KR102410443B1

KR102410443B1 - 딥러닝 기반 치매 예측 방법

Info

Publication number: KR102410443B1
Application number: KR1020190157864A
Authority: KR
Inventors: 안광성; 권도혜
Original assignee: 주식회사 메타젠바이오
Priority date: 2018-12-01
Filing date: 2019-12-01
Publication date: 2022-06-17
Also published as: KR20200066578A

Abstract

딥러닝 기반 치매 예측 방법이 개시된다. 본 발명의 일 실시예에 따른 딥러닝 기반 치매 예측 방법은, 치매 환자의 장내에 분포하는 세균총에 포함된 미생물, 바이러스 중 적어도 하나의 유전체 정보를 수신하는 단계, 상기 유전체 정보를 시퀀싱하여 상기 미생물, 바이러스들의 DNA 사슬을 구성하는 염기 서열 순서 정보를 획득하는 단계, 상기 염기 서열 순서 정보가 유사한 미생물, 바이러스들을 하나의 군집으로 형성하는 단계, 상기 군집화한 종을 계통별로 분류하여 치매 환자의 장내 세균총 분포도를 가상의 3차원 공간상에 생성하는 단계 및 상기 치매 환자의 장내 세균총 분포도와 일반 사용자의 장내 세균총 분포도의 유사도를 판단하여 상기 일반 사용자의 치매 발생 여부를 예측하는 단계를 포함한다.

Description

딥러닝 기반 치매 예측 방법{DEEP LEARNING BASED DEMENTIA PREDICTION METHOD}

본 발명은 딥러닝 기반 치매 예측 방법에 관한 것으로, 보다 상세하게는 치매 환자의 장내 세균총 분포 정보를 이용하여 사용자의 치매 발생 여부를 진단할 수 있는 딥러닝 기반 치매 예측 방법에 관한 것이다.

치매(Dementia)의 치료를 위한 연구는 20년 넘게 전 세계적으로 수행되었지만, 아직 완전한 치료 방법이 없는 상황이다.

특히, 초기 치매 환자는 기억력 저하 등을 제외하면 증상이 명확하지 않아 진단의 어려움이 있다. 따라서, 치매 발생 여부를 정확하게 진단하기 위해서는 전문가의 평가 또는 고가의 특수 검사 등을 필요로 한다.

치매 발생을 초기 단계 또는 사전에 진단할 수 있게 되면 환자의 치료와 요양에 소요되는 비용을 절감할 수 있게 되는바 이를 사전에 예측하고 진단하기 위한 기술 개발 노력이 이루어지고 있다.

한편, 다양한 질병의 원인 및 진행은 장내 세균과 관련성이 있다고 보고되고 있으며 특히 치매, 대장암을 포함한 다양한 질환에 관련이 있는 것으로 보고되고 있다.

이에, 치매 환자의 장내 세균총 분포를 이용하여 치매 발생 여부를 사전에 예측하고 진단할 수 있는 딥러닝 기반의 치매 예측 방법의 필요성이 대두되었다.

본 발명은 상술한 문제점을 해결하기 위해 안출된 것으로, 본 발명의 목적은 사용자의 장내 세균총 분포 데이터를 이용하여 그 사용자의 치매 발생 여부를 사전에 예측할 수 있는 딥러닝 기반의 치매 예측 방법을 제공하는데 있다.

본 발명의 또 다른 목적은 사용자가 응답한 질의 내용, 혈액 검사 정보를 이용하여 치매의 발생을 예측하고 사전에 진달할 수 있는 딥러닝 기반의 치매 예층 방법을 제공하는데 있다.

상술한 목적을 달성하기 위한 본 발명의 일 실시예에 따른 딥러닝 기반 치매 예측 방법은, 치매 환자의 장내에 분포하는 세균총에 포함된 미생물, 바이러스 중 적어도 하나의 유전체 정보를 수신하는 단계, 상기 유전체 정보를 시퀀싱하여 상기 미생물, 바이러스들의 DNA 사슬을 구성하는 염기 서열 순서 정보를 획득하는 단계, 상기 염기 서열 순서 정보가 유사한 미생물, 바이러스들을 하나의 군집으로 형성하는 단계, 상기 군집화한 종을 계통별로 분류하여 치매 환자의 장내 세균총 분포도를 가상의 3차원 공간상에 생성하는 단계 및 상기 치매 환자의 장내 세균총 분포도와 일반 사용자의 장내 세균총 분포도의 유사도를 판단하여 상기 일반 사용자의 치매 발생 여부를 예측하는 단계를 포함하는 딥러닝 기반 치매 예측 방법.

본 발명의 일 실시예에 따르면, 상기 염기 서열 순서 정보를 획득하는 단계는, 상기 미생물, 바이러스들에 포함된 16S rRNA의 염기 서열 순서 정보를 획득하는 단계를 포함할 수 있다.

본 발명의 일 실시예에 따르면, 상기 염기 서열 순서 정보가 유사한 미생물, 바이러스들을 하나의 군집으로 형성하는 단계는, 제1 염기 서열 순서와 제2 염기 서열 순서를 가로 방향 및 세로 방향으로 나열하는 단계; 염기가 동일한 위치에 임의의 식별자를 부가하는 단계; 상기 임의의 식별자의 연속된 길이가 기 설정된 기준값을 초과하는 부분만을 선정하는 단계 및 상기 선정된 부분을 상호 연결하여 상기 제1 염기 서열 순서 및 제2 염기 서열 순서의 시작점에서 제1 염기 서열 순서 및 제2 염기 서열 순서의 종료점까지의 최단 거리를 탐색하는 단계를 포함할 수 있다.

본 발명의 일 실시예에 따르면, 상기 제1 염기 서열 순서 및 제2 염기 서열 순서의 시작점에서 제1 염기 서열 순서 및 제2 염기 서열 순서의 종료점까지의 최단 거리를 상기 제1 염기 서열 순서와 상기 제2 염기 서열 순서의 유사도로 결정하는 단계를 더 포함할 수 있다.

본 발명의 일 실시예에 따르면, 상기 군집화한 종을 계통별로 분류하여 치매 환자의 장내 세균총 분포도를 가상의 3차원 공간상에 생성하는 단계는, 상기 군집의 특성과 관련한 인자들의 값을 축으로 하여 가상의 3차원 공간을 생성하는 단계; 상기 가상의 3차원 공간에 상호 유사한 미생물이나 바이러스의 군집을 플롯으로 표시하는 단계를 포함할 수 있다.

본 발명의 일 실시예에 따르면, 상기 군집의 특성과 관련한 인자들의 값을 축으로 하여 가상의 3차원 공간을 생성하는 단계는, 계통분류에서 특정 종 또는 속의 비율, 특정 미생물총의 비율, 특징 미생물군 유전체의 비율값을 축으로 하여 가상의 3차원 공간을 생성하는 단계를 포함할 수 있다.

상술한 딥러닝 기반 치매 예측 방법에 따르면, 전문가의 평가 또는 고가의 특수 검사를 수행하지 않더라도 치매 발생 여부를 사전에 예측하거나 진단할 수 있게 된다는 효과를 달성할 수 있다.

도 1은 본 발명의 일 실시예에 따른 딥러닝 기반 치매 예측 방법을 설명하기 위한 흐름도이다.
도 2 도 5는 본 발명의 일 실시예에 따라 세균총에 포함된 미생물이나 바이러스들의 유사도를 판단하는 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따라 가상의 3차원 공간상에 생성된 치매 환자의 장내 세균총 분포도를 설명하기 위한 도면이다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

또한, 본 명세서에서 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함될 수 있다. 명세서에서 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.

도 1은 본 발명의 일 실시예에 따른 딥러닝 기반 치매 예측 방법을 설명하기 위한 흐름도이다.

본 발명의 일 실시예에 따른 딥러닝 기반 치매 예측 방법은 치매 예측 프로그램이 설치된 단말 장치에서 수행될 수 있다.

사용자의 치매 발생 여부를 예측하기 위해, 먼저 치매 환자의 장내에 분포하는 세균총에 포함된 미생물, 바이러스 중 적어도 하나의 유전체 정보를 수신한다(S110).

세균총(bacterial flora)는 일정 장소에서 상호 균형을 유지하며 공존하는 미생물이나 바이러스, 박테리아 등의 집단을 의미한다. 예를 들어, 인간의 피부, 점막, 장관 등과 같이 외계와 통하고 있는 부분에 상주하는 수종의 비병원균을 의미한다.

또한, 세균총에 포함된 미생물, 바이러스 들의 유전체 정보는 범용적인 방법으로 추출된 미생물, 바이러스들의 DNA 정보를 의미한다.

이후, 유전체 정보를 시퀀싱하여 세균총에 포함된 미생물, 바이러스들의 DNA 사슬을 구성하는 염기 서열 순서 정보를 획득한다 (S120).

시퀀싱이란 DNA 사슬을 구성하는 염기 A, G, C, T가 결합된 서열 순서를 분석하는 것을 의미한다

상술한 세균총에 포함된 미생물, 바이러스, 박테라이 등의 염기 서열 순서 정보는 전체 염색체 DNA에 대한 PFGE(Pulsed Field Gel Electrophoresis),Southern blotting 과 RELP(Restriction Fragment Length Polymorphism), PCR-based locus specific RELP, REP(Repetitibe Extragenic Palindromic) PCR, CELP(Cleavase Fragment Length Polymorphism) 및 염기서열 분석(DNA Sequencing) 중 하나의 방법으로 획득될 수 있다.

염기 서열 순서 정보가 획득되면, 염기 서열 순서 정보가 유사한 미생물, 바이러스들을 하나의 군집으로 형성한다(S130).

S120 단계에서 획득된 염기 서열 순서 정보는 각각의 미생물, 바이러스들의 16S rRNA의 염기 서열 순서 정보일 수 있다.

16S rRNA는 단백질 합성에 핵심적인 역할을 하는 리보좀 유전자로 종과 속간의 분화에 따른 다형성 지역이 있어서 특정 분류군에만 존재하는 염기 서열을 가지고 있다.

동시에 이 유전자는 생명현상 유지에 필수적인 이차구조를 가지는 서열 부위가 있어 대부분의 생명체에 공통적으로 보존되어 있다. 따라서, 16S rRNA의 염기 서열 순서 정보를 이용하면 세균총에 포함된 미생물이나 바이러스 등을 계통적으로 분류할 수 있게 된다.

16S rRNA의 염기 서열 순서 정보를 이용하여 유사한 미생물, 바이러스들을 하나의 군집으로 형성하는 과정은 도 2에서 상세하게 설명하도록 한다.

이후, 군집화한 종을 계통별로 분류하여 치매 환자의 장내 세균총 분포도를 가상의 3차원 공간상에 생성한다(S140).

3차원 공간상에 표시되는 플롯(plot)들은 상호 유사한 미생물 및 바이러스의 군집을 의미한다. 또한, 서로 유사한 플롯들은 가상의 3차원 공간상에 인접하게 표시되는바 군집들의 관계성을 시각화된 정보로 확인할 수 있다.

치매 환자의 장내 세균총 분포도가 완성되면 일반 사용자의 장내 세균총 분포도와 유사도를 판단하여, 상기 일반 사용자의 치매 발생 여부를 예측한다(S150).

구체적으로, 다수의 치매 환자들의 장내 세균총 분포도에 대한 데이터를 학습시켜 치매 환자의 장내 세균총 분포도의 특징점을 도출하고, 일반 사용자의 장내 세균총 분포도에 상술한 특징점이 존재하는지 여부를 판단하여 치매 발생 여부를 사전에 예측할 수 있다.

이하에서는, 딥러닝 기반 치매 예측 방법의 각 단계들을 상세히 설명하도록 한다.

도 2 도 5는 본 발명의 일 실시예에 따라 세균총에 포함된 미생물이나 바이러스들의 유사도를 판단하는 과정을 설명하기 위한 도면이다.

상술한 바와 같이, 본 발명의 일 실시예에 따른 딥러닝 기반 치매 예측 방법은 세균총에 포함된 미생물, 바이러스들의 DNA 사슬을 구성하는 염기 서열 순서 정보를 획득하고, 그 염기 서열 순서 정보가 유사한 미생물, 바이러스들을 하나의 군집으로 형성한다.

염기 서열 순서 정보가 서로 유사한 미생물, 바이러스들을 선정하기 위해 먼저, 임의의 염기 서열 순서 정보를 가로 방향 및 세로 방향으로 나열한다.

예를 들어, 도 2에 도시된 바와 같이 임의의 제1 미생물의 염기 서열 순서인 제1 염기 서열 순서(210)를 가로 방향으로 나열하고, 임의의 제2 미생물의 염기 서열 순서인 제2 염기 서열 순서(220)를 세로 방향으로 나열한다.

이후, 염기 서열 순서 정보를 구성하는 염기가 동일한 위치에 임의의 식별자를 부가한다. 예를 들어, 제1 염기 서열 순서(210)와 제2 염기 서열 순서(220)의 첫번째 염기가 동일하므로 해당 위치에 임의의 식별자인 "0"을 부가한다.

마찬가지로, 제1 염기 서열 순서(210)의 두번째 염기와 제2 염기 서열 순서(220)의 세번째 염기가 동일하므로 해당 위치에 임의의 식별자인 "0"을 부가한다.

상술한 과정을 비교 대상인 염기 서열 순서들 전체에 대해 수행하고, 임의의 식별자가 연속하여 부가된 부분을 연결하면, 도 3에 도시된 바와 같은 결과물을 얻을 수 있다.

이후, 임의의 식별자가 연속하게 부가된 부분 중, 연속된 길이가 기 설정된 기준값을 초과하는 부분만을 선정한다. 식별자가 소정의 길이 이상만큼 연속하여 부가된 부분을 선정하면 도 4에 도시된 바와 같은 결과물을 얻을 수 있다.

제1 염기 서열 순서(210) 및 제2 염기 서열 순서(220)의 시작점에서 종료점까지의 최단 경로를 탐색하기 위해, 도 4에서 선정된 부분을 상호 연결한다.

도 5에는 도 4에서 선정된 부분을 연결한 최단 경로가 도시되어 있다. 도 5에 도시된 제1 염기 서열 순서(210) 및 제2 염기 서열 순서(220)의 최단 경로의 길이가 제1 미생물과 제2 미생물의 유사도를 의미한다.

도 2 내지 도 5에서 설명한 과정을 치매 환자의 장내 세균총에 포함된 모든 미생물, 바이러스들에 대해 수행하면 장내 세균총에 포함된 미생물, 바이러스들의 상호 유사도를 판단할 수 있게 된다.

이후, 유사도가 기 설정된 기준값을 초과하는 미생물이나 바이러스들을 하나의 군집으로 형성하는 것이다.

도 6은 본 발명의 일 실시예에 따라 가상의 3차원 공간상에 생성된 치매 환자의 장내 세균총 분포도를 설명하기 위한 도면이다.

상술한 바와 같이, 장내 세균총 분포도에 표시된 하나의 픗롯들은 상호 유사한 미생물이나 바이러스의 군집을 의미한다. 또한, 가상의 3차원 공간상에서 각 플롯들의 거리는 플롯에 포함된 군집 상호간의 유사도를 의미한다.

즉, 서로 유사한 군집들은 3차원 공간상에서 인접하게 위치하게 된다. 반면, 그 특성이 서로 상이한 군집들은 3차원 공간상에서 원거리에 위치하게 된다.

가상의 3차원 공간을 구성하는 각 축은 군집의 특성과 관련한 인자들의 값이며 축에 적용되는 인자를 달리 적용하면 각 플롯의 위치가 달라질 수도 있다.

예를 들어, 군집의 특성과 관련한 인자는 계통분류에서 특정 종 또는 속의 비율, 특정 미생물총의 비율, 특징 미생물군 유전체의 비율일 수 있다.

본 발명의 일 실시예에 따른 딥러닝 기반 치매 예측 방법은, 복수의 치매 환자들에 대한 장내 세균총 분포도를 학습하여 치매 환자에서만 나타나는 분포도의 특성을 산출한다.

예를 들어, 분포도의 특성은 3차원 공간상에서의 특정 플롯의 절대적 위치, 다른 플롯과의 관계에서 나타나는 상대적 위치, 틀정 플롯에 포함된 미생물이나 바이러스들의 종류들에 대한 정보 중 어느 하나일 수 있다.

이후, 일반 사용자의 장내 세균총 분포도 정보가 수신되면 기존에 학습된 치매 환자의 장내 세균총 분포도와 유사도를 판단하여 그 결과에 따라 일반 사용자의 치매 발생 여부를 예측한다.

본 실시예와 관련된 기술 분야에서 통상의 지식을 가진 자는 상기된 기재의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 방법들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

Claims

치매 환자의 장내 세균총 분포도를 학습하고, 학습된 상기 치매 환자의 장내 세균총 분포도와 일반 사용자의 장내 세균총 분포도의 유사도를 비교하여 상기 일반 사용자의 치매 발생 여부를 예측하는 딥러닝 기반 치매 예측 장치에서 수행되는 치매 예측 방법에 있어서,
치매 환자의 장내에 분포하는 세균총에 포함된 미생물, 바이러스 중 적어도 하나의 유전체 정보를 수신하는 단계;
상기 유전체 정보를 시퀀싱하여 상기 미생물, 바이러스들의 DNA 사슬을 구성하는 염기 서열 순서 정보를 획득하는 단계;
상기 염기 서열 순서 정보가 유사한 미생물, 바이러스들을 하나의 군집으로 형성하는 단계;
군집화한 종을 계통별로 분류하여 상기 치매 환자의 장내 세균총 분포도를 학습하는 딥러닝 단계;
학습된 상기 치매 환자에게서만 나타나는 장내 세균총 분포도의 특성을 산출하여 가상의 3차원 공간상에 생성하는 단계; 및
일반 사용자의 장내 세균총 분포도 정보를 수신하여 딥러닝에 의해 학습된 상기 치매 환자의 장내 세균총 분포도와 상기 일반 사용자의 장내 세균총 분포도의 유사도를 판단하고, 판단 결과에 따라 상기 일반 사용자의 치매 발생 여부를 예측하는 단계를 포함하는 딥러닝 기반 치매 예측 방법.
제1항에 있어서,
상기 염기 서열 순서 정보를 획득하는 단계는,
상기 미생물, 바이러스들에 포함된 16S rRNA의 염기 서열 순서 정보를 획득하는 단계를 포함하는 딥러닝 기반 치매 예측 방법.
제1항에 있어서,
상기 염기 서열 순서 정보가 유사한 미생물, 바이러스들을 하나의 군집으로 형성하는 단계는,
제1 염기 서열 순서와 제2 염기 서열 순서를 가로 방향 및 세로 방향으로 나열하는 단계;
염기가 동일한 위치에 임의의 식별자를 부가하는 단계;
상기 임의의 식별자의 연속된 길이가 기 설정된 기준값을 초과하는 부분만을 선정하는 단계; 및
상기 선정된 부분을 상호 연결하여 상기 제1 염기 서열 순서 및 제2 염기 서열 순서의 시작점에서 제1 염기 서열 순서 및 제2 염기 서열 순서의 종료점까지의 최단 거리를 탐색하는 단계를 포함하는 딥러닝 기반 치매 예측 방법.
제3항에 있어서,
상기 제1 염기 서열 순서 및 제2 염기 서열 순서의 시작점에서 제1 염기 서열 순서 및 제2 염기 서열 순서의 종료점까지의 최단 거리를 상기 제1 염기 서열 순서와 상기 제2 염기 서열 순서의 유사도로 결정하는 단계를 더 포함하는 딥러닝 기반 치매 예측 방법.
제1항에 있어서,
상기 군집화한 종을 계통별로 분류하여 치매 환자의 장내 세균총 분포도를 가상의 3차원 공간상에 생성하는 단계는,
상기 군집의 특성과 관련한 인자들의 값을 축으로 하여 가상의 3차원 공간을 생성하는 단계;
상기 가상의 3차원 공간에 상호 유사한 미생물이나 바이러스의 군집을 플롯으로 표시하는 단계를 포함하는 딥러닝 기반 치매 예측 방법.
제5항에 있어서,
상기 군집의 특성과 관련한 인자들의 값을 축으로 하여 가상의 3차원 공간을 생성하는 단계는,
계통분류에서 특정 종 또는 속의 비율, 특정 미생물총의 비율, 특징 미생물군 유전체의 비율값을 축으로 하여 가상의 3차원 공간을 생성하는 단계를 포함하는 딥러닝 기반 치매 예측 방법.