KR102494966B1 - 바이러스의 숙주 진입을 제어하기 위한 약물의 예측 방법 - Google Patents
바이러스의 숙주 진입을 제어하기 위한 약물의 예측 방법 Download PDFInfo
- Publication number
- KR102494966B1 KR102494966B1 KR1020210114835A KR20210114835A KR102494966B1 KR 102494966 B1 KR102494966 B1 KR 102494966B1 KR 1020210114835 A KR1020210114835 A KR 1020210114835A KR 20210114835 A KR20210114835 A KR 20210114835A KR 102494966 B1 KR102494966 B1 KR 102494966B1
- Authority
- KR
- South Korea
- Prior art keywords
- drug
- data
- affinity
- neural network
- virus
- Prior art date
Links
- 239000003814 drug Substances 0.000 title claims abstract description 250
- 229940079593 drug Drugs 0.000 title claims abstract description 249
- 238000000034 method Methods 0.000 title claims abstract description 62
- 241000700605 Viruses Species 0.000 title claims abstract description 45
- 238000003062 neural network model Methods 0.000 claims abstract description 51
- 108091005804 Peptidases Proteins 0.000 claims abstract description 40
- 102000035195 Peptidases Human genes 0.000 claims abstract description 38
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 229940126586 small molecule drug Drugs 0.000 claims description 38
- 230000014509 gene expression Effects 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 23
- 239000000126 substance Substances 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 8
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 6
- 230000008685 targeting Effects 0.000 claims description 6
- 239000004365 Protease Substances 0.000 claims description 5
- 230000003612 virological effect Effects 0.000 claims description 2
- 102100037486 Reverse transcriptase/ribonuclease H Human genes 0.000 claims 2
- 238000013528 artificial neural network Methods 0.000 description 118
- 108020003175 receptors Proteins 0.000 description 30
- 230000008569 process Effects 0.000 description 26
- 230000001276 controlling effect Effects 0.000 description 22
- 102000004169 proteins and genes Human genes 0.000 description 22
- 108090000623 proteins and genes Proteins 0.000 description 21
- 238000013135 deep learning Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 241001678559 COVID-19 virus Species 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 9
- 208000025721 COVID-19 Diseases 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 229940024999 proteolytic enzymes for treatment of wounds and ulcers Drugs 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000003032 molecular docking Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 102000053723 Angiotensin-converting enzyme 2 Human genes 0.000 description 4
- 108090000975 Angiotensin-converting enzyme 2 Proteins 0.000 description 4
- 241000282326 Felis catus Species 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 101000638154 Homo sapiens Transmembrane protease serine 2 Proteins 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 229940000406 drug candidate Drugs 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- RWWYLEGWBNMMLJ-YSOARWBDSA-N remdesivir Chemical compound NC1=NC=NN2C1=CC=C2[C@]1([C@@H]([C@@H]([C@H](O1)CO[P@](=O)(OC1=CC=CC=C1)N[C@H](C(=O)OCC(CC)CC)C)O)O)C#N RWWYLEGWBNMMLJ-YSOARWBDSA-N 0.000 description 3
- 239000013076 target substance Substances 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 102000004190 Enzymes Human genes 0.000 description 2
- 108090000790 Enzymes Proteins 0.000 description 2
- 241000315672 SARS coronavirus Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010494 dissociation reaction Methods 0.000 description 2
- 230000005593 dissociations Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 229940088598 enzyme Drugs 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- RWWYLEGWBNMMLJ-MEUHYHILSA-N remdesivir Drugs C([C@@H]1[C@H]([C@@H](O)[C@@](C#N)(O1)C=1N2N=CN=C(N)C2=CC=1)O)OP(=O)(N[C@@H](C)C(=O)OCC(CC)CC)OC1=CC=CC=C1 RWWYLEGWBNMMLJ-MEUHYHILSA-N 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- 108091005461 Nucleic proteins Proteins 0.000 description 1
- 102100031989 Transmembrane protease serine 2 Human genes 0.000 description 1
- 208000036142 Viral infection Diseases 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013498 data listing Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000415 inactivating effect Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229920002521 macromolecule Polymers 0.000 description 1
- SYSQUGFVNFXIIT-UHFFFAOYSA-N n-[4-(1,3-benzoxazol-2-yl)phenyl]-4-nitrobenzenesulfonamide Chemical class C1=CC([N+](=O)[O-])=CC=C1S(=O)(=O)NC1=CC=C(C=2OC3=CC=CC=C3N=2)C=C1 SYSQUGFVNFXIIT-UHFFFAOYSA-N 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000017854 proteolysis Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 239000013077 target material Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 229960005486 vaccine Drugs 0.000 description 1
- 230000009385 viral infection Effects 0.000 description 1
- 238000003041 virtual screening Methods 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/50—Molecular design, e.g. of drugs
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/60—In silico combinatorial chemistry
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medicinal Chemistry (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pharmacology & Pharmacy (AREA)
- Molecular Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 바이러스의 숙주 진입을 제어하기 위한 약물의 예측 방법이 개시된다. 상기 방법은, 사전 학습된 신경망 모델을 사용하여, 약물과 단백질 수용체 간의 제 1 친화도 및 상기 약물과 단백 분해 효소 간의 제 2 친화도를 추정하는 단계 및 상기 제 1 친화도 및 상기 제 2 친화도를 기준으로 데이터베이스를 필터링(filtering) 하여, 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 단계를 포함할 수 있다.
Description
본 발명은 딥러닝 기반 약물 예측 방법에 관한 것으로, 보다 구체적으로 딥러닝 접근 방식을 사용하여 특정 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 방법에 관한 것이다.
중증급성호흡기증후군 코로나바이러스 2(SARS-CoV-2)로 인한 코로나바이러스 감염증 2019(COVID-19) 대유행이 공중보건 관리에 심각한 위협이 되고 있다. 2019년 12월 이후 약 8개월 동안, 210개 이상의 국가 및 지역에서 최소 5,500만 건의 사례가 보고되었으며, COVID-19 발생은 현재 진행 중이다. 바이러스 감염의 확산을 막기 위한 백신과 치료제 개발이 시급한 상황이지만, 전 세계 연구자들의 광범위한 노력에도 불구하고 안타깝게도 렘데시비르(GS-5734)를 제외한 COVID-19에 효과적인 약물이나 치료법은 아직 발견되지 않았다. 다국적 무작위 배정 임상시험(multinational randomized clinical trials)에서 렘데시비르는 사망률에 유의한 차이는 없으나, 환자의 회복기간을 단축시키는 것으로 알려져 있다. 그러나, SARS-CoV-2의 감염 증상으로 고통받는 환자에게는 더 효과적인 약물이 여전히 필요하다.
렘데시비르의 승인 이후 임상적으로 중요한 치료 옵션은 여전히 부족한 상황이다. 그러므로, COVID-19를 보다 효율적으로 극복하기 위해서는, 치료제 생산을 위한 SARS-CoV-2의 복제뿐만 아니라 SARS-CoV-2의 숙주의 진입 단계까지 제어하는 치료 전략을 고려해야 한다. 예를 들어, SARS-CoV-2는 숙주 세포로의 감염을 위해 단백질 수용체 ACE2와 단백 분해 효소 TMPRSS2를 사용할 것으로 파악되고 있다. 단백질 수용체 ACE2는 이미 SARS-CoV의 결합 수용체로 알려져 있고, 이는 SARS-CoV와 매우 밀접한 진화(evolutionary) 관계를 유지하는 SAR-CoV-2도 숙주 세포 진입을 위해 ACE2를 사용한다는 것을 뒷받침한다. 또한, 단백 분해 효소 TMPRSS2는 SARS-CoV-2 진입 중 관여하여 바이러스 스파이크(viral spike)-ACE2 복합 단백질 분해를 활성화시키는 역할을 수행하는 것으로 예상되고 있다. 즉, COVID-19의 치료 전략 중 하나로 바이러스의 숙주 진입에 필수적인 것으로 예상되는 단백질 수용체와 단백 분해 효소를 표적으로 하는 약물 후보를 예측하는 것을 고려할 수 있다.
대한민국 공개특허 제10-2018-0087069호(2018.08.01)는 자가 학습을 통한 약물-단백질 간 관계 예측을 위한 모델링 기법에 관하여 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 딥러닝 접근 방식을 사용하여 바이러스의 숙주 진입에 필수적일 것으로 판단되는 잠재적인 표적을 제어할 수 있는 약물 후보를 예측하는 방법을 제공하는 것을 목적으로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 바이러스의 숙주 진입을 제어하기 위한 약물의 예측 방법이 개시된다. 상기 방법은, 사전 학습된 신경망 모델을 사용하여, 약물과 단백질 수용체 간의 제 1 친화도 및 상기 약물과 단백 분해 효소 간의 제 2 친화도를 추정하는 단계; 및 상기 제 1 친화도 및 상기 제 2 친화도를 기준으로 데이터베이스를 필터링(filtering) 하여, 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 방법은, 저분자(small molecule) 약물에 관한 제 1 데이터 및 상기 저분자 약물의 입체 이성질체(stereoisomer)에 관한 제 2 데이터를 기초로 상기 데이터베이스를 구축하는 단계를 더 포함할 수 있다.
대안적 실시예에서, 상기 데이터베이스를 구축하는 단계는, 상기 제 2 데이터의 시퀀스(sequence)를 쿼리(query)로 사용하여 상기 제 1 데이터가 나열된 데이터베이스에 상기 제 2 데이터를 병합하는 단계; 및 상기 제 1 데이터의 시퀀스와 상기 제 2 데이터의 시퀀스 간의 일치 여부에 따라 상기 제 1 데이터를 분류하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 제 1 데이터를 분류하는 단계는, 상기 제 2 데이터의 시퀀스와 일치하는 제 1 데이터를 예측에 사용할 이성질체(isomer) 데이터로 결정하는 단계; 및 상기 제 2 데이터의 시퀀스와 일치하지 않는 제 1 데이터를 예측에 사용하지 않을 라세미체(racemate) 데이터로 결정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 제 1 데이터의 시퀀스 및 상기 제 2 데이터의 시퀀스는, SMILES(simplified molecular-input line-entry system) 코드에 기반할 수 있다.
대안적 실시예에서, 상기 약물과 단백질 수용체 간의 제 1 친화도 및 상기 약물과 단백 분해 효소 간의 제 2 친화도를 추정하는 단계는, 상기 데이터베이스로부터 획득된 약물 데이터를 상기 신경망 모델에 입력하여, 상기 약물 데이터에 대응하는 약물과 상기 단백질 수용체 간의 제 1 친화도 및 상기 약물 데이터에 대응하는 약물과 상기 단백 분해 효소 간의 제 2 친화도를 추정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 약물 데이터는, 저분자 약물에 관한 제 1 데이터의 시퀀스와 상기 저분자 약물의 입체 이성질체(stereoisomer)에 관한 제 2 데이터의 시퀀스의 일치 여부를 기초로 이성질체(isomer)로 분류된 저분자 약물에 관한 데이터일 수 있다.
대안적 실시예에서, 상기 신경망 모델은, 셀프-어텐션(self-attention) 기반 모델로서, 학습 데이터의 화학적 표현을 나타내는 시퀀스의 전역 콘텍스트(global context)를 고려하도록 사전 학습될 수 있다.
대안적 실시예에서, 상기 약물 데이터에 대응하는 약물과 상기 단백질 수용체 간의 제 1 친화도 및 상기 약물 데이터에 대응하는 약물과 상기 단백 분해 효소 간의 제 2 친화도를 추정하는 단계는, 상기 신경망 모델을 사용하여, 상기 약물 데이터의 화학적 표현을 나타내는 시퀀스를 기초로 상기 단백질 수용체의 아미노산 서열을 표적으로 하는 약물의 제 1 친화도를 산출하는 단계; 및 상기 신경망 모델을 사용하여, 상기 약물 데이터의 화학적 표현을 나타내는 시퀀스를 기초로 상기 단백 분해 효소의 아미노산 서열을 표적으로 하는 약물의 제 2 친화도를 산출하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 단계는, 상기 제 1 친화도 및 상기 제 2 친화도를 개별적으로 사전 결정된 임계값과 비교하여, 상기 데이터베이스에 포함된 약물 데이터를 필터링하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 단계는, 상기 데이터베이스에서 필터링된 약물 데이터를 기초로, 상기 단백 분해 효소에 대한 상기 약물의 유전자 발현 지표(gene expression signature)을 비교하여 스코어(score)를 산출하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 단계는, 상기 데이터베이스에서 필터링된 약물 데이터 중 상기 스코어를 기초로 상위 N개(N은 자연수)의 약물 데이터를 상기 바이러스의 숙주 진입을 제어하기 위한 약물 데이터로 결정하는 단계를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 바이러스의 숙주 진입을 제어하기 위한 약물의 예측을 수행하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 사전 학습된 신경망 모델을 사용하여, 약물과 단백질 수용체 간의 제 1 친화도 및 상기 약물과 단백 분해 효소 간의 제 2 친화도를 추정하는 동작; 및 상기 제 1 친화도 및 상기 제 2 친화도를 기준으로 데이터베이스를 필터링 하여, 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 딥러닝을 기반으로 바이러스의 숙주 진입을 제어하기 위한 약물의 예측을 수행하는 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어를 포함하는 프로세서; 상기 사전 학습된 신경망 모델을 사용하여, 약물과 단백질 수용체 간의 제 1 친화도 및 상기 약물과 단백 분해 효소 간의 제 2 친화도를 추정하고, 상기 제 1 친화도 및 상기 제 2 친화도를 기준으로 데이터베이스를 필터링 하여, 바이러스의 숙주 진입을 제어하기 위한 약물을 예측할 수 있다.
본 개시는 딥러닝 접근 방식을 사용하여 바이러스의 숙주 진입에 필수적일 것으로 판단되는 잠재적인 표적을 제어할 수 있는 약물 후보를 예측하는 방법을 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 약물의 예측을 수행하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 약물 예측 과정을 나타낸 블록 구성도이다.
도 4는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 약물 예측 과정을 나타낸 순서도이다.
도 5는 본 개시의 일 실시예에 따른 컴퓨팅 환경의 개략도이다.
도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 약물 예측 과정을 나타낸 블록 구성도이다.
도 4는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 약물 예측 과정을 나타낸 순서도이다.
도 5는 본 개시의 일 실시예에 따른 컴퓨팅 환경의 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
한편, 본 개시의 상세한 설명 및 청구항들에 걸쳐 표현된 "제 K(K은 자연수)"이라는 용어는 발명의 구성요소들을 시간적, 기능적 혹은 구조적 관점에서 상호 구별하기 위해 사용되는 표현으로 이해될 수 있다. "제 K"이라는 용어는 소정의 기준에 따라 구성요소들을 구별하여 표현하기 위해 사용되는 용어로 이해될 수 있다. 예를 들어, 본 개시에서 약물과 표적 물질 간의 친화도는 약물은 동종이나 표적 물질이 이종인 경우에 제 1 친화도, 제 2 친화도와 같이 제 K 구성이라는 표현을 통해 구별될 수 있다. 또한, 도메인 특성에 따라 달라지는 약물 데이터는 제 1 데이터, 제 2 데이터와 같이 제 K 구성이라는 표현을 통해 구별될 수 있다. 다만, 이는 하나의 예시일 뿐이며, 여러 관점에서 다양한 기준에 따라 구성요소들을 구별하기 위해 "제 K"이라는 용어가 사용될 수 있다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
도 1은 본 개시의 일 실시예에 따른 의료 영상을 분석하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 신경망의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 신경망의 학습, 신경망을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 신경망의 학습, 신경망을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 사전 학습된 신경망 모델을 사용하여, 약물과 특정 바이러스의 숙주 진입에 관여하는 것으로 예상되는 잠재적인 표적들 간의 친화도를 예측할 수 있다. 이때, 특정 바이러스의 숙주 진입에 관여하는 것으로 예상되는 잠재적인 표적들이란, 특정 바이러스가 숙주에 진입하는 단계에서 사용하는 단백질 수용체 및 단백 분해 효소로 이해될 수 있다. 그리고, 친화도는 약물과 표적 물질에 작용하는 결합력 혹은 친화력을 나타내는 지표로 이해될 수 있다. 즉, 프로세서(110)는 약물과 표적 물질 간 친화도를 예측하는 신경망 모델을 사용하여, 약물과 단백질 수용체 간의 결합력을 나타내는 친화도 및 약물과 단백 분해 효소 간의 결합력을 나타내는 친화도를 추정할 수 있다.
예를 들어, 프로세서(110)는 약물의 화학적 표현을 나타내는 데이터를 신경망 모델에 입력하여 약물-단백질 수용체 간 친화도, 약물-단백 분해 효소 간 친화도를 추정할 수 있다. 이때, 신경망 모델은 셀프-어텐션(self-attention) 기반의 모델로서, 약물과 화학 단백질 쌍의 친화도를 산출하도록 사전 학습될 수 있다. 그리고, 친화도는 단백질과 약물 간의 평형 해리 상수를 나타내는 지표인 KD를 기초로 계산될 수 있다. KD는 약물의 농도와 관련된 지표이므로, KD와 단백질 및 약물 간의 친화력(또는 결합력)은 반비례 관계이다. 따라서, KD의 값이 클수록, 약물-단백질 수용체 혹은 약물-단백 분해 효소 간 친화력(또는 결합력)은 낮은 것으로 이해될 수 있다. 즉, KD의 값이 클수록, 약물-단백질 간 친화도는 낮은 것으로 이해될 수 있다. 또한, 특정 바이러스가 COVID-19를 유발하는 SARS-CoV-2인 경우, SARS-CoV-2가 표적 세포에 진입하기 위해 필수적인 것으로 판단되는 단백질 수용체는 ACE2, SARS-CoV-2가 표적 세포에 진입하기 위해 필수적인 것으로 판단되는 단백 분해 효소는 TMPRSS2일 수 있다. 즉, 특정 바이러스가 COVID-19를 유발하는 SARS-CoV-2인 경우, 프로세서(110)는 약물의 화학적 표현을 나타내는 데이터를 신경망 모델에 입력하여 약물-ACE2 간 친화도, 약물-TMPRSS2 간 친화도를 추정할 수 있다. 상술한 신경망 모델의 종류, 친화도 지표, 단백질 수용체의 종류 및 단백 분해 효소의 종류는 하나의 예시일 뿐이므로, 본 개시를 기반으로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
프로세서(110)는 전술한 딥러닝 기반의 친화도 예측에 더불어 룰 기반의 친화도 예측을 수행할 수도 있다. 이때, 룰 기반의 친화도 예측은 단백질의 구조를 파악하여 화합물에 단백질에 도킹(docking) 시키는 알고리즘을 기반으로 수행되는 연산 과정으로 이해될 수 있다. 예를 들어, 프로세서(110)는 룰 기반의 도킹 알고리즘을 이용하여 표적 단백질에 해당하는 단백질 수용체 및 단백 분해 효소의 좌표를 도킹 계산에 필요한 형태로 변환시킬 수 있다. 프로세서(110)는 룰 기반의 도킹 알고리즘을 이용하여 변환된 표적 단백질의 좌표를 기초로 약물과 표적 단백질 간의 결합 에너지 등을 최적화시켜 약물과 표적 단백질 간의 친화도를 산출할 수 있다. 이때, 상술한 바와 같은 연산을 수행하기 위한 룰 기반의 도킹 알고리즘은 분자 도킹 및 가상 스크리닝 어플리케이션 중 하나인 AutoDock Vina의 알고리즘에 대응될 수 있으나, 이에 제한되지는 않는다.
프로세서(110)는 딥러닝 기반의 친화도 예측을 수행한 결과와 상술한 예시와 같은 룰 기반의 친화도 예측을 수행한 결과를 약물 예측을 위한 후속 연산에 함께 사용함으로써, 약물 예측의 정확도를 향상시킬 수 있다. 즉, 프로세서(110)는 룰 기반의 친화도 예측을 수행한 결과를 딥러닝 기반의 친화도 예측을 수행한 결과에 보완적으로 사용할 수 있다. 예를 들어, 프로세서(110)는 딥러닝 기반의 친화도 예측을 수행한 결과를 기본적으로 약물 예측을 위한 후속 연산에 사용할 수 있다. 다만, 딥러닝 기반의 친화도 추정 결과의 정확도가 임계 수준 미만인 경우, 프로세서(110)는 룰 기반의 친화도 추정 결과를 딥러닝 기반의 친화도 추정 결과에 반영하여 딥러닝 기반의 친화도 추정 결과를 보완한 후, 약물 예측을 위한 후속 연산을 수행할 수 있다. 딥러닝 기반의 친화도 추정 결과의 정확도가 임계 수준 이상인 경우, 프로세서(110)는 룰 기반의 친화도 추정 결과를 반영하지 않고 딥러닝 기반의 친화도 추정 결과를 기초로 약물 예측을 위한 후속 연산 과정을 수행할 수 있다. 즉, 프로세서(110)는 룰 기반의 친화도 추정 결과를 보완적으로 사용하여 딥러닝 기반의 친화도 추정 결과의 정확도를 유지하고 약물 예측의 정확도를 향상시킬 수 있다.
프로세서(110)는 신경망 모델을 통해 산출된 약물과 특정 바이러스의 숙주 진입에 관여하는 것으로 예상되는 잠재적인 표적들 간의 친화도를 기초로 특정 바이러스의 숙주 진입을 제어하기 위한 약물을 예측할 수 있다. 프로세서(110)는 데이터베이스에 포함된 약물 데이터에 대응되는 약물과 표적 단백질과의 친화도를 신경망 모델을 통해 산출하고, 산출된 친화도를 기초로 데이터베이스를 필터링(filtering) 함으로써 예측하고자 하는 약물의 약물 데이터를 획득할 수 있다. 이때, 약물 데이터는 약물의 화학적 표현을 나타내는 데이터로 이해될 수 있다. 예를 들어, 프로세서(110)는 신경망 모델을 통해 산출된 약물과 단백질 수용체 간의 친화도, 약물과 단백 분해 효소 간의 친화도 각각을 임계값과 비교하여 특정 바이러스의 숙주 진입을 제어하기 위한 약물을 결정할 수 있다. 그리고, 프로세서(110)는 친화도와 임계값 간의 비교에 의해 결정된 약물에 대응되는 약물 데이터를 데이터베이스에서 선별할 수 있다. 다시 말해서, 프로세서(110)는 약물과 표적 단백질 간의 친화도를 임계값과 비교한 결과를 기초로 데이터베이스에 존재하는 약물 데이터를 선별하여, 특정 바이러스의 숙주 진입을 제어하기 위한 약물에 대응하는 약물 데이터를 결정할 수 있다. 이와 같이 프로세서(110)는 약물과 단백질 수용체 간의 친화도, 약물과 단백 분해 효소 간의 친화도를 종합적으로 고려하여 바이러스의 숙주 진입을 제어하기 위한 약물을 효과적으로 예측할 수 있다.
한편, 상술한 예측 이후, 프로세서(110)는 표적 단백질 중 단백 분해 효소를 기초로 생성된 스코어를 이용한 추가적인 필터링을 통해 특정 바이러스의 숙주 진입을 제어하기 위한 약물의 최종 예측 결과를 생성할 수도 있다. 예를 들어, 프로세서(110)는 예측된 약물을 기준으로 약물과 표적 단백질 중 단백 분해 효소와의 친화도를 기초로 예측된 약물에 대한 스코어(score)를 산출할 수 있다. 이때, 스코어는 단백 분해 효소에 대한 예측된 약물의 유전자 발현 지표(gene expression signature)을 비교한 결과를 기초로 산출될 수 있다. 그리고, 프로세서(110)는 약물-단백 분해 효소 간 친화도를 기초로 예측된 약물의 스코어를 기초로 약물을 나열하고, 상위 스코어에 해당하는 약물을 특정 바이러스의 숙주 진입을 제어하기 위한 약물의 최종 예측 결과로 결정할 수 있다. 이와 같은 예측 약물에 대한 추가적인 필터링을 통해 예측의 정확도를 보다 향상시킬 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다. 예를 들어, 메모리(130)는 약물의 화학적 표현을 나타내는 데이터를 포함하는 데이터베이스를 저장하여 보관할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 네트워크부(150)는 임의의 형태의 공지된 유무선 통신 시스템을 사용할 수 있다.
네트워크부(150)는 신경망 모델의 학습 혹은 추론에 필요한 데이터 세트, 프로세서(110)에 의해 처리된 정보, 사용자 인터페이스 등을 타 단말 혹은 시스템과의 통신을 통해 송수신할 수 있다. 예를 들어, 네트워크부(150)는 약물의 화학적 표현을 나타내는 데이터를 포함하는 외부 데이터베이스와의 통신을 통해 신경망 모델의 학습 혹은 추론에 필요한 데이터를 수신할 수 있다. 네트워크부(150)는 프로세서(110)에 의해 학습된 신경망 모델의 출력을 외부 데이터베이스로 송신할 수 있다.
한편, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 클라이언트와 통신을 통해 데이터를 송수신하는 컴퓨팅 시스템으로서 서버를 포함할 수 있다. 이때, 클라이언트는 서버에 엑세스할 수 있는 임의의 형태의 단말일 수 있다. 예를 들어, 서버인 컴퓨팅 장치(100)는 학습 데이터 세트를 통해 복수의 신경망 모델들을 학습시킬 수 있다. 서버인 컴퓨팅 장치(100)는 클라이언트의 요청에 따라 학습된 모델들을 사용하여 출력된 데이터를 클라이언트로 제공할 수 있다. 또한, 서버인 컴퓨팅 장치(100)는 클라이언트의 요청에 따라 학습된 모델들을 클라이언트로 제공할 수도 있다.
추가적인 실시예에서, 컴퓨팅 장치(100)는 임의의 서버에서 생성된 데이터 리소스를 전달받아 추가적인 정보 처리를 수행하는 임의의 형태의 단말을 포함할 수도 있다.
도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개략도이다.
본 개시의 일 실시예에 따른 신경망 모델은 약물과 단백질 간 결합 친화도를 예측하기 위한 신경망을 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 신경망은 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
도 3은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 약물 예측 과정을 나타낸 블록 구성도이다.
도 3을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(110)는 신경망 모델의 친화도 추정 및 친화도에 기반한 바이러스의 숙주 진입을 제어하기 위한 표적 약물에 해당하는 약물 예측을 위한 데이터베이스(10)를 구축할 수 있다. 이때, 데이터베이스(10)는 약물의 화학적 표현을 나타내는 약물 데이터를 포함할 수 있다.
예를 들어, 프로세서(110)는 미국 식품의약국(FDA) 등에서 승인된 저분자(small molecule) 약물에 관한 데이터를 외부 데이터베이스(DrugBank 데이터베이스 등)에서 수집하여 데이터베이스(10)에 저장할 수 있다. 이때, 저분자 약물이란, 생물학적 과정을 조절할 수 있는 화합물로, 핵산 및 단백질 등과 같은 화합물에 비해 분자량의 수가 적고 크기가 작은 화합물로 이해될 수 있다. 저분자 약물은 특정 생물학적 거대분자(macromolecule)에 결합 가능하고, 표적의 활성 또는 기능을 변환시키는 역할을 수행할 수 있다. 프로세서(110)는 데이터베이스(10)에 저장된 저분자 약물의 모든 입체 이성질체(stereoisomer)에 관한 데이터를 외부 데이터베이스(ZINC 데이터베이스 등)에서 수집하여 데이터베이스(10)를 구축할 수 있다. 구체적으로, 프로세서(110)는 입체 이성질체에 관한 데이터의 시퀀스(sequence)를 쿼리(query)로 사용하여 저분자 약물에 관한 데이터가 나열된 데이터베이스(10)에 입체 이성질체에 관한 데이터를 병합할 수 있다. 이때, 데이터베이스(10)에 병합되는 저분자 약물에 관한 데이터 및 입체 이성질체에 관한 데이터는 SMILES(simplified molecular-input line-entry system) 코드에 기반할 수 있다. 다시 말해서, 프로세서(110)는 입체 이성질체에 관한 데이터의 SMILES 문자열을 쿼리로 사용하여, 데이터베이스(10)에 저분자 약물에 관한 데이터 및 입체 이성질체에 관한 데이터를 병합할 수 있다. 다만, SMILES 코드는 하나의 예시일 뿐이므로, 데이터의 시퀀스는 SMILES 코드가 아니더라도 약물의 화학적 표현을 나타낼 수 있는 다른 코드로 대체될 수 있다. 입체 이성질체에 관한 데이터를 데이터베이스(10)에 병합한 후, 프로세서(110)는 저분자 약물에 관한 데이터의 시퀀스와 입체 이성질체에 관한 데이터의 시퀀스가 일치하는지 여부를 판단하여 데이터베이스(10) 내에서 저분자 약물에 관한 데이터를 분류할 수 있다. 저분자 약물에 관한 데이터의 시퀀스와 입체 이성질체에 관한 데이터의 시퀀스가 일치하는 경우, 프로세서(110)는 저분자 약물에 관한 데이터를 예측에 사용할 이성질체(isomer) 데이터로 결정할 수 있다. 저분자 약물에 관한 데이터의 시퀀스와 입체 이성질체에 관한 데이터의 시퀀스가 불일치하는 경우, 프로세서(110)는 저분자 약물에 관한 데이터를 예측에 사용하지 않을 라세미체(racemate) 데이터로 결정할 수 있다. 이러한 분류 작업을 통해 프로세서(110)는 데이터베이스(10)에서 약물 예측에 사용될 저분자 약물에 관한 데이터들을 정리할 수 있다.
프로세서(110)는 상술한 바에 따라 구축된 데이터베이스(10)에서 예측에 사용될 약물 데이터를 추출할 수 있다. 프로세서(110)는 신경망 모델(200)을 사용하여 데이터베이스(10)에서 추출된 약물 데이터를 기초로 약물과 바이러스의 숙주 진입에 필수적인 것으로 예상되는 표적 단백질 간의 친화도를 추정할 수 있다. 구체적으로, 프로세서(110)는 데이터베이스(10)에서 획득된 약물 데이터를 신경망 모델(200)에 입력하여, 약물과 단백질 수용체 간의 제 1 친화도(21) 및 약물과 단백 분해 효소 간의 제 2 친화도(22)를 추정할 수 있다. 이때, 제 1 친화도(21)는 약물과 단백질 수용체 간의 결합력, 결합 에너지 혹은 친화력 등을 수치화 하기 위한 지표 중 하나인 KD를 기초로 추정될 수 있다. 제 2 친화도(22)는 약물과 단백 분해 효소 간의 결합력, 결합 에너지 혹은 친화력 등을 수치화 하기 위한 지표 중 하나인 KD를 기초로 추정될 수 있다. KD와 단백질 및 약물 간의 친화력(또는 결합력)은 반비례 관계이므로, KD 값이 작을수록 제 1 친화도(21) 및 제 2 친화도(22)는 큰 것(혹은 우수한 것)으로 이해될 수 있다. 제 1 친화도(21)가 크다(혹은 우수하다)는 것은 약물과 단백질 수용체 간의 친화력(또는 결합력)이 크다는 것으로 이해될 수 있다. 또한, 제 2 친화도(22)가 크다(혹은 우수하다)는 것은 약물과 단백 분해 효소 간의 친화력(또는 결합력)이 크다는 것으로 이해될 수 있다.
예를 들어, 프로세서(110)는 데이터베이스(10)에서 이성질체 데이터로 분류된 저분자 약물에 관한 데이터를 신경망 모델(200)에 입력될 약물 데이터로 추출할 수 있다. 라세미체로 분류된 저분자 약물은 하나의 시퀀스로 표현할 수 없고, 이성질체의 비율 및 각 이성질체 마다 인간에 대한 생물학적 결과가 다를 수 있기 때문에, 프로세서(110)는 라세미체 데이터로 분류된 저분자 약물에 관한 데이터는 신경망 모델(200)의 입력 데이터로 사용하지 않는다. 프로세서(110)는 신경망 모델(200)을 사용하여, 데이터베이스(10)에 추출된 약물 데이터의 시퀀스를 기초로 단백질 수용체의 아미노산 서열을 표적으로 하는 약물의 제 1 친화도(21)를 산출할 수 있다. 또한, 프로세서(110)는 신경망 모델(200)을 사용하여, 약물 데이터의 시퀀스를 기초로 단백 분해 효소의 아미노산 서열을 표적으로 하는 약물의 제 2 친화도(22)를 산출할 수 있다. 이때, 데이터베이스(10)에 추출된 약물 데이터의 시퀀스는 SMILES 코드에 기반할 수 있다. 다만, SMILES 코드는 하나의 예시일 뿐이므로, 약물 데이터의 시퀀스는 SMILES 코드가 아니더라도 약물의 화학적 표현을 나타낼 수 있는 다른 코드로 대체될 수 있다.
한편, 본 개시의 일 실시예에 따른 신경망 모델(200)은 약물과 표적 단백질 간의 친화도를 예측하기 위한 셀프-어텐션 기반 모델일 수 있다. 예를 들어, 신경망 모델(200)은 약물 데이터의 시퀀스와 단백질 수용체에 관한 데이터의 시퀀스를 기초로 약물 및 단백질 수용체 각각의 특징값을 추출할 수 있다. 신경망 모델(200)은 약물 및 단백질 수용체 각각의 특징값을 기초로 어텐션 맵(map)을 생성하고, 어텐션 맵이 적용된 약물의 특징값, 어텐션 맵이 적용된 단백질 수용체의 특징값을 각각 생성할 수 있다. 이때, 신경망 모델(200)은 토큰(token) 레벨이 아닌 전역 콘텍스트(global context) 레벨의 특징값을 기초로 어텐션 연산을 수행하여, 약물의 특징값 및 단백질의 특징값을 재구성할 수 있다. 전역 콘텍스트 레벨의 어텐션 연산은 약물과 표적 단백질 간의 상호 작용을 친화도 추정 결과에 반영할 수 있도록 하고, 친화도 추정 결과에 대한 해석 가능성을 제공할 수 있다. 이러한 어텐션 연산을 위해 신경망 모델(200)은 학습 데이터의 약물 데이터의 화학적 표현을 나타내는 시퀀스의 전역 콘텍스트를 고려하도록 사전 학습될 수 있다. 신경망 모델(200)은 어텐션 연산을 통해 생성된 약물의 특징값 및 단백질 수용체의 특징값을 기초로 약물과 단백질 수용체 간의 친화도를 산출할 수 있다. 약물과 단백 분해 효소 간의 친화도를 예측하기 위한 연산 과정도 상술한 예시와 동일하게 수행될 수 있으므로, 구체적인 설명은 생략하도록 한다.
프로세서(110)는 신경망 모델(200)을 통해 추정된 제 1 친화도(21) 및 제 2 친화도(22)를 기초로 바이러스의 숙주 진입을 제어하기 위한 표적 약물에 해당하는 약물을 예측할 수 있다. 프로세서(110)는 제 1 친화도(21) 및 제 2 친화도(22)를 기초로 약물 데이터를 포함하는 데이터베이스(10)를 필터링하여, 예측 약물에 대응하는 데이터(30)를 생성할 수 있다. 프로세서(110)는 제 1 친화도(21) 및 제 2 친화도(22)를 임계값과 비교한 결과를 기초로 약물을 예측한 뒤, 데이터베이스(10)에서 예측 약물에 대응하는 약물 데이터를 선별하여 예측 약물 데이터(30)를 생성할 수 있다. 이때, 제 1 친화도(21) 및 제 2 친화도(22)는 단백질과 약물 간의 평형 해리 상수를 나타내는 지표인 KD를 기초로 산출될 수 있다.
예를 들어, 프로세서(110)는 특정 약물에 대한 제 1 친화도(21) 및 제 2 친화도(22)를 임계값과 비교하여 특정 약물이 예측하고자 하는 표적 약물에 해당하는지를 판단할 수 있다. 데이터베이스(10)에 라세미체가 아닌 예측에 사용할 이성질체로 판단된 약물 A, 약물 B, 약물 C에 각각 대응하는 데이터들이 존재한다고 가정하면, 프로세서(110)는 신경망 모델(200)을 약물 A, 약물 B, 약물 C 각각에 대한 제 1 친화도(21) 및 제 2 친화도(22)를 생성할 수 있다. 프로세서(110)는 각 약물 별 친화도를 임계값과 비교한 결과를 기초로 약물 A, 약물 B, 약물 C 중 바이러스의 숙주 진입을 제어할 수 있는 약물을 결정하고, 결정된 약물의 데이터를 데이터베이스(10)에서 추출할 수 있다. 구체적으로, 약물 A에 대한 제 1 친화도(21) 및 제 2 친화도(22) 중 적어도 하나가 임계값 이상인 경우, 프로세서(110)는 약물 A가 예측하고자 하는 표적 약물이 아닌 것으로 판단할 수 있다. 약물 B, 약물 C 각각에 대한 제 1 친화도(21) 및 제 2 친화도(22) 중 적어도 하나가 임계값 미만인 경우, 프로세서(110)는 약물 B 및 약물 C가 예측하고자 하는 표적 약물인 것으로 결정할 수 있다. 그리고, 프로세서(110)는 데이터베이스(10)를 필터링(혹은 스크리닝)하여 약물 B에 대응하는 약물 데이터, 약물 C에 대응하는 약물 데이터를 선별할 수 있다.
또한, 프로세서(110)는 데이터베이스(10)에서 필터링된 약물 데이터를 기초로, 단백 분해 효소에 대한 약물의 유전자 발현 서명을 비교하여 스코어를 산출할 수 있다. 프로세서(110)는 산출된 스코어를 기초로 상위 N개(N은 자연수)의 약물에 대한 데이터를 예측 약물에 대한 최종 데이터로 결정할 수 있다. 예를 들어, 제 1 친화도(21) 및 제 2 친화도(22) 중 적어도 하나와 임계값을 비교한 결과를 기초로 예측된 약물들이 30개라고 가정하면, 프로세서(110)는 30개의 약물들에 대한 데이터를 기초로 단백 분해 효소와 약물의 유전자 발현 서명을 비교하여 30개 약물들 각각에 대한 연결성 스코어를 산출할 수 있다. 프로세서(110)는 30개 약물들 각각의 연결성 스코어를 기초로 상위 10개의 약물들을 최종 예측 약물로 결정할 수 있다. 프로세서(110)는 최종 예측 약물로 결정된 상위 10개의 약물들에 대한 데이터를 데이터베이스(10)에서 추출하여 예측 약물 데이터(30)를 생성할 수 있다. 이와 같은 스코어에 기반한 최종 예측은 친화도 기반의 예측에 추가적으로 수행되는 연산 과정으로 이해될 수 있다. 즉, 스코어에 기반한 최종 예측은 친화도 기반의 예측의 정확도를 보완하기 위해 선택적으로 수행되는 연산 과정으로 이해될 수 있다.
도 4는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 약물 예측 과정을 나타낸 순서도이다.
도 4를 참조하면, S100 단계에서, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 저분자 약물 데이터 및 저분자 약물의 입체 이성질체에 관한 데이터를 기초로 데이터베이스를 구축할 수 있다. 컴퓨팅 장치(100)는 저분자 약물 데이터의 시퀀스와 저분자 약물의 입체 이성질체에 관한 데이터의 시퀀스가 일치하는지 여부에 따라 저분자 약물 데이터를 분류하여 데이터베이스를 구축할 수 있다. 예를 들어, 저분자 약물 데이터의 시퀀스와 입체 이성질체에 관한 데이터의 시퀀스가 일치하는 경우, 컴퓨팅 장치(100)는 해당 저분자 약물 데이터를 예측에 사용할 이성질체 데이터로 분류 및 저장할 수 있다. 저분자 약물 데이터의 시퀀스와 입체 이성질체에 관한 데이터의 시퀀스가 일치하는 경우, 컴퓨팅 장치(100)는 해당 저분자 약물 데이터를 예측에 사용할 이성질체 데이터로 분류 및 저장할 수 있다. 이때, 데이터의 시퀀스는 약물 혹은 단백질의 화학적 표현을 나타내는 문자열로 이해될 수 있다.
S200 단계에서, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 사전 학습된 신경망 모델을 사용하여, 약물과 단백질 수용체 간의 제 1 친화도 및 약물과 단백 분해 효소 간의 제 2 친화도를 추정할 수 있다. 컴퓨팅 장치(100)는 사전 구축된 데이터베이스에서 획득된 약물 데이터를 신경망 모델에 입력하여, 약물과 단백질 수용체 간의 제 1 친화도 및 약물과 단백 분해 효소 간의 제 2 친화도를 추정할 수 있다. 이때, 신경망 모델에 입력되는 약물 데이터는 저분자 약물에 관한 제 1 데이터의 시퀀스와 저분자 약물의 입체 이성질체에 관한 제 2 데이터의 시퀀스의 일치 여부를 기초로 이성질체로 분류된 저분자 약물에 관한 데이터일 수 있다. 사전 구축된 데이터베이스에서 제 2 데이터의 시퀀스와 일치하는 제 1 데이터는 이성질체 데이터로 분류되고, 제 2 데이터의 시퀀스와 불일치하는 제 1 데이터는 라세미체 데이터로 분류될 수 있다. 따라서, 제 2 데이터의 시퀀스와 일치하는 제 1 데이터가 신경망 모델의 입력으로 사용될 수 있다.
S300 단계에서, 컴퓨팅 장치(100)는 S200 단계에서 산출된 제 1 친화도 및 제 2 친화도를 기준으로 데이터베이스를 필터링 하여, 바이러스의 숙주 진입을 제어하기 위한 약물을 예측할 수 있다. 여기서 필터링은 제 1 친화도 및 제 2 친화도 중 적어도 하나를 임계값과 비교한 결과에 따라 결정되는 약물의 데이터를 데이터베이스에서 선별하는 연산 과정으로 이해될 수 있다. 예를 들어, 제 1 친화도 및 제 2 친화도가 Kd를 기초로 산출된 경우, 컴퓨팅 장치(100)는 제 1 친화도 및 제 2 친화도 중 적어도 하나가 임계값 미만인 약물의 데이터를 데이터베이스에서 선별하여 약물의 예측 결과를 나타내는 데이터를 생성할 수 있다. 예측된 약물들이 복수인 경우, 컴퓨팅 장치(100)는 선택적으로 제 1 친화도 및 제 2 친화도를 기반으로 예측된 약물들 각각의 연결성 스코어를 연산하여 최종 예측 약물을 결정할 수도 있다. 이때, 연결성 스코어는 단백 분해 효소와 약물 간의 유전자 발현 서명을 비교한 결과를 기초로 산출될 수 있다.
한편, 본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 5는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
Claims (14)
- 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 바이러스의 숙주 진입을 제어하기 위한 약물의 예측 방법으로서,
사전 학습된 신경망 모델을 사용하여, 약물과 단백질 수용체 간의 제 1 친화도 및 상기 약물과 단백 분해 효소 간의 제 2 친화도를 추정하는 단계; 및
상기 제 1 친화도 및 상기 제 2 친화도를 기준으로 데이터베이스를 필터링(filtering) 하여, 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 단계;
를 포함하고,
상기 신경망 모델은 셀프-어텐션(self-attention) 기반 모델로서, 학습 데이터의 화학적 표현을 나타내는 시퀀스의 전역 콘텍스트(global context)를 고려하도록 사전 학습된,
방법.
- 제 1 항에 있어서,
저분자(small molecule) 약물에 관한 제 1 데이터 및 상기 저분자 약물의 입체 이성질체(stereoisomer)에 관한 제 2 데이터를 기초로 상기 데이터베이스를 구축하는 단계;
를 더 포함하는,
방법.
- 제 2 항에 있어서,
상기 데이터베이스를 구축하는 단계는,
상기 제 2 데이터의 시퀀스(sequence)를 쿼리(query)로 사용하여 상기 제 1 데이터가 나열된 데이터베이스에 상기 제 2 데이터를 병합하는 단계; 및
상기 제 1 데이터의 시퀀스와 상기 제 2 데이터의 시퀀스 간의 일치 여부에 따라 상기 제 1 데이터를 분류하는 단계;
를 포함하는,
방법.
- 제 3 항에 있어서,
상기 제 1 데이터를 분류하는 단계는,
상기 제 2 데이터의 시퀀스와 일치하는 제 1 데이터를 예측에 사용할 이성질체(isomer) 데이터로 결정하는 단계; 및
상기 제 2 데이터의 시퀀스와 일치하지 않는 제 1 데이터를 예측에 사용하지 않을 라세미체(racemate) 데이터로 결정하는 단계;
를 포함하는,
방법.
- 제 2 항에 있어서,
상기 제 1 데이터의 시퀀스 및 상기 제 2 데이터의 시퀀스는,
SMILES(simplified molecular-input line-entry system) 코드에 기반하는,
방법.
- 제 1 항에 있어서,
상기 약물과 단백질 수용체 간의 제 1 친화도 및 상기 약물과 단백 분해 효소 간의 제 2 친화도를 추정하는 단계는,
상기 데이터베이스로부터 획득된 약물 데이터를 상기 신경망 모델에 입력하여, 상기 약물 데이터에 대응하는 약물과 상기 단백질 수용체 간의 제 1 친화도 및 상기 약물 데이터에 대응하는 약물과 상기 단백 분해 효소 간의 제 2 친화도를 추정하는 단계;
를 포함하는,
방법.
- 제 6 항에 있어서,
상기 약물 데이터는,
저분자 약물에 관한 제 1 데이터의 시퀀스와 상기 저분자 약물의 입체 이성질체(stereoisomer)에 관한 제 2 데이터의 시퀀스의 일치 여부를 기초로, 예측에 사용할 이성질체(isomer)로 분류된 저분자 약물에 관한 데이터인,
방법.
- 제 1 항에 있어서,
상기 사전 학습된 신경망 모델을 사용하여, 약물과 단백질 수용체 간의 제 1 친화도 및 상기 약물과 단백 분해 효소 간의 제 2 친화도를 추정하는 단계는,
룰 기반의 친화도 예측을 수행하여 약물과 단백질 수용체 및 약물과 단백 분해 효소 간의 친화도를 각각 산출하는 단계를 포함하고,
상기 제 1 친화도 및 상기 제 2 친화도를 기준으로 데이터베이스를 필터링(filtering)하여, 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 단계는,
상기 룰 기반의 친화도 예측을 수행한 결과를 약물 예측을 위한 후속 연산에 함께 사용하여, 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 단계를 포함하는,
방법.
- 제 6 항에 있어서,
상기 약물 데이터에 대응하는 약물과 상기 단백질 수용체 간의 제 1 친화도 및 상기 약물 데이터에 대응하는 약물과 상기 단백 분해 효소 간의 제 2 친화도를 추정하는 단계는,
상기 신경망 모델을 사용하여, 상기 약물 데이터의 화학적 표현을 나타내는 시퀀스를 기초로, 상기 단백질 수용체의 아미노산 서열을 표적으로 하는 약물의 제 1 친화도를 산출하는 단계; 및
상기 신경망 모델을 사용하여, 상기 약물 데이터의 화학적 표현을 나타내는 시퀀스를 기초로, 상기 단백 분해 효소의 아미노산 서열을 표적으로 하는 약물의 제 2 친화도를 산출하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 단계는,
상기 제 1 친화도 및 상기 제 2 친화도를 개별적으로 사전 결정된 임계값과 비교하여, 상기 데이터베이스에 포함된 약물 데이터를 필터링하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 단계는,
상기 데이터베이스에서 필터링된 약물 데이터를 기초로, 상기 단백 분해 효소에 대한 상기 약물의 유전자 발현 지표(gene expression signature)을 비교하여 스코어(score)를 산출하는 단계;
를 포함하는,
방법.
- 제 11 항에 있어서,
상기 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 단계는,
상기 데이터베이스에서 필터링된 약물 데이터 중 상기 스코어를 기초로 상위 N개(N은 자연수)의 약물 데이터를 상기 바이러스의 숙주 진입을 제어하기 위한 약물 데이터로 결정하는 단계;
를 포함하는,
방법.
- 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 바이러스의 숙주 진입을 제어하기 위한 약물의 예측을 수행하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
사전 학습된 신경망 모델을 사용하여, 약물과 단백질 수용체 간의 제 1 친화도 및 상기 약물과 단백 분해 효소 간의 제 2 친화도를 추정하는 동작; 및
상기 제 1 친화도 및 상기 제 2 친화도를 기준으로 데이터베이스를 필터링(filtering) 하여, 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 동작;
을 포함하고,
상기 신경망 모델은 셀프-어텐션(self-attention) 기반 모델로서, 학습 데이터의 화학적 표현을 나타내는 시퀀스의 전역 콘텍스트(global context)를 고려하도록 사전 학습된,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 바이러스의 숙주 진입을 제어하기 위한 약물의 예측을 수행하는 컴퓨팅 장치로서,
적어도 하나의 코어를 포함하는 프로세서;
상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리; 및
네트워크부;
를 포함하고,
상기 프로세서는,
사전 학습된 신경망 모델을 사용하여, 약물과 단백질 수용체 간의 제 1 친화도 및 상기 약물과 단백 분해 효소 간의 제 2 친화도를 추정하고,
상기 제 1 친화도 및 상기 제 2 친화도를 기준으로 데이터베이스를 필터링(filtering) 하여, 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하고,
상기 신경망 모델은 셀프-어텐션(self-attention) 기반 모델로서, 학습 데이터의 화학적 표현을 나타내는 시퀀스의 전역 콘텍스트(global context)를 고려하도록 사전 학습된,
장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210114835A KR102494966B1 (ko) | 2021-08-30 | 2021-08-30 | 바이러스의 숙주 진입을 제어하기 위한 약물의 예측 방법 |
| PCT/KR2022/003586 WO2023033283A1 (ko) | 2021-08-30 | 2022-03-15 | 바이러스의 숙주 진입을 제어하기 위한 약물의 예측 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210114835A KR102494966B1 (ko) | 2021-08-30 | 2021-08-30 | 바이러스의 숙주 진입을 제어하기 위한 약물의 예측 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102494966B1 true KR102494966B1 (ko) | 2023-02-06 |
Family
ID=85224051
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210114835A KR102494966B1 (ko) | 2021-08-30 | 2021-08-30 | 바이러스의 숙주 진입을 제어하기 위한 약물의 예측 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102494966B1 (ko) |
| WO (1) | WO2023033283A1 (ko) |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111696685A (zh) * | 2020-06-04 | 2020-09-22 | 大连理工大学 | 面向新冠病毒治疗药物的药物重定位方法及其应用 |
-
2021
- 2021-08-30 KR KR1020210114835A patent/KR102494966B1/ko active IP Right Grant
-
2022
- 2022-03-15 WO PCT/KR2022/003586 patent/WO2023033283A1/ko active Application Filing
Non-Patent Citations (3)
| Title |
|---|
| A. Xiaoyan et al., Applications of Connectivity Map in drug discovery and development, Drug Discov. Today Vol.17, pp1289-1298(2012)* * |
| B. R. Beck et al., Predicting commercially available antiviral drugs that may act on the novel coronavirus(SARS-CoV-2) through a drug-target interaction deep learning model(2020.03.30.)* * |
| J. Chen et al., ChemDB: a public database of small molecules and related chemoinformatics resources, Bioinform. Vol.21, pp4133-4139(2005)* * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023033283A1 (ko) | 2023-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102473613B1 (ko) | 인공지능 모델의 분산 학습 기법 | |
| KR102517968B1 (ko) | 신경망 모델을 이용한 이미지 특징 추출 방법 | |
| KR20220163241A (ko) | 생체신호 분석 방법 | |
| KR102576241B1 (ko) | 단백질과 리간드의 결합 구조 예측 방법 | |
| KR102547969B1 (ko) | 인공지능 기술을 이용하여 면역펩티돔 pMHC 정보를 생성하기 위한 방법 및 장치 | |
| KR102482302B1 (ko) | 인공지능 기술을 사용하여 클러스터 데이터에 대응되는 주조직 적합성 복합체를 결정하기 위한 방법 및 장치 | |
| KR102494966B1 (ko) | 바이러스의 숙주 진입을 제어하기 위한 약물의 예측 방법 | |
| KR102662645B1 (ko) | 커리큘럼 기반의 능동적 학습 방법 | |
| KR102647608B1 (ko) | 신경망 모델의 다양성을 위한 학습 방법 | |
| KR20230031761A (ko) | 유전자 정보 분석 방법 | |
| KR20230062130A (ko) | 인공지능을 이용한 인터뷰 공유 및 사용자 매칭 플랫폼 | |
| KR102562197B1 (ko) | 오토 인코더 모델의 데이터 선별 및 비정상 스코어 산출 방법 | |
| KR102479218B1 (ko) | 오토 인코더 모델의 선택 및 최적화 방법 | |
| KR102547975B1 (ko) | 인공지능 기술을 사용하여 클러스터 데이터에 대응되는 주조직 적합성 복합체를 결정하기 위한 방법 및 장치 | |
| KR102547974B1 (ko) | Mhc와 펩타이드 간의 결합 친화도를 분석하기 위한 방법 및 장치 | |
| KR102547976B1 (ko) | Mhc와 펩타이드 간의 결합을 분석하기 위한 방법 및 장치 | |
| KR102517006B1 (ko) | 펩타이드 시퀀스들을 클러스터링하기 위한 방법 및 장치 | |
| KR102557986B1 (ko) | 인공지능 기술을 사용하여 염기 서열의 변이를 검출하기 위한 방법 및 장치 | |
| KR102517004B1 (ko) | 면역펩티돔을 분석하기 위한 방법 및 장치 | |
| KR102570771B1 (ko) | 강화학습 알고리즘의 파라미터 조절 방법 | |
| KR102255998B1 (ko) | 피해 감지 방법 | |
| KR102508654B1 (ko) | 이미지 기반 테이블 경계선 생성 방법 | |
| KR102552230B1 (ko) | 클라우드 플랫폼에서 인공지능 모델을 활용한 데이터 라벨링 방법 | |
| US20240273337A1 (en) | Method for providing development environment based on remote execution | |
| KR20230031760A (ko) | 항원 결정기 후보 도출 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |