KR102422169B1 - 당펩티드를 동정하기 위하여 인공지능 기반의 워크플로우를 추천하는 시스템 - Google Patents

당펩티드를 동정하기 위하여 인공지능 기반의 워크플로우를 추천하는 시스템 Download PDF

Info

Publication number
KR102422169B1
KR102422169B1 KR1020220057630A KR20220057630A KR102422169B1 KR 102422169 B1 KR102422169 B1 KR 102422169B1 KR 1020220057630 A KR1020220057630 A KR 1020220057630A KR 20220057630 A KR20220057630 A KR 20220057630A KR 102422169 B1 KR102422169 B1 KR 102422169B1
Authority
KR
South Korea
Prior art keywords
mass spectrum
glycopeptide
mass
workflow
target
Prior art date
Application number
KR1020220057630A
Other languages
English (en)
Inventor
박건욱
이남용
김광회
이상용
Original Assignee
주식회사 셀키
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 주식회사 셀키 filed Critical 주식회사 셀키
Priority to KR1020220057630A priority Critical patent/KR102422169B1/ko
Application granted granted Critical
Publication of KR102422169B1 publication Critical patent/KR102422169B1/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
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/20—Supervised data analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
    • G01N33/6803—General methods of protein analysis not limited to specific proteins or families of proteins
    • G01N33/6848—Methods of protein analysis involving mass spectrometry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
    • G06F3/04847—Interaction techniques to control parameter settings, e.g. interaction with sliders or dials
    • 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
    • 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
    • G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics
    • G16B50/30—Data warehousing; Computing architectures

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biotechnology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Urology & Nephrology (AREA)
  • Bioethics (AREA)
  • General Engineering & Computer Science (AREA)
  • Immunology (AREA)
  • Hematology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Software Systems (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Evolutionary Computation (AREA)
  • Cell Biology (AREA)
  • Epidemiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Microbiology (AREA)
  • Public Health (AREA)
  • Human Computer Interaction (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)

