KR102334532B1 - 단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용 예측 장치 및 방법 - Google Patents

단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용 예측 장치 및 방법 Download PDF

Info

Publication number
KR102334532B1
KR102334532B1 KR1020150086901A KR20150086901A KR102334532B1 KR 102334532 B1 KR102334532 B1 KR 102334532B1 KR 1020150086901 A KR1020150086901 A KR 1020150086901A KR 20150086901 A KR20150086901 A KR 20150086901A KR 102334532 B1 KR102334532 B1 KR 102334532B1
Authority
KR
South Korea
Prior art keywords
drug
signal propagation
protein
pharmacodynamic
protein interaction
Prior art date
Application number
KR1020150086901A
Other languages
English (en)
Other versions
KR20160149623A (ko
Inventor
이도헌
박경현
김덕용
하수현
Original Assignee
재단법인 전통천연물기반 유전자동의보감 사업단
한국과학기술원
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 재단법인 전통천연물기반 유전자동의보감 사업단, 한국과학기술원 filed Critical 재단법인 전통천연물기반 유전자동의보감 사업단
Priority to KR1020150086901A priority Critical patent/KR102334532B1/ko
Publication of KR20160149623A publication Critical patent/KR20160149623A/ko
Application granted granted Critical
Publication of KR102334532B1 publication Critical patent/KR102334532B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)

Abstract

본 발명은 단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용 예측 장치 및 방법에 관한 것으로서, 제 1산출부(100)가 단백질 상호 작용 네트워크에서 약물 A의 신호 전파를 시뮬레이션하는 단계(S100); 제 2산출부(200)가 단백질 상호 작용 네트워크에서 약물 B의 신호 전파를 시뮬레이션하는 단계(S200);신호 전파가 포화된 상태에서 각 단백질에 대한 상기 약물 A 및 약물 B의 영향 정도를 판단하는 단계(S300); 상기 약물 A 및 약물 B의 영향 정도에 기초하여 각 약물 사이의 약력학적 약물 상호 작용 스코어를 산출하는 단계(S500);를
포함한다.

