 출력값을 입력받아 상기 무병생존기간을 예측하는 제3 신경망을 포함하며,
상기 학습 데이터를 재학습하여 상기 질병 예측 모델을 구축하는 단계는,
상기 학습용 리보솜 데이터와 상기 전체생존기간에 관한 정보를 이용하여 상기 제1 신경망과 상기 제2 신경망을 학습시키는 단계; 및
상기 학습용 리보솜 데이터와 상기 무병생존기간에 관한 정보를 이용하여 상기 제1 신경망과 상기 제3 신경망을 학습시키는 단계를 포함하는,
질병 예측 방법.
제7 항에 있어서,
상기 제1 신경망과 상기 제2 신경망을 학습시키는 단계는,
상기 학습 데이터를 상기 전체생존기간과 상기 무병생존기간의 차이가 기준치 이하인 제1 학습 데이터와 기준치 이상인 제2 학습 데이터로 분류하는 단계;
상기 제1 학습 데이터를 이용하여 상기 제1 신경망을 학습시키는 단계; 및
상기 제2 학습 데이터를 이용하여 상기 제2 신경망을 학습시키는 단계를 포함하는,
질병 예측 방법.
제1 항에 있어서,
상기 질병 예측 모델을 구축하는 단계는,
정상인의 리보솜 단백질 발현 비율과 질병인의 리보솜 단백질 발현 비율을 비교하여, 상기 질병 정보와 연관된 리보솜 단백질의 발현 패턴을 탐지하는 단계; 및
상기 탐지된 발현 패턴을 이용하여 상기 학습 데이터를 구성하는 데이터 샘플에 샘플 가중치를 부여하는 단계를 더 포함하는,
질병 예측 방법.
제9 항에 있어서,
상기 질병 정보는 질병의 진행 단계에 관한 정보를 더 포함하고,
상기 리보솜 단백질의 발현 패턴을 탐지하는 단계는,
상기 정상인의 리보솜 단백질 발현 비율과 진행 초기 단계에 있는 상기 질병인의 리보솜 단백질 발현 비율을 비교하는 단계를 포함하는,
질병 예측 방법.
삭제
하나 이상의 인스트럭션들을 저장하는 메모리; 및
상기 저장된 하나 이상의 인스트럭션들을 실행시킴으로써,
학습용 리보솜 데이터와 질병 정보를 포함하는 학습 데이터를 학습하여 질병 예측 모델을 구축하는 동작,
피검자의 검사용 리보솜 데이터를 획득하는 동작 및
상기 질병 예측 모델을 이용하여, 상기 검사용 리보솜 데이터로부터 상기 피검자의 질병 정보를 예측하는 동작을 수행하는 프로세서를 포함하되,
상기 학습용 리보솜 데이터와 상기 검사용 리보솜 데이터는 리보솜 단백질의 발현 비율에 관한 데이터를 포함하고,
상기 질병 예측 모델을 구축하는 동작은,
상기 학습 데이터를 학습하여 임시 질병 예측 모델을 구축하는 동작,
상기 학습용 리보솜 데이터를 구성하는 제1 리보솜 데이터 샘플에서, 특정 리보솜 단백질의 발현 비율을 변경하여 제2 리보솜 데이터 샘플을 생성하는 동작,
상기 제1 리보솜 데이터 샘플을 상기 임시 질병 예측 모델에 입력하여 제1 예측값을 획득하고, 상기 제2 리보솜 데이터 샘플을 상기 임시 질병 예측 모델에 입력하여 제2 예측값을 획득하는 동작,
상기 제1 예측값과 상기 제2 예측값의 차이가 기준치 이상이라는 판단에 응답하여, 상기 특정 리보솜 단백질을 기초로 상기 질병 정보와 연관된 리보솜 단백질의 발현 패턴을 생성하는 동작,
상기 생성된 발현 패턴을 이용하여 상기 학습 데이터를 구성하는 데이터 샘플에 샘플 가중치를 부여하는 동작 및
상기 샘플 가중치를 기초로 상기 학습 데이터를 재학습하여 상기 질병 예측 모델을 구축하는 동작을 포함하는,
질병 예측 장치.
컴퓨팅 장치와 결합되어,
학습용 리보솜 데이터와 질병 정보를 포함하는 학습 데이터를 학습하여 질병 예측 모델을 구축하는 단계;
피검자의 검사용 리보솜 데이터를 획득하는 단계; 및
상기 질병 예측 모델을 이용하여, 상기 검사용 리보솜 데이터로부터 상기 피검자의 질병 정보를 예측하는 단계를 실행시키되,
상기 학습용 리보솜 데이터와 상기 검사용 리보솜 데이터는 리보솜 단백질의 발현 비율에 관한 데이터를 포함하고,
상기 질병 예측 모델을 구축하는 단계는,
상기 학습 데이터를 학습하여 임시 질병 예측 모델을 구축하는 단계;
상기 학습용 리보솜 데이터를 구성하는 제1 리보솜 데이터 샘플에서, 특정 리보솜 단백질의 발현 비율을 변경하여 제2 리보솜 데이터 샘플을 생성하는 단계;
상기 제1 리보솜 데이터 샘플을 상기 임시 질병 예측 모델에 입력하여 제1 예측값을 획득하고, 상기 제2 리보솜 데이터 샘플을 상기 임시 질병 예측 모델에 입력하여 제2 예측값을 획득하는 단계;
상기 제1 예측값과 상기 제2 예측값의 차이가 기준치 이상이라는 판단에 응답하여, 상기 특정 리보솜 단백질을 기초로 상기 질병 정보와 연관된 리보솜 단백질의 발현 패턴을 생성하는 단계;
상기 생성된 발현 패턴을 이용하여 상기 학습 데이터를 구성하는 데이터 샘플에 샘플 가중치를 부여하는 단계; 및
상기 샘플 가중치를 기초로 상기 학습 데이터를 재학습하여 상기 질병 예측 모델을 구축하는 단계를 포함하는, 컴퓨터 판독가능한 기록매체에 저장된,
컴퓨터 프로그램.