Abstract

본 발명의 다양한 실시예는, 당펩티드를 동정하기 위한 인공지능 기반의 워크플로우를 추천하는 전자 장치 및 그 동작 방법에 관한 것이다

Description

당펩티드를 동정하기 위하여 인공지능 기반의 워크플로우를 추천하는 시스템 {system for recommending an artificial intelligence-based workflow to identify glycopeptides}
본 발명은 당펩티드를 동정(biological identification)하기 위한 기술에 관한 것이다.
본 발명의 다양한 실시예는, 당펩티드를 동정하기 위한 인공지능 기반의 워크플로우를 추천하는 전자 장치 및 그 동작 방법에 관한 것이다.
인간의 혈액은 수많은 단백질들의 혼합체이며, 이중 50% 이상이 당단백질이다. 그러나, 당단백질은 당의 다양성과 복잡성때문에 단백체 분석에 비해 정성분석 또는 정량분석이 어렵다. 최근 고분해능 질량분석기의 도입으로 당이나 당단백질의 분석이 빠른 속도로 발전하고 있으나, 이와 같은 방법으로 분석된 결과를 이용하여 당단백질을 동정 및 정량할 수 있는 생물정보처리 기술이 미약하다.
단백질의 당화는 N-연결형과 O-연결형 당화로 구분된다. N-연결형의 당화는 소포체(ER)에서 일어나는 반면, O-연결형의 당화는 ER, 골지체 또는 세포질에서 일어난다. O-연결형 당화는 비-뮤신 타입(non-mucin type)과 뮤신 타입(mucin type)으로 분류되며, 포유류에서 발생하는 O-연결형 당화는 주로 뮤신 타입이다. 뮤신 타입의 당화는 주로 N-아세틸갈락토사민(GalNAc)이 세린 또는 트레오닌에 결합함으로써 시작되며, 돌리콜(dolichol)과 같은 전구체(precursor)의 도움 없이 바로 효소에 의해 일어나기 때문에 복잡하다. 또한, 뮤신 타입의 O-연결형 당단백질은 세포질이나 핵에서 주로 발견된다. 다만, O-연결형 당화는 N-연결형 당화에 비해 상대적으로 연구가 적어 아직까지 많이 알려져 있지 않다.
상대적으로 낮은 감도를 나타내는 O-연결형 당펩티드와 N-연결형 당펩티드를 동시에 효율적인 분석을 위해 최적화된 파라미터를 적용해야 한다. 또한 N-연결형과 O-연결형 당화는 다양한 변형 폼들을 가질 수 있으며, 매번 모든 변형 폼을 적용하여 파라미터를 미리 설정하기는 어렵다. 당화 변형 폼에는 Lactylation (72.02Da, C3H4O2), Sulfation (79.96Da, SO3), Methylation (14.02Da, CH2), Phosphorylation (79.97Da, PO3), O-Acetylation (42.01, C2H2O)등이 있다.
국내공개특허 제10-2015-0062915호 (2015.06.08) 국내공개특허 제10-2017-0032400호 (2017.03.22) 일본공개특허 제2006-518448호 (2006.08.10) 일본공개특허 제2021-081365호 (2021.05.27)
폴리펩티드의 질량 스펙트럼으로부터 사용자가 원하는 당펩티드의 질량 스펙트럼을 동정하기 위하여 사용자가 직접 워크플로우의 각 단계 및 파라미터를 조절하는 것은 시간적으로나 비용적으로나 많은 리소스가 소모된다.
본 발명의 다양한 실시예에 따른 전자 장치 및 그 동작 방법은, 폴리펩티드의 질량 스펙트럼으로부터 당펩티드의 질량 스펙트럼을 동정하는 과정에서, 사용자가 입력한 워크플로우의 각 단계 및 파라미터를 학습하여, 추후 분석하고자 하는 폴리펩티드 및/또는 당펩티드의 질량 스펙트럼을 입력 받을 때 인공지능 기반의 워크플로우 추천 모델을 이용하여, 최적의 워크플로우 및 파라미터 세트를 추천할 수 있다.
본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
다양한 실시예들에 따라서, 전자 장치는, 프로세서를 포함하고, 상기 프로세서는, 시료 내 당단백질을 가수분해하여 수득된 폴리펩티드의 질량 스펙트럼 및 동정(identify)하고자 하는 당펩티드의 질량 스펙트럼을 DNN(Deep Neural Network) 기반의 워크플로우 추천 인공지능 모델에 입력하고, 상기 워크플로우 추천 인공지능 모델을 이용하여 미리 저장된 복수의 제1 질량 스펙트럼들 중에서 상기 폴리펩티드의 질량 스펙트럼과 유사도가 가장 높은 제1 질량 스펙트럼을 판단하고, 상기 워크플로우 추천 인공지능 모델을 이용하여 상기 제1 질량 스펙트럼과 연관되는 미리 저장된 복수의 제2 질량 스펙트럼들 중에서 상기 당펩티드의 질량 스펙트럼과 유사도가 가장 높은 제2 질량 스펙트럼을 판단하고, 및 상기 워크플로우 추천 인공지능 모델을 이용하여 상기 제2 질량 스펙트럼에 의하여 특정된 워크플로우 및 상기 워크플로우의 각 단계에서 사용될 파라미터 세트를 추천하도록 설정될 수 있다.
다양한 실시예들에 따라서, 상기 프로세서는, 아래의 수학식 1을 이용하여, 상기 폴리펩티드의 질량 스펙트럼과 유사도가 가장 높은 제1 질량 스펙트럼을 판단하거나 상기 당펩티드의 질량 스펙트럼과 유사도가 가장 높은 제2 질량 스펙트럼을 판단하도록 설정될 수 있다.
[수학식 1]
Figure 112022049848753-pat00001
Si는 (x,y) 매트릭스이며, x는 n번째의 상대적인 피크 강도, y는 n번째의 피크의 질량을 나타낼 수 있다.
S'i는 (x',y') 매트릭스이며, x'은 n번째의 상대적인 피크 강도, y'은 n번째의 피크의 질량을 나타낼 수 있다.
다양한 실시예들에 따라서, 상기 프로세서는, 타겟 폴리펩티드의 질량 스펙트럼으로부터 타겟 당펩티드의 질량 스펙트럼을 동정하는 과정을 모니터링하고, 및 상기 워크플로우 추천 인공지능 모델 내의 상기 복수의 제1 질량 스펙트럼들 각각에 대하여 상기 타겟 폴리펩티드의 질량 스펙트럼의 유사도가 제1 값 이하인지를 판단하도록 설정될 수 있다.
다양한 실시예들에 따라서, 상기 프로세서는, 상기 복수의 제1 질량 스펙트럼들 전부에 대하여, 상기 타겟 폴리펩티드의 질량 스펙트럼의 유사도가 제1 값 이하인 경우: 상기 타겟 폴리펩티드의 질량 스펙트럼을 상기 복수의 제1 질량 스펙트럼들의 새로운 카테고리에 추가하도록 상기 워크플로우 추천 인공지능 모델을 업데이트하고, 및 상기 타겟 당펩티드의 질량 스펙트럼을 상기 타겟 폴리펩티드의 질량 스펙트럼에 연관시키고, 상기 동정하는 과정에서 사용된 특정 워크플로우 및 상기 특정 워크플로우에서 사용된 파라미터 세트를 상기 타겟 당펩티드의 질량 스펙트럼에 연관시키도록 상기 워크플로우 추천 인공지능 모델을 업데이트하고, 상기 복수의 제1 질량 스펙트럼들의 적어도 일부에 대하여, 상기 타겟 폴리펩티드의 질량 스펙트럼의 유사도가 상기 제1 값을 초과하는 경우: 상기 적어도 일부의 제1 질량 스펙트럼 중에서 상기 타겟 폴리펩티드의 질량 스펙트럼과 유사도가 가장 높은 질량 스펙트럼과 연관되는 복수의 제3 질량 스펙트럼들 각각에 대하여, 상기 타겟 당펩티드의 질량 스펙트럼의 유사도가 제2 값 이하인지를 판단하도록 설정될 수 있다.
다양한 실시예들에 따라서, 상기 프로세서는, 상기 복수의 제3 질량 스펙트럼들 전부에 대하여, 상기 타겟 당펩티드의 질량 스펙트럼의 유사도가 상기 제2 값 이하인 경우: 상기 타겟 당펩티드의 질량 스펙트럼을 상기 복수의 제3 질량 스펙트럼들의 새로운 카테고리에 추가하도록 상기 워크플로우 추천 인공지능 모델을 업데이트하고, 및 상기 동정하는 과정에서 사용된 상기 특정 워크플로우 및 상기 특정 워크플로우에서 사용된 상기 파라미터 세트를 상기 타겟 당펩티드의 질량 스펙트럼에 연관시키도록 상기 워크플로우 추천 인공지능 모델을 업데이트하도록 설정될 수 있다.
다양한 실시예들에 따라서, 상기 프로세서는, 상기 복수의 제3 질량 스펙트럼들의 적어도 일부에 대하여, 상기 타겟 당펩티드의 질량 스펙트럼의 유사도가 상기 제2 값을 초과하는 경우, 상기 적어도 일부의 제3 질량 스펙트럼 중에서 상기 타겟 당펩티드의 질량 스펙트럼과 유사도가 가장 높은 비교대상 당펩티드의 질량 스펙트럼을 판단하고, 상기 복수의 제3 질량 스펙트럼에서 상기 비교대상 당펩티드의 질량 스펙트럼을 제외한 나머지 질량 스펙트럼에 대한 상기 타겟 당펩티드의 질량 스펙트럼의 제1 평균 유사도 및 상기 비교대상 당펩티드의 질량 스펙트럼의 제2 평균 유사도를 산출하고, 상기 제1 평균 유사도와 상기 제2 평균 유사도를 비교하고, 상기 제1 평균 유사도가 상기 제2 평균 유사도 보다 낮은 경우, 상기 복수의 제3 질량 스펙트럼들에 포함된 상기 비교대상 당펩티드의 질량 스펙트럼을 상기 타겟 당펩티드의 질량 스펙트럼으로 대체시키고, 상기 비교대상 당펩티드의 질량 스펙트럼에 의하여 특정된 워크플로우 및 파라미터 세트를 상기 타겟 당펩티드의 질량 스펙트럼을 동정하기 위하여 사용된 워크플로우 및 파라미터 세트로 대체시키도록 상기 워크플로우 추천 인공지능 모델을 업데이트하고, 및 상기 제1 평균 유사도가 상기 제2 평균 유사도 보다 높은 경우, 상기 복수의 제3 질량 스펙트럼들에 포함된 상기 비교대상 당펩티드의 질량 스펙트럼을 유지하고, 상기 비교대상 당펩티드의 질량 스펙트럼에 의하여 특정된 상기 워크플로우 및 상기 파라미터 세트를 유지하도록 상기 워크플로우 추천 인공지능 모델을 처리하도록 설정될 수 있다.
다양한 실시예들에 따라서, 전자 장치는 카메라, 디스플레이, 및 프로세서를 포함하고, 상기 프로세서는: 상기 카메라를 통하여 상기 전자 장치의 사용자의 얼굴 이미지를 획득하고, 사용자의 얼굴 이미지에 딥러닝 기반 얼굴 인증 방식을 수행하여 상기 사용자가 유효한 사용자인 경우, 상기 전자 장치의 잠금 모드를 해제하고, 시료 내 당단백질을 가수분해하여 수득된 폴리펩티드의 질량 스펙트럼 및 동정(identify)하고자 하는 당펩티드의 질량 스펙트럼을 획득하고, 참조 테이블 내의 미리 저장된 복수의 제1-1 질량 스펙트럼들 중에서 상기 폴리펩티드의 질량 스펙트럼과 유사도가 가장 높은 제1-2 질량 스펙트럼을 판단하고, 상기 참조 테이블 내의 상기 제1-2 질량 스펙트럼과 연관되는 미리 저장된 복수의 제2-1 질량 스펙트럼들 중에서 상기 당펩티드의 질량 스펙트럼과 유사도가 가장 높은 제2-2 질량 스펙트럼을 판단하고, 상기 참조 테이블을 이용하여, ⓐ 상기 제2-2 질량 스펙트럼에 의하여 특정된 워크플로우를 추천하고, ⓑ 상기 특정된 워크플로우의 각 단계에서 사용될 파라미터 세트를 추천하기 위하여 상기 특정된 워크플로우 및 상기 파라미터 세트를 상기 디스플레이 상에 표시하고, 상기 프로세서는, 아래의 수학식 1을 이용하여, 상기 폴리펩티드의 질량 스펙트럼과 유사도가 가장 높은 제1-2 질량 스펙트럼을 판단하거나 상기 당펩티드의 질량 스펙트럼과 유사도가 가장 높은 제2-2 질량 스펙트럼을 판단하되, [수학식 1]
Figure 112022049848753-pat00002
, Si는 상기 폴리펩티드의 질량 스펙트럼 또는 상기 당펩티드의 질량 스펙트럼에 상응하는 (x,y) 매트릭스를 나타내고, x는 n번째의 상대적인 피크 강도를 나타내고, y는 n번째의 피크의 질량을 나타내고, S'i는 상기 폴리펩티드의 질량 스펙트럼 또는 상기 당펩티드의 질량 스펙트럼과의 유사도가 판단되는 다른 질량 스펙트럼에 상응하는 (x',y') 매트릭스를 나타내고, x'은 n번째의 상대적인 피크 강도를 나타내고, y'은 n번째의 피크의 질량을 나타내고, 상기 프로세서는: 타겟 폴리펩티드의 질량 스펙트럼으로부터 타겟 당펩티드의 질량 스펙트럼을 동정하는 과정을 모니터링하고, 상기 참조 테이블 내의 상기 복수의 제1-1 질량 스펙트럼들 각각에 대하여 상기 타겟 폴리펩티드의 질량 스펙트럼의 유사도가 제1 값 이하인지를 판단하고, 상기 복수의 제1-1 질량 스펙트럼들 전부에 대하여, 상기 타겟 폴리펩티드의 질량 스펙트럼의 유사도가 제1 값 이하인 경우: ① 상기 타겟 폴리펩티드의 질량 스펙트럼을 상기 복수의 제1-1 질량 스펙트럼들의 새로운 카테고리에 추가하도록 상기 참조 테이블을 업데이트하고, ② 상기 타겟 당펩티드의 질량 스펙트럼을 상기 타겟 폴리펩티드의 질량 스펙트럼에 연관시키고, 상기 동정하는 과정에서 사용된 특정 워크플로우 및 상기 특정 워크플로우에서 사용된 파라미터 세트를 상기 타겟 당펩티드의 질량 스펙트럼에 연관시키도록 상기 참조 테이블을 업데이트하도록 설정될 수 있다.
다양한 실시예들에 따라서, 상기 프로세서는, 상기 복수의 제1-1 질량 스펙트럼들의 적어도 일부에 대하여, 상기 타겟 폴리펩티드의 질량 스펙트럼의 유사도가 상기 제1 값을 초과하는 경우: 상기 복수의 제1-1 질량 스펙트럼들의 적어도 일부 중에서 상기 타겟 폴리펩티드의 질량 스펙트럼과 유사도가 가장 높은 질량 스펙트럼과 연관되는 복수의 제3 질량 스펙트럼들 각각에 대하여, 상기 타겟 당펩티드의 질량 스펙트럼의 유사도가 제2 값 이하인지를 판단하도록 설정될 수 있다.
다양한 실시예들에 따라서, 상기 프로세서는, 상기 복수의 제3 질량 스펙트럼들 전부에 대하여, 상기 타겟 당펩티드의 질량 스펙트럼의 유사도가 상기 제2 값 이하인 경우: 상기 타겟 당펩티드의 질량 스펙트럼을 상기 복수의 제3 질량 스펙트럼들의 새로운 카테고리에 추가하도록 상기 참조 테이블을 업데이트하고, 및 상기 동정하는 과정에서 사용된 상기 특정 워크플로우 및 상기 특정 워크플로우에서 사용된 상기 파라미터 세트를 상기 타겟 당펩티드의 질량 스펙트럼에 연관시키도록 상기 참조 테이블을 업데이트하도록 설정될 수 있다.
다양한 실시예들에 따라서, 상기 프로세서는, 상기 복수의 제3 질량 스펙트럼들의 적어도 일부에 대하여, 상기 타겟 당펩티드의 질량 스펙트럼의 유사도가 상기 제2 값을 초과하는 경우: 상기 적어도 일부의 제3 질량 스펙트럼 중에서 상기 타겟 당펩티드의 질량 스펙트럼과 유사도가 가장 높은 비교대상 당펩티드의 질량 스펙트럼을 결정하고, 상기 복수의 제3 질량 스펙트럼에서 상기 비교대상 당펩티드의 질량 스펙트럼을 제외한 나머지 질량 스펙트럼 각각에 대한 상기 타겟 당펩티드의 질량 스펙트럼의 유사도의 평균 값인 제1 평균 유사도를 산출하고, 상기 나머지 질량 스펙트럼 각각에 대한 상기 비교대상 당펩티드의 질량 스펙트럼의 유사도의 평균 값인 제2 평균 유사도를 산출하며, 상기 제1 평균 유사도 및 상기 제2 평균 유사도를 비교하도록 설정될 수 있다.
다양한 실시예들에 따라서, 상기 프로세서는, 상기 제1 평균 유사도가 상기 제2 평균 유사도 보다 낮은 경우, 상기 비교대상 당펩티드의 질량 스펙트럼을 상기 타겟 당펩티드의 질량 스펙트럼으로 대체시키고, 상기 비교대상 당펩티드의 질량 스펙트럼에 의하여 특정된 워크플로우 및 파라미터 세트를 상기 타겟 당펩티드의 질량 스펙트럼을 동정하기 위하여 사용된 워크플로우 및 파라미터 세트로 대체시키도록 상기 참조 테이블을 업데이트하도록 설정될 수 있다.
다양한 실시예들에 따라서, 상기 프로세서는, 상기 제1 평균 유사도가 상기 제2 평균 유사도 보다 높은 경우, 상기 비교대상 당펩티드의 질량 스펙트럼을 유지하고, 상기 비교대상 당펩티드의 질량 스펙트럼에 의하여 특정된 상기 워크플로우 및 상기 파라미터 세트를 유지하도록 상기 참조 테이블을 유지하도록 설정될 수 있다.
본 발명의 다양한 실시예에 따라, 최신의 고분해능 질량분석기로부터 얻은 질량 스펙트럼의 결과를 이용하여 일반 펩티드에 비해 상대적으로 낮은 감도(또는 농도)로 존재하는 당펩티드를 효율적이고 정확히 동정하기 위하여 인공지능 기반의 워크플로우 및 워크플로우에서 사용될 파라미터 세트를 추천하는 방법을 제공함으로써 질량분석 전문가가 아니어도 쉽게 질량 스펙트럼을 분석하는 방법을 제공할 수 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 특정한 바람직한 실시예들의 상기에서 설명한 바와 같은 또한 다른 측면들과, 특징들 및 이득들은 첨부 도면들과 함께 처리되는 하기의 설명으로부터 보다 명백하게 될 것이다.
도 1은 본 발명의 다양한 실시예에 따른 전자 장치 및 네트워크의 블록도를 도시한다.
도 2는 다양한 실시예에 따른 전자 장치의 블록도이다.
도 3은 다양한 실시예들에 따른, 전자 장치가 인공지능 기반의 워크플로우를 추천하는 방법을 설명하기 위한 흐름도이다.
도 4는 다양한 실시예들에 따른, 워크플로우 추천 인공지능 모델에 의하여 학습 분류된 폴리펩티드의 질량 스펙트럼, 당펩티드의 질량 스펙트럼, 상기 당펩티드를 동정하기 위한 최적의 워크플로우, 및 상기 워크플로우에서 사용되는 최적의 파라미터 세트들의 관계를 나타내는 표를 도시한다.
도 5는 다양한 실시예들에 따른, 스펙트럼 유사도의 예를 도시한다.
도 6a 내지 도 6c는 다양한 실시예들에 따른, 워크플로우들의 예를 도시한다.
도 7은 다양한 실시예들에 따른, 파라미터 세트의 예를 도시한다.
도 8은 다양한 실시예들에 따른, 전자 장치가 워크플로우 추천 인공지능 모델을 학습하는 방법을 설명하기 위한 흐름도이다.
도 9는 다양한 실시예들에 따른, 워크플로우 추천 인공지능 모델에 의하여 도 4의 표에 추가되는 폴리펩티드의 질량 스펙트럼, 당펩티드의 질량 스펙트럼, 상기 당펩티드를 동정하기 위한 최적의 워크플로우, 및 상기 워크플로우에서 사용되는 최적의 파라미터 세트들의 관계를 나타내는 표를 도시한다.
상기 도면들을 통해, 유사 참조 번호들은 동일한 혹은 유사한 엘리먼트들과, 특징들 및 구조들을 도시하기 위해 사용된다는 것에 유의해야만 한다.
이하, 본 문서의 다양한 실시예들이 첨부된 도면을 참조하여 기재된다. 실시예 및 이에 사용된 용어들은 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 및/또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 본 문서에서, "A 또는 B" 또는 "A 및/또는 B 중 적어도 하나" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. "제 1," "제 2," "첫째," 또는 "둘째,"등의 표현들은 해당 구성요소들을, 순서 또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에 "(기능적으로 또는 통신적으로) 연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제 3 구성요소)를 통하여 연결될 수 있다.
본 문서에서, "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, 하드웨어적 또는 소프트웨어적으로 "~에 적합한," "~하는 능력을 가지는," "~하도록 변경된," "~하도록 만들어진," "~를 할 수 있는," 또는 "~하도록 설계된"과 상호 호환적으로(interchangeably) 사용될 수 있다. 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(예: CPU 또는 application processor)를 의미할 수 있다.
본 문서의 다양한 실시예들에 따른 전자 장치는, 예를 들면, 스마트폰, 태블릿 PC, 이동 전화기, 영상 전화기, 전자책 리더기, 데스크탑 PC, 랩탑 PC, 넷북 컴퓨터, 워크스테이션, 서버, PDA, PMP(portable multimedia player), MP3 플레이어, 의료기기, 카메라, 또는 웨어러블 장치 중 적어도 하나를 포함할 수 있다. 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체형(예: 전자 의복), 신체 부착형(예: 스킨 패드 또는 문신), 또는 생체 이식형 회로 중 적어도 하나를 포함할 수 있다. 어떤 실시예들에서, 전자 장치는, 예를 들면, 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스, 홈 오토매이션 컨트롤 패널, 보안 컨트롤 패널, 미디어 박스(예: 삼성 HomeSyncTM, 애플TVTM, 또는 구글 TVTM), 게임 콘솔(예: XboxTM, PlayStationTM), 전자 사전, 전자 키, 캠코더, 또는 전자 액자 중 적어도 하나를 포함할 수 있다.
다른 실시예에서, 전자 장치는, 각종 의료기기(예: 각종 휴대용 의료측정기기(혈당 측정기, 심박 측정기, 혈압 측정기, 또는 체온 측정기 등), MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 또는 초음파기 등), 네비게이션 장치, 위성 항법 시스템(GNSS(global navigation satellite system)), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트 장치, 선박용 전자 장비(예: 선박용 항법 장치, 자이로 콤파스 등), 항공 전자기기(avionics), 보안 기기, 차량용 헤드 유닛(head unit), 산업용 또는 가정용 로봇, 드론(drone), 금융 기관의 ATM, 상점의 POS(point of sales), 또는 사물 인터넷 장치 (예: 전구, 각종 센서, 스프링클러 장치, 화재 경보기, 온도조절기, 가로등, 토스터, 운동기구, 온수탱크, 히터, 보일러 등) 중 적어도 하나를 포함할 수 있다. 어떤 실시예에 따르면, 전자 장치는 가구, 건물/구조물 또는 자동차의 일부, 전자 보드(electronic board), 전자 사인 수신 장치(electronic signature receiving device), 프로젝터, 또는 각종 계측 기기(예: 수도, 전기, 가스, 또는 전파 계측 기기 등) 중 적어도 하나를 포함할 수 있다. 다양한 실시예에서, 전자 장치는 플렉서블하거나, 또는 전술한 다양한 장치들 중 둘 이상의 조합일 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다. 본 문서에서, 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.
도 1을 참조하여, 다양한 실시예에서의, 네트워크 환경(100) 내의 전자 장치(101)가 기재된다. 전자 장치(101)는 버스(110), 프로세서(120), 메모리(130), 입출력 인터페이스(150), 디스플레이(160), 및 통신 인터페이스(170)를 포함할 수 있다. 이하 본 발명의 일 실시예에 따른 전자 장치(101)에 대해서는 도 1 및 도 2를 참조하여 후술하도록 한다.
도 3은 다양한 실시예들에 따른, 전자 장치(예: 도 1의 전자 장치(101))가 인공지능 기반의 워크플로우를 추천하는 방법을 설명하기 위한 흐름도이다.
도 4는 다양한 실시예들에 따른, 워크플로우 추천 인공지능 모델에 의하여 학습 분류된 폴리펩티드의 질량 스펙트럼, 당펩티드의 질량 스펙트럼, 상기 당펩티드를 동정하기 위한 최적의 워크플로우, 및 상기 워크플로우에서 사용되는 최적의 파라미터 세트들의 관계를 나타내는 표(또는 “참조 테이블”이라 칭할 수 있다)를 도시한다.
S410 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 시료 내 당단백질을 가수분해하여 수득된 폴리펩티드(polypeptide)의 질량 스펙트럼(mass spectrum) 및 동정(identify)하고자 하는 당펩티드(glycopeptide)의 질량 스펙트럼을 DNN(Deep Neural Network) 기반의 워크플로우 추천 인공지능 모델에 입력할 수 있다. 예를 들어, 사용자는 특정 폴리펩티드의 질량 스펙트럼으로부터 특정 당펩티드의 질량 스펙트럼을 분석하기 위하여, 상기 특정 폴리펩티드의 질량 스펙트럼 및 상기 특정 당펩티드의 질량 스펙트럼을 (DNN 기반의) 워크플로우 추천 인공지능 모델(및/또는 참조 테이블)에 입력할 수 있다.
일 실시예에 따르면, "당단백질의 가수분해"는 당단백질로부터 당(sugar)만을 분리하는 과정을 의미한다. 상기 가수분해 통상의 기술분야에 잘 알려진 방법이라면 어떠한 방법을 사용하여 수행될 수 있다. 특히, 상기 가수분해는 가수분해 효소를 사용하여 수행될 수 있고, 이는 구체적으로, 트립신(trypsin), 아르기닌 C(Arg-C), 아스파르트산 N(Asp-N), 글루탐산 C(Glu-C), 라이신 C(Lys-C), 키모트립신(chymotrypsin) 및 프로테나아제 K(proteinase K)로 구성된 군으로부터 선택된 효소로 수행될 수 있다.
일 실시예에 따르면, 폴리펩티드의 질량 스펙트럼은 폴리펩티드를 고분해능 질량분석기로 분석하여 획득될 수 있다. 구체적으로, 일반 펩티드에 비해 복잡하고, 다양성이 높으며 시료 내에 낮은 농도로 존재하는 당펩티드(예: O-연결형 당펩티드)를 효율적으로 정성 및 정량분석하기 위해 질량분석기를 이용할 수 있다. 상기 질량분석기로부터 수득된 결과를 M-스코어, S-스코어, Y-스코어 및 P-스코어를 이용하여 당펩티드를 동정하고, 동정된 당펩티드의 정량분석을 수행할 수 있다.
상기 질량분석기는 10,000 이상의 질량 분해능(resolution)을 갖고, 50 ppm 이하의 질량 정확도를 가질 수 있다. 일 실시예에 따르면, 상기 질량분석기는 OrbitrapTM 질량분석기 및/또는 Q ExactiveTM 질량분석기일 수 있다.
일 실시예에 따르면, (DNN 기반의) 워크플로우 추천 인공지능 모델은 데이터 전처리 프로세스, 학습/분류 프로세스, 데이터 후처리 프로세스 및 반복 학습/분류 프로세스에 대하여, 프로세스별로 조립되도록, 프로세스별 라이브러리에 분류되어 저장될 수 있다.
일 실시예에 따르면, (DNN 기반의) 워크플로우 추천 인공지능 모델은, ⓐ 폴리펩티드의 각 질량 스펙트럼, ⓑ 당펩티드의 각 질량 스펙트럼, ⓒ 사용자에 의하여 선택된 워크플로우의 각 단계, 및 ⓓ 사용자에 의하여 선택된 파라미터 세트를 학습함으로써(즉, ⓐ 내지 ⓓ에 상응하는 데이터들이 학습데이터로써 상기 (DNN 기반의) 워크플로우 추천 인공지능 모델에 입력될 수 있다), 추후에 입력된 폴리펩티드의 질량 스펙트럼으로부터 동정(biological identification)하고자 하는 당펩티드의 질량 스펙트럼을 추출하기에 적합한 워크플로우와 상기 워크플로우의 각 단계에서 입력되어야 할 파라미터 세트를 사용자(및/또는 사용자 단말)에게 추천할 수 있다. 일 예로, 또한 본 발명에서 사용자 단말은 전자 장치(102) 및/또는 전자 장치(104)에 상응할 수도 있다. 또한 본 발명에서 동정(biological identification)이라 함은 생물의 종을 각종 도감이나 검색표 등에 의하여 비교 검토하여 이미 밝혀진 분류군 중에서의 그 위치를 결정하는 것을 지칭할 수 있다.
S420 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 (DNN 기반의) 워크플로우 추천 인공지능 모델을 이용하여 미리 저장된 복수의 제1 질량 스펙트럼들 중에서 입력된 폴리펩티드의 질량 스펙트럼과 유사도가 가장 높은 제1 질량 스펙트럼을 판단할 수 있다. 이는 이미 질량 분석이 완료된 폴리펩티드들의 질량 스펙트럼들 중에서 입력된 폴리펩티드의 질량 스펙트럼과 가장 유사한 폴리펩티드의 질량 스펙트럼의 분석 환경을 사용자(및/또는 사용자 단말)에게 추천해주기 위함이다. 한편 이렇게 추천되는 정보는 전자 장치(101)의 입출력 인터페이스(150) 또는 디스플레이(160)를 통해 사용자에게 제공되거나, 사용자 단말(102, 104)의 입출력 인터페이스(미도시) 또는 디스플레이(미도시)를 통해 사용자에게 제공될 수 있다.
일 실시예에 따르면, 전자 장치(101)는 메모리(예: 도 1의 메모리(130))에 폴리펩티드들의 질량 스펙트럼에 관한 복수의 제1 질량 스펙트럼들을 저장할 수 있다. 예를 들어, 도 4를 참조하면, 전자 장치(101)는 메모리(130) 내에 저장된 참조 테이블에서의 제1 시료 내 당단백질을 가수분해하여 수득된 제1 폴리펩티드의 질량 스펙트럼(예: A1) 및 제2 시료 내 당단백질을 가수분해하여 수득된 제2 폴리펩티드의 질량 스펙트럼(예: A2)에 관한 데이터를 저장할 수 있고, 복수의 제1 질량 스펙트럼들(예: A1, A2) 중에서, 입력된 폴리펩티드의 질량 스펙트럼과 유사도가 가장 높은 제1 질량 스펙트럼(예: A1)을 판단할 수 있다.
이와 관련하여, 예를 들면, 질량 스펙트럼 간의 유사도(SS, spectral similarity)는 아래의 수학식 1에 의하여 계산될 수 있다.
[수학식 1]
Figure 112022049848753-pat00003
Si는 (x,y) 매트릭스이며, x는 n번째의 상대적인 피크 강도, y는 n번째의 상대적인 피크의 질량을 나타낸다.
S'i는 (x',y') 매트릭스이며, x'은 n번째의 상대적인 피크 강도, y'은 n번째의 상대적인 피크의 질량을 나타낸다.
S430 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 (DNN 기반의) 워크플로우 추천 인공지능 모델을 이용하여 및/또는 참조 테이블을 이용하여 상기 제1 질량 스펙트럼과 연관되는 미리 저장된 복수의 제2 질량 스펙트럼들 중에서 입력된 당펩티드의 질량 스펙트럼과 유사도가 가장 높은 제2 질량 스펙트럼을 판단할 수 있다. 이는 이미 질량 분석이 완료된 당펩티드들의 질량 스펙트럼들 중에서 입력된 당펩티드의 질량 스펙트럼과 가장 유사한 당펩티드의 질량 스펙트럼의 분석 환경을 사용자(및/또는 사용자 단말)에게 추천해주기 위함이다.
일 실시예에 따르면, 전자 장치(101)는 메모리(130)에 저장된 참조 테이블에서의 당펩티드들의 질량 스펙트럼에 관한 복수의 제2 질량 스펙트럼들을 저장할 수 있다. 예를 들어, 도 4를 참조하면, 전자 장치(101)는 메모리(130)에 저장된 참조 테이블 내에 제1 폴리펩티드의 질량 스펙트럼(예: A1)로부터 동정된 당펩티드의 질량 스펙트럼들(예: B1, B2, B3, ...) 및 제2 폴리펩티드의 질량 스펙트럼(예: A2)로부터 동정된 당펩티드의 질량 스펙트럼들(예: C1, C2, C3, ...)에 관한 데이터를 저장할 수 있고, 입력된 폴리펩티드의 질량 스펙트럼과 유사도가 가장 높은 제1 질량 스펙트럼(예: A1)과 연관되는 복수의 제2 질량 스펙트럼들(예: B1, B2, B3, ...) 중에서, 입력된 당펩티드의 질량 스펙트럼과 유사도가 가장 높은 제2 질량 스펙트럼(예: B1)을 판단할 수 있다. 일 실시예에 따르면, 입력된 당펩티드의 질량 스펙트럼과 유사도가 가장 높은 제2 질량 스펙트럼을 판단하는 방법은 S420 동작의 [수학식 1]을 이용할 수 있다.
예를 들어, 도 5를 참조하면, 전자 장치(101)는 [수학식 1]을 이용하여, 입력된 당펩티드의 질량 스펙트럼(예: TPLPPT~_(2HexNAc-2Hex))와 유사도(예: 0.97)가 가장 높은 제2 질량 스펙트럼(예: TPLPPT~_(2HexNAc-2Hex-NeuAc))을 판단할 수 있다.
S440 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 (DNN 기반의) 워크플로우 추천 인공지능 모델을 이용하여 및/또는 상기 참조 테이블을 이용하여 상기 제2 질량 스펙트럼에 의하여 특정된 워크플로우 및 상기 워크플로우의 각 단계에서 사용될 파라미터를 사용자에게 추천할 수 있다.
일 실시예에 따르면, 전자 장치(101)는 메모리(130)에 저장된 참조 테이블에서의 각각의 당펩티드의 질량 스펙트럼에 대응하는 워크플로우들을 저장할 수 있다. 예를 들어, 도 4를 참조하면, 전자 장치(101)는 메모리(130) 내에 저장된 참조 테이블에서의 제1 폴리펩티드의 질량 스펙트럼(예: A1)로부터 동정된 당펩티드들의 질량 스펙트럼들(예: B1, B2, B3)에 대응하는 워크플로우들(예: D1, D2, D3)을 저장할 수 있고, 제2 폴리펩티드의 질량 스펙트럼(예: A2)로부터 동정된 당펩티드들의 질량 스펙트럼들(예: C1, C2, C3)에 대응하는 워크플로우들(예: D4, D5, D6)을 저장할 수 있다. 한편, 워크플로우(work flow)들 각각은 (당펩티드의 질량 스펙트럼을 도출하기 위한) 복수의 단계를 포함할 수 있다.
예를 들어, 도 6a 내지 6c를 참조하면, 각각의 워크플로우는 해당 당펩티드의 질량 스펙트럼을 도출하기 위한 최적의 워크플로우를 의미할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 메모리(130)에 저장된 참조 테이블에서의 각각의 당펩티드의 질량 스펙트럼에 대응하는 워크플로우의 각 단계에서 사용될 파라미터 세트를 저장할 수 있다. 예를 들어, 도 4를 참조하면, 전자 장치(101)는 메모리(130) 내에 저장된 참조 테이블에서의 제1 폴리펩티드의 질량 스펙트럼(예: A1)로부터 동정된 당펩티드들의 질량 스펙트럼들(예: B1, B2, B3)에 대응하는 워크플로우들(예: D1, D2, D3)의 각 단계에서 사용될 파라미터 세트(예: E1, E2, E3)를 저장할 수 있고, 제2 폴리펩티드의 질량 스펙트럼(예: A2)로부터 동정된 당펩티드들의 질량 스펙트럼들(예: C1, C2, C3)에 대응하는 워크플로우들(예: D4, D5, D6)의 각 단계에서 사용될 파라미터 세트(예: E4, E5, E6)를 저장할 수 있다.
예를 들어, 도 7을 참조하면, 각각의 파라미터 세트는 해당 당펩티드의 질량 스펙트럼을 도출하기 위한 최적의 파라미터들을 의미할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 (DNN 기반의) 워크플로우 추천 인공지능 모델 내에서 및/또는 상기 참조 테이블로부터 상기 제2 질량 스펙트럼에 의하여 특정된 워크플로우 및 상기 워크플로우의 각 단계에서 사용될 파라미터 세트를 식별하고, 식별된 상기 워크플로우 및 상기 파라미터 세트를 사용자(및/또는 사용자 단말)에게 추천할 수 있다. 예를 들어, 도 4를 참조하면, 전자 장치(101)는 참조 테이블로부터, 입력된 폴리펩티드의 질량 스펙트럼과 유사도가 가장 높은 제1 질량 스펙트럼(예: A1) 및 상기 입력된 당펩티드의 질량 스펙트럼과 유사도가 가장 높은 제2 질량 스펙트럼(예: B1)에 의하여 특정된 제1 워크플로우(예: D1)과 상기 제1 워크플로우의 각 단계에서 사용될 파라미터 세트(예: E1)를 식별하고, 식별된 상기 제1 워크플로우 및 상기 제1 워크플로우의 각 단계에서 사용될 파라미터 세트를 사용자(및/또는 사용자 단말)에게 추천할 수 있다. 일 실시예에 따르면, 워크플로우 및/또는 파라미터 세트를 추천하는 동작은 워크플로우 및 파라미터 세트를 디스플레이(예: 도 1의 디스플레이(160)) 상에 표시하는 동작을 포함하거나, 워크플로우 및 파라미터 세트를 이용하여, 상기 입력된 폴리펩티드의 질량 스펙트럼을 분석하는 동작을 포함할 수 있다.
또한 본 발명에서 파라미터 세트는, 도 7에 도시된 바와 같이, 기본 옵션, Q-GPA, MS & MS/MS, 스코어(Score)에 대한 파라미터들을 포함할 수 있다.
일 예로, 기본 옵션에 관한 항목에는 Precursor mass tolerance, False Discovery Rate, Glycopeptide, MS/MS mass tolerance 등의 상위 카테고리가 포함될 수 있다. 또한 기본 옵션에 관한 항목에는 Precursor mass tolerance, Estimated FDR, Peptide modification search, O/N sorting factor, N-Glycopeptide search, O-Glycopeptide search, Multiple glycosylation sites, Glycan modification search, CID mass tolerance, HCD mass tolerance, ETD mass tolerance 등의 하위 카테고리가 포함될 수 있다. 한편, 상위 카테고리 각각과 하위 카테고리 각각의 연관 관계는 도 7을 참조한다.
일 예로, Q-GPA에 관한 항목에는 Show chromatogram, Retention time tolerance, In source decay, In source decay tolerance, Automatic spectrum annotation 등이 포함될 수 있다.
일 예로, MS & MS/MS에 관한 항목에는 Mono isotope peak selection method, Precursor charge, Precursor isolation window, isotope cluster tolerance, MS intensity threshold, MS/MS Count peaks, MS/MS noise threshold, Family search retention time tolerance 등이 포함될 수 있다.
일 예로, 스코어에 관한 항목에는 M-score threshold, M-score R2, M-score tolerance, Sialic acid score, S-score threshold, Y-score threshold, Y-rank, Y1-relative intensity 등이 포함될 수 있다.
도 8은 다양한 실시예들에 따른, 전자 장치(예: 도 1의 전자 장치(101))가 워크플로우 추천 인공지능 모델을 학습하는 방법을 설명하기 위한 흐름도이다.
도 9는 다양한 실시예들에 따른, (DNN 기반의) 워크플로우 추천 인공지능 모델에 의하여 도 4의 표(또는 “참조 테이블”이라 칭할 수 있다)에 추가되는 폴리펩티드의 질량 스펙트럼, 당펩티드의 질량 스펙트럼, 상기 당펩티드를 동정하기 위한 최적의 워크플로우, 및 상기 최적의 워크플로우에서 사용되는 최적의 파라미터 세트들의 관계를 나타내는 표를 도시한다.
S901 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 시료 내 당단백질을 가수분해하여 수득된 타겟 폴리펩티드의 질량 스펙트럼으로부터 타겟 당펩티드의 질량 스펙트럼을 동정하는 과정을 모니터링할 수 있다. 예를 들어, 전자 장치(101)는 사용자가 타겟 폴리펩티드의 질량 스펙트럼을 특정 워크플로우의 각 단계에 따라 특정 파라미터를 입력하여 타겟 당펩티드의 질량 스펙트럼을 동정(biological identification)하는 과정을 모니터링할 수 있다.
S903 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 (DNN, Deep Neural Network 기반의) 워크플로우 추천 인공지능 모델 내의 복수의 제1 질량 스펙트럼들 각각에 대하여 상기 타겟 폴리펩티드의 질량 스펙트럼의 유사도가 제1 값 이하인지를 판단할 수 있다.
예를 들어, 도 9를 참조하면, 전자 장치(101)는 복수의 제1 질량 스펙트럼들(예: A1, A2) 각각에 대하여 상기 타겟 폴리펩티드의 질량 스펙트럼과의 유사도를 판단할 수 있고, ㉮ 복수의 제1 질량 스펙트럼들 전부에 대하여, 타겟 폴리펩티드의 질량 스펙트럼의 유사도가 제1 값 이하인지를 판단하거나 및/또는 ㉯ 복수의 제1 질량 스펙트럼들의 적어도 일부에 대하여, 타겟 폴리펩티드의 질량 스펙트럼의 유사도가 제1 값을 초과하는지를 판단할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 전술한 S420 동작의 [수학식 1]을 이용하여 복수의 제1 질량 스펙트럼들과 타겟 폴리펩티드의 질량 스펙트럼 사이의 유사도를 판단할 수 있다.
S905 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 복수의 제1 질량 스펙트럼들 전부에 대하여, 타겟 폴리펩티드의 질량 스펙트럼의 유사도가 제1 값 이하인 경우, 상기 타겟 폴리펩티드의 질량 스펙트럼을 상기 복수의 제1 질량 스펙트럼들의 새로운 카테고리에 추가하도록 상기 워크플로우 추천 인공지능 모델 및/또는 참조 테이블을 업데이트(및/또는 재설정)할 수 있다.
예를 들어, 도 9를 참조하면, 전자 장치(101)는 타겟 폴리펩티드의 질량 스펙트럼을 상기 복수의 제1 질량 스펙트럼들의 새로운 카테고리(예: A3)에 추가하도록 상기 워크플로우 추천 인공지능 모델 및/또는 참조 테이블을 업데이트할 수 있다. 이 경우, 전자 장치(101)는 상기 타겟 폴리펩티드의 질량 스펙트럼(예: A3)으로부터 동정된 타겟 당펩티드의 질량 스펙트럼(예: G1)을 상기 타겟 폴리펩티드의 질량 스펙트럼에 연관시키고, 상기 동정하는 과정에서 사용된 워크플로우(예: H1) 및 상기 워크플로우에서 사용된 파라미터 세트(예: I1)를 상기 타겟 당펩티드의 질량 스펙트럼에 연관시키도록 상기 워크플로우 추천 인공지능 모델 및/또는 참조 테이블을 업데이트(및/또는 재설정)할 수 있다.
S907 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 복수의 제1 질량 스펙트럼들의 적어도 일부에 대하여, 상기 타겟 폴리펩티드의 질량 스펙트럼의 유사도가 제1 값을 초과하는 경우, 상기 적어도 일부의 제1 질량 스펙트럼 중에서 상기 타겟 폴리펩티드의 질량 스펙트럼과 유사도가 가장 높은 질량 스펙트럼과 연관되는 복수의 제2 질량 스펙트럼들 각각에 대하여 상기 타겟 당펩티드의 질량 스펙트럼의 유사도가 제2 값 이하인지를 판단할 수 있다.
예를 들어, 도 9를 참조하면, 전자 장치(101)는 상기 타겟 폴리펩티드의 질량 스펙트럼과 유사도가 가장 높은 폴리펩티드의 질량 스펙트럼(예: A1)과 연관되는 복수의 제2 질량 스펙트럼들(예: B1, B2, B3) 각각에 대하여, 상기 타겟 당펩티드의 질량 스펙트럼과의 유사도를 판단할 수 있고, ㉮ 복수의 제2 질량 스펙트럼들 전부에 대하여, 타겟 당펩티드의 질량 스펙트럼의 유사도가 제2 값 이하인지를 판단하거나 및/또는 ㉯ 복수의 제2 질량 스펙트럼들의 적어도 일부에 대하여, 타겟 당펩티드의 질량 스펙트럼의 유사도가 제2 값을 초과하는지를 판단할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 S420 동작의 [수학식 1]을 이용하여 복수의 제2 질량 스펙트럼들과 타겟 당펩티드의 질량 스펙트럼 사이의 유사도를 판단할 수 있다.
S909 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 복수의 제2 질량 스펙트럼들 전부에 대하여, 타겟 당펩티드의 질량 스펙트럼의 유사도가 제2 값 이하인 경우, 상기 타겟 당펩티드의 질량 스펙트럼을 상기 복수의 제2 질량 스펙트럼들의 새로운 카테고리에 추가하도록 상기 워크플로우 추천 인공지능 모델 및/또는 참조 테이블을 업데이트(및/또는 재설정)할 수 있다.
예를 들어, 도 9를 참조하면, 전자 장치(101)는 타겟 당펩티드의 질량 스펙트럼을 상기 복수의 제2 질량 스펙트럼들의 새로운 카테고리(예: B4)에 추가하도록 상기 워크플로우 추천 인공지능 모델 및/또는 참조 테이블을 업데이트(및/또는 재설정)할 수 있다. 이 경우, 전자 장치(101)는 상기 타겟 당펩티드를 동정하는 과정에서 사용된 워크플로우(예: D7) 및 상기 워크플로우에서 사용된 파라미터 세트(예: E7)를 상기 타겟 당펩티드의 질량 스펙트럼에 연관시키도록 상기 워크플로우 추천 인공지능 모델 및/또는 참조 테이블을 업데이트(및/또는 재설정)할 수 있다.
S911 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 복수의 제2 질량 스펙트럼들의 적어도 일부에 대하여, 상기 타겟 당펩티드의 질량 스펙트럼의 유사도가 제2 값을 초과하는 경우, 상기 적어도 일부의 제2 질량 스펙트럼 중에서 상기 타겟 당펩티드의 질량 스펙트럼과 유사도가 가장 높은 비교대상 당펩티드의 질량 스펙트럼을 판단할 수 있다.
예를 들어, 도 9를 참조하면, 전자 장치(101)는 복수의 제2 질량 스펙트럼들(예: B1, B2, B3)의 적어도 일부(예: B2, B3)에 대하여, 상기 타겟 당펩티드의 질량 스펙트럼의 유사도가 제2 값을 초과하는 경우, 상기 적어도 일부의 제2 질량 스펙트럼(예: B2, B3) 중에서 상기 타겟 당펩티드의 질량 스펙트럼과 유사도가 가장 높은 비교대상 당펩티드의 질량 스펙트럼(예: B2)을 판단할 수 있다.
S913 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 복수의 제2 질량 스펙트럼에서 상기 비교대상 당펩티드(예: B2)의 질량 스펙트럼을 제외한 나머지 질량 스펙트럼에 대한 상기 타겟 당펩티드의 질량 스펙트럼의 제1 평균 유사도 및 상기 비교대상 당펩티드의 질량 스펙트럼의 제2 평균 유사도를 산출할 수 있고, 상기 제1 평균 유사도와 상기 제2 평균 유사도를 비교할 수 있다.
예를 들어, 도 9를 참조하면, 전자 장치(101)는 복수의 제2 질량 스펙트럼(예: B1, B2, B3)에서 상기 비교대상 당펩티드의 질량 스펙트럼(예: B2)을 제외한 나머지 질량 스펙트럼(예: B1, B3) 각각에 대한 상기 타겟 당펩티드의 질량 스펙트럼의 유사도의 평균 값(즉, 제1 평균 유사도)를 산출하고, 상기 나머지 질량 스펙트럼(예: B1, B3) 각각에 대한 상기 비교대상 당펩티드의 질량 스펙트럼(예: B2)의 유사도의 평균 값(즉, 제2 평균 유사도)를 산출하며, 상기 제1 평균 유사도 및 상기 제2 평균 유사도를 비교할 수 있다.
일 실시예에 따르면, 전자 장치는 전술한 S420 동작의 [수학식 1]을 이용하여 복수의 제2 질량 스펙트럼에서 상기 비교대상 당펩티드의 질량 스펙트럼을 제외한 나머지 질량 스펙트럼 각각에 대한 상기 타겟 당펩티드의 질량 스펙트럼의 유사도와 상기 비교대상 당펩티드의 질량 스펙트럼의 유사도를 산출할 수 있다.
S915 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 상기 제1 평균 유사도가 상기 제2 평균 유사도 보다 낮은 경우, 복수의 제2 질량 스펙트럼들에 포함된 비교대상 당펩티드의 질량 스펙트럼을 타겟 당펩티드의 질량 스펙트럼으로 대체시키고, 상기 비교대상 당펩티드의 질량 스펙트럼에 의하여 특정된 워크플로우 및 파라미터 세트를 상기 타겟 당펩티드의 질량 스펙트럼을 동정하기 위하여 사용된 워크플로우 및 파라미터 세트로 대체시키도록 상기 워크플로우 추천 인공지능 모델 및/또는 참조 테이블을 업데이트(및/또는 재설정)할 수 있다.
예를 들어, 도 9를 참조하면, 전자 장치(101)는 상기 제1 평균 유사도가 상기 제2 평균 유사도 보다 낮은 경우, 복수의 제2 질량 스펙트럼들(예: B1, B2, B3)에 포함된 비교대상 당펩티드의 질량 스펙트럼(예: B2)을 타겟 당펩티드의 질량 스펙트럼(예: B5)으로 대체시키고, 상기 비교대상 당펩티드의 질량 스펙트럼(예: B2)에 의하여 특정된 워크플로우(예: D2) 및 파라미터 세트(예: E2)를 상기 타겟 당펩티드의 질량 스펙트럼(예: B5)을 동정하기 위하여 사용된 워크플로우(예: D8) 및 파라미터 세트(예: E8)로 대체시키도록 상기 워크플로우 추천 인공지능 모델 및/또는 참조 테이블을 업데이트(및/또는 재설정)할 수 있다.
S917 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 상기 제1 평균 유사도가 상기 제2 평균 유사도 보다 높은 경우, 복수의 제2 질량 스펙트럼들에 포함된 비교대상 당펩티드의 질량 스펙트럼을 유지하고, 상기 비교대상 당펩티드의 질량 스펙트럼에 의하여 특정된 워크플로우 및 파라미터 세트를 유지하도록 상기 워크플로우 추천 인공지능 모델 및/또는 참조 테이블을 처리할 수 있다.
예를 들어, 도 9를 참조하면, 전자 장치(101)는 상기 제1 평균 유사도가 상기 제2 평균 유사도 보다 높은 경우, 복수의 제2 질량 스펙트럼들(예: B1, B2, B3)에 포함된 비교대상 당펩티드의 질량 스펙트럼(예: B2)을 유지하고, 상기 비교대상 당펩티드의 질량 스펙트럼(예: B2)에 의하여 특정된 워크플로우(예: D2) 및 파라미터 세트(예: E2)를 유지하도록 상기 워크플로우 추천 인공지능 모델 및/또는 참조 테이블을 업데이트(및/또는 재설정)하지 않고 유지할 수 있다.
한편, 본 발명에서 DNN 기반의 워크플로우 추천 인공지능 모델(이하, '인공지능 모델'이라고 칭함)을 이용하기 위해 알아야 할 학습 데이터의 포맷은, ⓐ 폴리펩티드의 각 질량 스펙트럼(도 5의 그래프에 관한 데이터(예: 이미지)), ⓑ 당펩티드의 각 질량 스펙트럼(도 5의 그래프에 관한 데이터(예: 이미지)), ⓒ 사용자에 의하여 선택된 워크 플로우의 각 단계(도 6a및 도 6b의 각 단계에 관한 데이터(예: 텍스트)), 및 ⓓ 사용자에 의하여 선택된 파라미터 세트(도 7의 파라미터에 관한 데이터(예: 텍스트))로 구성될 수 있다(S410 동작의 설명에 의하여 지지).
또한, 폴리펩티드의 질량 스펙트럼 및 당펩티드의 질량 스펙트럼은 인공지능 모델의 입력 데이터에 해당하고(S410 동작의 설명 참조), 워크플로우 및 상기 워크플로우의 각 단계에서 사용될 파라미터 세트는 인공지능 모델의 출력 데이터에 해당한다(S440 동작의 설명 참조).
구체적으로, 인공지능 모델은 사용자가 폴리펩티드의 질량 스펙트럼으로부터 특정 당펩티드의 질량 스펙트럼을 동정하기 위하여 수행하는 워크플로우의 각 단계 및 상기 각 단계에서 사용되는 파라미터를 모니터링할 수 있고, 이 과정에서, (1) 폴리펩티드의 질량 스펙트럼, (2) 상기 폴리펩티드의 질량 스펙트럼으로부터 동정된당펩티드의 질량 스펙트럼, (3) 상기 당펩티드의 질량 스펙트럼을 동정하기 위해 사용자가 실행한 워크플로우, 및 (4) 상기 워크플로우의 각 단계에서 사용자가 입력한 파라미터 값을 학습하여 이에 관한 테이블을 저장할 수 있다(도 4의 설명 참조).
또한, 인공지능 모델이 학습된 데이터를 테이블로 저장하는 도중, 사용자가 특정 폴리펩티드의 질량 스펙트럼으로부터 특정 당펩티드의 질량 스펙트럼을 동정하기 위한 실험 환경을 알기 원할 경우, 인공지능 모델은 명세서 내의 [수학식 1]을 이용하여 상기 테이블로부터 특정 폴리펩티드의 질량 스펙트럼과 유사도가 가장 높은 질량 스펙트럼 및 특정 당펩티드의 질량 스펙트럼과 유사도가 가장 높은 질량 스펙트럼에 해당하는 데이터를 선택할 수 있고, 상기 데이터에 의하여 특정된 워크 플로우 및 파라미터 값들을 사용자에게 추천할 수 있다. 즉, 인공지능 모델은 [수학식 1]을 이용하여 상기 인공지능 모델에 의하여 업데이트 및 관리되는 테이블 내의 질량 스펙트럼 데이터와 사용자로부터 입력된 질량 스펙트럼 사이의 유사도를 계산(S420 동작 및 S430동작의 설명에 의하여 지지)함으로써, 사용자에게 추천할 워크플로우와 파라미터 세트를 결정할 수 있다.
또한 본 발명의 일 실시예는 다음과 같은 특징을 더 포함할 수도 있다.
다양한 실시예들에 따라서, 전자 장치(101, 201)는 카메라, 디스플레이, 및 프로세서를 포함할 수 있다. 이때 카메라는 도 2의 카메라 모듈(291)에 상응하고, 디스플레이는 도 2의 디스플레이(260)에 상응하고, 프로세서는 도 2의 프로세서(210)에 상응할 수 있다.
상기 프로세서는: 상기 카메라를 통하여 상기 전자 장치의 사용자의 얼굴 이미지를 획득하고, 사용자의 얼굴 이미지에 딥러닝 기반 얼굴 인증 방식을 수행하여 상기 사용자가 유효한 사용자인 경우, 상기 전자 장치의 잠금 모드를 해제하고, 시료 내 당단백질을 가수분해하여 수득된 폴리펩티드의 질량 스펙트럼 및 동정(identify)하고자 하는 당펩티드의 질량 스펙트럼을 획득하고, 참조 테이블 내의 미리 저장된 복수의 제1-1 질량 스펙트럼들 중에서 상기 폴리펩티드의 질량 스펙트럼과 유사도가 가장 높은 제1-2 질량 스펙트럼을 판단하고, 상기 참조 테이블 내의 상기 제1-2 질량 스펙트럼과 연관되는 미리 저장된 복수의 제2-1 질량 스펙트럼들 중에서 상기 당펩티드의 질량 스펙트럼과 유사도가 가장 높은 제2-2 질량 스펙트럼을 판단하고, 상기 참조 테이블을 이용하여, ⓐ 상기 제2-2 질량 스펙트럼에 의하여 특정된 워크플로우를 추천하고, ⓑ 상기 특정된 워크플로우의 각 단계에서 사용될 파라미터 세트를 추천하기 위하여 상기 특정된 워크플로우 및 상기 파라미터 세트를 상기 디스플레이 상에 표시하고, 상기 프로세서는, 아래의 수학식 1을 이용하여, 상기 폴리펩티드의 질량 스펙트럼과 유사도가 가장 높은 제1-2 질량 스펙트럼을 판단하거나 상기 당펩티드의 질량 스펙트럼과 유사도가 가장 높은 제2-2 질량 스펙트럼을 판단하되, [수학식 1]
Figure 112022049848753-pat00004
, Si는 상기 폴리펩티드의 질량 스펙트럼 또는 상기 당펩티드의 질량 스펙트럼에 상응하는 (x,y) 매트릭스를 나타내고, x는 n번째의 상대적인 피크 강도를 나타내고, y는 n번째의 피크의 질량을 나타내고, S'i는 상기 폴리펩티드의 질량 스펙트럼 또는 상기 당펩티드의 질량 스펙트럼과의 유사도가 판단되는 다른 질량 스펙트럼에 상응하는 (x',y') 매트릭스를 나타내고, x'은 n번째의 상대적인 피크 강도를 나타내고, y'은 n번째의 피크의 질량을 나타내고, 상기 프로세서는: 타겟 폴리펩티드의 질량 스펙트럼으로부터 타겟 당펩티드의 질량 스펙트럼을 동정하는 과정을 모니터링하고, 상기 참조 테이블 내의 상기 복수의 제1-1 질량 스펙트럼들 각각에 대하여 상기 타겟 폴리펩티드의 질량 스펙트럼의 유사도가 제1 값 이하인지를 판단하고, 상기 복수의 제1-1 질량 스펙트럼들 전부에 대하여, 상기 타겟 폴리펩티드의 질량 스펙트럼의 유사도가 제1 값 이하인 경우: ① 상기 타겟 폴리펩티드의 질량 스펙트럼을 상기 복수의 제1-1 질량 스펙트럼들의 새로운 카테고리에 추가하도록 상기 참조 테이블을 업데이트하고, ② 상기 타겟 당펩티드의 질량 스펙트럼을 상기 타겟 폴리펩티드의 질량 스펙트럼에 연관시키고, 상기 동정하는 과정에서 사용된 특정 워크플로우 및 상기 특정 워크플로우에서 사용된 파라미터 세트를 상기 타겟 당펩티드의 질량 스펙트럼에 연관시키도록 상기 참조 테이블을 업데이트하도록 설정될 수 있다.
다양한 실시예들에 따라서, 상기 프로세서는, 상기 복수의 제1-1 질량 스펙트럼들의 적어도 일부에 대하여, 상기 타겟 폴리펩티드의 질량 스펙트럼의 유사도가 상기 제1 값을 초과하는 경우: 상기 복수의 제1-1 질량 스펙트럼들의 적어도 일부 중에서 상기 타겟 폴리펩티드의 질량 스펙트럼과 유사도가 가장 높은 질량 스펙트럼과 연관되는 복수의 제3 질량 스펙트럼들 각각에 대하여, 상기 타겟 당펩티드의 질량 스펙트럼의 유사도가 제2 값 이하인지를 판단하도록 설정될 수 있다.
다양한 실시예들에 따라서, 상기 프로세서는, 상기 복수의 제3 질량 스펙트럼들 전부에 대하여, 상기 타겟 당펩티드의 질량 스펙트럼의 유사도가 상기 제2 값 이하인 경우: 상기 타겟 당펩티드의 질량 스펙트럼을 상기 복수의 제3 질량 스펙트럼들의 새로운 카테고리에 추가하도록 상기 참조 테이블을 업데이트하고, 및 상기 동정하는 과정에서 사용된 상기 특정 워크플로우 및 상기 특정 워크플로우에서 사용된 상기 파라미터 세트를 상기 타겟 당펩티드의 질량 스펙트럼에 연관시키도록 상기 참조 테이블을 업데이트하도록 설정될 수 있다.
다양한 실시예들에 따라서, 상기 프로세서는, 상기 복수의 제3 질량 스펙트럼들의 적어도 일부에 대하여, 상기 타겟 당펩티드의 질량 스펙트럼의 유사도가 상기 제2 값을 초과하는 경우: 상기 적어도 일부의 제3 질량 스펙트럼 중에서 상기 타겟 당펩티드의 질량 스펙트럼과 유사도가 가장 높은 비교대상 당펩티드의 질량 스펙트럼을 결정하고, 상기 복수의 제3 질량 스펙트럼에서 상기 비교대상 당펩티드의 질량 스펙트럼을 제외한 나머지 질량 스펙트럼 각각에 대한 상기 타겟 당펩티드의 질량 스펙트럼의 유사도의 평균 값인 제1 평균 유사도를 산출하고, 상기 나머지 질량 스펙트럼 각각에 대한 상기 비교대상 당펩티드의 질량 스펙트럼의 유사도의 평균 값인 제2 평균 유사도를 산출하며, 상기 제1 평균 유사도 및 상기 제2 평균 유사도를 비교하도록 설정될 수 있다.
다양한 실시예들에 따라서, 상기 프로세서는, 상기 제1 평균 유사도가 상기 제2 평균 유사도 보다 낮은 경우, 상기 비교대상 당펩티드의 질량 스펙트럼을 상기 타겟 당펩티드의 질량 스펙트럼으로 대체시키고, 상기 비교대상 당펩티드의 질량 스펙트럼에 의하여 특정된 워크플로우 및 파라미터 세트를 상기 타겟 당펩티드의 질량 스펙트럼을 동정하기 위하여 사용된 워크플로우 및 파라미터 세트로 대체시키도록 상기 참조 테이블을 업데이트하도록 설정될 수 있다.
다양한 실시예들에 따라서, 상기 프로세서는, 상기 제1 평균 유사도가 상기 제2 평균 유사도 보다 높은 경우, 상기 비교대상 당펩티드의 질량 스펙트럼을 유지하고, 상기 비교대상 당펩티드의 질량 스펙트럼에 의하여 특정된 상기 워크플로우 및 상기 파라미터 세트를 유지하도록 상기 참조 테이블을 유지하도록 설정될 수 있다.
다양한 실시예들에 따라서, 전자 장치는, 프로세서를 포함하고, 상기 프로세서는, 시료 내 당단백질을 가수분해하여 수득된 폴리펩티드의 질량 스펙트럼 및 동정(identify)하고자 하는 당펩티드의 질량 스펙트럼을 DNN(Deep Neural Network) 기반의 워크플로우 추천 인공지능 모델에 입력하고, 상기 워크플로우 추천 인공지능 모델을 이용하여 미리 저장된 복수의 제1 질량 스펙트럼들 중에서 상기 폴리펩티드의 질량 스펙트럼과 유사도가 가장 높은 제1 질량 스펙트럼을 판단하고, 상기 워크플로우 추천 인공지능 모델을 이용하여 상기 제1 질량 스펙트럼과 연관되는 미리 저장된 복수의 제2 질량 스펙트럼들 중에서 상기 당펩티드의 질량 스펙트럼과 유사도가 가장 높은 제2 질량 스펙트럼을 판단하고, 및 상기 워크플로우 추천 인공지능 모델을 이용하여 상기 제2 질량 스펙트럼에 의하여 특정된 워크플로우 및 상기 워크플로우의 각 단계에서 사용될 파라미터 세트를 추천하도록 설정될 수 있다.
다양한 실시예들에 따라서, 상기 프로세서는, 아래의 수학식 1을 이용하여, 상기 폴리펩티드의 질량 스펙트럼과 유사도가 가장 높은 제1 질량 스펙트럼을 판단하거나 상기 당펩티드의 질량 스펙트럼과 유사도가 가장 높은 제2 질량 스펙트럼을 판단하도록 설정될 수 있다.
[수학식 1]
Figure 112022049848753-pat00005
Si는 (x,y) 매트릭스이며, x는 n번째의 상대적인 피크 강도, y는 n번째의 피크의 질량을 나타낸다.
S'i는 (x',y') 매트릭스이며, x'은 n번째의 상대적인 피크 강도, y'은 n번째의 피크의 질량을 나타낸다.
다양한 실시예들에 따라서, 상기 프로세서는, 타겟 폴리펩티드의 질량 스펙트럼으로부터 타겟 당펩티드의 질량 스펙트럼을 동정하는 과정을 모니터링하고, 및 상기 워크플로우 추천 인공지능 모델 내의 상기 복수의 제1 질량 스펙트럼들 각각에 대하여 상기 타겟 폴리펩티드의 질량 스펙트럼의 유사도가 제1 값 이하인지를 판단하도록 설정될 수 있다.
다양한 실시예들에 따라서, 상기 프로세서는, 상기 복수의 제1 질량 스펙트럼들 전부에 대하여, 상기 타겟 폴리펩티드의 질량 스펙트럼의 유사도가 제1 값 이하인 경우: 상기 타겟 폴리펩티드의 질량 스펙트럼을 상기 복수의 제1 질량 스펙트럼들의 새로운 카테고리에 추가하도록 상기 워크플로우 추천 인공지능 모델을 업데이트하고, 및 상기 타겟 당펩티드의 질량 스펙트럼을 상기 타겟 폴리펩티드의 질량 스펙트럼에 연관시키고, 상기 동정하는 과정에서 사용된 특정 워크플로우 및 상기 특정 워크플로우에서 사용된 파라미터 세트를 상기 타겟 당펩티드의 질량 스펙트럼에 연관시키도록 상기 워크플로우 추천 인공지능 모델을 업데이트하고, 상기 복수의 제1 질량 스펙트럼들의 적어도 일부에 대하여, 상기 타겟 폴리펩티드의 질량 스펙트럼의 유사도가 상기 제1 값을 초과하는 경우: 상기 적어도 일부의 제1 질량 스펙트럼 중에서 상기 타겟 폴리펩티드의 질량 스펙트럼과 유사도가 가장 높은 질량 스펙트럼과 연관되는 복수의 제3 질량 스펙트럼들 각각에 대하여, 상기 타겟 당펩티드의 질량 스펙트럼의 유사도가 제2 값 이하인지를 판단하도록 설정될 수 있다.
다양한 실시예들에 따라서, 상기 프로세서는, 상기 복수의 제3 질량 스펙트럼들 전부에 대하여, 상기 타겟 당펩티드의 질량 스펙트럼의 유사도가 상기 제2 값 이하인 경우: 상기 타겟 당펩티드의 질량 스펙트럼을 상기 복수의 제3 질량 스펙트럼들의 새로운 카테고리에 추가하도록 상기 워크플로우 추천 인공지능 모델을 업데이트하고, 및 상기 동정하는 과정에서 사용된 상기 특정 워크플로우 및 상기 특정 워크플로우에서 사용된 상기 파라미터 세트를 상기 타겟 당펩티드의 질량 스펙트럼에 연관시키도록 상기 워크플로우 추천 인공지능 모델을 업데이트하도록 설정될 수 있다.
다양한 실시예들에 따라서, 상기 프로세서는, 상기 복수의 제3 질량 스펙트럼들의 적어도 일부에 대하여, 상기 타겟 당펩티드의 질량 스펙트럼의 유사도가 상기 제2 값을 초과하는 경우, 상기 적어도 일부의 제3 질량 스펙트럼 중에서 상기 타겟 당펩티드의 질량 스펙트럼과 유사도가 가장 높은 비교대상 당펩티드의 질량 스펙트럼을 판단하고, 상기 복수의 제3 질량 스펙트럼에서 상기 비교대상 당펩티드의 질량 스펙트럼을 제외한 나머지 질량 스펙트럼에 대한 상기 타겟 당펩티드의 질량 스펙트럼의 제1 평균 유사도 및 상기 비교대상 당펩티드의 질량 스펙트럼의 제2 평균 유사도를 산출하고, 상기 제1 평균 유사도와 상기 제2 평균 유사도를 비교하고, 상기 제1 평균 유사도가 상기 제2 평균 유사도 보다 낮은 경우, 상기 복수의 제3 질량 스펙트럼들에 포함된 상기 비교대상 당펩티드의 질량 스펙트럼을 상기 타겟 당펩티드의 질량 스펙트럼으로 대체시키고, 상기 비교대상 당펩티드의 질량 스펙트럼에 의하여 특정된 워크플로우 및 파라미터 세트를 상기 타겟 당펩티드의 질량 스펙트럼을 동정하기 위하여 사용된 워크플로우 및 파라미터 세트로 대체시키도록 상기 워크플로우 추천 인공지능 모델을 업데이트하고, 및 상기 제1 평균 유사도가 상기 제2 평균 유사도 보다 높은 경우, 상기 복수의 제3 질량 스펙트럼들에 포함된 상기 비교대상 당펩티드의 질량 스펙트럼을 유지하고, 상기 비교대상 당펩티드의 질량 스펙트럼에 의하여 특정된 상기 워크플로우 및 상기 파라미터 세트를 유지하도록 상기 워크플로우 추천 인공지능 모델을 처리하도록 설정될 수 있다.
또한 본 발명의 일 실시예는 다음과 같은 특징을 더 포함할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)는 워크플로우 추천 인공지능 모델이 워크플로우 및/또는 상기 워크플로우에 상응하는 파라미터 세트를 추천하기에 앞서, 상기 전자 장치(101)의 사용자가 워크플로우 및/또는 상기 워크플로우에 상응하는 파라미터 세트를 직접 입력하는 것을 기다리는, 즉 대기하는 입력 대기 시간(IWT, input waiting time)을 아래의 수학식 2를 이용하여 설정(또는 산출)할 수 있다.
[수학식 2]
Figure 112022049848753-pat00006
다양한 실시예들에 따르면, tav는 사용자가 전자 장치(102)에 (타겟) 폴리펩티드의 질량 스펙트럼 및/또는 (타겟) 당펩티드의 질량 스펙트럼이 입력된 후 (워크플로우 추천 인공지능 모델에 의해) 추천 워크플로우 및/또는 상기 추천 워크플로우에 상응하는 파라미터 세트가 도출되는데 소요되는 시간의 평균을 나타내고, nr는 상기 입력된 (타겟) 폴리펩티드의 질량 스펙트럼 및/또는 (타겟) 당펩티드의 질량 스펙트럼에 매칭되어 상기 전자 장치(102)에 저장된 워크플로우(또는 상기 추천 워크플로우에 상응하는 파라미터 세트)의 수, nto는 상기 전자 장치(102)에 저장된 워크플로우(또는 상기 추천 워크플로우에 상응하는 파라미터 세트)의 전체수, nin는 사용자가 전자 장치(102)에 입력한 (타겟) 폴리펩티드의 질량 스펙트럼 및/또는 (타겟) 당펩티드의 질량 스펙트럼의 수(인공지능망의 학습을 위해 워크플로우 추천 인공지능 모델에 학습데이터로써 입력된 폴리펩티드의 질량 스펙트럼 및/또는 당펩티드의 질량 스펙트럼을 의미하는 것이 아님), ta는 전자 장치(102)에 폴리펩티드의 질량 스펙트럼 및/또는 당펩티드의 질량 스펙트럼이 입력된 후 사용자가 전자 장치(102)를 통해 추천 워크플로우 및/또는 상기 추천 워크플로우에 상응하는 파라미터 세트를 직접 입력 및/또는 선택하기까지의 평균 시간을 나타낸다.
다양한 실시예들에 따르면, IWT, td, ta의 단위는 초, 분, 시간 중에 어느 하나로 동일하게 설정될 수 있다.
다양한 실시예들에 따르면, N, M은 임의의 값(예; '1' 또는 '2' 등) 또는 소정의 기준에 따라 전자 장치(101)(예: 도 1의 프로세서(120))에 의해 설정되는 상수 값에 해당할 수 있으며, 사용자의 입력에 따라 상기 N, M의 값이 '+1', '+2' 또는 '-1', '-2'만큼씩 조정될 수 있다.
다양한 실시예들에 따르면, 워크플로우 추천 인공지능 모델은 RNN(Recurrent Neural Network), DNN(Deep Neural Network) 및 DRNN(Dynamic Recurrent Neural Network) 등 다양한 모델들을 활용할 수 있을 것이다. 여기서 RNN은 현재의 데이터와 과거의 데이터를 동시에 고려하는 딥 러닝 기법으로서, 순환 신경망(RNN)은 인공 신경망을 구성하는 유닛 사이의 연결이 방향성 사이클(directed cycle)을 구성하는 신경망을 나타낸다. 나아가, 순환 신경망(RNN)을 구성할 수 있는 구조에는 다양한 방식이 사용될 수 있는데, 예컨대, 완전순환망(Fully Recurrent Network), 홉필드망(Hopfield Network), 엘만망(Elman Network), ESN(Echo state network), LSTM(Long short term memory network), 양방향(Bi-directional) RNN, CTRNN(Continuous-time RNN), 계층적 RNN, 2차 RNN 등이 대표적인 예이다. 또한, 순환 신경망(RNN)을 학습시키기 위한 방법으로서, 경사 하강법, Hessian Free Optimization, Global Optimization Method 등의 방식이 사용될 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 ⓐ 폴리펩티드의 각 질량 스펙트럼(도 5의 그래프에 관한 데이터(예: 이미지)), ⓑ 당펩티드의 각 질량 스펙트럼(도 5의 그래프에 관한 데이터(예: 이미지)), ⓒ 사용자에 의하여 선택된 워크 플로우의 각 단계(도 6a및 도 6b의 각 단계에 관한 데이터(예: 텍스트)), 및 ⓓ 사용자에 의하여 선택된 파라미터 세트(도 7의 파라미터에 관한 데이터(예: 텍스트))를 인공지능 모델에서 학습 가능한 형태(예: 텍스트 정보를 행렬 연산이 가능한 특정 값으로 할당하고 전처리)로 가공할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 특정 시점 이전의 기간 별 각 상품에 대한 선택 정보 및 특정 시점 이후의 기간 별 각 상품에 대한 판매량 정보를 인공지능 모델에서 학습 가능한 형태로 가공할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)는 폴리펩티드의 질량 스펙트럼 및/또는 당펩티드의 질량 스펙트럼에 대한 정보를 입력 데이터(input data)로 설정하고, 워크플로우 및 상기 워크플로우의 각 단계에서 사용될 파라미터 세트에 대한 정보를 출력 데이터(output data)로 설정하여, 다양한 종류의 인공지능 학습 알고리즘에 기반하여 인공지능 모델의 학습(예: 가중치(weight) 학습)을 수행할 수 있다.
다양한 실시예들에 따르면, 인공지능 모델은 폴리펩티드의 질량 스펙트럼 및/또는 당펩티드의 질량 스펙트럼 각각에 대해 가중치 학습을 수행할 수 있다. 전술한 인공지능 학습 알고리즘은 다양한 종류의 주지의 머신 러닝(machine learning) 및 딥 러닝(deep learning) 알고리즘을 포함할 수 있으므로, 구체적인 설명은 생략한다. 이때, 상기 학습에 따라서, 생성된 인공지능 모델은 폴리펩티드의 질량 스펙트럼 및/또는 당펩티드의 질량 스펙트럼에 대한 정보를 입력 받은 것에 대한 응답으로, 워크플로우 및/또는 상기 워크플로우의 각 단계에서 사용될 파라미터 세트에 대한 정보에 대한 가중치를 최종 출력하도록 구현될 수 있다. 예를 들어, 인공지능 모델은 질량 스펙트럼 및/또는 당펩티드의 질량 스펙트럼에 대한 정보를 입력 받은 것에 대한 응답으로, 이를 연산하기 위한 가중치 값들을 포함하는 레이어들을 포함하고, 상기 레이어들 각각에서 연산을 수행하여 최종적으로 출력 데이터로서 워크플로우 및/또는 상기 워크플로우의 각 단계에서 사용될 파라미터 세트에 대한 정보에 대한 가중치를 출력하도록 구현될 수 있다.
어떤 실시예에서는, 전자 장치(101)는, 구성요소들 중 적어도 하나를 생략하거나 다른 구성요소를 추가적으로 구비할 수 있다. 버스(110)는 구성요소들(110-170)을 서로 연결하고, 구성요소들 간의 통신(예: 제어 메시지 또는 데이터)을 전달하는 회로를 포함할 수 있다. 프로세서(120)는, 중앙처리장치, 어플리케이션 프로세서, 또는 커뮤니케이션 프로세서(communication processor(CP)) 중 하나 또는 그 이상을 포함할 수 있다. 프로세서(120)는, 예를 들면, 전자 장치(101)의 적어도 하나의 다른 구성요소들의 제어 및/또는 통신에 관한 연산이나 데이터 처리를 실행할 수 있다.
메모리(130)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 메모리(130)는, 예를 들면, 전자 장치(101)의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 저장할 수 있다. 한 실시예에 따르면, 메모리(130)는 소프트웨어 및/또는 프로그램(140)을 저장할 수 있다. 프로그램(140)은, 예를 들면, 커널(141), 미들웨어(143), 어플리케이션 프로그래밍 인터페이스(API)(145), 및/또는 어플리케이션 프로그램(또는 "어플리케이션")(147) 등을 포함할 수 있다. 커널(141), 미들웨어(143), 또는 API(145)의 적어도 일부는, 운영 시스템으로 지칭될 수 있다. 커널(141)은, 예를 들면, 다른 프로그램들(예: 미들웨어(143), API(145), 또는 어플리케이션 프로그램(147))에 구현된 동작 또는 기능을 실행하는 데 사용되는 시스템 리소스들(예: 버스(110), 프로세서(120), 또는 메모리(130) 등)을 제어 또는 관리할 수 있다. 또한, 커널(141)은 미들웨어(143), API(145), 또는 어플리케이션 프로그램(147)에서 전자 장치(101)의 개별 구성요소에 접근함으로써, 시스템 리소스들을 제어 또는 관리할 수 있는 인터페이스를 제공할 수 있다.
미들웨어(143)는, 예를 들면, API(145) 또는 어플리케이션 프로그램(147)이 커널(141)과 통신하여 데이터를 주고받을 수 있도록 중개 역할을 수행할 수 있다. 또한, 미들웨어(143)는 어플리케이션 프로그램(147)으로부터 수신된 하나 이상의 작업 요청들을 우선 순위에 따라 처리할 수 있다. 예를 들면, 미들웨어(143)는 어플리케이션 프로그램(147) 중 적어도 하나에 전자 장치(101)의 시스템 리소스(예: 버스(110), 프로세서(120), 또는 메모리(130) 등)를 사용할 수 있는 우선 순위를 부여하고, 상기 하나 이상의 작업 요청들을 처리할 수 있다. API(145)는 어플리케이션(147)이 커널(141) 또는 미들웨어(143)에서 제공되는 기능을 제어하기 위한 인터페이스로, 예를 들면, 파일 제어, 창 제어, 영상 처리, 또는 문자 제어 등을 위한 적어도 하나의 인터페이스 또는 함수(예: 명령어)를 포함할 수 있다. 입출력 인터페이스(150)는, 예를 들면, 사용자 또는 다른 외부 기기로부터 입력된 명령 또는 데이터를 전자 장치(101)의 다른 구성요소(들)에 전달하거나, 또는 전자 장치(101)의 다른 구성요소(들)로부터 수신된 명령 또는 데이터를 사용자 또는 다른 외부 기기로 출력할 수 있다.
디스플레이(160)는, 예를 들면, 액정 디스플레이(LCD), 발광 다이오드(LED) 디스플레이, 유기 발광 다이오드(OLED) 디스플레이, 또는 마이크로 전자기계 시스템 (MEMS) 디스플레이, 또는 전자종이(electronic paper) 디스플레이를 포함할 수 있다. 디스플레이(160)는, 예를 들면, 사용자에게 각종 콘텐츠(예: 텍스트, 이미지, 비디오, 아이콘, 및/또는 심볼 등)을 표시할 수 있다. 디스플레이(160)는, 터치 스크린을 포함할 수 있으며, 예를 들면, 전자 펜 또는 사용자의 신체의 일부를 이용한 터치, 제스쳐, 근접, 또는 호버링 입력을 수신할 수 있다. 통신 인터페이스(170)는, 예를 들면, 전자 장치(101)와 외부 장치(예: 제 1 외부 전자 장치(102), 제 2 외부 전자 장치(104), 또는 서버(106)) 간의 통신을 설정할 수 있다. 예를 들면, 통신 인터페이스(170)는 무선 통신 또는 유선 통신을 통해서 네트워크(162)에 연결되어 외부 장치(예: 제 2 외부 전자 장치(104) 또는 서버(106))와 통신할 수 있다.
무선 통신은, 예를 들면, LTE, LTE-A(LTE Advance), CDMA(code division multiple access), WCDMA(wideband CDMA), UMTS(universal mobile telecommunications system), WiBro(Wireless Broadband), 또는 GSM(Global System for Mobile Communications) 등 중 적어도 하나를 사용하는 셀룰러 통신을 포함할 수 있다. 한 실시예에 따르면, 무선 통신은, 예를 들면, WiFi(wireless fidelity), 블루투스, 블루투스 저전력(BLE), 지그비(Zigbee), NFC(near field communication), 자력 시큐어 트랜스미션(Magnetic Secure Transmission), 라디오 프리퀀시(RF), 또는 보디 에어리어 네트워크(BAN) 중 적어도 하나를 포함할 수 있다. 한실시예에 따르면, 무선 통신은 GNSS를 포함할 수 있다. GNSS는, 예를 들면, GPS(Global Positioning System), Glonass(Global Navigation Satellite System), Beidou Navigation Satellite System(이하 "Beidou") 또는 Galileo, the European global satellite-based navigation system일 수 있다. 이하, 본 문서에서는, "GPS"는 "GNSS"와 상호 호환적으로 사용될 수 있다. 유선 통신은, 예를 들면, USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232), 전력선 통신, 또는 POTS(plain old telephone service) 등 중 적어도 하나를 포함할 수 있다. 네트워크(162)는 텔레커뮤니케이션 네트워크, 예를 들면, 컴퓨터 네트워크(예: LAN 또는 WAN), 인터넷, 또는 텔레폰 네트워크 중 적어도 하나를 포함할 수 있다.
제 1 및 제 2 외부 전자 장치(102, 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 다양한 실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 다른 하나 또는 복수의 전자 장치(예: 전자 장치(102,104), 또는 서버(106)에서 실행될 수 있다. 한 실시예에 따르면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로 또는 요청에 의하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 그와 연관된 적어도 일부 기능을 다른 장치(예: 전자 장치(102, 104), 또는 서버(106))에게 요청할 수 있다. 다른 전자 장치(예: 전자 장치(102, 104), 또는 서버(106))는 요청된 기능 또는 추가 기능을 실행하고, 그 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 수신된 결과를 그대로 또는 추가적으로 처리하여 요청된 기능이나 서비스를 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다.
도 2는 다양한 실시예에 따른 전자 장치(201)의 블록도이다. 전자 장치(201)는, 예를 들면, 도 1에 도시된 전자 장치(101)의 전체 또는 일부를 포함할 수 있다. 전자 장치(201)는 하나 이상의 프로세서(예: AP)(210), 통신 모듈(220), (가입자 식별 모듈(224), 메모리(230), 센서 모듈(240), 입력 장치(250), 디스플레이(260), 인터페이스(270), 오디오 모듈(280), 카메라 모듈(291), 전력 관리 모듈(295), 배터리(296), 인디케이터(297), 및 모터(298)를 포함할 수 있다. 프로세서(210)는, 예를 들면, 운영 체제 또는 응용 프로그램을 구동하여 프로세서(210)에 연결된 다수의 하드웨어 또는 소프트웨어 구성요소들을 제어할 수 있고, 각종 데이터 처리 및 연산을 수행할 수 있다. 프로세서(210)는, 예를 들면, SoC(system on chip) 로 구현될 수 있다. 한 실시예에 따르면, 프로세서(210)는 GPU(graphic processing unit) 및/또는 이미지 신호 프로세서를 더 포함할 수 있다. 프로세서(210)는 도 2에 도시된 구성요소들 중 적어도 일부(예: 셀룰러 모듈(221))를 포함할 수도 있다. 프로세서(210)는 다른 구성요소들(예: 비휘발성 메모리) 중 적어도 하나로부터 수신된 명령 또는 데이터를 휘발성 메모리에 로드)하여 처리하고, 결과 데이터를 비휘발성 메모리에 저장할 수 있다.
통신 모듈(220)(예: 통신 인터페이스(170))와 동일 또는 유사한 구성을 가질 수 있다. 통신 모듈(220)은, 예를 들면, 셀룰러 모듈(221), WiFi 모듈(223), 블루투스 모듈(225), GNSS 모듈(227), NFC 모듈(228) 및 RF 모듈(229)를 포함할 수 있다. 셀룰러 모듈(221)은, 예를 들면, 통신망을 통해서 음성 통화, 영상 통화, 문자 서비스, 또는 인터넷 서비스 등을 제공할 수 있다. 한 실시예에 따르면, 셀룰러 모듈(221)은 가입자 식별 모듈(예: SIM 카드)(224)을 이용하여 통신 네트워크 내에서 전자 장치(201)의 구별 및 인증을 수행할 수 있다. 한 실시예에 따르면, 셀룰러 모듈(221)은 프로세서(210)가 제공할 수 있는 기능 중 적어도 일부 기능을 수행할 수 있다. 한 실시예에 따르면, 셀룰러 모듈(221)은 커뮤니케이션 프로세서(CP)를 포함할 수 있다. 어떤 실시예에 따르면, 셀룰러 모듈(221), WiFi 모듈(223), 블루투스 모듈(225), GNSS 모듈(227) 또는 NFC 모듈(228) 중 적어도 일부(예: 두 개 이상)는 하나의 integrated chip(IC) 또는 IC 패키지 내에 포함될 수 있다. RF 모듈(229)은, 예를 들면, 통신 신호(예: RF 신호)를 송수신할 수 있다. RF 모듈(229)은, 예를 들면, 트랜시버, PAM(power amp module), 주파수 필터, LNA(low noise amplifier), 또는 안테나 등을 포함할 수 있다. 다른 실시예에 따르면, 셀룰러 모듈(221), WiFi 모듈(223), 블루투스 모듈(225), GNSS 모듈(227) 또는 NFC 모듈(228) 중 적어도 하나는 별개의 RF 모듈을 통하여 RF 신호를 송수신할 수 있다. 가입자 식별 모듈(224)은, 예를 들면, 가입자 식별 모듈을 포함하는 카드 또는 임베디드 SIM을 포함할 수 있으며, 고유한 식별 정보(예: ICCID(integrated circuit card identifier)) 또는 가입자 정보(예: IMSI(international mobile subscriber identity))를 포함할 수 있다.
메모리(230)(예: 메모리(130))는, 예를 들면, 내장 메모리(232) 또는 외장 메모리(234)를 포함할 수 있다. 내장 메모리(232)는, 예를 들면, 휘발성 메모리(예: DRAM, SRAM, 또는 SDRAM 등), 비휘발성 메모리(예: OTPROM(one time programmable ROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, 플래시 메모리, 하드 드라이브, 또는 솔리드 스테이트 드라이브 (SSD) 중 적어도 하나를 포함할 수 있다. 외장 메모리(234)는 플래시 드라이브(flash drive), 예를 들면, CF(compact flash), SD(secure digital), Micro-SD, Mini-SD, xD(extreme digital), MMC(multi-media card) 또는 메모리 스틱 등을 포함할 수 있다. 외장 메모리(234)는 다양한 인터페이스를 통하여 전자 장치(201)와 기능적으로 또는 물리적으로 연결될 수 있다.
센서 모듈(240)은, 예를 들면, 물리량을 계측하거나 전자 장치(201)의 작동 상태를 감지하여, 계측 또는 감지된 정보를 전기 신호로 변환할 수 있다. 센서 모듈(240)은, 예를 들면, 제스처 센서(240A), 자이로 센서(240B), 기압 센서(240C), 마그네틱 센서(240D), 가속도 센서(240E), 그립 센서(240F), 근접 센서(240G), 컬러(color) 센서(240H)(예: RGB(red, green, blue) 센서), 생체 센서(240I), 온/습도 센서(240J), 조도 센서(240K), 또는 UV(ultra violet) 센서(240M) 중의 적어도 하나를 포함할 수 있다. 추가적으로 또는 대체적으로, 센서 모듈(240)은, 예를 들면, 후각(e-nose) 센서, 일렉트로마이오그라피(EMG) 센서, 일렉트로엔씨팔로그램(EEG) 센서, 일렉트로카디오그램(ECG) 센서, IR(infrared) 센서, 홍채 센서 및/또는 지문 센서를 포함할 수 있다. 센서 모듈(240)은 그 안에 속한 적어도 하나 이상의 센서들을 제어하기 위한 제어 회로를 더 포함할 수 있다. 어떤 실시예에서는, 전자 장치(201)는 프로세서(210)의 일부로서 또는 별도로, 센서 모듈(240)을 제어하도록 구성된 프로세서를 더 포함하여, 프로세서(210)가 슬립(sleep) 상태에 있는 동안, 센서 모듈(240)을 제어할 수 있다.
입력 장치(250)는, 예를 들면, 터치 패널(252), (디지털) 펜 센서(254), 키(256), 또는 초음파 입력 장치(258)를 포함할 수 있다. 터치 패널(252)은, 예를 들면, 정전식, 감압식, 적외선 방식, 또는 초음파 방식 중 적어도 하나의 방식을 사용할 수 있다. 또한, 터치 패널(252)은 제어 회로를 더 포함할 수도 있다. 터치 패널(252)은 택타일 레이어(tactile layer)를 더 포함하여, 사용자에게 촉각 반응을 제공할 수 있다. (디지털) 펜 센서(254)는, 예를 들면, 터치 패널의 일부이거나, 별도의 인식용 쉬트를 포함할 수 있다. 키(256)는, 예를 들면, 하드웨어 버튼, 광학식 키, 또는 키패드를 포함할 수 있다. 초음파 입력 장치(258)는 마이크(예: 마이크(288))를 통해, 입력 도구에서 발생된 초음파를 감지하여, 상기 감지된 초음파에 대응하는 데이터를 확인할 수 있다.
디스플레이(260)(예: 디스플레이(160))는 패널(262), 홀로그램 장치(264), 프로젝터(266), 및/또는 이들을 제어하기 위한 제어 회로를 포함할 수 있다. 패널(262)은, 예를 들면, 유연하게, 투명하게, 또는 착용할 수 있게 구현될 수 있다. 패널(262)은 터치 패널(252)과 하나 이상의 모듈로 구성될 수 있다. 한 실시예에 따르면, 패널(262)은 사용자의 터치에 대한 압력의 세기를 측정할 수 있는 압력 센서(또는 포스 센서)를 포함할 수 있다. 상기 압력 센서는 터치 패널(252)과 일체형으로 구현되거나, 또는 터치 패널(252)과는 별도의 하나 이상의 센서로 구현될 수 있다. 홀로그램 장치(264)는 빛의 간섭을 이용하여 입체 영상을 허공에 보여줄 수 있다. 프로젝터(266)는 스크린에 빛을 투사하여 영상을 표시할 수 있다. 스크린은, 예를 들면, 전자 장치(201)의 내부 또는 외부에 위치할 수 있다. 인터페이스(270)는, 예를 들면, HDMI(272), USB(274), 광 인터페이스(optical interface)(276), 또는 D-sub(D-subminiature)(278)를 포함할 수 있다. 인터페이스(270)는, 예를 들면, 도 1에 도시된 통신 인터페이스(170)에 포함될 수 있다. 추가적으로 또는 대체적으로, 인터페이스(270)는, 예를 들면, MHL(mobile high-definition link) 인터페이스, SD카드/MMC(multi-media card) 인터페이스, 또는 IrDA(infrared data association) 규격 인터페이스를 포함할 수 있다.
오디오 모듈(280)은, 예를 들면, 소리와 전기 신호를 쌍방향으로 변환시킬 수 있다. 오디오 모듈(280)의 적어도 일부 구성요소는, 예를 들면, 도 1 에 도시된 입출력 인터페이스(145)에 포함될 수 있다. 오디오 모듈(280)은, 예를 들면, 스피커(282), 리시버(284), 이어폰(286), 또는 마이크(288) 등을 통해 입력 또는 출력되는 소리 정보를 처리할 수 있다. 카메라 모듈(291)은, 예를 들면, 정지 영상 및 동영상을 촬영할 수 있는 장치로서, 한 실시예에 따르면, 하나 이상의 이미지 센서(예: 전면 센서 또는 후면 센서), 렌즈, 이미지 시그널 프로세서(ISP), 또는 플래시(예: LED 또는 xenon lamp 등)를 포함할 수 있다. 전력 관리 모듈(295)은, 예를 들면, 전자 장치(201)의 전력을 관리할 수 있다. 한 실시예에 따르면, 전력 관리 모듈(295)은 PMIC(power management integrated circuit), 충전 IC, 또는 배터리 또는 연료 게이지를 포함할 수 있다. PMIC는, 유선 및/또는 무선 충전 방식을 가질 수 있다. 무선 충전 방식은, 예를 들면, 자기공명 방식, 자기유도 방식 또는 전자기파 방식 등을 포함하며, 무선 충전을 위한 부가적인 회로, 예를 들면, 코일 루프, 공진 회로, 또는 정류기 등을 더 포함할 수 있다. 배터리 게이지는, 예를 들면, 배터리(296)의 잔량, 충전 중 전압, 전류, 또는 온도를 측정할 수 있다. 배터리(296)는, 예를 들면, 충전식 전지 및/또는 태양 전지를 포함할 수 있다.
인디케이터(297)는 전자 장치(201) 또는 그 일부(예: 프로세서(210))의 특정 상태, 예를 들면, 부팅 상태, 메시지 상태 또는 충전 상태 등을 표시할 수 있다. 모터(298)는 전기적 신호를 기계적 진동으로 변환할 수 있고, 진동, 또는 햅틱 효과 등을 발생시킬 수 있다. 전자 장치(201)는, 예를 들면, DMB(digital multimedia broadcasting), DVB(digital video broadcasting), 또는 미디어플로(mediaFloTM) 등의 규격에 따른 미디어 데이터를 처리할 수 있는 모바일 TV 지원 장치(예: GPU)를 포함할 수 있다. 본 문서에서 기술된 구성요소들 각각은 하나 또는 그 이상의 부품(component)으로 구성될 수 있으며, 해당 구성요소의 명칭은 전자 장치의 종류에 따라서 달라질 수 있다. 다양한 실시예에서, 전자 장치(예: 전자 장치(201))는 일부 구성요소가 생략되거나, 추가적인 구성요소를 더 포함하거나, 또는, 구성요소들 중 일부가 결합되어 하나의 개체로 구성되되, 결합 이전의 해당 구성요소들의 기능을 동일하게 수행할 수 있다.
본 발명의 다양한 실시예에서, 전자 장치(201)(또는, 전자 장치(101))는, 전면, 후면 및 상기 전면과 상기 후면 사이의 공간을 둘러싸는 측면을 포함하는 하우징을 포함할 수도 있다. 터치스크린 디스플레이(예: 디스플레이(260))는, 상기 하우징 안에 배치되며, 상기 전면을 통하여 노출될 수 있다. 마이크(288)는, 상기 하우징 안에 배치되며, 상기 하우징의 부분을 통하여 노출될 수 있다. 적어도 하나의 스피커(282)는, 상기 하우징 안에 배치되며, 상기 하우징의 다른 부분을 통하여 노출될 수 있다. 하드웨어 버튼(예: 키(256))는, 상기 하우징의 또 다른 부분에 배치되거나 또는 상기 터치스크린 디스플레이 상에 표시하도록 설정될 수 있다. 무선 통신 회로(예: 통신 모듈(220))은, 상기 하우징 안에 위치할 수 있다. 상기 프로세서(210)(또는, 프로세서(120))는, 상기 하우징 안에 위치하며, 상기 터치스크린 디스플레이, 상기 마이크(288), 상기 스피커(282) 및 상기 무선 통신 회로에 전기적으로 연결될 수 있다. 상기 메모리(230)(또는, 메모리(130))는, 상기 하우징 안에 위치하며, 상기 프로세서(210)에 전기적으로 연결될 수 있다.
본 명세서와 도면에 개시된 본 발명의 실시예들은 본 발명의 기술 내용을 쉽게 설명하고 본 발명의 이해를 돕기 위해 특정 예를 제시한 것일 뿐이며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 즉 본 발명의 기술적 사상에 바탕을 둔 다른 변형예들이 실시 가능하다는 것은 본 발명의 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다. 또한 상기 각각의 실시예는 필요에 따라 서로 조합되어 운용할 수 있다. 예컨대, 본 발명의 모든 실시예는 일부분들이 서로 조합되어 본 발명의 시스템, 서버 및/또는 단말에 의해 구현될 수 있다.
또한, 본 발명의 시스템, 서버 및/또는 단말을 제어하는 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다.
이와 같이, 본 발명의 다양한 실시예들은 특정 관점에서 컴퓨터 리드 가능 기록 매체(computer readable recording medium)에서 컴퓨터 리드 가능 코드(computer readable code)로서 구현될 수 있다. 컴퓨터 리드 가능 기록 매체는 컴퓨터 시스템에 의해 리드될 수 있는 데이터를 저장할 수 있는 임의의 데이터 저장 디바이스이다. 컴퓨터 리드 가능 기록 매체의 예들은 읽기 전용 메모리(read only memory: ROM)와, 랜덤-접속 메모리(random access memory: RAM)와, 컴팩트 디스크- 리드 온니 메모리(compact disk-read only memory: CD-ROM)들과, 마그네틱 테이프(magnetic tape)들과, 플로피 디스크(floppy disk)들과, 광 데이터 저장 디바이스들, 및 캐리어 웨이브(carrier wave)들(인터넷을 통한 데이터 송신 등)을 포함할 수 있다. 컴퓨터 리드 가능 기록 매체는 또한 네트워크 연결된 컴퓨터 시스템들을 통해 분산될 수 있고, 따라서 컴퓨터 리드 가능 코드는 분산 방식으로 저장 및 실행된다. 또한, 본 발명의 다양한 실시예들을 성취하기 위한 기능적 프로그램들, 코드, 및 코드 세그먼트(segment)들은 본 발명이 적용되는 분야에서 숙련된 프로그래머들에 의해 쉽게 해석될 수 있다.
또한 본 발명의 다양한 실시예들에 따른 장치 및 방법은 하드웨어, 소프트웨어 또는 하드웨어 및 소프트웨어의 조합의 형태로 실현 가능하다는 것을 알 수 있을 것이다. 이러한 소프트웨어는 예를 들어, 삭제 가능 또는 재기록 가능 여부와 상관없이, ROM 등의 저장 장치와 같은 휘발성 또는 비휘발성 저장 장치, 또는 예를 들어, RAM, 메모리 칩, 장치 또는 집적 회로와 같은 메모리, 또는 예를 들어 콤팩트 디스크(compact disk: CD), DVD, 자기 디스크 또는 자기 테이프 등과 같은 광학 또는 자기적으로 기록 가능함과 동시에 기계(예를 들어, 컴퓨터)로 읽을 수 있는 저장 매체에 저장될 수 있다. 본 발명의 다양한 실시예들에 따른 방법은 제어부(제어 모듈(111, 221)) 및 메모리를 포함하는 컴퓨터 또는 휴대 단말에 의해 구현될 수 있고, 이러한 메모리는 본 발명의 실시예들을 구현하는 명령들을 포함하는 프로그램 또는 프로그램들을 저장하기에 적합한 기계로 읽을 수 있는 저장 매체의 한 예임을 알 수 있을 것이다.
따라서, 본 발명은 본 명세서의 청구항에 기재된 장치 또는 방법을 구현하기 위한 코드를 포함하는 프로그램 및 이러한 프로그램을 저장하는 기계(컴퓨터 등)로 읽을 수 있는 저장 매체를 포함한다. 또한, 이러한 프로그램은 유선 또는 무선 연결을 통해 전달되는 통신 신호와 같은 임의의 매체를 통해 전자적으로 이송될 수 있고, 본 발명은 이와 균등한 것을 적절하게 포함한다.
본 명세서와 도면에 개시된 본 발명의 실시 예들은 본 발명의 기술 내용을 쉽게 설명하고, 본 발명의 이해를 돕기 위해 특정 예를 제시한 것일 뿐이며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 또한 앞서 설명된 본 발명에 따른 실시예들은 예시적인 것에 불과하며, 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 범위의 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 다음의 특허청구범위에 의해서 정해져야 할 것이다.

Claims (1)

  1. 입력 인터페이스; 출력 인터페이스; 메모리; 및 프로세서; 를 포함하고,
    상기 프로세서는:
    시료 내 당단백질을 가수분해하여 수득된 폴리펩티드의 질량 스펙트럼(mass spectrum)을 상기 입력 인터페이스를 통해 입력받거나 외부장치로부터 수신하고,
    동정(identify)하고자 하는 당펩티드의 질량 스펙트럼을 상기 입력 인터페이스를 통해 입력받거나 상기 외부장치로부터 수신하고,
    상기 메모리에 미리 저장된 복수의 제1-1 질량 스펙트럼들 중에서 상기 폴리펩티드의 질량 스펙트럼과 유사도가 가장 높은 제1-2 질량 스펙트럼을 판단하고,
    상기 제1-2 질량 스펙트럼과 연관되어 상기 메모리에 미리 저장된 복수의 제2-1 질량 스펙트럼들 중에서 상기 당펩티드의 질량 스펙트럼과 유사도가 가장 높은 제2-2 질량 스펙트럼을 판단하고,
    워크플로우 추천 인공지능 모델을 이용하여: ⓐ 상기 제2-2 질량 스펙트럼에 의하여 특정된 워크플로우를 추천하고, ⓑ 상기 특정된 워크플로우의 각 단계에서 사용될 파라미터 세트를 추천하기 위하여 상기 특정된 워크플로우 및 상기 파라미터 세트를 상기 출력 인터페이스를 통해 표시하고,
    상기 프로세서는,
    아래의 수학식 1을 이용하여, 상기 폴리펩티드의 질량 스펙트럼과 유사도가 가장 높은 제1-2 질량 스펙트럼을 판단하거나 상기 당펩티드의 질량 스펙트럼과 유사도가 가장 높은 제2-2 질량 스펙트럼을 판단하되,
    [수학식 1]
    Figure 112022069280621-pat00007

    Si는 상기 폴리펩티드의 질량 스펙트럼 또는 상기 당펩티드의 질량 스펙트럼에 상응하는 (x,y) 매트릭스를 나타내고, x는 n번째의 상대적인 피크 강도를 나타내고, y는 n번째의 상대적인 피크의 질량을 나타내고,
    S'i는 상기 폴리펩티드의 질량 스펙트럼 또는 상기 당펩티드의 질량 스펙트럼과의 유사도가 판단되는 다른 질량 스펙트럼에 상응하는 (x',y') 매트릭스를 나타내고, x'은 n번째의 상대적인 피크 강도를 나타내고, y'은 n번째의 피크의 질량을 나타내고,
    상기 프로세서는:
    타겟 폴리펩티드의 질량 스펙트럼으로부터 타겟 당펩티드의 질량 스펙트럼을 동정하는 과정을 모니터링하고,
    상기 메모리에 저장된 참조 테이블 내의 상기 복수의 제1-1 질량 스펙트럼들 각각에 대하여 상기 타겟 폴리펩티드의 질량 스펙트럼의 유사도가 제1 값 이하인지를 판단하고,
    상기 복수의 제1-1 질량 스펙트럼들 전부에 대하여, 상기 타겟 폴리펩티드의 질량 스펙트럼의 유사도가 제1 값 이하인 경우:
    ① 상기 타겟 폴리펩티드의 질량 스펙트럼을 상기 복수의 제1-1 질량 스펙트럼들의 새로운 카테고리에 추가하도록 상기 참조 테이블을 업데이트하고,
    ② 상기 타겟 당펩티드의 질량 스펙트럼을 상기 타겟 폴리펩티드의 질량 스펙트럼에 연관시키고, 상기 동정하는 과정에서 사용된 특정 워크플로우 및 상기 특정 워크플로우에서 사용된 파라미터 세트를 상기 타겟 당펩티드의 질량 스펙트럼에 연관시키도록 상기 참조 테이블을 업데이트하도록 설정되고,
    상기 프로세서는,
    상기 복수의 제1-1 질량 스펙트럼들의 적어도 일부에 대하여, 상기 타겟 폴리펩티드의 질량 스펙트럼의 유사도가 상기 제1 값을 초과하는 경우:
    상기 복수의 제1-1 질량 스펙트럼들의 적어도 일부 중에서 상기 타겟 폴리펩티드의 질량 스펙트럼과 유사도가 가장 높은 질량 스펙트럼과 연관되는 복수의 제3 질량 스펙트럼들 각각에 대하여, 상기 타겟 당펩티드의 질량 스펙트럼의 유사도가 제2 값 이하인지를 판단하고,
    상기 프로세서는,
    상기 복수의 제3 질량 스펙트럼들 전부에 대하여, 상기 타겟 당펩티드의 질량 스펙트럼의 유사도가 상기 제2 값 이하인 경우:
    상기 타겟 당펩티드의 질량 스펙트럼을 상기 복수의 제3 질량 스펙트럼들의 새로운 카테고리에 추가하도록 상기 참조 테이블을 업데이트하고, 및
    상기 동정하는 과정에서 사용된 상기 특정 워크플로우 및 상기 특정 워크플로우에서 사용된 상기 파라미터 세트를 상기 타겟 당펩티드의 질량 스펙트럼에 연관시키도록 상기 참조 테이블을 업데이트하도록 설정된, 전자 장치.
KR1020220057630A 2022-05-11 2022-05-11 당펩티드를 동정하기 위하여 인공지능 기반의 워크플로우를 추천하는 시스템 KR102422169B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220057630A KR102422169B1 (ko) 2022-05-11 2022-05-11 당펩티드를 동정하기 위하여 인공지능 기반의 워크플로우를 추천하는 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220057630A KR102422169B1 (ko) 2022-05-11 2022-05-11 당펩티드를 동정하기 위하여 인공지능 기반의 워크플로우를 추천하는 시스템

Publications (1)

Publication Number Publication Date
KR102422169B1 true KR102422169B1 (ko) 2022-07-20

Family

ID=82609297

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220057630A KR102422169B1 (ko) 2022-05-11 2022-05-11 당펩티드를 동정하기 위하여 인공지능 기반의 워크플로우를 추천하는 시스템

Country Status (1)

Country Link
KR (1) KR102422169B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006518448A (ja) 2003-01-03 2006-08-10 カプリオン ファーマシューティカルズ インコーポレーティッド 糖ペプチドの同定および解析
KR20150062915A (ko) 2013-11-28 2015-06-08 한국기초과학지원연구원 혈액 당단백질을 이용하는 암 마커 및 이를 이용하는 암 진단방법
KR20170032400A (ko) 2014-07-18 2017-03-22 헥살 아게 혈청 샘플에서의 당단백질의 글리칸의 개선된 맵핑 방법
JP2021081365A (ja) 2019-11-21 2021-05-27 株式会社島津製作所 糖ペプチド解析装置
KR102380684B1 (ko) * 2021-11-09 2022-04-01 주식회사 셀키 Ai 기반으로 질량 스펙트럼에 따른 당펩타이드 분석을 통해 암 특이적 바이오마커를 결정하는 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006518448A (ja) 2003-01-03 2006-08-10 カプリオン ファーマシューティカルズ インコーポレーティッド 糖ペプチドの同定および解析
KR20150062915A (ko) 2013-11-28 2015-06-08 한국기초과학지원연구원 혈액 당단백질을 이용하는 암 마커 및 이를 이용하는 암 진단방법
KR20170032400A (ko) 2014-07-18 2017-03-22 헥살 아게 혈청 샘플에서의 당단백질의 글리칸의 개선된 맵핑 방법
JP2021081365A (ja) 2019-11-21 2021-05-27 株式会社島津製作所 糖ペプチド解析装置
KR102380684B1 (ko) * 2021-11-09 2022-04-01 주식회사 셀키 Ai 기반으로 질량 스펙트럼에 따른 당펩타이드 분석을 통해 암 특이적 바이오마커를 결정하는 방법 및 장치

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Z. Fei, "Retrieve and Revise: Improving Peptide Identification with Similar Mass Spectra", The 35th AAAI Conference on Artificial Intelligence, 2021. *
Z. Ye 외, "The Role of Data-Independent Acquisition for Glycoproteomics", Mol Cell Proteomics 20, 2021. *

Similar Documents

Publication Publication Date Title
US10871798B2 (en) Electronic device and image capture method thereof
US20200217695A1 (en) Electronic device and hardware diagnosis result-based process execution method thereof
US10712919B2 (en) Method for providing physiological state information and electronic device for supporting the same
CN108292317B (zh) 问题和答案处理方法以及支持该方法的电子设备
US10917552B2 (en) Photographing method using external electronic device and electronic device supporting the same
KR102493491B1 (ko) 생체 정보를 측정하는 전자 장치와 이의 동작 방법
EP2958316B1 (en) Electronic device using composition information of picture and shooting method using the same
US10586390B2 (en) Virtual reality electronic device for displaying combined graphic object and image frame and corresponding computer-readable recording medium
KR20180111197A (ko) 정보 제공 방법 및 이를 지원하는 전자 장치
KR20170097888A (ko) 복수의 디바이스들로부터 수집된 데이터 통합 및 제공 방법 및 이를 구현한 전자 장치
KR20170136920A (ko) 화면 출력 방법 및 이를 지원하는 전자 장치
KR102303534B1 (ko) 사용자 맞춤형 상품 정보 제공 장치
US20180218637A1 (en) Method and electronic device for providing health content
EP3131293A1 (en) Electronic device and image encoding method of electronic device
EP3480790A1 (en) Method and apparatus for continuously displaying images on basis of similarity of images
KR20180014632A (ko) 전자 장치 및 그의 동작 방법
KR20180121273A (ko) 객체에 대응하는 콘텐트를 출력하기 위한 방법 및 그 전자 장치
US10691318B2 (en) Electronic device and method for outputting thumbnail corresponding to user input
KR102486575B1 (ko) 사용자 맞춤형 건강식품 추천 장치 및 방법
KR102422169B1 (ko) 당펩티드를 동정하기 위하여 인공지능 기반의 워크플로우를 추천하는 시스템
US11191439B2 (en) Electronic device and method for capturing contents
KR102405886B1 (ko) 아키텍처 변경을 위한 소스 변환 솔루션 제공 장치 및 방법
KR102449350B1 (ko) 재고 관리 서비스를 제공하는 시스템 및 그 동작 방법
US11233953B2 (en) Image editing method and electronic device supporting same
KR20180106221A (ko) 객체의 구성 정보에 대응하는 그래픽 효과를 제공하기 위한 방법 및 그 전자 장치

Legal Events

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