Description

단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용 예측 장치 및 방법{APPARATUS AND METHOD PREDICTING PHARMACODYNAMIC DRUG-DRUG INTERACTIONS THROUGH SIGNALING PROPAGATION INTERFERENCE ON PROTEIN-PROTEIN INTERACTION NETWORKS}
본 발명은 단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용 예측 방법 및 장치에 관한 것이다. 보다 상세하게는 복합 약물을 복용하는 사람들이 가질 수 있는 약물 부작용을 사전에 예측하고 예방할 수 있도록 하기 위한, 단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용 예측 방법 및 장치에 관한 것이다.
약물 개발 단계에서, 신약물에 대한 약물 상호 작용이 확인되어야 한다. 따라서, 시중에 출시된 다양한 약물들과의 약물 상호 작용을 미리 예측할 수 있는 기술을 이용하면, 복합 약물을 복용하는 사람들이 가질 수 있는 약물 부작용을 사전에 예측하고 예방할 수 있게 된다.
기존의 약력학적 약물 상호 작용을 예측하는 방법은 단백질 상호 작용 네트워크 상에서 약물 타겟 사이의 근거리 간섭만 고려하였다. 하지만, 약물의 타겟으로부터 신호는 전체 네트워크로 퍼지게 되기 때문에 원거리 간섭도 고려해야 한다. 본 특허의 목적은 Random Walk With Restart 알고리즘을 통해서 단백질 상호 작용 네트워크 상에서 약물의 타겟 사이의 원거리 간섭을 고려한 약력학적 약물 상호 작용 예측이다.
대한민국 공개특허 제 10-2015-0049937호
Huang et al., Systematic Prediction of Pharmacodynamic Drug-Drug Interactions through Protein-Protein-Interaction Network, PLoS Computational Biology 2013
본 발명은 상술한 종래의 문제점을 해소하기 위하여 안출된 것으로서, 복합 약물을 복용하는 사람들이 가질 수 있는 약물 부작용을 사전에 예측하고 예방할 수 있도록 하기 위한 단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용 예측 방법 및 장치에 관한 것이다.
본 발명의 해결과제는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당해 기술분야에 있어서의 통상의 지식을 가진 자에게 명확하게 이해되어질 수 있을 것이다.
상기와 같은 목적을 달성하기 위하여 본 발명은 단백질 상호 작용 네트워크에서 약물 A의 신호 전파를 시뮬레이션하는 제 1산출부; 단백질 상호 작용 네트워크에서 약물 B의 신호 전파를 시뮬레이션하는 제 2산출부; 신호 전파가 포화된 상태에서, 각 단백질에 대한 상기 약물 A 및 약물 B의 영향 정도를 판단하는 판단부; 상기 약물 A와 약물 B 사이의 약력학적 약물 상호 작용 스코어를 산출하는 스코어 산출부;를 포함한다.
또한, 상기 제 1산출부 및 상기 제 2산출부는 Random Walk With Restart 알고리즘을 통해서 상기 약물 A의 신호 전파 및 약물 B의 신호 전파를 각각 시뮬레이션할 수 있다.
또한, 상기 약물 A 및 약물 B의 영향 정도는 하기 수학식에 기초하여 판단될 수 있다.
Figure 112015059243913-pat00001
(이 때, Vi(DrugA)는 Random Walk With Restart 알고리즘의 시뮬레이션이 끝난 후 약물 A의 단백질 i에서 Random Walker가 존재할 확률이다. )
또한, 상기 약물 A와 약물 B 사이의 약력학적 약물 상호 작용 스코어는 다음의 수학식에 기초하여 산출될 수 있다.
Figure 112015059243913-pat00002
또한, 제 1산출부가 단백질 상호 작용 네트워크에서 약물 A의 신호 전파를 시뮬레이션하는 단계; 제 2산출부가 단백질 상호 작용 네트워크에서 약물 B의 신호 전파를 시뮬레이션하는 단계; 신호 전파가 포화된 상태에서 각 단백질에 대한 상기 약물 A 및 약물 B의 영향 정도를 판단하는 단계; 상기 약물 A 및 약물 B의 영향 정도에 기초하여 각 약물 사이의 약력학적 약물 상호 작용 스코어를 산출하는 단계;를 포함할 수 있다.
또한, 상기 약물 A 및 약물 B의 신호 전파는 Random Walk With Restart 알고리즘을 통해서 시뮬레이션될 수 있다.
또한, 상기 약물 A 및 약물 B의 영향 정도는 하기 수학식에 의하여 판단될 수 있다.
Figure 112015059243913-pat00003
(이 때, Vi(DrugA)는 Random Walk with Restart 알고리즘의 시뮬레이션이 끝난 후 약물 A의 단백질 i에서 Random Walker가 존재할 확률이다.)
본 발명에 따르면, 복합 약물을 복용하는 사람들이 가질 수 있는 약물 부작용을 사전에 예측하고 예방할 수 있도록 하는 효과가 있다.
또한, 본 발명은 제안한 방법을 통해서 약력학적 약물 상호 작용을 미리 예측하여 예방할 수 있기 때문에 국민 건강에 기여하는 효과가 크다고 볼 수 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로서 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명에 의한 프레임워크의 구분을 나타낸 도면이다.
도 2는 본 발명에 의하여 제안된 프레임워크를 도식화한 도면이다.
도 3은 본 발명에 의한 방법론과 기존의 방법론과의 정확도를 비교한 그래프이다.
도 4는 본 발명에 의한 단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용을 예측하는 장치에 대한 구성도이다.
도 5는 본 발명에 의한 단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용을 예측하는 방법에 대한 순서도이다.
이하에서는 첨부한 도면을 참조하여 본 발명에 의한 단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용을 예측하는 장치 및 방법에 대한 바람직한 실시예들을 자세히 설명한다. 우선 각 도면의 구성 요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면 상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
도 1은 본 발명의 세 가지 구분의 프레임워크를 나타낸 도면이다.
본 발명의 프레임워크는 본 발명의 알고리즘을 수행하기 위해서 필요한 데이터들의 전처리 단계(Data Preprocessing), Random Walk With Restart 알고리즘 수행하는 단계(Algorithm), 제안한 방법과 기존 방법을 비교하여 검증하는 단계(Validation and Analysis)로 구분된다.
도 2는 본 발명에 의하여 제안된 프레임워크를 도식화한 도면이다. 도 2를 참조하면 본 발명의 프레임워크는 다음과 같이 설명된다.
첫째, 단백질 상호 작용 네트워크에서 약물 A와 약물 B의 타겟으로부터 신호 전파를 Random Walk With Restart 알고리즘을 통해서 시뮬레이션한다.
둘째, 신호 전파가 포화(Saturation)된 상태에서 각 단백질에 대한 약물 영향 정도를 아래 수식 (2)를 참조하여 단백질 스코어(ProteinScore)를 구할 수 있다.
셋째, 아래 수식 (3)을 이용하여 각 약물 사이의 약력학적 약물 상호 작용 스코어(DDIScore)를 구할 수 있다.
Figure 112015059243913-pat00004
P(t)는 t 시간에서 각 노드에 Random Walker가 존재할 확률, r은 각 Time Step에서 Random Walker가 Restarting할 확률, W는 단백질 상호 작용 네트워크에서 Normalized Adjacency Matrix, Vi(DrugA) 는 Random Walk With Restart 알고리즘의 시뮬레이션이 끝난 후 약물 A의 단백질에서 Random Walker가 존재할 확률을 나타낸다.
도 2와 같이 약물 A가 단백질 2를 타겟으로 가지고, 약물 B가 단백질 4를 타겟으로 가진다고 가정한다. 환자가 약물 A와 B를 동시에 섭취하면, 목적 기관에 도달한 두 약물은 그들의 타겟으로부터 단백질 상호 작용(PPI, Protein-Protein Interaction) 네트워크를 통하여 신호가 전파된다. 각각의 신호 전파는 알려진 Random Walk With Restart 알고리즘을 통하여 시뮬레이션할 수 있다. 이 결과를 이용하여 단백질 상호 작용 네트워크 상에서 각 약물의 신호 전파가 서로 얼마나 중첩하는지 계산하여 신호 전파 간섭량을 정량화할 수 있다. 이 방법론은 두 약물의 신호 전파 간섭량이 많으면 서로 상호 작용할 수 있다고 가정한 예측 모델이다. 기존에 Huang et al.(Huang et al., Systematic Prediction of Pharmacodynamic Drug-Drug Interactions through Protein-Protein-Interaction Network, PLoS Computational Biology 2013)이 제안한 방법의 경우, 단백질 상호 작용 네트워크 상에서 두 약물의 타겟들 사이의 근거리 간섭만 고려하였다. 이 방법에서는 단백질 상호 작용 네트워크 상에서 두 약물의 타겟과 이웃 노드(이 네트워크 상에서 직접 연결된 다른 단백질)들이 서로 얼마나 중첩되는지 정량화(근거리 간섭)하는 방법을 이용하여 약물 상호 작용을 예측하였다. 하지만, 우리가 제안하는 방법은 단백질 상호 작용 네트워크 상에서 두 약물의 타겟의 신호의 전파를 모델링하여 약물 상호작용에 사용하였기 때문에 원거리 간섭까지 고려하였다고 생각할 수 있다
도 3은 본 발명에 의한 방법론과 기존의 방법론과의 정확도를 비교한 그래프이다. 본 발명에 의한 방법론과 기존의 방법론(Huang et al., PLoS Computational Biology 2013)과 정확도를 비교하였다. 도 3의 A는 DrugBank를 통해서 수집한 약력학적 약물 상호 작용을 정답셋으로 하여 확인한 정확도이고, 도 3의 B는 독립적인 데이터셋인 KEGG DRUG를 통해서 수집한 약력학적 약물 상호 작용을 정답셋으로 하여 확인한 정확도이다. 두 경우 모두 제안한 본 발명에 의한 방법론이 기존 방법론보다 높은 정확도를 가지는 것을 알 수 있다.
도 4는 단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용 예측 장치를 나타낸 것으로, 단백질 상호 작용 네트워크에서 약물 A의 신호 전파를 시뮬레이션하는 제 1산출부(100), 단백질 상호 작용 네트워크에서 약물 B의 신호 전파를 시뮬레이션하는 제 2산출부(200), 신호 전파가 포화된 상태에서, 각 단백질에 대한 약물 A 및 약물 B의 영향 정도를 판단하는 판단부(300), 약물 A과 약물 B 사이의 약력학적 약물 상호 작용 스코어를 산출하는 스코어 산출부(400)를 포함한다.
또한, 제 1산출부(100) 및 제 2산출부(100)는 Random Walk With Restart 알고리즘을 통해서 약물 A의 신호 전파 및 약물 B의 신호 전파를 각각 시뮬레이션한다.
또한, 약물 A 및 약물 B의 영향 정도는 하기 수학식에 기초하여 판단된다.
Figure 112015059243913-pat00005
(이 때, Vi(DrugA)는 Random Walk With Restart 알고리즘의 시뮬레이션이 끝난 후 약물 A의 단백질i에서 Random Walker가 존재할 확률이다. )
또한, 약물 A와 약물 B 사이의 약력학적 약물 상호 작용 스코어는 다음의 수학식에 기초하여 산출된다.
Figure 112015059243913-pat00006
도 5는 단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용 예측 방법을 나타내는 순서도이다. 제 1산출부(100)가 단백질 상호 작용 네트워크에서 약물 A의 신호 전파를 시뮬레이션하는 단계(S100), 제 2산출부(200)가 단백질 상호 작용 네트워크에서 약물 B의 신호 전파를 시뮬레이션하는 단계(S200), 신호 전파가 포화된 상태에서 각 단백질에 대한 상기 약물 A 및 약물 B의 영향 정도를 판단하는 단계(S300), 약물 A 및 약물 B의 영향 정도에 기초하여 각 약물 사이의 약력학적 약물 상호 작용 스코어를 산출하는 단계(S500)를 포함한다.
또한, 약물 A 및 약물 B의 신호 전파는 Random Walk With Restart 알고리즘을 통해서 시뮬레이션된다.
또한, 약물 A 및 약물 B의 영향 정도는 하기 수학식에 의하여 판단된다.
Figure 112015059243913-pat00007
(이 때, Vi(DrugA)는 Random Walk with Restart 알고리즘의 시뮬레이션이 끝난 후 약물 A의 단백질 i에서 Random Walker가 존재할 확률이다.)
또한, 약물 A와 약물 B 사이의 약력학적 약물 상호 작용 스코어는 하기 수학식에 의해 산출된다.
Figure 112015059243913-pat00008
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래 청구범위에 의해 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.
100 : 제 1산출부 200 : 제 2산출부
300 : 판단부 400 : 스코어 산출부

Claims (8)

  1. 단백질 상호 작용 네트워크에서 약물 A의 신호 전파를 시뮬레이션하는 제 1산출부(100);
    단백질 상호 작용 네트워크에서 약물 B의 신호 전파를 시뮬레이션하는 제 2산출부(200);
    신호 전파가 포화된 상태에서, 각 단백질에 대한 상기 약물 A 및 약물 B의 영향 정도를 판단하는 판단부(300);
    상기 약물 A와 약물 B 사이의 약력학적 약물 상호 작용 스코어를 산출하는 스코어 산출부(400);
    를 포함하는 단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용 예측 장치.
  2. 제 1항에 있어서,
    상기 제 1산출부(100) 및 상기 제 2산출부(200)는
    Random Walk With Restart 알고리즘을 통해서 상기 약물 A의 신호 전파 및 약물 B의 신호 전파를 각각 시뮬레이션하는 단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용 예측 장치.
  3. 제 1항에 있어서,
    상기 약물 A 및 약물 B의 영향 정도는 하기 수학식에 기초하여 판단되는 단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용 예측 장치.
    Figure 112015059243913-pat00009

    (이 때, Vi(DrugA)는 Random Walk With Restart 알고리즘의 시뮬레이션이 끝난 후 약물 A의 단백질 i에서 Random Walker가 존재할 확률이다.)
  4. 제 1항에 있어서,
    상기 약물 A와 약물 B 사이의 약력학적 약물 상호 작용 스코어는 다음의 수학식에 기초하여 산출되는 단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용 예측 장치.
    Figure 112015059243913-pat00010

  5. 제 1산출부(100)가 단백질 상호 작용 네트워크에서 약물 A의 신호 전파를 시뮬레이션하는 단계(S100);
    제 2산출부(200)가 단백질 상호 작용 네트워크에서 약물 B의 신호 전파를 시뮬레이션하는 단계(S200);
    신호 전파가 포화된 상태에서 각 단백질에 대한 상기 약물 A 및 약물 B의 영향 정도를 판단하는 단계(S300);
    상기 약물 A 및 약물 B의 영향 정도에 기초하여 각 약물 사이의 약력학적 약물 상호 작용 스코어를 산출하는 단계(S500); 를
    포함하는 단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용 예측 방법.
  6. 제 5항에 있어서,
    상기 약물 A 및 약물 B의 신호 전파는
    Random Walk With Restart 알고리즘을 통해서 시뮬레이션되는 단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용 예측 방법.
  7. 제 5항에 있어서,
    상기 약물 A 및 약물 B의 영향 정도는 하기 수학식에 의하여 판단되는 단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용 예측 방법.
    Figure 112015059243913-pat00011

    (이 때, Vi(DrugA)는 Random Walk with Restart 알고리즘의 시뮬레이션이 끝난 후 약물 A의 단백질 i에서 Random Walker가 존재할 확률이다.)
  8. 제 5항에 있어서,
    상기 약물 A와 약물 B 사이의 약력학적 약물 상호 작용 스코어는 하기 수학식에 의해 산출되는 단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용 예측 방법.
    Figure 112015059243913-pat00012
KR1020150086901A 2015-06-18 2015-06-18 단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용 예측 장치 및 방법 KR102334532B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150086901A KR102334532B1 (ko) 2015-06-18 2015-06-18 단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150086901A KR102334532B1 (ko) 2015-06-18 2015-06-18 단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20160149623A KR20160149623A (ko) 2016-12-28
KR102334532B1 true KR102334532B1 (ko) 2021-12-03

Family

ID=57724217

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150086901A KR102334532B1 (ko) 2015-06-18 2015-06-18 단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102334532B1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107742061B (zh) * 2017-09-19 2021-06-01 中山大学 一种蛋白质相互作用预测方法、系统和装置
KR102220653B1 (ko) 2017-10-30 2021-03-02 서울대학교산학협력단 심화 학습 기반의 약물-표적 단백질 간 상호작용 예측 시스템 및 그 방법
WO2019107804A1 (ko) * 2017-12-01 2019-06-06 한국과학기술원 약물의 구조 정보를 이용한 약물-약물 또는 약물-음식 상호작용 예측 방법
KR102288957B1 (ko) 2021-01-28 2021-08-12 주식회사 스탠다임 네트워크에서 질의 개체와 관련된 타겟 노드를 탐색하는 방법 및 시스템

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150049937A (ko) 2013-10-31 2015-05-08 한국전자통신연구원 네트워크를 통한 약물 부작용 데이터 수집 장치 및 그 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A. Cami 외, "Phermacointeraction Network Models predic unknown drug-drug interactions", PLOS ONE, 8권, 4호, 2013.04.
S. Vilar 외, "similarity-based modelling in large-scale prediction of drug-drug interactions", Nature Protocols 9, pp.2147-2163, 2014.

Also Published As

Publication number Publication date
KR20160149623A (ko) 2016-12-28

Similar Documents

Publication Publication Date Title
KR102334532B1 (ko) 단백질 상호 작용 네트워크에서 신호 전파 간섭을 통한 약력학적 약물 상호 작용 예측 장치 및 방법
JP2022511491A (ja) ニューラルネットワークを使用した集積回路フロアプランの生成
Wang et al. Dynamic poisson autoregression for influenza-like-illness case count prediction
CN104639406A (zh) 基于动态使用关系建模计算机网络拓扑
AU2021240156A1 (en) Quantum Control Pulse Generation Method And Apparatus, Device, And Storage Medium
EA200700394A1 (ru) Способ, устройство и система визуализации вероятностных моделей
US10537801B2 (en) System and method for decision making in strategic environments
US20170206154A1 (en) System and method for determining quality metrics for a question set
US10296844B2 (en) Automatic discovery of message ordering invariants in heterogeneous logs
Schneider et al. Using web search queries to monitor influenza-like illness: an exploratory retrospective analysis, Netherlands, 2017/18 influenza season
Xiao et al. Detecting protein complexes from active protein interaction networks constructed with dynamic gene expression profiles
CN113869599A (zh) 鱼类疫病发展预测方法、系统、设备及介质
US20170177755A1 (en) System and method for dynamically adjusting an emergency coordination simulation system
JP2017227994A (ja) 人流予測装置、パラメータ推定装置、方法、及びプログラム
Apenteng et al. The impact of the wavelet propagation distribution on SEIRS modeling with delay
JP2009140222A (ja) Ｌｓｉの電力見積方法及びその装置
US9501608B1 (en) Timing analysis of circuits using sub-circuit timing models
WO2021068249A1 (zh) 运行时硬件模拟仿真方法、装置、设备及存储介质
Mu et al. Bayesian variable selection for the Cox regression model with spatially varying coefficients with applications to Louisiana respiratory cancer data
US20170322039A1 (en) Evacuation prediction system, evacuation prediction method, and computer-readable recording medium
JP2017173993A (ja) 情報処理装置、情報処理方法、及び、プログラム
US20170177767A1 (en) Configuration of large scale advection diffusion models with predetermined rules
US10949596B1 (en) System, method, and computer program product for simultaneous routing and placement in an electronic circuit design
US9582614B2 (en) Method and system for site and built environment information modeling and management
CN113744888A (zh) 区域流行病趋势预测预警方法及系统

Legal Events

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