KR102497003B1 - 약물 평가 방법 및 장치 - Google Patents
약물 평가 방법 및 장치 Download PDFInfo
- Publication number
- KR102497003B1 KR102497003B1 KR1020200164629A KR20200164629A KR102497003B1 KR 102497003 B1 KR102497003 B1 KR 102497003B1 KR 1020200164629 A KR1020200164629 A KR 1020200164629A KR 20200164629 A KR20200164629 A KR 20200164629A KR 102497003 B1 KR102497003 B1 KR 102497003B1
- Authority
- KR
- South Korea
- Prior art keywords
- drug
- learning model
- cell
- drug evaluation
- cell image
- Prior art date
Links
- 239000003814 drug Substances 0.000 title claims abstract description 218
- 229940079593 drug Drugs 0.000 title claims abstract description 218
- 238000000034 method Methods 0.000 title description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 114
- 230000000694 effects Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 description 113
- 230000008569 process Effects 0.000 description 26
- 238000004891 communication Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 11
- 231100000419 toxicity Toxicity 0.000 description 10
- 230000001988 toxicity Effects 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 8
- 238000003556 assay Methods 0.000 description 7
- 239000002609 medium Substances 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000003833 cell viability Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 102000004190 Enzymes Human genes 0.000 description 4
- 108090000790 Enzymes Proteins 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 210000004748 cultured cell Anatomy 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000009509 drug development Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 231100000417 nephrotoxicity Toxicity 0.000 description 2
- 239000002547 new drug Substances 0.000 description 2
- 230000004952 protein activity Effects 0.000 description 2
- 125000003831 tetrazolyl group Chemical group 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- AZKSAVLVSZKNRD-UHFFFAOYSA-M 3-(4,5-dimethylthiazol-2-yl)-2,5-diphenyltetrazolium bromide Chemical compound [Br-].S1C(C)=C(C)N=C1[N+]1=NC(C=2C=CC=CC=2)=NN1C1=CC=CC=C1 AZKSAVLVSZKNRD-UHFFFAOYSA-M 0.000 description 1
- DVYSLVUKWUHBQL-UHFFFAOYSA-N 4-[2-(2-methoxy-4-nitrophenyl)-3-(4-nitrophenyl)-1h-tetrazol-5-yl]benzene-1,3-disulfonic acid Chemical compound COC1=CC([N+]([O-])=O)=CC=C1N1N(C=2C=CC(=CC=2)[N+]([O-])=O)N=C(C=2C(=CC(=CC=2)S(O)(=O)=O)S(O)(=O)=O)N1 DVYSLVUKWUHBQL-UHFFFAOYSA-N 0.000 description 1
- APRZHQXAAWPYHS-UHFFFAOYSA-N 4-[5-[3-(carboxymethoxy)phenyl]-3-(4,5-dimethyl-1,3-thiazol-2-yl)tetrazol-3-ium-2-yl]benzenesulfonate Chemical compound S1C(C)=C(C)N=C1[N+]1=NC(C=2C=C(OCC(O)=O)C=CC=2)=NN1C1=CC=C(S([O-])(=O)=O)C=C1 APRZHQXAAWPYHS-UHFFFAOYSA-N 0.000 description 1
- 231100000002 MTT assay Toxicity 0.000 description 1
- 238000000134 MTT assay Methods 0.000 description 1
- 102000004316 Oxidoreductases Human genes 0.000 description 1
- 108090000854 Oxidoreductases Proteins 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004113 cell culture Methods 0.000 description 1
- 239000006143 cell culture medium Substances 0.000 description 1
- 230000005779 cell damage Effects 0.000 description 1
- 208000037887 cell injury Diseases 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 231100000135 cytotoxicity Toxicity 0.000 description 1
- 230000003013 cytotoxicity Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- BOLDJAUMGUJJKM-LSDHHAIUSA-N renifolin D Natural products CC(=C)[C@@H]1Cc2c(O)c(O)ccc2[C@H]1CC(=O)c3ccc(O)cc3O BOLDJAUMGUJJKM-LSDHHAIUSA-N 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- G01N33/5005—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells
- G01N33/5008—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells for testing or evaluating the effect of chemical or biological compounds, e.g. drugs, cosmetics
- G01N33/5014—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells for testing or evaluating the effect of chemical or biological compounds, e.g. drugs, cosmetics for testing toxicity
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- 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
- G16C20/60—In silico combinatorial chemistry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Crystallography & Structural Chemistry (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Immunology (AREA)
- Medicinal Chemistry (AREA)
- Multimedia (AREA)
- Toxicology (AREA)
- Hematology (AREA)
- Urology & Nephrology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Tropical Medicine & Parasitology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- Microbiology (AREA)
Abstract
약물 평가 방법 및 장치가 개시된다. 본 개시의 일 실시 예에 따른 약물 평가 방법은, 평가하고자 하는 약물에 대한 세포 이미지를 획득하는 단계와, 몰 농도(molar concentration)를 예측하도록 훈련된 이미지 처리 기반 학습 모델을 로딩하는 단계와, 획득한 세포 이미지에 학습 모델을 적용하여 세포 이미지에 해당하는 세포의 몰 농도를 출력하는 단계와, 학습 모델을 통해 출력된 세포 이미지에 해당하는 세포의 몰 농도에 기반하여, 약물이 세포에 미치는 영향을 평가할 수 있는 약물 평가 값을 산출하는 단계를 포함할 수 있다.
Description
본 개시는 기계 학습 알고리즘 기반 이미지 처리 기술을 이용하여 약물 효능 및 독성을 평가하는 약물 평가 방법 및 장치에 관한 것이다.
일반적으로 신약 개발에서 약물 효능 및 독성을 평가하기 위해서 50% 저해농도(IC50, 50% inhibitory concentration) 또는 50% 영향농도(EC50, 50% effect concentration)가 활용되고 있다.
IC50은 약물이 투여되었을 때 세포의 활성도(enzyme/protein activity)가 절반으로 떨어지는 순간의 최대 농도(maximal concentration)를 가리킨다. 여기서 세포의 활성도를 나타내는 지표는 효소(enzyme)일 수도 있고, 단백질(protein)일 수도 있는 등 다양하여 실험마다 IC50의 값은 조금씩 다를 수 있다. 또한, EC50은 약물이 투여되었을 때 해당 약물이 나타낼 수 있는 최대 효과의 절반 정도를 보일 수 있는 약물의 최대 농도를 가리킨다. EC50 또는 ED50(effective dose)라고 불리기도 한다. 즉 이러한 값들은 특정 약물이 세포 또는 인체에 미치는 영향을 평가하기 위해 대표적으로 사용되는 객관적인 지표이다.
IC50 및 EC50을 결정하기 위해서는 MTT법, MTS법 및 CCK법이 사용될 수 있으며, 특정 세포주에 약물을 다양한 농도에서 처리하여 세포배양기에서 1~2일 배양 후, 생존 세포에 대해 특이적인 발색을 하는 tetrazolim 계열의 발색 물질(dye)들을 처리하여 적절한 파장에서 발색에 의한 흡광도를 측정하여 결정하게 된다.
이때, 예를 들어, MTT법은 3-(4,5-dimethylthiazol-2-yl)-2,5-diphenyltetrazolium bromide를, MTS법은 (3-(4,5-dimethylthiazol-2-yl)-5-(3-carboxymethoxyphenyl)-2-(4-sulfophenyl)-2H-tetrazolium를, 그리고 CCK법은 2-(2-methoxy-4-nitrophenyl)-3-(4-nitrophenyl)-5-(2,4-disulfophenyl)-2H-tetrazolium 등을 사용할 수 있다.
예를 들어, 선행기술 1에 개시된 바와 같이, 신장독성 및 부작용을 유발할 수 있는 물질에 대해 세포내에서 발현하는 단백질 바이오마커를 이용하여 신장에 독성을 일으킬 수 있는 물질을 검색할 수 있는데, 이때 세포 독성 유발 농도를 결정하기 위해 MTT 어세이 방법을 통해, 세포 독성 유발 농도(IC50)를 결정할 수 있다.
이러한 종래의 방법들은, 발색물질들이 살아있는 세포 내의 대사 효소 (oxidoreductase)에 의해 환원 반응을 일으키기까지는 3 ~ 4 시간의 반응 시간이 소요되며, 한번 발색 반응에 사용된 세포는 추가적인 배양을 할 수 없다. 따라서 IC50/EC50의 재산정 또는 약물 처리 후 반응 기전과 같은 후속 실험에 사용할 수 없다는 문제가 있으며, 약물 또는 다양한 스트레스에 대한 세포 생존률을 별도의 어세이 과정을 통해 결정해야 하므로 어세이에 시간 및 비용이 많이 소요될 수 있다.
또한 기존 어세이법을 시행하는 과정에서 세포의 세척 및 발색물질 투여가 필요한데, 이러한 과정에서 새로운 실험 오차가 발생할 수 있다는 문제가 있다.
전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
본 개시의 실시 예의 일 과제는, 세포 이미지를 입력으로 하여 해당 세포의 특정 약물에 대한 반응을 출력하는 이미지 처리 기반 딥러닝 알고리즘을 이용해, 특정 약물의 약물 효능 및 독성을 평가하고자 하는데 있다.
본 개시의 실시 예의 일 과제는, 약물 처리 후 일정 시간이 지난 후 별도의 처리 없이 약물 농도별 세포 생존률을 산정하고, 이에 따른 IC50/EC50 값의 산정이 가능하도록 하는데 있다.
본 개시의 실시 예의 일 과제는, tetrazolium 계열의 유해 물질을 실험과정에서 배재하여, 실험시간을 단축하고, 배양된 세포를 이용한 추가적인 실험이 가능하도록 하는데 있다.
본 개시의 실시 예의 일 과제는, 약물 또는 다양한 스트레스에 대한 세포 생존률을 별도의 어세이 과정 없이 결정할 수 있도록 하여, 기존의 MTT, MTS, CCK 등의 어세이에 소요되는 시간과 비용을 줄이고자 하는데 있다.
본 개시의 실시 예의 일 과제는, 현미경 관찰 후 세포 배양을 계속할 수 있도록 하여, 실험자가 원하는 기간 동안 세포의 손상 없이 반복적인 측정이 가능하도록 하는데 있다.
본 개시의 실시 예의 일 과제는, 사전 학습된 모델을 활용하는 형태와 사용자가 자신의 모델을 학습 시키고 그 모델을 활용하는 형태를 상황에 맞게 이용 가능하도록 하는 인터페이스를 제공하고자 하는데 있다.
본 개시의 실시 예의 목적은 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.
본 개시의 일 실시 예에 따른 약물 평가 방법은, 세포 이미지를 입력으로 하여 해당 세포의 특정 약물에 대한 반응을 출력하는 이미지 처리 기반 딥러닝 알고리즘을 이용해, 특정 약물의 약물 효능 및 독성을 평가하는 단계를 포함할 수 있다.
구체적으로 본 개시의 일 실시 예에 따른 약물 평가 방법은, 평가하고자 하는 약물에 대한 세포 이미지를 획득하는 단계와, 몰 농도(molar concentration)를 예측하도록 훈련된 이미지 처리 기반 학습 모델을 로딩하는 단계와, 획득한 세포 이미지에 학습 모델을 적용하여 세포 이미지에 해당하는 세포의 몰 농도를 출력하는 단계와, 학습 모델을 통해 출력된 세포 이미지에 해당하는 세포의 몰 농도에 기반하여, 약물이 세포에 미치는 영향을 평가할 수 있는 약물 평가 값을 산출하는 단계를 포함할 수 있다.
본 개시의 일 실시 예에 따른 약물 평가 방법을 통하여, 약물 처리 후 일정 시간이 지난 후 별도의 처리 없이 약물 농도별 세포 생존률을 산정하고, 이에 따른 약물의 효능 및 독성을 평가하기 위한 지표의 측정값을 산정할 수 있도록 함으로써, 실험에 소요되는 시간 및 비용을 단축하고, 배양된 세포를 이용한 추가적인 실험이 가능하도록 할 수 있다.
이 외에도, 본 발명의 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체가 더 제공될 수 있다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
본 개시의 실시 예에 의하면, 세포 이미지를 입력으로 하여 해당 세포의 특정 약물에 대한 반응을 출력하는 이미지 처리 기반 딥러닝 알고리즘을 이용해, 특정 약물의 약물 효능 및 독성을 평가함으로써, tetrazolium 계열의 유해 물질을 실험과정에서 배재하여, 실험시간을 단축하고, 배양된 세포를 이용한 추가적인 실험이 가능하도록 할 수 있다.
또한, 약물 또는 다양한 스트레스에 대한 세포 생존률을 별도의 어세이 과정 없이 결정할 수 있도록 함으로써, 기존의 MTT, MTS, CCK 등의 어세이에 소요되는 시간과 비용을 줄일 수 있다.
또한, 현미경 관찰 후 세포 배양을 계속할 수 있도록 하여, 실험자가 원하는 기간 동안 세포의 손상 없이 반복적인 측정이 가능하도록 함으로써, 보다 효율적인 실험이 가능하도록 하고 이에 따른 사용자의 만족도를 향상시킬 수 있다.
또한, 사전 학습된 모델을 활용하는 형태와 사용자가 자신의 모델을 학습 시키고 그 모델을 활용하는 형태를 상황에 맞게 이용 가능하도록 하는 인터페이스를 제공함으로써, 학습 모델의 정확도를 향상시킬 수 있다.
또한, 학습 모델에 global average pooling 2D 레이어와 dense 레이어를 추가하여 최종적으로 몰 농도(molar concentration)를 예측할 수 있는 구조(regression model)로 모델을 생성함으로써, 학습 모델의 성능을 향상시킬 수 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 일 실시 예에 따른 약물 평가를 위한 학습 모델을 설명하기 위한 도면이다.
도 2는 본 개시의 일 실시 예에 따른 약물 평가 시스템의 개략적인 예시도이다.
도 3은 본 개시의 일 실시 예에 따른 약물 평가 장치를 개략적으로 나타낸 블록도이다.
도 4는 본 개시의 일 실시 예에 따른 약물 평가 인터페이스의 데이터 입력 과정을 설명하기 위한 예시도이다.
도 5는 본 개시의 일 실시 예에 다른 약물 평가 인터페이스의 결과 출력 과정을 설명하기 위한 예시도이다.
도 6는 본 개시의 일 실시 예에 따른 약물 평가 인터페이스의 학습 모델 생성 과정을 설명하기 위한 예시도이다.
도 7은 본 개시의 일 실시 예에 따른 약물 평가 인터페이스의 학습 모델 로딩 과정을 설명하기 위한 예시도이다.
도 8은 본 개시의 일 실시 예에 따른 약물 평가 방법을 설명하기 위한 흐름도이다.
도 2는 본 개시의 일 실시 예에 따른 약물 평가 시스템의 개략적인 예시도이다.
도 3은 본 개시의 일 실시 예에 따른 약물 평가 장치를 개략적으로 나타낸 블록도이다.
도 4는 본 개시의 일 실시 예에 따른 약물 평가 인터페이스의 데이터 입력 과정을 설명하기 위한 예시도이다.
도 5는 본 개시의 일 실시 예에 다른 약물 평가 인터페이스의 결과 출력 과정을 설명하기 위한 예시도이다.
도 6는 본 개시의 일 실시 예에 따른 약물 평가 인터페이스의 학습 모델 생성 과정을 설명하기 위한 예시도이다.
도 7은 본 개시의 일 실시 예에 따른 약물 평가 인터페이스의 학습 모델 로딩 과정을 설명하기 위한 예시도이다.
도 8은 본 개시의 일 실시 예에 따른 약물 평가 방법을 설명하기 위한 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다.
그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
이하, 본 발명에 따른 실시 예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 개시의 일 실시 예에 따른 약물 평가를 위한 학습 모델을 설명하기 위한 도면이다.
본 실시 예는 약물 효능 및 독성 등을 평가하기 위해(예를 들어, 신약 개발 등의 상황에서), 특정 약물이 세포 또는 인체에 미치는 영향을 검출할 수 있도록 하는 방법에 관한 것이다. 약물 효능 및 독성을 평가하는 지표에는 50% 저해농도 (IC50, 50% inhibitory concentration), 50% 영향농도 (EC50, 50% effect concentration) 등이 있다. 이때, IC50은 약물이 투여되었을 때 세포의 활성도(enzyme/protein activity)가 절반으로 떨어지는 순간의 최대 농도(maximal concentration)를 가리킨다. 여기서 세포의 활성도를 나타내는 지표는 효소(enzyme)일 수도 있고, 단백질(protein)일 수도 있는 등 다양하여 실험마다 IC50의 값은 조금씩 다를 수 있다. 또한, EC50은 약물이 투여되었을 때 해당 약물이 나타낼 수 있는 최대 효과의 절반 정도를 보일 수 있는 약물의 최대 농도를 가리킨다. EC50 또는 ED50(effective dose)라고 불리기도 한다.
본 실시 예에서는, 약물 효능 및 독성을 평가하기 위한 지표로 IC50을 실시 예로 하여 설명하도록 한다. 즉 본 실시 예에서는, IC50을 결정하기 위해서 딥러닝 기반 이미지 처리 기술을 활용하여 세포 이미지에서 몰 농도(molar concentration)를 예측하고 이를 기반으로 IC50를 도출할 수 있다.
특히 본 실시 예에서는, 도 1(a)에 도시된 바와 같이 사전 학습된 모델을 활용할 수 있고, 도 1(b)에 도시된 바와 같이 사용자 생성 모델을 생성하여 활용할 수 있도록 할 수 있다.
보다 구체적으로 살펴보면, 도 1(a)에 도시된 사전 학습된 모델을 활용하는 형태에서는, 사전에 학습된 모델(Pre-trained Model)에 가중치를 미세 조정하는 파인 튜닝 알고리즘(Fine-tune network weights)을 추가하여 본 실시 예의 학습 모델을 생성하고, 이를 이용하여 약물에 의한 세포의 몰 농도가 출력되도록 할 수 있다. 그리고 도 1(b)에 도시된 사용자 생성 모델을 생성하여 활용하는 형태에서는, 공지된 머신 러닝 알고리즘(예를 들어, MobileNet, ResNet 등)을 활용하되, Top 레이어에 가중치를 미세 조정하는 파인 튜닝 레이어가 구성되도록 하여 약물에 의한 세포의 몰 농도가 출력되도록 훈련된 사용자 학습 모델이 생성되도록 할 수 있다.
도 2는 본 개시의 일 실시 예에 따른 약물 평가 시스템의 개략적인 예시도이고, 도 3은 본 개시의 일 실시 예에 따른 약물 평가 장치를 개략적으로 나타낸 블록도이다.
도 2에 도시된 바와 같이, 약물 평가 시스템(1)은 약물 평가 장치(100), 사용자 단말(200), 서버(300) 및 네트워크(400)를 포함할 수 있다.
이때 본 실시 예에서는, 사용자들이 사용자 단말(200)에서 구현되는 어플리케이션 또는 웹사이트에 접속하여, 약물 평가를 위한 세포 이미지를 입력하거나 사용자 학습 모델을 생성하는 등의 과정을 수행할 수 있다. 즉 도 1에 도시된 일련의 과정들이 사용자 단말(200)의 어플리케이션 또는 웹사이트 등에서 구현될 수 있는 것이다. 이러한 사용자 단말(200)은 약물 평가 어플리케이션 또는 약물 평가 웹사이트에 접속한 후 인증 과정을 통하여 약물 평가 서비스를 제공받을 수 있다. 인증 과정은 회원가입 등 사용자 정보를 입력하는 인증, 사용자 단말에 대한 인증 등을 포함할 수 있으나, 이에 한정되지 않고 약물 평가 장치(100) 및/또는 서버(300)에서 전송되는 링크에 접속하는 것만으로 인증 과정이 수행될 수도 있다.
본 실시 예에서, 사용자 단말(200)은 사용자가 조작하는 데스크 탑 컴퓨터, 스마트폰, 노트북, 태블릿 PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 사용자 단말(200)은 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 단말기 일 수 있다. 사용자 단말(200)은 상술한 내용에 제한되지 아니하며, 웹 브라우징이 가능한 단말기는 제한 없이 차용될 수 있다.
한편, 본 실시 예에서 약물 평가 시스템(1)은 약물 평가 장치(100) 및/또는 서버(300)에 의해 구현될 수 있다.
도 3에 도시된 바와 같이, 약물 평가 장치(100)는 메모리(110), 통신부(120), 프로세서(130) 및 사용자 인터페이스(140)를 포함할 수 있다.
메모리(110)는 약물 평가 장치(100)의 동작에 필요한 각종 정보들을 저장하고, 약물 평가 장치(100)를 동작시킬 수 있는 제어 소프트웨어를 저장할 수 있는 것으로, 휘발성 또는 비휘발성 기록 매체를 포함할 수 있다.
메모리(110)는 하나 이상의 프로세서(130)와 연결되는 것으로, 프로세서(130)에 의해 실행될 때, 프로세서(130)로 하여금 약물 평가 장치(100)를 제어하도록 야기하는(cause) 코드들을 저장할 수 있다.
여기서, 메모리(110)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 이러한 메모리(110)는 내장 메모리 및/또는 외장 메모리를 포함할 수 있으며, DRAM, SRAM, 또는 SDRAM 등과 같은 휘발성 메모리, OTPROM(one time programmable ROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, NAND 플래시 메모리, 또는 NOR 플래시 메모리 등과 같은 비휘발성 메모리, SSD. CF(compact flash) 카드, SD 카드, Micro-SD 카드, Mini-SD 카드, Xd 카드, 또는 메모리 스틱(memory stick) 등과 같은 플래시 드라이브, 또는 HDD와 같은 저장 장치를 포함할 수 있다.
특히, 본 실시 예에서, 메모리(110)에는 본 개시에 따른 신경망 모델, 신경망 모델을 이용하여 본 개시의 다양할 실시 예를 구현할 수 있도록 구현된 모듈이 저장될 수 있다. 그리고, 메모리(110)에는 본 개시에 따른 학습을 수행하기 위한 알고리즘에 관련된 정보가 저장될 수 있다. 그 밖에도 본 개시의 목적을 달성하기 위한 범위 내에서 필요한 다양한 정보가 메모리(110)에 저장될 수 있으며, 메모리(110)에 저장된 정보는 서버 또는 외부 장치로부터 수신되거나 사용자에 의해 입력됨에 따라 갱신될 수도 있다.
이때, 서버(300)는 약물 평가 장치(100)가 포함되는 약물 평가 시스템(1)을 운용하기 위한 서버일 수 있다. 또한 서버(300)는 각종 인공 지능 알고리즘을 적용하는데 필요한 빅데이터와, 약물 평가 장치(100)를 동작시키는 데이터를 제공하는 데이터베이스 서버일 수 있다. 그 밖에 서버(300)는 약물 평가 시스템(1)이 구현될 수 있도록 하는 웹 서버 또는 어플리케이션 서버를 포함할 수 있다.
통신부(120)는 네트워크(400)와 연동하여 외부 장치(서버를 포함) 간의 송수신 신호를 패킷 데이터 형태로 제공하는 데 필요한 통신 인터페이스를 제공할 수 있다. 또한 통신부(120)는 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다. 이러한 통신부(120)는 각종 사물 지능 통신(IoT(internet of things), IoE(internet of everything), IoST(internet of small things) 등)을 지원할 수 있으며, M2M(machine to machine) 통신, V2X(vehicle to everything communication) 통신, D2D(device to device) 통신 등을 지원할 수 있다.
이때, 네트워크(400)는 약물 평가 시스템(1)에서 약물 평가 장치(100), 서버(300) 및 사용자 단말(200)을 연결하는 역할을 수행할 수 있다. 이러한 네트워크(400)는 예컨대 LANs(local area networks), WANs(Wide area networks), MANs(metropolitan area networks), ISDNs(integrated service digital networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 또한 네트워크(400)는 근거리 통신 및/또는 원거리 통신을 이용하여 정보를 송수신할 수 있다. 여기서 근거리 통신은 블루투스(bluetooth), RFID(radio frequency identification), 적외선 통신(IrDA, infrared data association), UWB(ultra-wideband), ZigBee, Wi-Fi(Wireless fidelity) 기술을 포함할 수 있고, 원거리 통신은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 기술을 포함할 수 있다.
네트워크(400)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(400)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(400)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 더 나아가 네트워크(400)는 사물 등 분산된 구성 요소들 간에 정보를 주고받아 처리하는 IoT(Internet of Things, 사물인터넷) 망 및/또는 5G 통신을 지원할 수 있다.
즉, 프로세서(130)는 통신부(120)를 통해 연결된 외부 장치로부터 각종 데이터 또는 정보를 수신할 수 있으며, 외부 장치로 각종 데이터 또는 정보를 전송할 수도 있다. 그리고, 통신부(120)는 WiFi 모듈, Bluetooth 모듈, 무선 통신 모듈, 및 NFC 모듈 중 적어도 하나를 포함할 수 있다.
사용자 인터페이스(140)는 약물 평가를 위해 약물 평가 장치(100)에 적용되는 다양한 세포 이미지들이 수집되고, 약물 평가를 위한 사용자 요청 및 명령들이 입력되는 입력 인터페이스를 포함할 수 있다. 세포 이미지들은 사용자에 의해 입력되거나 서버로부터 획득될 수 있다.
그리고 사용자 인터페이스(140)는 약물 평가 장치(100)에서 수행된 결과가 출력되는 출력 인터페이스를 포함할 수 있다. 예를 들어, 평가하고자 하는 약물의 농도에 따른 세포의 몰 농도, 약물 평가 결과 등이 출력될 수 있다. 즉 사용자 인터페이스(140)는 약물 평가를 위한 사용자 요청 및 명령에 따른 결과를 출력할 수 있다.
이러한 사용자 인터페이스(140)의 입력 인터페이스와 출력 인터페이스는 동일한 인터페이스에서 구현될 수 있으며, 본 실시 예에서 약물 평가를 위해 제공되는 사용자 인터페이스(140)의 구체적인 설명은 도 4 내지 도 7을 통해 후술하도록 한다.
도 4는 본 개시의 일 실시 예에 따른 약물 평가 인터페이스의 데이터 입력 과정을 설명하기 위한 예시도이고, 도 5는 본 개시의 일 실시 예에 다른 약물 평가 인터페이스의 결과 출력 과정을 설명하기 위한 예시도이며, 도 6는 본 개시의 일 실시 예에 따른 약물 평가 인터페이스의 학습 모델 생성 과정을 설명하기 위한 예시도이고, 도 7은 본 개시의 일 실시 예에 따른 약물 평가 인터페이스의 학습 모델 로딩 과정을 설명하기 위한 예시도이다.
이때, 도 4는 사전 학습된 모델을 활용할 때 세포 이미지를 입력할 수 있도록 제공하는 인터페이스 화면을 나타낸 것이고, 도 5는 약물 평가 결과를 출력할 수 있도록 제공하는 인터페이스 화면을 나타낸 것이며, 도 6은 사용자 생성 모델을 생성할 수 있도록 제공하는 인터페이스 화면을 나타낸 것이고, 도 7은 사용자 생성 모델을 로딩할 수 있도록 제공하는 인터페이스 화면을 나타낸 것이다. 즉 도 4 내지 도 7에 도시된 본 실시 예의 약물 평가를 위한 인터페이스는 사전 학습된 모델을 활용할 때와 사용자 생성 모델을 활용할 때가 구분될 수 있으나, 실시 예에 따라서는 동일하게 구현될 수도 있다.
본 실시 예에서는, 약물 평가 어플리케이션 또는 웹사이트에서, Tensorflow JS를 이용해 기 생성되어 저장된 학습 모델을 로딩하고 사용자가 입력한 세포 이미지에 대한 몰 농도가 예측되도록 할 수 있다. Tensorflow JS는 머신 러닝을 위한 오픈소스 소프트웨어인 텐서플로우가 어플리케이션 또는 웹사이트에서 구현되도록 하는 플랫폼으로, 하나의 실시 예이며 이에 한정되지 않는다.
도 4에 도시된 바와 같이, 본 실시 예의 인터페이스는, 평가하고자 하는 약물의 농도의 개수를 설정할 수 있는 약물 농도 개수 설정부(141), 상기 설정된 약물의 농도의 개수에 따라 각각 약물의 농도를 입력할 수 있는 약물 농도 입력부(142), 해당 약물의 농도에 대한 세포 이미지를 입력할 수 있는 세포 이미지 입력부(143), 및 최종적으로 모든 약물 농도에 대한 세포 이미지를 입력한 후 학습 모델을 통한 세포 몰 농도 예측을 위해 결과 출력을 요청할 수 있는 결과 요청부(144)를 포함하여 구성될 수 있다. 이때 세포 몰 농도는 약물에 대한 반응의 크기를 나타낼 수 있다.
그리고 도 5에 도시된 바와 같이, 본 실시 예의 인터페이스는, 약물 농도에 따른 세포 이미지별 세포 몰 농도와, 평균 및 표준 편차를 출력할 수 있는 몰 농도 출력부(145)와 몰 농도에 따른 약물 평가 값(예를 들어, IC50 값)을 출력할 수 있는 약물 평가 출력부(146)를 포함하여 구성될 수 있다. 이때 약물 농도에 따른 몰 농도를 그래프로 나타내어, 약물이 투여되었을 때 세포의 활성도가 절반으로 떨어지는 순간의 최대 농도를 직관적으로 파악할 수 있도록 할 수 있다.
그리고 도 6에 도시된 바와 같이, 본 실시 예의 인터페이스는, 학습 모델 생성을 위한 타깃 세포 이미지와 상기 타깃 세포 이미지의 몰 농도를 레이블로 하는 데이터 셋을 입력할 수 있는 데이터 셋 입력부(147)와 모든 데이터 셋을 입력한 후 학습 모델 생성을 요청할 수 있는 모델 생성 요청부(148)를 포함하여 구성될 수 있다. 예를 들어 본 실시 예에서는, 데이터 셋 입력부(147)를 통해 데이터 셋을 업로드하고(①), 모델 생성 요청부(148)를 통해 학습 모델을 학습시킨 후(②), 학습된 모델을 저장할 수 있다(③). 이때 본 실시 예에서는, 세포 이미지의 파일 이름으로 몰 농도가 레이블링 되어 있어, 세포 이미지를 업로드 하는 것만으로도 서포트 셋이 업로드 되도록 할 수 있다. 즉 세포 이미지의 몰 농도가 0.838 이라면 해당 세포 이미지의 파일 이름이 0.838.jpg로 설정될 수 있는 것이다. 그리고 본 실시 예에서는, 모델 생성 요청부(148)를 통해 LEARN 버튼을 눌러 모델을 학습 시키면 어플리케이션 또는 웹사이트 내부에서 입력된 세포 이미지와 이미지의 파일 이름을 레이블(label)로 하여 모델을 학습시킬 수 있다. 또한 본 실시 예에서는, 사용자가 학습 데이터를 모두 입력하고 학습 시킨 후에 저장하게 되면 학습된 Top 레이어가 저장될 수 있으며, 예를 들어, 생성된 학습 모델의 가중치에 대한 my-model.weights.bin 파일과 생성된 학습 모델의 알고리즘에 대한 my-model.json 파일이 저장될 수 있다.
또한 도 7에 도시된 바와 같이, 본 실시 예의 인터페이스는, 학습 모델을 생성한 후, 생성된 사용자 학습 모델을 불러올 수 있는(loading) 사용자 생성 모델 로딩부(149)를 포함하여 구성될 수 있다. 이때 본 실시 예에서는, 예를 들어, 저장된 my-model.weights.bin 파일과 my-model.json 파일을 선택한 후(①), 생성된 학습 모델을 불러올 수 있고(②), 사용자 생성 모델을 이용하여 약물 평가를 위한 학습이 수행되도록 할 수 있다(③).
한편, 프로세서(130)는 약물 평가 장치(100)의 전반적인 동작을 제어할 수 있다. 구체적으로, 프로세서(130)는 상술한 바와 같은 메모리(110)를 포함하는 약물 평가 장치(100)의 구성과 연결되며, 상술한 바와 같은 메모리(110)에 저장된 적어도 하나의 명령을 실행하여 약물 평가 장치(100)의 동작을 전반적으로 제어할 수 있다.
프로세서(130)는 다양한 방식으로 구현될 수 있다. 예를 들어, 프로세서(130)는 주문형 집적 회로(Application Specific Integrated Circuit, ASIC), 임베디드 프로세서, 마이크로 프로세서, 하드웨어 컨트롤 로직, 하드웨어 유한 상태 기계(Hardware Finite State Machine, FSM), 디지털 신호 프로세서(Digital Signal Processor, DSP) 중 적어도 하나로 구현될 수 있다.
프로세서(130)는 일종의 중앙처리장치로서 메모리(110)에 탑재된 제어 소프트웨어를 구동하여 약물 평가 장치(100) 전체의 동작을 제어할 수 있다. 프로세서(130)는 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령어로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
본 실시 예에서 프로세서(130)는 약물 평가 장치(100)가 최적의 몰 농도 결과 및/또는 약물 평가 결과를 출력하도록, 획득된 세포 이미지에 대하여 딥러닝(Deep Learning) 등 머신 러닝(machine learning)을 수행할 수 있고, 메모리(110)는, 머신 러닝에 사용되는 데이터, 결과 데이터 등을 저장할 수 있다.
즉 본 실시 예에서, 프로세서(130)는 딥러닝 기반 이미지 처리 기술을 활용한 약물 평가를 수행하는 것으로, 평가하고자 하는 약물에 대한 세포 이미지를 획득하고, 몰 농도(molar concentration)를 예측하도록 훈련된 이미지 처리 기반 학습 모델을 로딩할 수 있다.
그리고 프로세서(130)는 획득한 세포 이미지에 학습 모델을 적용하여 세포 이미지에 해당하는 세포의 몰 농도를 출력할 수 있으며, 학습 모델을 통해 출력된 세포 이미지에 해당하는 세포의 몰 농도에 기반하여, 약물이 세포에 미치는 영향을 평가할 수 있는 약물 평가 값을 산출할 수 있다.
이때 학습 모델은, 세포 이미지 및 세포 이미지에 대응하는 몰 농도 레이블을 수집하는 단계와, 세포 이미지와 몰 농도 레이블을 매핑(mapping)하는 알고리즘을 학습하는 단계와, 학습된 알고리즘을 기반으로 세포 이미지와 몰 농도 레이블을 추가로 입력하여 파인 튜닝(Fine Tuning)을 수행하는 단계를 포함하는 훈련 페이즈(phase)에 의해 훈련된 학습 모델일 수 있다. 여기서 세포 이미지와 세포 이미지에 대응하는 몰 농도 레이블은 실측 데이터로서 학습을 위한 데이터 셋을 의미할 수 있다.
여기서 파인 튜닝은 전이 학습(transfer learning)을 의미할 수 있다. 이러한 전이 학습은 관련 태스크 또는 특성이 있는 더 큰 데이터 세트에서 이미 훈련된 심층 신경망 모델을 활용하여 다양한 태스크에 대한 모델 성능을 향상시키는 것으로, 예를 들어, 첫 번째 프레임을 사용하는 1 샷 비디오 객체 분할을 위한 미세 조정 접근 방식, 훈련의 중간 단계에서의 파인 튜닝을 통해 서포트 데이터를 사용하여 모델을 일시적으로 업데이트하고 각 작업에 대한 손실을 최소화 하는 방식, 일반 지식과 이전 가능한 지식의 학습을 분리하여 파인 튜닝 단계에서만 파인 튜닝 모듈을 업데이트 하는 방식 등이 있을 수 있다.
또한 본 실시 예에서, 학습 모델은, 파인 튜닝 수행을 위해, 기 학습된 학습 모델의 Top 레이어 뒷 단에 GAP(global average pooling) 레이어와 dense 레이어가 구성되어 파라미터가 업데이트되도록 훈련된 학습 모델일 수 있으며, 평균 제곱 오차(mean squared error) 손실 함수가 적용되고, Adam(Adaptive Moment Estimation) 최적화 알고리즘을 통해 상기 손실 함수에 기반한 최적화가 수행되도록 구성될 수 있다. 여기서 GAP 레이어, dense 레이어, MSE 손실 함수 및 Adam 최적화 알고리즘은 하나의 실시 예로 한정되는 것은 아니나, 본 실시 예에서는 이러한 실시 예가 적용되는 것이 바람직할 수 있다.
한편 기존의 CNN 구조에서는, Convolution과 Pooling 레이어들을 거치면서 특징을 추출하고, 네트워크의 끝에 Fully-Connected 레이어를 사용하여 분류를 수행하게 되지만, FC 레이어의 경우 네트워크의 크기가 클수록 Overfitting이 일어나기 쉽다는 문제가 있다. FC 레이어의 너비가 넓어질수록 파라미터가 많아져서 Overfitting이 일어나기 더 쉬운 환경이 만들어지기 때문이다.
그래서 본 실시 예에서는, GAP(Global Average Pooling)을 적용할 수 있다. GAP는 분류를 위해서 네트워크의 끝에서 클래스 개수 크기의 벡터를 만들어줄 때 FC 레이어를 사용하지 않아도 되게 만들어주기 때문에, 파라미터의 수가 크게 감소하고, Overfitting을 어느 정도 방지해 주는 이점이 있다.
이러한 GAP는 CNN 구조를 거치고 나온 최종 Feature Map에 1 x 1 Convolution을 수행해서, 필터의 Depth가 분류 클래스의 개수와 맞게 맞춰주고, 각각의 필터를 한 장 단위로 Average Pooling 할 수 있다. 1 x 1 Convolution은 출력 벡터의 원소 개수와 클래스의 개수를 동일하게 맞추기 위해서 사용될 수 있다. 즉, 2차원의 필터 한 장 당 하나의 값이 출력되기 때문에, 1 x 1 Convolution을 사용해서 필터의 장 수를 맞춰주는 것이다. 이렇게 GAP를 통해 만들어진 벡터의 원소 개수는 클래스의 개수와 같으므로, 바로 예를 들어, SOFTMAX 분류를 시행할 수 있다.
그리고 Dense 레이어는 입력과 출력을 모두 연결해주며, 입력과 출력을 각각 연결해주는 가중치를 포함할 수 있다. 이렇게 Dense 레이어는 모델을 설계하고 add를 통해 레이어층을 추가할 수 있도록 구성될 수 있다.
또한 본 실시 예에서는, 학습 모델을 훈련하는 동안 학습 모델의 오차를 측정하고, 학습 모델의 학습이 올바른 방향으로 향하도록 손실 함수를 최소화할 수 있는데, 본 실시 예에서는, 이러한 손실 함수로, 평균 제곱 오차(MSE) 손실 함수가 적용될 수 있다.
평균 제곱 오차(?MSE) 손실 함수는 각각의 데이터가 평균으로부터 얼마나 떨어져 있는지 나타내기 위한 하나의 방식으로, 예측 값과 실제 값 사이의 오차(잔차)의 제곱에 대한 평균으로 나타낼 수 있다. 회귀 모형의 예측력을 평가하기 위해 예측 값과 실제 값이 유사한지 평가할 수 있는 척도로, 실제 값과 예측 값의 차를 통하여 학습 모델이 어느 정도의 학습 능력을 가졌는지 파악할 수 있는 지표로 사용될 수 있으며, 결과값이 작을수록 정확하다고 볼 수 있다.
또한 데이터와 손실 함수를 바탕으로 학습 모델의 파라미터를 업데이트하기 위해 최적화 알고리즘을 적용할 수 있으며, 본 실시 예에서 적용되는 Adam 최적화 알고리즘은 학습 데이터에 기반하여 반복적으로 네트워크 가중치를 업데이트하기 위해 기존의 확률적 Gradient Descent 절차 대신 사용할 수 있는 최적화 알고리즘이다.
상기와 같은 모델 생성 과정을 정리하면, 예를 들어, 먼저 입력으로 분석하고자 하는 세포의 이미지와 해당 세포 이미지에 대한 몰 농도를 측정하여 레이블(Label) 데이터를 수집할 수 있다. 이때 레이블로 사용되는 몰 농도는 공지 기술인 MTT법, MTS법 혹은 CCK법을 통해 얻을 수 있다. 그리고 세포 이미지를 입력으로 하고 몰 농도를 예측하는 딥러닝 기반 학습 모델을 생성하는데 학습의 효율성과 정확도를 향상시키기 위해서 MobileNet이나 ResNet과 같은 기 학습된 고성능의 학습 모델을 pre-trained 모델로 재사용할 수 있다. 이 경우 pre-trained 모델 뒷 단에 global average pooling 2D 레이어와 dense 레이어를 추가하여 최종적으로 몰 농도를 예측할 수 있는 구조(regression model)로 모델을 생성할 수 있다. 이후 학습 데이터 셋(세포 이미지, 몰 농도)를 이용해서 global average pooling 2D 레이어와 dense 레이어의 weight를 학습 시키고 최종적으로 pre-trained model + global average polling 2D 레이어 + dense 레이어로 구성된 모델을 생성할 수 있다.
한편 본 실시 예에서는 학습 모델을 이용하여 약물을 평가하기 위해, 세포 이미지를 획득할 때, 복수 개의 약물 농도에 따른 복수 개의 세포 이미지를 획득할 수 있다. 즉 프로세서(130)는 평가하고자 하는 약물의 농도의 개수를 설정하고, 설정한 약물의 농도의 개수에 따라 약물 농도를 입력 받으면, 입력된 약물 농도에 대응하는 세포 이미지를 입력 받을 수 있다. 예를 들어, 약물의 농도의 개수가 11개이고, 입력 가능한 세포 이미지 수가 8개이면 각각의 약물의 농도에 따라 세포 이미지가 8장씩 입력될 수 있다. 예를 들어, 각 농도는 0.001, 0.001, 0.005, 0.01, 0.05, 0.1, 0.5, 1, 5, 10, 100로 설정되고, 각 농도에 대한 세포 이미지가 8장 획득되는 경우, 1번째 농도의 값을 0.0001 ug/mL로 입력하고 해당 농도에 대한 8개의 이미지를 입력할 수 있다(도 4 참조).
모든 농도에 대해 8개의 이미지가 다 입력되고 학습 수행 요청이 수신되면, 학습 모델에 의해 몰 농도가 예측되는데, 이때 세포 이미지와 해당 세포 이미지의 몰 농도가 함께 출력될 수 있다. 그리고 몰 농도들의 평균 값과 표준 편차 값이 출력될 수 있다. 예를 들어, 예측된 몰 농도 값이 1.2567, 1.64882, 1.27332, 1.48768, 1.76951, 1.57670, 1.38203, 1.53821와 같이 출력될 수 있으며 이 값들의 평균과 표준 편차 값이 표시될 수 있다.
즉 프로세서(130)는 입력한 약물 농도별 세포 이미지에 해당하는 세포의 몰 농도들의 평균 값과 표준 편차 값을 출력할 수 있다.
이때 프로세서(130)는 출력된 세포의 몰 농도의 표준 편차 값이 설정 값 이상인 세포 이미지를 제외할 수 있다. 즉 프로세서(130)는 몰 농도에 대해 출력된 값들을 분석해서 아웃라이어에 해당하는 이미지가 제외되도록 할 수 있으며, 이는 프로세서(130)에서 자동으로 수행되거나, 사용자가 세포 이미지 및 몰 농도 출력 값을 확인하여 평균을 크게 벗어난다고 판단되는 세포 이미지를 제외하여 학습의 정확도가 향상되도록 할 수 있다.
또한 본 실시 예에서는, 도 5에서 농도별 전체 세포 이미지에 대해서 평균 값과 표준편차 값이 공통으로 출력되는 것으로 도시하고 있으나, 세포 이미지 각각을 선택하면 각 세포 이미지의 몰 농도, 평균 값, 표준편차 값이 출력되도록 할 수 있다. 따라서 사용자가 아웃라이어에 해당하는 이미지가 제외되도록 하는 경우, 사용자가 각각의 이미지를 선택하여 각각의 이미지에 대한 몰 농도, 평균 값, 표준편차 값 그리고 이미지를 확인하여 제외될 이미지를 선택할 수 있다.
프로세서(130)는 약물 농도별 몰 농도의 평균 값에 기초하여, 몰 농도의 평균 값이 기준 값일 때의 약물 농도를 약물 평가 값으로 산출할 수 있다. 이때 본 실시 예에서는, 도 5에 도시된 바와 같이, 약물 농도(x축)에 따른 예측된 농도별 평균 몰 농도(y축)를 그래프로 출력할 수 있으며, 그래프에서 예를 들어 IC50에 대한 값을 표시할 수 있다. 어떠한 반응 A의 크기를 100%로 가정했을 때 B라는 약물을 이용하여 반응 A의 크기를 50%로 감소 시킬 수 있는 B의 농도를 반응 A에 대한 B의 IC50이라고 하므로, 그래프에서의 중간 값을 IC50으로 표시하여 출력할 수 있다.
한편 프로세서(130)는 학습 모델의 성능이 충분하지 않은 경우 또는 학습 모델이 제공되지 않은 경우, 타깃 세포 이미지 및 타깃 세포 이미지에 대응하는 몰 농도 레이블을 수집할 수 있다. 즉 본 실시 예에서는, 기 학습된 학습 모델을 이용할 뿐만 아니라, 사용자 생성 모델을 생성하여 이용할 수 있도록 하고 있는데, 학습 모델의 성능이 충분하지 않은 경우 또는 학습 모델이 제공되지 않은 경우, 예를 들어 학습 모델의 정확도를 산출하여 학습 모델의 정확도가 낮은 경우, 사용자 학습 모델이 생성되도록 할 수 있다.
여기서 학습 모델의 성능이 충분하지 않은 경우는, 학습 모델의 정확도가 기준치 미만이거나 학습을 위한 데이터 셋이 설정 수보다 적은 경우, 또는 주어진 데이터 셋에 대하여 과학습(overfitting)된 경우와 같이 학습 모델의 학습이 충분 또는 완전하지 못한 경우를 포함하는 의미일 수 있으며, 설정 수는 사용자의 설정에 따라 변경될 수 있고 설계 단계에서 설정될 수 있다.
본 실시 예에서는, 정확도 산출을 위해 테스트를 위한 세포 이미지와 몰 농도를 테스트 셋으로 하여 테스트를 수행할 수 있으며, 테스트 셋 결정 방법은 한정되지 않고 다양한 방법이 적용될 수 있다.
프로세서(130)는 모델 생성부(131)를 포함할 수 있으며, 사용자 학습 모델을 생성하여야 하는 경우, 모델 생성부(131)는 사용자로부터의 데이터 셋 입력에 따라 학습 모델을 생성할 수 있다.
즉 본 실시 예에서는, 세포의 종류가 다양하여 미리 해당 세포에 대한 예측 모델을 모두 생성하기 힘들기 때문에 사용자가 약물 평가 어플리케이션 또는 웹사이트를 통해 사용자 생성 모델(custom model)을 생성하고 이 모델을 활용할 수 있도록 할 수 있다. 이때 사용자 생성 모델을 생성하고 이를 로드(load)한 후에는, 복수 개의 서로 다른 약물 농도에 따른 복수 개의 세포 이미지를 획득하고 획득한 세포 이미지에 대한 학습 결과를 출력하는 등 상기 기 학습된 학습 모델을 이용하는 경우와 동일한 과정이 수행될 수 있다.
예를 들어, 모델 생성부(131)는 사용자 생성 모델을 학습시키기 위한 세포 이미지와 몰 농도를 획득할 수 있으며, 학습을 위한 세포 이미지와 몰 농도가 모두 입력되면 학습 모델을 생성하여 저장할 수 있다(도 6 참조). 이때, 학습을 위한 모델은 기 학습된 학습 모델의 형태와 동일하게 구성될 수 있으며, 모델의 앞 단은 웹 환경에서 고속의 학습 및 예측 속도를 제공하는 MobileNet으로 구성하고 뒷 단(top layer)은 몰 농도를 예측할 수 있는 구조로 만들기 위해 global average polling 2d 레이어와 출력이 1인 dense 레이어로 구성할 수 있다. 이때 사용자가 학습 데이터를 모두 입력하고 학습 시킨 후에 저장하게 되면, 모델 생성부(131)는 학습된 Top 레이어를 저장할 수 있다.
그리고 약물 평가를 위해 사용자 생성 모델을 이용하기 위해서는, 저장된 사용자 생성 모델을 선택하여 로드 할 수 있으며, 불러온 사용자 생성 모델을 기반으로 세포 이미지를 분석하여 약물 평가를 위한 데이터가 출력되도록 할 수 있다.
도 8은 본 개시의 일 실시 예에 따른 약물 평가 방법을 설명하기 위한 흐름도이다.
도 8을 참조하면, S100단계에서, 약물 평가 장치(100)는 평가하고자 하는 약물에 대한 세포 이미지를 획득한다.
이때, 약물 평가 장치(100)는 복수 개의 약물 농도에 따른 복수 개의 세포 이미지를 획득할 수 있다. 즉 약물 평가 장치(100)는 평가하고자 하는 약물의 농도의 개수를 설정하고, 설정한 약물의 농도의 개수에 따라 약물 농도를 입력 받으면, 입력된 약물 농도에 대응하는 세포 이미지를 입력 받을 수 있다.
S200단계에서, 약물 평가 장치(100)는 몰 농도(molar concentration)를 예측하도록 훈련된 이미지 처리 기반 학습 모델을 로딩한다.
여기서, 학습 모델은 세포 이미지 및 세포 이미지에 대응하는 몰 농도 레이블을 수집하는 단계와, 세포 이미지와 몰 농도 레이블을 매핑(mapping)하는 알고리즘을 학습하는 단계와, 학습된 알고리즘을 기반으로 세포 이미지와 몰 농도 레이블을 추가로 입력하여 파인 튜닝(Fine Tuning)을 수행하는 단계를 포함하는 훈련 페이즈(phase)에 의해 훈련된 학습 모델일 수 있다.
또한 본 실시 예에서, 학습 모델은 파인 튜닝 수행을 위해, 기 학습된 학습 모델의 Top 레이어 뒷 단에 GAP(global average pooling) 레이어와 dense 레이어가 구성되어 파라미터가 업데이트되도록 훈련된 학습 모델일 수 있으며, 평균 제곱 오차(mean squared error) 손실 함수가 적용되고, Adam(Adaptive Moment Estimation) 최적화 알고리즘을 통해 상기 손실 함수에 기반한 최적화가 수행되도록 구성될 수 있다.
한편, 특히 본 실시 예에서는, 사전 학습된 모델을 활용할 수 있는 형태와 사용자 생성 모델을 생성하여 활용할 수 있는 형태가 모두 적용될 수 있다(도 1 참조). 이러한 사전 학습된 모델을 활용할 수 있는 형태와 사용자 생성 모델을 생성하여 활용할 수 있는 형태는, 사용자가 본인의 데이터 셋을 이용하여 사용자 생성 모델을 생성하는 과정이 수행되는지에 대한 여부에 있어서만 차이가 있고, 둘 다 Top 레이어에 가중치를 미세 조정하는 파인 튜닝을 위한 레이어가 동일하게 구성될 수 있다. 사전 학습된 모델의 경우 공지된 학습 모델 알고리즘의 Top 레이어 뒷 단에 파인 튜닝을 위한 레이어를 추가하고, 사용자 생성 모델은 Top 레이어에 파인 튜닝을 위한 레이어가 구성되도록 하지만, 결국 사전 학습된 모델이 파인 튜닝을 위한 레이어를 추가하여 최종 학습 모델의 구성에 있어, Top 레이어에 파인 튜닝을 위한 레이어가 구성되도록 하므로, 사전 학습된 모델 및 사용자 생성 모델은 동일하게 구성될 수 있는 것이다.
즉 학습 모델을 생성하여 학습 모델을 로드(load)하는 과정에 있어서만 차이가 있고, 약물 평가를 위해 세포 이미지를 입력하고, 세포 이미지에 대한 학습을 수행한 후 학습 결과를 출력하는 과정은 후술하는 단계와 같이 동일하게 수행될 수 있다.
S300단계에서, 약물 평가 장치(100)는 획득한 세포 이미지에 학습 모델을 적용하여 세포 이미지에 해당하는 세포의 몰 농도를 출력한다.
그리고 S400단계에서, 약물 평가 장치(100)는 학습 모델을 통해 출력된 세포 이미지에 해당하는 세포의 몰 농도에 기반하여, 약물이 세포에 미치는 영향을 평가할 수 있는 약물 평가 값을 산출한다.
즉 약물 평가 장치(100)는 모든 농도에 대해 세포 이미지가 다 입력되고 학습 수행 요청이 수신되면, 학습 모델에 의해 몰 농도가 예측되는데, 이때 세포 이미지와 해당 세포 이미지의 몰 농도를 함께 출력할 수 있다. 그리고 약물 평가 장치(100)는 입력한 약물 농도별 세포 이미지에 해당하는 세포의 몰 농도들의 평균 값과 표준 편차 값을 함께 출력할 수 있다.
최종적으로 약물 평가 장치(100)는 약물 농도별 몰 농도의 평균 값에 기초하여, 몰 농도의 평균 값이 기준 값일 때의 약물 농도를 약물 평가 값으로 산출할 수 있다. 이때 본 실시 예에서는, 약물 농도(x축)에 따른 예측된 농도별 평균 몰 농도(y축)를 그래프로 출력할 수 있으며(도 5 참조), 그래프에서 예를 들어 IC50에 대한 값을 표시할 수 있다. 즉 약물 평가 값을 직관적으로 출력하여 제공함으로써, 세포의 이미지를 입력하는 것만으로 빠르고 정확한 약물 평가 결과를 파악할 수 있도록 할 수 있다.
이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.
본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
1 : 약물 평가 시스템
100 : 약물 평가 장치
110 : 메모리
120 : 통신부
130 : 프로세서
131 : 모델 생성부
140 : 사용자 인터페이스
100 : 약물 평가 장치
110 : 메모리
120 : 통신부
130 : 프로세서
131 : 모델 생성부
140 : 사용자 인터페이스
Claims (18)
- 딥러닝 기반 이미지 처리 기술을 활용한 약물 평가 장치의 약물 평가 방법으로서,
평가하고자 하는 약물이 투여된 세포의 세포 이미지를 설정 약물 농도별로 획득하는 단계;
몰 농도(molar concentration)를 예측하도록 훈련된 이미지 처리 기반 학습 모델을 로딩하는 단계;
상기 획득한 세포 이미지에 상기 학습 모델을 적용하여 상기 세포 이미지에 해당하는 상기 세포의 몰 농도를 출력하는 단계; 및
상기 학습 모델을 통해 출력된 상기 세포 이미지에 해당하는 상기 세포의 몰 농도에 기반하여, 상기 약물이 상기 세포에 미치는 영향을 평가할 수 있는 약물 평가 값을 산출하는 단계를 포함하며,
상기 학습 모델은 상기 약물 평가 장치에서 수집된 데이터에 기반하여 생성된 사용자 생성 모델이거나 또는 외부 장치에서 기 학습되어 상기 약물 평가 장치에 제공된 학습 모델이고,
상기 약물 평가 방법은,
상기 기 학습되어 상기 약물 평가 장치에 제공된 학습 모델의 정확도가 기준치 미만이거나 데이터 셋의 수가 설정 개수보다 적은 경우, 상기 사용자 생성 모델의 생성을 위해, 타깃 세포 이미지 및 상기 타깃 세포 이미지에 대응하는 몰 농도 레이블을 수집하는 단계; 및
상기 약물 평가 장치에서 수집된 데이터에 기반하여 상기 학습 모델을 생성하는 단계를 더 포함하되,
상기 세포 이미지에 해당하는 상기 세포의 몰 농도를 출력하는 단계는,
상기 약물 농도별 세포 이미지가 복수 개인 경우, 상기 약물 농도별로 상기 복수 개의 세포 이미지에 해당하는 상기 세포의 몰 농도들의 평균 값과 표준 편차 값이 출력되는 단계를 포함하고,
상기 약물 평가 값을 산출하는 단계는,
상기 출력된 상기 세포의 몰 농도들의 표준 편차 값이 설정 값 이상인 세포 이미지를 제외한 후, 상기 약물 농도별 몰 농도들의 평균 값이 기준 값일 때의 약물 농도를 약물 평가 값으로 산출하는 단계를 포함하며,
상기 약물 평가 방법은,
상기 약물 평가 값을 산출하는 단계 이후에, 상기 세포의 추가 세포 이미지를 획득하여, 상기 학습 모델을 기반으로 상기 세포의 약물 평가 값을 재산정하는 단계를 더 포함하는,
약물 평가 방법.
- 제 1 항에 있어서,
상기 학습 모델은,
세포 이미지 및 상기 세포 이미지에 대응하는 몰 농도 레이블을 수집하는 단계;
상기 세포 이미지와 상기 몰 농도 레이블을 매핑(mapping)하는 알고리즘을 학습하는 단계; 및
상기 학습된 알고리즘을 기반으로 상기 세포 이미지와 상기 몰 농도 레이블을 추가로 입력하여 파인 튜닝(Fine Tuning)을 수행하는 단계를 포함하는 훈련 페이즈(phase)에 의해 훈련된,
약물 평가 방법.
- 제 2 항에 있어서,
상기 학습 모델은,
파인 튜닝 수행을 위해, 기 학습된 학습 모델의 Top 레이어 뒷 단에 GAP(global average pooling) 레이어와 dense 레이어가 구성되어 파라미터가 업데이트되도록 훈련된,
약물 평가 방법.
- 제 2 항에 있어서,
상기 학습 모델은,
평균 제곱 오차(mean squared error) 손실 함수가 적용되고, Adam (Adaptive Moment Estimation) 최적화 알고리즘을 통해 상기 손실 함수에 기반한 최적화가 수행되도록 구성된,
약물 평가 방법.
- 제 1 항에 있어서,
상기 세포 이미지를 획득하는 단계는,
상기 평가하고자 하는 약물의 농도의 개수를 설정하는 단계;
상기 설정한 약물의 농도의 개수에 따라 약물 농도를 입력하는 단계; 및
상기 입력한 약물 농도에 대응하는 세포 이미지를 입력하는 단계를 포함하는,
약물 평가 방법.
- 삭제
- 삭제
- 삭제
- 삭제
- 딥러닝 기반 이미지 처리 기술을 활용한 약물 평가 장치로서,
메모리; 및
상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
상기 적어도 하나의 프로세서는,
평가하고자 하는 약물이 투여된 세포의 세포 이미지를 설정 약물 농도별로 획득하는 동작,
몰 농도(molar concentration)를 예측하도록 훈련된 이미지 처리 기반 학습 모델을 로딩하는 동작,
상기 획득한 세포 이미지에 상기 학습 모델을 적용하여 상기 세포 이미지에 해당하는 상기 세포의 몰 농도를 출력하는 동작, 및
상기 학습 모델을 통해 출력된 상기 세포 이미지에 해당하는 상기 세포의 몰 농도에 기반하여, 상기 약물이 상기 세포에 미치는 영향을 평가할 수 있는 약물 평가 값을 산출하는 동작을 수행하도록 구성되며,
상기 학습 모델은 상기 약물 평가 장치에서 수집된 데이터에 기반하여 생성된 사용자 생성 모델이거나 또는 외부 장치에서 기 학습되어 상기 약물 평가 장치에 제공된 학습 모델이고,
상기 적어도 하나의 프로세서는,
상기 기 학습되어 상기 약물 평가 장치에 제공된 학습 모델의 정확도가 기준치 미만이거나 데이터 셋의 수가 설정 개수보다 적은 경우, 상기 사용자 생성 모델의 생성을 위해, 타깃 세포 이미지 및 상기 타깃 세포 이미지에 대응하는 몰 농도 레이블을 수집하는 동작, 및
상기 약물 평가 장치에서 수집된 데이터에 기반하여 상기 학습 모델을 생성하는 동작을 더 수행하도록 구성되며,
상기 세포 이미지에 해당하는 상기 세포의 몰 농도를 출력하는 동작은,
상기 약물 농도별 세포 이미지가 복수 개인 경우, 상기 약물 농도별로 상기 복수 개의 세포 이미지에 해당하는 상기 세포의 몰 농도들의 평균 값과 표준 편차 값이 출력되는 동작을 포함하고,
상기 약물 평가 값을 산출하는 동작은,
상기 출력된 상기 세포의 몰 농도들의 표준 편차 값이 설정 값 이상인 세포 이미지를 제외한 후, 상기 약물 농도별 몰 농도들의 평균 값이 기준 값일 때의 약물 농도를 약물 평가 값으로 산출하는 동작을 포함하며,
상기 적어도 하나의 프로세서는,
상기 약물 평가 값을 산출한 이후에, 상기 세포의 추가 세포 이미지를 획득하여, 상기 학습 모델을 기반으로 상기 세포의 약물 평가 값을 재산정하는 동작을 더 수행하도록 설정되는,
약물 평가 장치.
- 제 10 항에 있어서,
상기 학습 모델은,
세포 이미지 및 상기 세포 이미지에 대응하는 몰 농도 레이블을 수집하는 단계;
상기 세포 이미지와 상기 몰 농도 레이블을 매핑(mapping)하는 알고리즘을 학습하는 단계; 및
상기 학습된 알고리즘을 기반으로 상기 세포 이미지와 상기 몰 농도 레이블을 추가로 입력하여 파인 튜닝(Fine Tuning)을 수행하는 단계를 포함하는 훈련 페이즈(phase)에 의해 훈련된,
약물 평가 장치.
- 제 11 항에 있어서,
상기 학습 모델은,
파인 튜닝 수행을 위해, 기 학습된 학습 모델의 Top 레이어 뒷 단에 GAP(global average pooling) 레이어와 dense 레이어가 구성되어 파라미터가 업데이트되도록 훈련된,
약물 평가 장치.
- 제 11 항에 있어서,
상기 학습 모델은,
평균 제곱 오차(mean squared error) 손실 함수가 적용되고, Adam (Adaptive Moment Estimation) 최적화 알고리즘을 통해 상기 손실 함수에 기반한 최적화가 수행되도록 구성된,
약물 평가 장치.
- 제 10 항에 있어서,
상기 세포 이미지를 획득하는 동작은,
상기 평가하고자 하는 약물의 농도의 개수를 설정하는 동작,
상기 설정한 약물의 농도의 개수에 따라 약물 농도를 입력하는 동작, 및
상기 입력한 약물 농도에 대응하는 세포 이미지를 입력하는 동작을 수행하도록 구성되는,
약물 평가 장치.
- 삭제
- 삭제
- 삭제
- 삭제
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200164629A KR102497003B1 (ko) | 2020-11-30 | 2020-11-30 | 약물 평가 방법 및 장치 |
| US17/528,309 US11954855B2 (en) | 2020-11-30 | 2021-11-17 | Method and apparatus for evaluating drug |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200164629A KR102497003B1 (ko) | 2020-11-30 | 2020-11-30 | 약물 평가 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220075962A KR20220075962A (ko) | 2022-06-08 |
| KR102497003B1 true KR102497003B1 (ko) | 2023-02-06 |
Family
ID=81752821
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200164629A KR102497003B1 (ko) | 2020-11-30 | 2020-11-30 | 약물 평가 방법 및 장치 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11954855B2 (ko) |
| KR (1) | KR102497003B1 (ko) |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101498481B1 (ko) | 2012-09-19 | 2015-03-04 | 덕성여자대학교 산학협력단 | 신장독성 및 부작용 유발 약물 검색용 단백질 바이오마커 및 이를 이용한 신장독성 및 부작용 유발 약물 검색 방법 |
| JP6324828B2 (ja) * | 2014-07-07 | 2018-05-16 | 株式会社日立製作所 | 薬効分析システム及び薬効分析方法 |
| US11895138B1 (en) * | 2015-02-02 | 2024-02-06 | F5, Inc. | Methods for improving web scanner accuracy and devices thereof |
| EP3350731B1 (en) * | 2015-09-16 | 2023-11-01 | HeartFlow, Inc. | Systems and methods for patient-specific imaging and modeling of drug delivery |
| EP3553165A4 (en) | 2016-12-06 | 2019-12-25 | Fujifilm Corporation | CELL IMAGE EVALUATION DEVICE AND CELL IMAGE EVALUATION CONTROL PROGRAM |
| CA3076012A1 (en) * | 2017-09-27 | 2019-04-04 | L2 Diagnostics, Llc | Erbb peptide pharmaceutical and vaccine compositions and therapeutics uses thereof for cancer |
| WO2019104101A1 (en) * | 2017-11-21 | 2019-05-31 | Verisim Life Inc. | Systems and methods for full body circulation and drug concentration prediction |
| WO2019178561A2 (en) * | 2018-03-16 | 2019-09-19 | The United States Of America, As Represented By The Secretary, Department Of Health & Human Services | Using machine learning and/or neural networks to validate stem cells and their derivatives for use in cell therapy, drug discovery, and diagnostics |
| JP6627069B2 (ja) | 2018-06-01 | 2020-01-08 | 株式会社フロンティアファーマ | 画像処理方法、薬剤感受性試験方法および画像処理装置 |
| EP3948677A1 (en) * | 2019-03-27 | 2022-02-09 | Sanofi | Residual semi-recurrent neural networks |
| JP2020166711A (ja) | 2019-03-29 | 2020-10-08 | 東レ株式会社 | 計数装置、計数方法、計数プログラムおよび記録媒体 |
| US20230083769A1 (en) * | 2021-09-14 | 2023-03-16 | City University Of Hong Kong | Machine learing based method of screening potential drug candidate, and a method thereof |
-
2020
- 2020-11-30 KR KR1020200164629A patent/KR102497003B1/ko active IP Right Grant
-
2021
- 2021-11-17 US US17/528,309 patent/US11954855B2/en active Active
Non-Patent Citations (4)
| Title |
|---|
| C. M. Garvey et al., A high-content image-based method for quantitatively studying context dependent cell population dynamics, Sci. Rep. Vol.6, 29752(2016)* |
| S. He et al., Deeply-supervised density regression for automatic cell counting in microscopy images, Med. Image Anal. Vol.68, 101892(2020.11.11.)* |
| Y. Zhu et al., DeepScreen: An Accurate, Rapid, and Anti-Interference Screening Approach for Nanoformulated Medication by Deep Learning, Adv. Sci. Vol.5, 1800909(2018)* |
| Z. Zhang, Cancer Drug Screening Scale-up: Combining Biomimetic Microfluidic Platforms and Deep Learning Image Analysis, Thesis, University of Michigan(2020.10.04.)* |
Also Published As
| Publication number | Publication date |
|---|---|
| US11954855B2 (en) | 2024-04-09 |
| KR20220075962A (ko) | 2022-06-08 |
| US20220172352A1 (en) | 2022-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11361225B2 (en) | Neural network architecture for attention based efficient model adaptation | |
| US11573093B2 (en) | Method for predicting battery consumption of electric vehicle and device for the same | |
| US20230082597A1 (en) | Neural Network Construction Method and System | |
| JP2021523430A (ja) | 教師付き機械学習問題用のニューラルネットワークアーキテクチャの選択 | |
| KR20200043169A (ko) | 뉴럴 네트워크의 파라미터를 양자화하는 방법 및 장치 | |
| US10762163B2 (en) | Probabilistic matrix factorization for automated machine learning | |
| KR101903526B1 (ko) | 바이오 물질의 농도를 기반으로 하는 질환 예측 장치 및 그것의 질환 예측 방법 | |
| CN116249991A (zh) | 一种神经网络蒸馏方法以及装置 | |
| US20200226451A1 (en) | Method and apparatus with neural network layer contraction | |
| KR20200111151A (ko) | 비색표를 이용한 소변 검사를 제공하는 컴퓨터 프로그램 및 단말기 | |
| CN111783810A (zh) | 用于确定用户的属性信息的方法和装置 | |
| US20190122654A1 (en) | Speech recognition method and apparatus | |
| CN110443347B (zh) | 神经网络方法和装置 | |
| US20220101063A1 (en) | Method and apparatus for analyzing neural network performance | |
| WO2022063293A1 (zh) | 一种安全认证的方法和系统 | |
| KR102497003B1 (ko) | 약물 평가 방법 및 장치 | |
| CN113936314A (zh) | 一种面部表情识别的方法和系统 | |
| KR102581471B1 (ko) | 분류를 위한 뉴럴 네트워크에서 파라미터를 처리하는 방법 및 장치 | |
| WO2024028196A1 (en) | Methods for training models in a federated system | |
| CN116805384A (zh) | 自动搜索方法、自动搜索的性能预测模型训练方法及装置 | |
| US20210168195A1 (en) | Server and method for controlling server | |
| CN116258190A (zh) | 一种量化方法、装置及相关设备 | |
| Grigorie et al. | Micro-electromechanical systems gyro performance improvement through bias correction over temperature using an adaptive neural network-trained fuzzy inference system | |
| Zhang et al. | OnceNAS: Discovering efficient on-device inference neural networks for edge devices | |
| KR20190051574A (ko) | 인공 신경망을 이용하여 이름에 대한 국적 정보를 제공하는 장치 및 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |