KR102531759B1 - Method and Apparatus for Screening Osteoporosis Drug Based on Image Analysis of Bone Tissue Mimetics - Google Patents
Method and Apparatus for Screening Osteoporosis Drug Based on Image Analysis of Bone Tissue Mimetics Download PDFInfo
- Publication number
- KR102531759B1 KR102531759B1 KR1020220053246A KR20220053246A KR102531759B1 KR 102531759 B1 KR102531759 B1 KR 102531759B1 KR 1020220053246 A KR1020220053246 A KR 1020220053246A KR 20220053246 A KR20220053246 A KR 20220053246A KR 102531759 B1 KR102531759 B1 KR 102531759B1
- Authority
- KR
- South Korea
- Prior art keywords
- bone
- bone tissue
- image
- drug
- mimetic
- Prior art date
Links
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 171
- 239000003814 drug Substances 0.000 title claims abstract description 97
- 229940079593 drug Drugs 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000010191 image analysis Methods 0.000 title claims description 23
- 208000001132 Osteoporosis Diseases 0.000 title claims description 11
- 238000012216 screening Methods 0.000 title abstract description 8
- 208000020084 Bone disease Diseases 0.000 claims abstract description 46
- 210000004027 cell Anatomy 0.000 claims abstract description 35
- 239000003550 marker Substances 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 230000003278 mimic effect Effects 0.000 claims abstract description 27
- 238000013136 deep learning model Methods 0.000 claims abstract description 24
- 239000000203 mixture Substances 0.000 claims abstract description 23
- 210000004409 osteocyte Anatomy 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000007877 drug screening Methods 0.000 claims description 22
- 210000000963 osteoblast Anatomy 0.000 claims description 22
- 210000002449 bone cell Anatomy 0.000 claims description 16
- 108090000623 proteins and genes Proteins 0.000 claims description 15
- 108010035532 Collagen Proteins 0.000 claims description 13
- 102000008186 Collagen Human genes 0.000 claims description 13
- 229920001436 collagen Polymers 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 13
- 102000004169 proteins and genes Human genes 0.000 claims description 10
- 235000000346 sugar Nutrition 0.000 claims description 9
- 210000004940 nucleus Anatomy 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 241000411851 herbal medicine Species 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 206010065687 Bone loss Diseases 0.000 claims description 6
- 235000014633 carbohydrates Nutrition 0.000 claims description 6
- 150000001720 carbohydrates Chemical class 0.000 claims description 6
- 210000000170 cell membrane Anatomy 0.000 claims description 6
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 claims description 6
- 210000002997 osteoclast Anatomy 0.000 claims description 6
- 230000028327 secretion Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 150000002632 lipids Chemical class 0.000 claims description 5
- 108020004414 DNA Proteins 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 210000002865 immune cell Anatomy 0.000 claims description 4
- 210000005009 osteogenic cell Anatomy 0.000 claims description 4
- 206010039073 rheumatoid arthritis Diseases 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 108091032973 (ribonucleotides)n+m Proteins 0.000 claims description 3
- 102000004190 Enzymes Human genes 0.000 claims description 3
- 108090000790 Enzymes Proteins 0.000 claims description 3
- 229930186217 Glycolipid Natural products 0.000 claims description 3
- 102000006947 Histones Human genes 0.000 claims description 3
- 108010033040 Histones Proteins 0.000 claims description 3
- 108010090054 Membrane Glycoproteins Proteins 0.000 claims description 3
- 102000012750 Membrane Glycoproteins Human genes 0.000 claims description 3
- 102000029749 Microtubule Human genes 0.000 claims description 3
- 108091022875 Microtubule Proteins 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 238000004113 cell culture Methods 0.000 claims description 3
- 210000003793 centrosome Anatomy 0.000 claims description 3
- 235000012000 cholesterol Nutrition 0.000 claims description 3
- 210000000805 cytoplasm Anatomy 0.000 claims description 3
- 210000002472 endoplasmic reticulum Anatomy 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 claims description 3
- 210000003712 lysosome Anatomy 0.000 claims description 3
- 230000001868 lysosomic effect Effects 0.000 claims description 3
- 239000012528 membrane Substances 0.000 claims description 3
- 210000003632 microfilament Anatomy 0.000 claims description 3
- 210000004688 microtubule Anatomy 0.000 claims description 3
- 210000003470 mitochondria Anatomy 0.000 claims description 3
- 108020004707 nucleic acids Proteins 0.000 claims description 3
- 102000039446 nucleic acids Human genes 0.000 claims description 3
- 150000007523 nucleic acids Chemical class 0.000 claims description 3
- 150000008163 sugars Chemical class 0.000 claims description 3
- 208000002679 Alveolar Bone Loss Diseases 0.000 claims description 2
- 208000010392 Bone Fractures Diseases 0.000 claims description 2
- 230000006820 DNA synthesis Effects 0.000 claims description 2
- 208000037147 Hypercalcaemia Diseases 0.000 claims description 2
- 201000002980 Hyperparathyroidism Diseases 0.000 claims description 2
- 208000037848 Metastatic bone disease Diseases 0.000 claims description 2
- 206010028980 Neoplasm Diseases 0.000 claims description 2
- 208000010191 Osteitis Deformans Diseases 0.000 claims description 2
- 206010031243 Osteogenesis imperfecta Diseases 0.000 claims description 2
- 206010031252 Osteomyelitis Diseases 0.000 claims description 2
- 206010031264 Osteonecrosis Diseases 0.000 claims description 2
- 208000027067 Paget disease of bone Diseases 0.000 claims description 2
- 230000006819 RNA synthesis Effects 0.000 claims description 2
- 208000016738 bone Paget disease Diseases 0.000 claims description 2
- 201000011510 cancer Diseases 0.000 claims description 2
- 230000024245 cell differentiation Effects 0.000 claims description 2
- 230000032823 cell division Effects 0.000 claims description 2
- 230000009087 cell motility Effects 0.000 claims description 2
- 238000002659 cell therapy Methods 0.000 claims description 2
- 201000010934 exostosis Diseases 0.000 claims description 2
- 230000014509 gene expression Effects 0.000 claims description 2
- 238000001415 gene therapy Methods 0.000 claims description 2
- 229940088597 hormone Drugs 0.000 claims description 2
- 239000005556 hormone Substances 0.000 claims description 2
- 230000000148 hypercalcaemia Effects 0.000 claims description 2
- 208000030915 hypercalcemia disease Diseases 0.000 claims description 2
- 201000010930 hyperostosis Diseases 0.000 claims description 2
- 229940127121 immunoconjugate Drugs 0.000 claims description 2
- 230000002757 inflammatory effect Effects 0.000 claims description 2
- 230000035990 intercellular signaling Effects 0.000 claims description 2
- 210000005061 intracellular organelle Anatomy 0.000 claims description 2
- 230000004068 intracellular signaling Effects 0.000 claims description 2
- 230000002101 lytic effect Effects 0.000 claims description 2
- 230000000813 microbial effect Effects 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 238000012986 modification Methods 0.000 claims description 2
- 229930014626 natural product Natural products 0.000 claims description 2
- 208000005368 osteomalacia Diseases 0.000 claims description 2
- 230000009145 protein modification Effects 0.000 claims description 2
- 238000001243 protein synthesis Methods 0.000 claims description 2
- 229940121896 radiopharmaceutical Drugs 0.000 claims description 2
- 239000012217 radiopharmaceutical Substances 0.000 claims description 2
- 230000002799 radiopharmaceutical effect Effects 0.000 claims description 2
- 210000003705 ribosome Anatomy 0.000 claims description 2
- 208000007442 rickets Diseases 0.000 claims description 2
- 230000014616 translation Effects 0.000 claims description 2
- 239000012857 radioactive material Substances 0.000 claims 2
- 210000005167 vascular cell Anatomy 0.000 claims 2
- 230000006870 function Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 26
- 239000000017 hydrogel Substances 0.000 description 17
- 238000003384 imaging method Methods 0.000 description 14
- 102000019307 Sclerostin Human genes 0.000 description 13
- 108050006698 Sclerostin Proteins 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 13
- 102000010834 Extracellular Matrix Proteins Human genes 0.000 description 11
- 108010037362 Extracellular Matrix Proteins Proteins 0.000 description 11
- 210000002744 extracellular matrix Anatomy 0.000 description 11
- 239000000499 gel Substances 0.000 description 11
- 239000002609 medium Substances 0.000 description 10
- 235000013870 dimethyl polysiloxane Nutrition 0.000 description 8
- 239000004205 dimethyl polysiloxane Substances 0.000 description 8
- 108010082117 matrigel Proteins 0.000 description 8
- 229920000435 poly(dimethylsiloxane) Polymers 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 108060000903 Beta-catenin Proteins 0.000 description 7
- 102000015735 Beta-catenin Human genes 0.000 description 7
- 241000699666 Mus <mouse, genus> Species 0.000 description 7
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 108091003079 Bovine Serum Albumin Proteins 0.000 description 6
- 238000013459 approach Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- UCSJYZPVAKXKNQ-HZYVHMACSA-N streptomycin Chemical compound CN[C@H]1[C@H](O)[C@@H](O)[C@H](CO)O[C@H]1O[C@@H]1[C@](C=O)(O)[C@H](C)O[C@H]1O[C@@H]1[C@@H](NC(N)=N)[C@H](O)[C@@H](NC(N)=N)[C@H](O)[C@H]1O UCSJYZPVAKXKNQ-HZYVHMACSA-N 0.000 description 6
- 241001465754 Metazoa Species 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- DHCLVCXQIBBOPH-UHFFFAOYSA-N Glycerol 2-phosphate Chemical compound OCC(CO)OP(O)(O)=O DHCLVCXQIBBOPH-UHFFFAOYSA-N 0.000 description 4
- 241000282412 Homo Species 0.000 description 4
- 241000251539 Vertebrata <Metazoa> Species 0.000 description 4
- 230000004069 differentiation Effects 0.000 description 4
- 239000012091 fetal bovine serum Substances 0.000 description 4
- 239000001963 growth medium Substances 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- QTBSBXVTEAMEQO-UHFFFAOYSA-N Acetic acid Chemical compound CC(O)=O QTBSBXVTEAMEQO-UHFFFAOYSA-N 0.000 description 3
- 238000002965 ELISA Methods 0.000 description 3
- 229930182555 Penicillin Natural products 0.000 description 3
- JGSARLDLIJGVTE-MBNYWOFBSA-N Penicillin G Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)CC1=CC=CC=C1 JGSARLDLIJGVTE-MBNYWOFBSA-N 0.000 description 3
- -1 Puramatrix Proteins 0.000 description 3
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 description 3
- 230000032683 aging Effects 0.000 description 3
- 230000003416 augmentation Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000001879 gelation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000007758 minimum essential medium Substances 0.000 description 3
- 229940049954 penicillin Drugs 0.000 description 3
- 229960005322 streptomycin Drugs 0.000 description 3
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Natural products OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 2
- 102000057297 Pepsin A Human genes 0.000 description 2
- 108090000284 Pepsin A Proteins 0.000 description 2
- 239000004696 Poly ether ether ketone Substances 0.000 description 2
- 239000002202 Polyethylene glycol Substances 0.000 description 2
- 229920004890 Triton X-100 Polymers 0.000 description 2
- 239000013504 Triton X-100 Substances 0.000 description 2
- 239000013543 active substance Substances 0.000 description 2
- 229960005070 ascorbic acid Drugs 0.000 description 2
- 235000010323 ascorbic acid Nutrition 0.000 description 2
- 239000011668 ascorbic acid Substances 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000003592 biomimetic effect Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 229940098773 bovine serum albumin Drugs 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 125000004386 diacrylate group Chemical group 0.000 description 2
- 239000000975 dye Substances 0.000 description 2
- 229940088598 enzyme Drugs 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000002288 golgi apparatus Anatomy 0.000 description 2
- 230000008611 intercellular interaction Effects 0.000 description 2
- TYQCGQRIZGCHNB-JLAZNSOCSA-N l-ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(O)=C(O)C1=O TYQCGQRIZGCHNB-JLAZNSOCSA-N 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009818 osteogenic differentiation Effects 0.000 description 2
- 229940111202 pepsin Drugs 0.000 description 2
- 239000004417 polycarbonate Substances 0.000 description 2
- 229920002530 polyetherether ketone Polymers 0.000 description 2
- 229920001223 polyethylene glycol Polymers 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 229920002379 silicone rubber Polymers 0.000 description 2
- 239000004945 silicone rubber Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001988 toxicity Effects 0.000 description 2
- 231100000419 toxicity Toxicity 0.000 description 2
- KIUKXJAPPMFGSW-DNGZLQJQSA-N (2S,3S,4S,5R,6R)-6-[(2S,3R,4R,5S,6R)-3-Acetamido-2-[(2S,3S,4R,5R,6R)-6-[(2R,3R,4R,5S,6R)-3-acetamido-2,5-dihydroxy-6-(hydroxymethyl)oxan-4-yl]oxy-2-carboxy-4,5-dihydroxyoxan-3-yl]oxy-5-hydroxy-6-(hydroxymethyl)oxan-4-yl]oxy-3,4,5-trihydroxyoxane-2-carboxylic acid Chemical compound CC(=O)N[C@H]1[C@H](O)O[C@H](CO)[C@@H](O)[C@@H]1O[C@H]1[C@H](O)[C@@H](O)[C@H](O[C@H]2[C@@H]([C@@H](O[C@H]3[C@@H]([C@@H](O)[C@H](O)[C@H](O3)C(O)=O)O)[C@H](O)[C@@H](CO)O2)NC(C)=O)[C@@H](C(O)=O)O1 KIUKXJAPPMFGSW-DNGZLQJQSA-N 0.000 description 1
- PRDFBSVERLRRMY-UHFFFAOYSA-N 2'-(4-ethoxyphenyl)-5-(4-methylpiperazin-1-yl)-2,5'-bibenzimidazole Chemical compound C1=CC(OCC)=CC=C1C1=NC2=CC=C(C=3NC4=CC(=CC=C4N=3)N3CCN(C)CC3)C=C2N1 PRDFBSVERLRRMY-UHFFFAOYSA-N 0.000 description 1
- 238000010146 3D printing Methods 0.000 description 1
- FHVDTGUDJYJELY-UHFFFAOYSA-N 6-{[2-carboxy-4,5-dihydroxy-6-(phosphanyloxy)oxan-3-yl]oxy}-4,5-dihydroxy-3-phosphanyloxane-2-carboxylic acid Chemical compound O1C(C(O)=O)C(P)C(O)C(O)C1OC1C(C(O)=O)OC(OP)C(O)C1O FHVDTGUDJYJELY-UHFFFAOYSA-N 0.000 description 1
- 229920000936 Agarose Polymers 0.000 description 1
- 239000012103 Alexa Fluor 488 Substances 0.000 description 1
- 229920001661 Chitosan Polymers 0.000 description 1
- 102000012422 Collagen Type I Human genes 0.000 description 1
- 108010022452 Collagen Type I Proteins 0.000 description 1
- 102000007260 Deoxyribonuclease I Human genes 0.000 description 1
- 108010008532 Deoxyribonuclease I Proteins 0.000 description 1
- CTENFNNZBMHDDG-UHFFFAOYSA-N Dopamine hydrochloride Chemical compound Cl.NCCC1=CC=C(O)C(O)=C1 CTENFNNZBMHDDG-UHFFFAOYSA-N 0.000 description 1
- 238000008157 ELISA kit Methods 0.000 description 1
- 102000009123 Fibrin Human genes 0.000 description 1
- 108010073385 Fibrin Proteins 0.000 description 1
- BWGVNKXGVNDBDI-UHFFFAOYSA-N Fibrin monomer Chemical compound CNC(=O)CNC(=O)CN BWGVNKXGVNDBDI-UHFFFAOYSA-N 0.000 description 1
- 108010010803 Gelatin Proteins 0.000 description 1
- 108010074328 Interferon-gamma Proteins 0.000 description 1
- 102000008070 Interferon-gamma Human genes 0.000 description 1
- 241000581650 Ivesia Species 0.000 description 1
- 101001044384 Mus musculus Interferon gamma Proteins 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 229930040373 Paraformaldehyde Natural products 0.000 description 1
- RVGRUAULSDPKGF-UHFFFAOYSA-N Poloxamer Chemical compound C1CO1.CC1CO1 RVGRUAULSDPKGF-UHFFFAOYSA-N 0.000 description 1
- 239000004743 Polypropylene Substances 0.000 description 1
- 239000004793 Polystyrene Substances 0.000 description 1
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 239000007983 Tris buffer Substances 0.000 description 1
- 230000004156 Wnt signaling pathway Effects 0.000 description 1
- 229940072056 alginate Drugs 0.000 description 1
- 229920000615 alginic acid Polymers 0.000 description 1
- 235000010443 alginic acid Nutrition 0.000 description 1
- AWUCVROLDVIAJX-UHFFFAOYSA-N alpha-glycerophosphate Natural products OCC(O)COP(O)(O)=O AWUCVROLDVIAJX-UHFFFAOYSA-N 0.000 description 1
- 210000004102 animal cell Anatomy 0.000 description 1
- 229940125644 antibody drug Drugs 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000037182 bone density Effects 0.000 description 1
- 208000022696 bone development disease Diseases 0.000 description 1
- 230000008468 bone growth Effects 0.000 description 1
- 210000002805 bone matrix Anatomy 0.000 description 1
- 230000037118 bone strength Effects 0.000 description 1
- 210000003855 cell nucleus Anatomy 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229940096422 collagen type i Drugs 0.000 description 1
- 229940000425 combination drug Drugs 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 210000001608 connective tissue cell Anatomy 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 210000004748 cultured cell Anatomy 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000007435 diagnostic evaluation Methods 0.000 description 1
- 239000012153 distilled water Substances 0.000 description 1
- 229960001149 dopamine hydrochloride Drugs 0.000 description 1
- 238000001647 drug administration Methods 0.000 description 1
- 229940000406 drug candidate Drugs 0.000 description 1
- 230000000857 drug effect Effects 0.000 description 1
- 229920005839 ecoflex® Polymers 0.000 description 1
- 229920001971 elastomer Polymers 0.000 description 1
- 239000000806 elastomer Substances 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229950003499 fibrin Drugs 0.000 description 1
- 238000002073 fluorescence micrograph Methods 0.000 description 1
- 229920000159 gelatin Polymers 0.000 description 1
- 239000008273 gelatin Substances 0.000 description 1
- 229940014259 gelatin Drugs 0.000 description 1
- 235000019322 gelatine Nutrition 0.000 description 1
- 235000011852 gelatine desserts Nutrition 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000000321 herbal drug Substances 0.000 description 1
- 229920002674 hyaluronan Polymers 0.000 description 1
- 229960003160 hyaluronic acid Drugs 0.000 description 1
- 230000007062 hydrolysis Effects 0.000 description 1
- 238000006460 hydrolysis reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 229960003130 interferon gamma Drugs 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 229940125645 monoclonal antibody drug Drugs 0.000 description 1
- 210000005088 multinucleated cell Anatomy 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 239000002547 new drug Substances 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000003204 osmotic effect Effects 0.000 description 1
- 230000002188 osteogenic effect Effects 0.000 description 1
- 229920002866 paraformaldehyde Polymers 0.000 description 1
- 229950000964 pepstatin Drugs 0.000 description 1
- 108010091212 pepstatin Proteins 0.000 description 1
- FAXGPCHRFPCXOO-LXTPJMTPSA-N pepstatin A Chemical compound OC(=O)C[C@H](O)[C@H](CC(C)C)NC(=O)[C@H](C)NC(=O)C[C@H](O)[C@H](CC(C)C)NC(=O)[C@H](C(C)C)NC(=O)[C@H](C(C)C)NC(=O)CC(C)C FAXGPCHRFPCXOO-LXTPJMTPSA-N 0.000 description 1
- 230000008823 permeabilization Effects 0.000 description 1
- 239000008363 phosphate buffer Substances 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 229920001983 poloxamer Polymers 0.000 description 1
- 229960000502 poloxamer Drugs 0.000 description 1
- 229920003229 poly(methyl methacrylate) Polymers 0.000 description 1
- 229920000515 polycarbonate Polymers 0.000 description 1
- 229920000671 polyethylene glycol diacrylate Polymers 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 239000004926 polymethyl methacrylate Substances 0.000 description 1
- 229920001155 polypropylene Polymers 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 229920002223 polystyrene Polymers 0.000 description 1
- 229920002635 polyurethane Polymers 0.000 description 1
- 239000004814 polyurethane Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000003248 secreting effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- AWUCVROLDVIAJX-GSVOUGTGSA-N sn-glycerol 3-phosphate Chemical compound OC[C@@H](O)COP(O)(O)=O AWUCVROLDVIAJX-GSVOUGTGSA-N 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000000130 stem cell Anatomy 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 229940124597 therapeutic agent Drugs 0.000 description 1
- 229940126585 therapeutic drug Drugs 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 229920001169 thermoplastic Polymers 0.000 description 1
- 239000004416 thermosoftening plastic Substances 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- LENZDBCJOHFCAS-UHFFFAOYSA-N tris Chemical compound OCC(N)(CO)CO LENZDBCJOHFCAS-UHFFFAOYSA-N 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G01N33/5082—Supracellular entities, e.g. tissue, organisms
- G01N33/5088—Supracellular entities, e.g. tissue, organisms of vertebrates
-
- 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
- G01N33/5044—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 involving specific cell types
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Immunology (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Cell Biology (AREA)
- Hematology (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Urology & Nephrology (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medicinal Chemistry (AREA)
- Pathology (AREA)
- Microbiology (AREA)
- Biotechnology (AREA)
- Tropical Medicine & Parasitology (AREA)
- Food Science & Technology (AREA)
- Toxicology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
Description
이하 설명하는 기술은 골 조직의 기능과 구조를 모방할 수 있는 모사체의 이미지를 분석하여 골질환 약물에 대한 스크리닝을 하는 방법 및 장치에 대한 것이다. The technology described below relates to a method and apparatus for screening for a drug for bone disease by analyzing an image of a mimetic capable of mimicking the function and structure of bone tissue.
인구의 고령화로 인하여 골 질환이 급속도로 늘어나는 추세이다. 특히, 골다공증은 골 강도의 약화로 골절이 증가하게 되는 골격계 질환으로서 노인성 질환에 해당되며 전 세계적으로 중요한 보건학적 문제로 대두되고 있다. 한국 또한 고령화가 빨리 진행되고 있는 나라 중 하나로 골다공증 환자 역시 빠른 속도로 증가하고 있다. 전세계 인구 중 2억 명이 골다공증과 같은 골 질환을 겪고 있는 것으로 추산된다. 50대 이상은 20~30% 정도가 최소 한 번 이상의 골 질환을 겪는 것으로 조사되었으며, 향후 그 수가 더 늘어날 것으로 예상된다. 따라서 골 질환 환자의 증가에 따라 효능이 뛰어난 치료 약제의 개발이 필요한 실정이다.Bone diseases are rapidly increasing due to the aging of the population. In particular, osteoporosis is a skeletal disease in which fractures increase due to weakening of bone strength, is a senile disease, and has emerged as an important public health problem worldwide. Korea is also one of the countries where the population is aging rapidly, and the number of osteoporosis patients is also increasing at a rapid pace. It is estimated that 200 million of the world's population suffer from bone diseases such as osteoporosis. About 20 to 30% of those over 50 years old have been found to suffer from at least one bone disease, and the number is expected to increase further in the future. Therefore, according to the increase in bone disease patients, the development of therapeutic drugs with excellent efficacy is required.
최근 미세 유체 기술의 발전으로 장기의 주요 기능 단위를 모델링 할 수 있는 장기 칩(organ-on-a-chip)이 개발되고 있다. Recently, with the development of microfluidic technology, an organ-on-a-chip capable of modeling major functional units of an organ is being developed.
이와 관련하여, 한국공개특허 10-2015-0020702에서는 뼈 결합 조직 세포를 포함하는 인간의 결합조직을 모방한 3차원 생체결합 조직 구성체를 개시한바 있다. 하지만 이는 단순한 3차원 스케폴드형태로 구성되는데다, 불투명한 스캐폴드를 사용함으로써 골 조직 내의 세포와 세포간의 상호작용을 시각적으로 관찰하거나 뼈의 기능적 향상 등을 확인하기 위한 이미징 분석법에 활용하기에 용이하지 아니한 문제가 있었다. In this regard, Korean Patent Publication No. 10-2015-0020702 discloses a three-dimensional bioconnective tissue construct that mimics human connective tissue including bone connective tissue cells. However, it is composed of a simple three-dimensional scaffold, and by using an opaque scaffold, it is easy to visually observe cell-cell interactions in bone tissue or use it for imaging analysis to confirm functional improvement of bone. There was a problem I didn't do.
이하 설명하는 기술은 골조직 모사체에 약물이 미치는 영향을 빠르고 정확하게 파악하기 위해, 골조직 모사체에 약물을 처리하여 얻은 이미지 데이터를 기반으로 딥러닝기술을 이용하여 모델을 구축한 뒤, 이 모델을 통하여 골질환 약물에 대한 약물 스크리닝을 하고자 하는 방법 및 장치에 대한 것이다. The technology described below builds a model using deep learning technology based on the image data obtained by treating the bone tissue mimic with the drug in order to quickly and accurately grasp the effect of the drug on the bone mimic, and then uses the model through this model. It relates to a method and apparatus for drug screening for a bone disease drug.
골조직 모사체 이미지를 이용한 골질환 약물 스크리닝 방법 및 장치는 (1)분석장치가 약물이 처리된 골조직 모사체의 영상을 입력받는 단계; (2)상기 분석장치가 상기 입력된 영상을 딥러닝 모델에 넣어 결과를 얻어내는 단계; 및 (3)상기 분석장치가 상기 결과를 통해 상기 약물에 대한 효능을 평가하는 단계; 를 포함하되 상기 골조직 모사체는 중심부에 골세포(Osteocyte)를 포함하여 충진 된 젤(gel); 및 상기 젤의 외측부를 둘러싸도록 배치된 세포혼합물을 포함하며, 상기 영상은 상기 약물이 상기 골조직 모사체에 작용한 결과를 표지하는 마커영역을 포함하는 것을 특징으로 한다. A bone disease drug screening method and apparatus using a bone tissue mimetic image include (1) an analysis device receiving an image of a drug-treated bone tissue mimetic as input; (2) obtaining a result by putting the input image into a deep learning model by the analysis device; and (3) evaluating, by the analysis device, the efficacy of the drug through the result; Including, but the bone tissue matrix is filled with bone cells (Osteocyte) in the center gel (gel); and a cell mixture disposed to surround an outer portion of the gel, and the image includes a marker region for labeling a result of the action of the drug on the bone mimetic.
이하 설명하는 기술은 약물이 처리된 골조직 모사체의 이미지를 이용하여 골질환 약물을 빠르게 스크리닝 할 수 있다. The technology described below can rapidly screen drugs for bone diseases using images of drug-treated bone tissue mimics.
도1은 골 조직 모사체 이미지 분석을 이용한 골질환 약물 스크리닝 방법 및 장치를 도시한 예이다.
도2는 골조직 모사체의 구조를 도시한 예이다.
도3은 골조직 모사체에서 영상을 추출하는 과정을 도시한 예이다.
도4는 골조직 모사체의 영상을 이용하여 골질환 약물의 효능을 평가하는 딥러닝 모델를 구축하는 과정을 도시한 예이다.
도5는 딥러닝 모델을 구축하는 과정에서 사용되는 골조직 모사체 영상을 도시한 예이다.
도6는 딥러닝 모델의 구성을 도시한 예이다.
도7는 구현된 BN모델에서의 훈련횟수에 따른 정확도, 손실도를 나타낸 것이다.
도8는 구현된 BNM모델에서의 훈련횟수에 따른 정확도와 손실도를 나타낸 것이다.
도9는 모델의 ROC곡선을 도시한 예이다.
도10은 골조직 모사체를 이용한 약물 효능에 대한 평가장치에 대한 구성을 도시한 예이다.
도11은 골조직 모사체의 구조물을 제작하는 과정을 도시한 예이다.
도12은 조골세포에서 조골세포로부터 유례된 탈세포된 세포외 기질 (osteoblast-derived decullularized extracellular matrix; OB-dECM)을 추출하는 과정을 도시한 예이다.
도13은 골세포(osteocyte)에서 분비된 SOST에 의한 조골세포(osteoblast)내에서의 반응과, SOST 단일클론 항체(골다공증 약물)를 처리했을 때의 모습을 도시한 예이다.
도14은 골조직 모사체에서 골세포의 성숙에 따른 조골세포의 접종시기, 약물의 처리시기, 촬영시기를 도시한 예이다. 1 is an example illustrating a method and apparatus for screening a drug for bone disease using bone tissue mimetic image analysis.
Figure 2 is an example showing the structure of the bone tissue matrix.
Figure 3 is an example showing the process of extracting the image from the bone tissue matrix.
Figure 4 is an example showing a process of building a deep learning model for evaluating the efficacy of a bone disease drug using an image of a bone mimic.
5 is an example showing an image of a bone tissue mimetic used in the process of building a deep learning model.
6 is an example showing the configuration of a deep learning model.
7 shows accuracy and loss according to the number of trainings in the implemented BN model.
Figure 8 shows the accuracy and loss according to the number of training in the implemented BNM model.
9 is an example showing the ROC curve of the model.
10 is an example showing the configuration of an evaluation device for drug efficacy using a bone tissue mimetic.
Figure 11 is an example showing the process of manufacturing the structure of the bone tissue matrix.
12 is an example showing a process of extracting decellularized extracellular matrix (OB-dECM) derived from osteoblasts from osteoblasts.
Fig. 13 is an example showing the reaction in osteoblasts by SOST secreted from osteocytes and the state when treated with SOST monoclonal antibody (osteoporosis drug).
Figure 14 is an example showing the timing of inoculation of osteoblasts according to the maturation of bone cells in the bone tissue matrix, the timing of drug treatment, and the timing of imaging.
이하 설명에서는 사용되는 용어에 대하여 먼저 설명한다. In the following description, terms used will be described first.
이하 설명하는 기술에 따른 골 조직 모사체는 골세포(Osteocyte)를 포함하며 중심부에 충진된 젤(gel); 및 상기 젤의 외측부를 둘러싸도록 배치된 세포 혼합물;을 포함할 수 있다. The bone tissue mimic according to the technique described below includes a gel filled with osteocytes and filled in the center; and a cell mixture disposed to surround the outer portion of the gel.
상기 젤은 하이드로 젤일 수 있으며, 상기 하이드로 젤은 마트리젤(Matrigel), 푸라매트릭스(Puramatrix), 콜라겐(Collagen), 피브린젤(Fibrin gel), 폴리에틸렌글리콜 디아크릴레이트(PEG-DA), 폴리에틸렌글리콜 디메사크릴레이트(PEG-DMA), 폴리나이팜 (PNIPAM), 폴록세이머 (Poloxamer), 키토산(Chitosan), 아가로스(Agarose), 젤라틴(Gelatin), 히알루론산 (Hyaluronic acid) 및 알지네이트(Alginate)로 이루어진 군으로부터 선택되는 하나 이상일 수 있으며, 바람직하게는 콜라겐 및 마트리젤의 혼합물일 수 있다.The gel may be a hydrogel, and the hydrogel is Matrigel, Puramatrix, collagen, fibrin gel, polyethylene glycol diacrylate (PEG-DA), polyethylene glycol diacrylate Mesacrylate (PEG-DMA), PNIPAM, Poloxamer, Chitosan, Agarose, Gelatin, Hyaluronic acid and Alginate It may be one or more selected from the group consisting of, preferably a mixture of collagen and Matrigel.
상기 콜라겐 및 마트리젤을 혼합 사용할 경우 이하 설명하는 기술에 따른골 조직 모사체의 분화를 향상시키고 성숙도를 높일 수 있다. When the collagen and Matrigel are mixed and used, the differentiation and maturity of the bone tissue mimetic can be improved according to the technique described below.
상기 하이드로 젤은 세포외기질(extracellular matrix; ECM)을 더 포함할 수 있다. The hydrogel may further include an extracellular matrix (ECM).
상기 ECM은 세포 또는 조직으로부터 추출되거나 또는 생화학적 합성된 것일 수 있다.The ECM may be extracted from cells or tissues or biochemically synthesized.
상기 세포혼합물은 조골세포(osteoblast), 파골세포(osteoclast), 골원성세포(osteogenic cell) 중 적어도 하나가 포함될 수도 있다. 나아가 상기 세포혼합물은 혈관 또는 면역세포 등의 타 조직세포와 배양액을 더 포함할 수도 있다.The cell mixture may include at least one of osteoblasts, osteoclasts, and osteogenic cells. Furthermore, the cell mixture may further include other tissue cells such as blood vessels or immune cells and a culture medium.
이하 설명하는 기술에 있어서, "골세포"는 척추동물의 골조직을 이루는 기본 세포로서, 편평한 타원형의 세포이며, "조골세포"는 척추동물의 골기질을 합성하고 분비하는 역할을 하는 세포이고, "파골세포"는 척추동물에서, 뼈의 성장에 수반되어 불필요하게 된 골조직을 파괴ㆍ흡수하는 다핵 세포를 의미한다. 이하 설명하는 기술에 적용될 수 있다면, 골세포, 조골세포, 파골세포의 종류는 특별히 제한되지 않고, 인간, 마우스 등을 포함하는 척추동물 유래의 세포주 혹은 일차배양세포, 줄기세포 등의 동물세포를 포함할 수 있다.In the technology described below, "osteocytes" are basic cells constituting the bone tissue of vertebrates, which are flat oval cells, "osteoblasts" are cells that play a role in synthesizing and secreting bone matrix of vertebrates, and "osteoclasts" "Cell" refers to a multinucleated cell that destroys and absorbs unnecessary bone tissue accompanying bone growth in vertebrates. If applicable to the technology described below, the types of bone cells, osteoblasts, and osteoclasts are not particularly limited, and include cell lines derived from vertebrates including humans and mice, or animal cells such as primary cultured cells and stem cells. can do.
한편, 이하 설명하는 기술 에 따른 골 조직 모사체의 제조방법은 (S1) 골세포(Osteocyte), 세포외기질및 하이드로젤을 혼합하는 단계; (S2) 상기 혼합물을 지지체 상에 적가한 후 젤화(gelation)하는 단계; (S3) 젤화된 하이드로젤 외측부 가장자리를 둘러싸도록 조골세포를 시딩(seeding)하는 단계; 및 (S4) 배양액을 주입하는 단계;를 포함한다. 이하 설명하는 기술에 따른 제조방법의 상기 (S1) 단계에서는 적어도 하나 이상의 젤을 더 포함하여 혼합할 수 있다. 여기서 젤은 마트리젤, ECM과 같은 조직에서 추출된 하이드르젤 등 중 적어도 하나 일 수 있다.On the other hand, the method for manufacturing a bone tissue mimic according to the technique described below includes (S1) mixing osteocytes, an extracellular matrix, and a hydrogel; (S2) dropwise addition of the mixture onto a support and then gelation; (S3) seeding osteoblasts to surround the outer edge of the gelled hydrogel; and (S4) injecting the culture medium. In the step (S1) of the manufacturing method according to the technique described below, at least one or more gels may be further included and mixed. Here, the gel may be at least one of Matrigel, hydrogel extracted from tissues such as ECM, and the like.
상기 지지체는 유리(glass), 세라믹(ceramic), 실리콘 고무(silicone rubber), 실리콘(silicon), 폴리스티렌(polystyrene), 폴리메틸메타크릴레이트 (polym ethylmethacrylate), 폴리프로필렌(polypropylene), 폴리카보네이트(polycarbonate), 폴리우레탄(polyurethane), 광경화성 플라스틱, 열가소성 플라스틱 및 금속으로 이루어진 군으로부터 선택되는 어느 하나 이상의 소재로 구성될 수 있다. The support is glass, ceramic, silicone rubber, silicone, polystyrene, polymethylmethacrylate, polypropylene, polycarbonate ), polyurethane, photocurable plastics, thermoplastics, and may be composed of one or more materials selected from the group consisting of metals.
또한, 이의 화학적 변형체를 포함할 수 있으며, 3D 프린팅에 이용될 수 있는 소재를 포함할 수 있다. 상기 실리콘 고무로는 이에 제한되는 것은 아니나, 폴리디메틸실록세인(PolyDiMethylSiloxane; PDMS), 에코플렉스(ecoflex)등이 있을 수 있다. In addition, it may include a chemical variant thereof, and may include a material that can be used for 3D printing. Examples of the silicone rubber include, but are not limited to, polydimethylsiloxane (PDMS) and ecoflex.
상기 하이드로 젤은 콜라겐 및 마트리젤의 혼합물, 또는 콜라겐, 마트리젤 및 ECM의 혼합물 일수 있다. 콜라겐 및 마트리젤의 혼합물 또는 콜라겐, 마트리젤 및 ECM의 혼합물을 사용할 경우 이하 설명하는 기술에 따른 골 조직 모사체의 분화를 향상시키고 성숙도를 높일 수 있다. The hydrogel may be a mixture of collagen and Matrigel or a mixture of collagen, Matrigel and ECM. When a mixture of collagen and Matrigel or a mixture of collagen, Matrigel, and ECM is used, the differentiation and maturity of bone tissue mimetic can be improved according to the technique described below.
한편, 이하 설명하는 기술은 상기 골 조직 모사체에 약물 후보물질을 주입하는 단계를 포함하는 골 질환의 예방 또는 치료 활성 물질의 스크리닝 방법을 제공할 수 있다. Meanwhile, the technique described below may provide a method for screening an active substance for preventing or treating bone disease, which includes injecting a drug candidate into the bone tissue mimetic.
상기 골 질환은 골다공증, 불완전 골형성증(osteogenesis imperfecta), 과골화증, 고칼슘혈증, 부갑상선 기능항진증, 골연화증, 용해성 골질환, 골괴사증, 뼈의 파젯병, 골 발생 질환, 골 골절, 류마티스 관절염에 의한 골 손실, 염증성 류마티스 관절염, 골수염, 전이성 골질환, 치주성 골 소실, 구루병, 암에 의한 골 손실 및 골의 노인성 손실로 이루어진 군으로부터 선택되는 어느 하나일 수 있으며, 바람직하게는 골다공증일 수 있다. The bone disease is caused by osteoporosis, incomplete osteogenesis imperfecta, hyperostosis, hypercalcemia, hyperparathyroidism, osteomalacia, lytic bone disease, osteonecrosis, Paget's disease of bone, bone development disease, bone fracture, and rheumatoid arthritis It may be any one selected from the group consisting of bone loss, inflammatory rheumatoid arthritis, osteomyelitis, metastatic bone disease, periodontal bone loss, rickets, bone loss due to cancer, and bone loss due to aging, preferably osteoporosis.
이하 설명하는 기술의 골 조직 모사체는 뼈 조직을 잘 모사하는 생체 모방 구조체이면서, 고속 분석에 친화적인 다중 웰 구조의 웰플레이트 형상으로 제작할 수가 있다. 따라서, 고속 장비와 연계하여 실제로 대량의 샘플에서 다양한 생물학적 분석 (예를 들어 세포 활성, 독성, 이미징 분석 등)에 적용 가능하며 분석 효율을 높일 수 있다. 이에 따라, 이하 설명하는 기술의 다른 구현예에 따르면, 골 조직 모사체가 다중 웰(Multi-well) 구조의 웰 플레이트로 형성된 것을 특징으로 하는, 골 질환의 예방 또는 치료 활성 물질의 스크리닝 방법이 제공된다. 또한, 다른 구현예에 따르면 골 조직 모사체에 시험 물질을 주입하는 단계를 포함하는 시험 물질의 활성 또는 독성을 검사하는 방법이 제공될 수 있다. The bone tissue mimetic material of the technique described below is a biomimetic structure that well mimics bone tissue, and can be manufactured in a well plate shape with a multi-well structure that is friendly to high-speed analysis. Therefore, in conjunction with high-speed equipment, it can be applied to various biological analyzes (eg, cell activity, toxicity, imaging analysis, etc.) in a large amount of samples, and the analysis efficiency can be increased. Accordingly, according to another embodiment of the technology described below, a method for screening an active substance for preventing or treating bone diseases is provided, characterized in that the bone tissue mimic is formed in a well plate having a multi-well structure. . Further, according to another embodiment, a method for examining the activity or toxicity of a test substance comprising the step of injecting the test substance into a bone tissue mimetic may be provided.
이하 설명하는 기술에서 "예방"이란 조성물의 투여에 의해 질환의 발병을 억제 또는 지연시키는 모든 행위를 포함 할 수 있다. In the technology described below, "prevention" may include all activities that suppress or delay the onset of a disease by administering a composition.
이하 설명하는 기술에서 “치료"는 생물학적 대상체 (예: 인간 또는 동물)을 목적으로 하는 질병이나 질환의 진행 억제 혹은 중지, 진행 속도 감소, 증상 개선 및 완화, 또는 질병예방 등의 치료 효과를 포함할 수 있다.In the technology described below, “treatment” may include therapeutic effects such as inhibiting or stopping the progression of a disease or disease, reducing the rate of progression, improving or alleviating symptoms, or preventing a disease for the purpose of a biological subject (eg, human or animal). can
이하 설명하는 기술에서 “골 조직 모사체 영상”은 골조직 모사체를 촬영한 영상을 의미한다. 상기 영상은 마커영역을 포함한다. 마커영역은 골 조직 모사체에 특정 약물 반응이나 기작을 표시하기 위한 마커가 표시된 영역을 나타낸다. In the technology to be described below, “bone tissue matrix image” refers to an image of a bone tissue matrix photographed. The image includes a marker region. The marker region represents a region marked with a marker for displaying a specific drug response or mechanism on the bone tissue mimetic.
이하 설명하는 기술에서 “학습 모델”은 기계학습 모델을 말하며, 기계 학습모델은 다양한 유형의 모델이 있다. 예컨데 기계 학습모델은 결정 트리, RF(random forest), KNN(K-nearest neighbor), 나이브 베이즈(Naive Bayes), SVM(support vector machine), ANN(artificial neural network) 등이 있다. 한편, ANN은 생물의 신경망을 모방한 통계학적 학습 알고리즘이다. 다양한 신경망 모델이 연구되고 있다. DNN(Deep Neural Network)은 일반적인 인공신경망과 마찬가지로 복잡한 비선형 관계(non-linear relationship)들을 모델링할 수 있다. DNN은 다양한 유형의 모델이 연구되었다. 예컨대, CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), RBM(Restricted Boltzmann Machine), DBN(Deep Belief Network), GAN(Generative Adversarial Network), RL(Relation Networks) 등이 있다. 이하 설명에서는 CNN 기반의 모델을 중심으로 설명한다In the technology described below, “learning model” refers to a machine learning model, and there are various types of machine learning models. For example, machine learning models include decision trees, random forests (RFs), K-nearest neighbors (KNNs), Naive Bayes, support vector machines (SVMs), and artificial neural networks (ANNs). On the other hand, ANNs are statistical learning algorithms that imitate biological neural networks. Various neural network models are being studied. DNN (Deep Neural Network) can model complex non-linear relationships like general artificial neural networks. Various types of DNN models have been studied. For example, there are a Convolutional Neural Network (CNN), a Recurrent Neural Network (RNN), a Restricted Boltzmann Machine (RBM), a Deep Belief Network (DBN), a Generative Adversarial Network (GAN), and Relation Networks (RL). In the following description, we focus on the CNN-based model.
이하 설명에서는 골조직 모사체의 이미지 분석을 이용한 약물 스크리닝 방법 및 장치에 대한 설명을 개시한다. In the following description, a description of a drug screening method and apparatus using image analysis of a bone tissue mimetic is disclosed.
0.0. 골 조직 모사체 이미지 분석을 이용한 골질환 약물 스크리닝 방법 및 장치Bone disease drug screening method and device using bone tissue mimetic image analysis
골조직 모사체 이미지 분석을 이용한 골질환 약물 스크리닝 방법 및 장치에 대한 전체적인 구조에 대해서 설명한다. The overall structure of the bone disease drug screening method and device using bone tissue mimetic image analysis will be described.
도1은 골조직 모사체 이미지 분석을 이용한 골질환 약물 스크리닝 방법에 대한예이다. Figure 1 is an example of a bone disease drug screening method using bone tissue mimetic image analysis.
도1의 골조직 모사체(100)은 체내의 골조직을 모방한다. 상기 체내의 골조직은사람 또는 동물의 골조직을 포함한다. 이를 통하여 사람 또는 동물에 대한 직접적인 실험이 없이도 골질환에 대한 약물(110)의 효능을 평가할 수 있다. 상기 생명체에는 사람 또는 사람을 제외한 동물이 포함될 수도 있다. 골조직 모사체(100)을 이용하여 골조직 모사체는 빠른 약물스크리닝에 사용될 수 있다. 골조직 모사체에(100)는 특정물질이나 반응을 확인하기 위한 마커(120)가 더 처리될 수 있다. The bone tissue mimetic 100 of FIG. 1 mimics bone tissue in the body. The bone tissue in the body includes human or animal bone tissue. Through this, it is possible to evaluate the efficacy of the
도1의 영상장치(130)는 상기 골조직 모사체(100)를 촬영하여 골조직 모사체의 영상(200)을 획득한다. The
도1의 골조직 모사체 영상(200)은 약물의 처리에 따른 골조직 모사체의 반응을 보기 위한 영상이다. 영상장치가 생성한 골조직 모사체의 영상(200)은 별도의 DB에 저장될 수 있다. The bone
도1의 분석장치(300)은 영상장치(130)가 생성한 상기 골조직 모사체의 영상을 입력받아, 기 학습된 모델에 입력한다. 분석장치(300)는 학습모델이 출력하는 값에 따라 약물이 골조직 모사체에 영향을 주는 정도에 대한 결과값을 출력한다. The
학습모델은 사전에 약물 효과를 예측하도록 학습된 모델이다. 학습 모델은 분석 대상인 약물의 효과에 대한 확률값을 출력한다.The learning model is a model trained to predict drug effects in advance. The learning model outputs a probability value for the effect of the drug to be analyzed.
분석장치(300)는 학습 모델이 출력하는 확률값을 기준으로 해당 약물의 유효성 여부를 결정할 수 있다.The
1. 골조직 모사체 구조 1. Bone tissue matrix structure
골조직 모사체(100)에 대한 구조를 설명한다. The structure of the
도2는 골조직 모사체(100)를 도시한 예이다.Figure 2 is an example showing the bone tissue mimic 100.
골조직 모사체(100)는 체내의 골조직을 모방한다. 상기 체내의 골조직은 사람 또는 동물의 골조직을 포함한다. 이를 통하여 사람 또는 동물 에 대한 직접적인 실험 없이도 골질환 약물의 효능을 평가할 수 있다. Bone tissue mimetic 100 mimics the bone tissue in the body. The bone tissue in the body includes human or animal bone tissue. Through this, the efficacy of bone disease drugs can be evaluated without direct experiments on humans or animals.
상기 골 조직 모사체(100)는 중심부에 골세포(101)를 포함하는 하이드로 젤(104)과 조골세포로부터 유례한 탈세포화된 세포외기질(102)이 위치하고, 그 주위에 세포혼합물이 존재 할 수 있다. The bone tissue mimetic 100 has a
상기 골조직 모사체(100)는 하이드로젤 주변부로 세포혼합물이 수평적으로 배치되는 구조를 가진다. 이는 기존의 수직방향으로 배치하는 모델이나 transwell형 처럼 초점평면이 다른 모델과 달리 광학적으로 세포-세포간 상호작용을 용이하게 관찰할 수 있는 특징을 가진다. The bone tissue mimic 100 has a structure in which the cell mixture is placed horizontally around the hydrogel. This has the characteristic of being able to easily observe cell-cell interactions optically, unlike models that are placed in the vertical direction or models that have different focal planes, such as the transwell type.
상기 골조직 모사체(100)는 종래의 스캐폴드식과는 달리 발명의 골 조직 모사체는 뼈 조직을 잘 모사하는 생체 모방 구조체이면서, 고속 분석에 친화적인 다중 웰(Multi-well) 구조의 웰플레이트 형상으로 제작할 수가 있어서, 고속 약물 효능 평가 분석에 유리한 구조적 특징을 가진다. Unlike the conventional scaffold type, the bone tissue mimetic of the present invention is a biomimetic structure that well mimics bone tissue, and has a well plate shape with a multi-well structure that is friendly to high-speed analysis. can be fabricated, and has structural features that are advantageous for high-speed drug efficacy evaluation analysis.
상기 골조직 모사체(100)은 골다공증과 같은 골 관련 질환에 대한 신규 약물의 개발을 위한 약물 스크리닝, 특히 고속 스크리닝 또는 의약품 평가를 위한 모델로 이용될 수 있으며, 골 질환에 관한 다양한 연구에 활용될 수 있다.The bone tissue mimetic 100 can be used as a model for drug screening, particularly high-speed screening or drug evaluation, for the development of new drugs for bone-related diseases such as osteoporosis, and can be used in various studies on bone diseases. there is.
상기 세포혼합물(130)은 조골세포(osteoblast), 파골세포(osteoclast), 골원성세포(osteogenic cell) 중 적어도 하나가 포함될 수도 있다. 또는 혈관 또는 면역세포 등의 타 조직세포와 배양액을 포함할 수도 있다..The
2. 골조직모사체의 영상 획득 2. Image acquisition of bone tissue mimetic
골조직 모사체에서 영상을 획득하는 과정에 대해서 설명한다. The process of acquiring images from the bone tissue matrix will be described.
도3은 골조직 모사체(100)에서 골조직모사체 영상(200)을 획득하는 과정을 나타낸 것이다.Figure 3 shows the process of obtaining the bone tissue
상기 골조직모사체의 영상(200)은 골조직 모사체(100)에 마커(120)를 처리한 후 영상장치(130)를 이용하여 얻을 수 있다. The
상기 골조직모사체의 영상(200)은 약물(110)이 처리된 골조직 모사체(100)에 대한 영상일 수도 있다. The
상기 약물(110)은 골질환을 치료하기 위한 약물 일 수 있다. The
상기 약물(110)은 여러 개의 약물이 병용투여 된 것일 수도 있다. The
상기 약물(110)은 상기 골조직 모사체의 중심부의 골세포 또는 외측부의 세포혼합물중 적어도 하나에 DNA합성, RNA합성, 유전자 발현, 유전자 구조, 단백질 합성, 단백질 변형, 단백질 분비, 단백질 구조, 당 합성, 당 분비, 당 변형, 지질 분비, 세포막 합성, 세포내 신호전달, 세포간 신호전달, 세포내 소기관, 세포의 분화, 세포의 분열, 세포의 운동 중 적어도 하나에 영향을 미치는 약물일 수도 있다. The
상기 약물(110)은 골질환을 치료하기 위한 천연물, 합성의약품, 복합의약품, 한약, 한약추출물, 한약제제, 생약, 단백질의약품, 유전자 재조합 의약품, 세포배양의약품, 효소의약품, 미생물의약품, 항체의약품, 단일클론항체의약품, 호르몬의약품, 방사선의약품, 약-항체결합 의약품(Antibody-drug conjugate), 세포치료제, 유전자치료제 중 적어도 하나인 것을 특징으로 하는 약물 일 수도 있다. The
상기 마커(120)은 골조직 모사체에서 특정물질이나 반응을 확인하기 위하여 이용된다. The
상기 마커(120)은 영상장치(130)가 측정할 수 있는 여러 신호를 발할 수 있다. 예를 들어 특정색상을 나타내는 염색약이나, 빛을 발생시키는 발광물질이나, 형광이나 인광을 발생시키는 형광/인광물질이거나, 방사능을 발생시키는 물질일 수도 있다. The
영상장치(130)는 골조직 모사체(100)를 촬영하여 골조직 모사체 영상을 획득할 수 있다. The
영상장치는(130)는 이미지분석에 필요한 영상을 측정할 수 있는 모든 장치를 말한다. 예를 들어 일반현미경, 형광현미경, 공초점현미경, 전자현미경, 주사탐침 현미경, 토모그래피현미경 중 적어도 하나 일 수 있다.The
영상장치(130)은 촬영한 골조직 모사체의 영상(200)을 영상분석장치에 전송하거나, 별도의 영상DB(230)에 저장할 수도 있다.The
상기 골조직 모사체 영상(200)은 영상장치(130)가 골조직 모사체(100)를 촬영한 영상을 의미한다. The bone
상기 골조직 모사체 영상(200)은 마커영역을 포함한다. 마커영역은 골조직 모사체에 물질의 특정위치나 반응을 표시하기 위한 마커가 표시된 영역을 나타낸다.The bone
상기 골조직 모사체 영상(200)은 하나의 특정대상을 식별하는 단일마커가 포함된영상 또는 서로 다른 대상들을 식별하는 복수의 마커들이 포함된 영상 일 수도 있다.The bone tissue
상기 마커 영역은 이하 설명하는 발명에서 학습모델이 골조직모사체의 이미지에서 중심적으로 학습부분이며 이를 중심으로 약물을 평가하는 영역일 수 있다. In the invention described below, the marker region may be a region in which a learning model is centrally studied in an image of a bone tissue mimic and a drug is evaluated based thereon.
상기 마커 영역은 처리한 마커(120)의 종류에 따라 다르게 표시될 수 있다. 예를 들어 염색약을 처리하여 색상을 띠거나 발광물질을 처리하여 빛을 발하거나, 형광/인광물질을 처리하여 형광 또는 인광을 발하거나, 방사능원소를 처리하여 방사능이 나타나는 영역일 수도 있다. The marker area may be displayed differently according to the type of the processed
상기 마커영역은 마커(120)의 종류에 따라서 골조직 모사체의 형상이나 모양 위치 움직임등을 나타낸 것일 수도 있다. The marker area may indicate the shape, shape, position, or movement of the bone tissue mimetic depending on the type of
상기 마커영역은 마커(120)의 종류에 따라서 골조직 모사체 내에서 세포, 상기 골조직 모사체의 세포, 핵, 소포체, 리보솜, 리소좀, 골지체, 중심체, 세포막, 미토콘드리아, 미세소관, 미세섬유, 세포질, DNA, RNA, 핵산, 히스톤, 단백질, 당단백질, 막단백질, 탄수화물, 막탄수화물, 지질, 콜레스테롤, 당지질, 당, 콜라겐등을 표지한 것일 수도 있다.Depending on the type of the
3. 딥러닝 모델의 구현 3. Implementation of Deep Learning Model
골조직모사체의 이미지를 이용하여 골질환 약물을 스크리닝 하는 딥러닝 모델을 구현하는 과정에 대해서 설명한다. The process of implementing a deep learning model that screens drugs for bone diseases using images of bone tissue mimics will be described.
도4는 골조직 모사체의 영상을 이용하여 골질환 약물의 효능을 평가하는 하는 딥러닝 모델을 구현하는 과정을 도시한 것이다. Figure 4 shows a process of implementing a deep learning model for evaluating the efficacy of a bone disease drug using an image of a bone mimic.
딥러닝 모델을 위한 학습모델 구축 과정은 학습데이터를 구축하는 과정(310)과 학습데이터를 이용한 모델학습 과정(330)으로 구분된다. 학습데이터 구축 과정(310)과 모델 학습 과정(330)은 별도의 장치에서 수행될 수 있다. The process of building a learning model for a deep learning model is divided into a process of building learning data (310) and a process of learning a model using the learning data (330). The learning data construction process 310 and the model learning process 330 may be performed in separate devices.
설명의 편의를 위하여 학습장치가 학습모델 구축 과정을 수행한다고 설명한다. For convenience of explanation, it is explained that the learning device performs a process of building a learning model.
상기 학습장치는 학습모델을 구현하기 위한 학습데이터로 골조직 모사체의 영상(200)을 이용한다. The learning device uses the
상기 학습장치는 상기 학습데이터로 이용될 골조직 모사체의 영상은 영상DB(230)에서 받거나, 영상장치(130)에서 전송받을 수 있다. The learning device may receive an image of the bone tissue mimetic to be used as the learning data from the
상기 학습데이터로 이용될 골조직 모사체의 영상은 약물이 처리된 골조직 모사체의 영상(양성 데이터) 및 약물이 처리되지 않은 골조직 모사체의 영상(음성 데이터)을 포함할 수 있다. 또는 학습 데이터는 유효한 약물이 처리된 영상(양성 데이터) 및 유효하지 않는 약물이 처리된 영상(음성 데이터)를 포함할 수 있다. 학습 데이터는 해당 영상에 대한 라벨값(양성 또는 음성) 정보를 포함할 수 있다. The image of the bone tissue mimic to be used as the learning data may include an image of the drug-treated bone tissue mimic (positive data) and an image of the drug-untreated bone tissue mimic (negative data). Alternatively, the learning data may include an image treated with an effective drug (positive data) and an image treated with an ineffective drug (negative data). The learning data may include label value (positive or negative) information for the corresponding image.
상기 학습데이터로 이용될 골조직 모사체의 영상은 하나 특정 대상을 식별하는 단일 마커가 포함된 영상 또는 서로 다른 대상들을 식별하는 복수의 마커들이 포함된 영상일 수도 있다. 여기서 서로 다른 대상들은 골조직 모사체 내에서 세포, 상기 골조직 모사체의 세포, 핵, 소포체, 리보솜, 리소좀, 골지체, 중심체, 세포막, 미토콘드리아, 미세소관, 미세섬유, 세포질, DNA, RNA, 핵산, 히스톤, 단백질, 당단백질, 막단백질, 탄수화물, 막탄수화물, 지질, 콜레스테롤, 당지질, 당, 콜라겐등을 표지한 것일 수도 있다.The image of the bone tissue matrix to be used as the learning data may be an image including a single marker for identifying a specific target or an image including a plurality of markers for identifying different targets. Here, the different objects are cells in the bone tissue matrix, cells of the bone tissue matrix, nucleus, endoplasmic reticulum, ribosomes, lysosomes, Golgi apparatus, centrosome, cell membrane, mitochondria, microtubules, microfilaments, cytoplasm, DNA, RNA, nucleic acids, histones , proteins, glycoproteins, membrane proteins, carbohydrates, membrane carbohydrates, lipids, cholesterol, glycolipids, sugars, collagen, and the like may be labeled.
상기 학습데이터로 이용될 골조직 모사체 영상은 바로 학습데이터로 이용될 수도 있지만 데이터를 증강한 후 학습데이터로 이용될 수도 있다.(310)The bone tissue matrix image to be used as the learning data may be used directly as learning data, or may be used as learning data after augmenting the data. (310)
상기 데이터의 증강(310)은 모사체의 영상을 n개로(n>2) 분할하거나 각 이미지를 무작위 하게 확대 또는 축소하거나 수평 또는 수직 뒤집하는 방법이 이용될 수 있다. 예컨데 학습장치는 영상을 좌우 2개로 분리한뒤 그 중 하나에 대해서만 수평뒤집기하여 골조직 모사체 영상을 마련할 수 있다. 이와 같이 학습장치는 m개의 골조직 모사체의 영상들을 처리하여 n x m개의 골조직 모사체 영상을 생성할 수 있다. For the augmentation 310 of the data, a method of dividing the image of the parent body into n pieces (n>2), randomly enlarging or reducing each image, or horizontally or vertically flipping each image may be used. For example, the learning device divides the image into two left and right parts, and horizontally flips only one of them to prepare a bone tissue parent image. In this way, the learning device may generate n x m images of the bone tissue matrix by processing m images of the bone tissue matrix.
상기 학습데이터로 이용될 골조직모사체 영상은 학습DB(320)에 저장될 수도 있다. Bone tissue mimetic image to be used as the learning data may be stored in the learning DB (320).
상기 학습장치는 학습DB(320)에 저장된 골조직 모사체 영상을 이용하여 학습모델을 학습하는 과정(330)을 수행한다. The learning device performs a process (330) of learning a learning model using the bone tissue mimetic image stored in the learning DB (320).
상기 학습장치는 학습DB(320)에서 적어도 하나이상의 골조직 모사체 영상을 획득한다. 학습장치는 해당 영상을 학습모델에 입력한다. 학습모델은 입력된 영상에서 특징을 추출하여 약물처리에 따른 변화가 있는지 확률값을 산출한다. 학습장치는 학습모델이 출력하는 확률값과 사전에 알고 있는 해당 영상의 라벨값을 비교하여 학습모델의 파라미터를 갱신한다. 학습장치는 다수의 학습데이터를 이용하여 학습모델을 학습하는 과정을 반복한다(330). The learning device acquires at least one or more bone tissue matrix images from the learning DB (320). The learning device inputs the corresponding image to the learning model. The learning model extracts features from the input image and calculates a probability value whether there is a change due to drug treatment. The learning device updates parameters of the learning model by comparing a probability value output from the learning model with a previously known label value of the corresponding image. The learning device repeats the process of learning the learning model using a plurality of learning data (330).
한편, 학습 모델은 마커 영역의 특징을 주된 특징으로 분석하여 확률값을 산출할 수 있다. 따라서, 학습 모델은 마커 영역을 사전에 분할하여 해당 영역을 중심으로 영상을 분석하는 모델일 수 있다. 또는 학습 모델은 마커 영역에 어텐션(attention)을 부여하는 모델일 수도 있다.Meanwhile, the learning model may calculate a probability value by analyzing the characteristics of the marker region as main features. Accordingly, the learning model may be a model in which a marker region is previously segmented and an image is analyzed centering on the corresponding region. Alternatively, the learning model may be a model that gives attention to the marker region.
상기 학습장치가 학습한 모델로부터 출력한 확률값을 기준으로 분석장치가 해당 약물의 유효성 여부를 결정할 수 있다. Based on the probability value output from the model learned by the learning device, the analysis device may determine whether or not the drug is effective.
이하 연구자가 학습 모델을 구축한 과정과 검증한 결과를 설명한다.Hereinafter, the researcher explains the process of building the learning model and the verified results.
도5은 연구자가 학습데이터/검증데이터로 이용한 골조직 모사체 영상을 도시한 예이다.5 is an example showing an image of a bone tissue mimetic used by a researcher as learning data/verification data.
연구자는 하나의 골조직 모사체에는 약물을 처리했고(+drug), 나머지 골조직 모사체에는 약물을 처리하지 아니하였다(NC). The researcher treated one bone mimic with a drug (+drug), and did not treat the other mimic with a drug (NC).
연구자는 각각 골조직 모사체에 β-catenin와 세포 핵을 탐지할 수 있는 형광마커를 처리하였다. The researcher treated each bone mimic with β-catenin and a fluorescent marker capable of detecting cell nuclei.
연구자는 영상획득 장치를 통하여 각 골조직 모사체에 β-catenin와 핵을 표시한 영상을 각각 획득 하였다(BN). 이를 학습/검증데이터로하여 만든 모델을 BN모델이라 한다. The researcher acquired β-catenin and nucleus-marked images on each bone mimic through an image acquisition device (BN). A model created using this as learning/verification data is called a BN model.
연구자는 영상획득 장치를 통하여 각 골조직 모사체에 β-catenin와 핵을 표시한 영상 및 이미지를 병합(merged)한 형광이미지로 이미지 세트를 만들었다(BNM). 이를 학습/검증데이터로 하여 만든 모델은 BNM모델이라고 한다. The researcher made an image set with a fluorescence image that merged the images and images that displayed β-catenin and nuclei in each bone tissue mimetic through an image acquisition device (BNM). A model created using this as learning/verification data is called a BNM model.
연구자는 약물이 처리된 골조직모사체 영상 420 세트와 약물이 처리되지 아니한 골조직 모사체 영상 424 세트를 증강과정을 거친 후 학습모델 구현에 이용하였다. The researcher used 420 sets of drug-treated and 424 sets of non-drug-treated bone tissue mimetic images to implement a learning model after going through an augmentation process.
연구자는 증강과정으로 상기 골조직 모사체 영상을 4개로 분할하였고, 무작위하게 좌우반전하는 방법을 이용하였다. The researcher divided the bone tissue mimetic image into four as an augmentation process, and used a method of randomly inverting left and right.
연구자는 상기 이미지 중 90%을 딥러닝 모델 구현을 위한 학습데이터로 이용하였으며 나머지 10%는 검증하기 위한 데이터로 이용하였다. The researcher used 90% of the images as training data for implementing the deep learning model, and used the remaining 10% as data for verification.
연구자는 딥러닝의 평가를 위해서 10번의 교차검증(cross-validation)하였다.The researcher performed
도6은 구현된 딥러닝 모델의 구조를 도시한 예이다. 6 is an example showing the structure of an implemented deep learning model.
상기 딥러닝 모델은 3개의 컨볼루션 층(convolution layer), 3개의 풀링 층(pooling layer), 1개의 드랍 층(droplayer), 1개의 플래튼 층(flatten layer)와 2개의 완전한 연결 층(fully connected layer)로 구성되어 있다. The deep learning model consists of 3 convolution layers, 3 pooling layers, 1 drop layer, 1 flatten layer and 2 fully connected layers. composed of layers).
상기 딥러닝 모델에서 컨볼루션 층은 이미지에서 특징을 추출하고 이로 부터 특성 맵을 만든다. In the deep learning model, the convolution layer extracts features from an image and creates a feature map therefrom.
상기 딥러닝 모델에서 풀링 층은 컨볼루션층에서 만든 특성맵의 크기를 줄이거나 특정 데이터를 강조하기 위하여 특징 맵의 값중 가장 큰 값을 추출하거나 평균 값을 추출한다. In the deep learning model, the pooling layer extracts the largest value or average value among feature map values in order to reduce the size of the feature map created by the convolution layer or to emphasize specific data.
상기 딥러닝 모델에서 드랍 층은 딥 러닝 모델에서 과적합(overfitting)을 방지하기 위하여 훈련과정 중에 신경망모델의 일부분만 이용한다. In the deep learning model, the drop layer uses only a part of the neural network model during training to prevent overfitting in the deep learning model.
상기 딥러닝 모델에서 플래튼 층은 추출한 데이터의 특징을 하나의 차원으로 만든다. In the deep learning model, the platen layer makes the features of the extracted data into one dimension.
상기 딥러닝 모델은 입력된 골조직 모사체 영상을 분석하여 확률 값을 출력하며 분석장치가 이 확률값을 기준으로 해당 약물의 유효성 여부를 결정할 수 있다. The deep learning model analyzes the input bone tissue mimetic image and outputs a probability value, and the analysis device can determine whether or not the drug is effective based on the probability value.
도7은 BN데이터를 이용하여 딥러닝 모델을 구현한 BN모델에서 훈련횟수에 따른 정확도와 손실도에 대한 결과이다. 훈련힛수가 60번에 가까워 질수록 정확도가 1에 가까워지며 손실도는 0에 가까워진다. BN모델의 정확도는 97.2%이다. 7 is a result of the accuracy and loss according to the number of trainings in the BN model implementing the deep learning model using BN data. As the number of training hits approaches 60, the accuracy approaches 1 and the loss approaches 0. The accuracy of the BN model is 97.2%.
도8은 BNM데이터를 이용하여 딥러닝 모델을 구현하였을 때 훈련횟수에 따른정확도와 손실도에 대한 결과이다. 훈련횟수가 60번에 가까워 질수록 정확도가 1에 가까워지며 손실도는 0에 가까워진다. BNM모델의 정확도는 99.5%이다. 8 is a result of accuracy and loss according to the number of training times when a deep learning model is implemented using BNM data. As the number of training approaches 60, the accuracy approaches 1 and the loss approaches 0. The accuracy of the BNM model is 99.5%.
위의 결과를 정리한 표는 아래와 같다. The table summarizing the above results is as follows.
+ Nucleus)BN model (β-catenin
+ Nucleus)
도9은 상기 BN, BNM 딥러닝 모델로부터 이미지분류를 수행하고 진단평가한 결과에 대한 ROC곡선을 보여주는 예이다. X축에는 FPR(1-specificity)을 Y축에는 민감도(sensitivity)을 도시하였다. BN모델과 BNM모델 모두 AUC(area under the curve)가 1에 가까운 값을 보여준다. 9 is an example showing ROC curves for the results of performing image classification and diagnostic evaluation from the BN and BNM deep learning models. FPR (1-specificity) is shown on the X-axis, and sensitivity is shown on the Y-axis. Both the BN model and the BNM model show values close to 1 in AUC (area under the curve).
위와 같은 결과는 본 모델이 골질환 관련 약물을 테스트 하는데 정확도가 높으며 효율적이라는 것을 보여 준다.The above results show that this model is highly accurate and efficient in testing drugs related to bone disease.
도10은 골조직 모사체의 영상을 분석하여 골질환 약물의 효능을 판별하는 분석장치(500)의 예이다. 분석장치(500)는 전술한 분석장치(도1의 300)에 해당한다. 분석장치(500)는 물리적으로 다양한 형태로 구현될 수 있다. 예컨대, 분석장치(500)는 PC와 같은 컴퓨터 장치, 네트워크 서버, 데이터처리 전용 칩셋등의 형태를 가질 수 있다.10 is an example of an analysis device 500 for determining the efficacy of a drug for bone disease by analyzing an image of a bone tissue mimetic. The analysis device 500 corresponds to the aforementioned analysis device (300 in FIG. 1). The analysis device 500 may be physically implemented in various forms. For example, the analysis device 500 may have a form of a computer device such as a PC, a network server, and a chipset dedicated to data processing.
분석장치(500)는 저장장치(510), 메모리(520), 연산장치(530), 인터페이스 장치(540), 통신장치(550) 및 출력장치(560)를 포함할 수 있다. The analysis device 500 may include a
저장장치(510)는 골조직 모사체의 영상을 저장할 수 있다. The
저장장치(510)는 골조직 모사체의 영상을 분석하여 약물의 효능을 판별하는 코드 내지 프로그램을 저장할 수 있다.The
저장장치(510)는 골조직 모사체의 영상을 이용하여 학습된 학습모델을 저장할 수 있다.The
메모리(520)는 상기 분석장치가 골조직 모사체에 영상을 분석하는 과정중에 생성되는 데이터 및 정보 등을 저장할 수 있다.The memory 520 may store data and information generated during the process of analyzing the image of the analysis device on the bone tissue mimetic.
연산 장치(530)는 입력된 골조직 모사체의 영상을 이진화하고, 이진 영상에 대한 침식 및 팽창처리를 하여 불필요한 영역을 제거할 수 있다. 연산 장치(530)는 영상의 왼쪽 끝점과 오른쪽 끝점의 중점을 기준으로 입력된 골조직 모사체의 영상을 왼쪽 오른쪽으로 분할할 수도 있다. The arithmetic unit 530 may binarize the input image of the bone tissue mimic and remove unnecessary regions by performing erosion and expansion processing on the binary image. The arithmetic unit 530 may divide the input image of the bone tissue matrix into left and right parts based on the midpoint of the left end point and the right end point of the image.
또한, 연산 장치(530)는 골조직 모사체의 영상을 좌우 반전하여 처리할 수 있다. In addition, the arithmetic device 530 may process the left-right inverted image of the bone tissue mimetic.
연산 장치(530)는 데이터를 처리하고, 일정한 연산을 처리하는 프로세서, AP, 프로그램이 임베디드된 칩과 같은 장치일 수 있다.The arithmetic device 530 may be a device such as a processor, an AP, or a chip in which a program is embedded that processes data and performs certain arithmetic operations.
인터페이스 장치(540)는 외부로부터 일정한 명령 및 데이터를 입력받는 장치이다. The interface device 540 is a device that receives certain commands and data from the outside.
인터페이스 장치(540)는 물리적으로 연결된 입력 장치 또는 외부 저장장치로부터 골조직 모사체의 영상을 입력받을 수 있다. The interface device 540 may receive an image of the bone tissue mimetic from a physically connected input device or external storage device.
인터페이스 장치(540)는 골조직 모사체의 영상을 분석하여 약물의 효능 평가한 결과를 외부 객체에 전달할 수도 있다. The interface device 540 may analyze the image of the bone tissue mimetic and transmit the result of evaluating the efficacy of the drug to an external object.
통신장치(550)는 유선 또는 무선 네트워크를 통해 일정한 정보를 수신하고 전송하는 구성을 의미한다. The communication device 550 refers to a component that receives and transmits certain information through a wired or wireless network.
통신장치(550)는 외부 객체로부터 골조직모사체의 영상을 수신할 수 있다. 또는 통신장치(550)는 골조직 모사체의 영상을 분석하여 약물의 효능을 평가한 결과를 사용자 단말과 같은 외부 객체에 송신할 수도 있다.The communication device 550 may receive an image of the bone tissue mimetic from an external object. Alternatively, the communication device 550 may transmit the result of evaluating the efficacy of the drug by analyzing the image of the bone tissue mimetic to an external object such as a user terminal.
인터페이스 장치(540) 및 통신장치(550)는 사용자 또는 다른 물리적 객체로부터 일정한 데이터를 주고받는 구성이므로, 포괄적으로 입출력장치라고도 명명할 수 있다. 정보 내지 데이터 입력 기능에 한정하면 인터페이스 장치(540) 및 통신장치(550)는 입력장치라고 할 수도 있다.Since the interface device 540 and the communication device 550 are components for exchanging certain data from a user or other physical object, they can also be collectively referred to as input/output devices. When limited to information or data input functions, the interface device 540 and the communication device 550 may also be referred to as input devices.
출력장치(560)는 일정한 정보를 출력하는 장치이다. 출력장치(560)는 데이터처리 과정에 필요한 인터페이스, 입력된 골조직모사체의 영상, 분석결과 등을 출력할 수 있다.The output device 560 is a device that outputs certain information. The output device 560 may output an interface necessary for the data processing process, an image of the input bone tissue mimic, an analysis result, and the like.
또한, 상술한 바와 같은 학습 데이터 구축 방법 및 증강된 학습 데이터를 이용한 학습모델 학습 방법은 컴퓨터에서 실행될 수 있는 실행가능한 알고리즘을 포함하는 프로그램(또는 어플리케이션)으로 구현될 수 있다. 상기 프로그램은 일시적 또는 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다. 비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM (read-only memory), PROM (programmable read only memory), EPROM(Erasable PROM, EPROM) 또는 EEPROM(Electrically EPROM) 또는 플래시 메모리 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다. 일시적 판독 가능 매체는 스태틱 램(Static RAM，SRAM), 다이내믹 램(Dynamic RAM，DRAM), 싱크로너스 디램 (Synchronous DRAM，SDRAM), 2배속SDRAM(Double Data Rate SDRAM，DDR SDRAM), 증강형 SDRAM(Enhanced SDRAM，ESDRAM), 동기화 DRAM(Synclink DRAM，SLDRAM) 및 직접 램버스 램(DirectRambus RAM，DRRAM)과 같은 다양한 RAM을 의미한다.In addition, the learning data construction method and learning model learning method using augmented learning data as described above may be implemented as a program (or application) including an executable algorithm that can be executed on a computer. The program may be stored and provided in a temporary or non-transitory computer readable medium. A non-transitory readable medium is not a medium that stores data for a short moment, such as a register, cache, or memory, but a medium that stores data semi-permanently and can be read by a device. Specifically, the various applications or programs described above are CD, DVD, hard disk, Blu-ray disk, USB, memory card, ROM (read-only memory), PROM (programmable read only memory), EPROM (Erasable PROM, EPROM) Alternatively, it may be stored and provided in a non-transitory readable medium such as EEPROM (Electrically EPROM) or flash memory. Temporary readable media include static RAM (SRAM), dynamic RAM (DRAM), synchronous DRAM (SDRAM), double data rate SDRAM (DDR SDRAM), and enhanced SDRAM (Enhanced SDRAM). SDRAM, ESDRAM), Synchronous DRAM (Synclink DRAM, SLDRAM) and Direct Rambus RAM (DRRAM).
[실시예][Example]
이하 설명에는 골조직 모사체 이미지 분석을 위해 필요한 골조직 모사체의 구조 및 그 이미지획득 방법에 대한 하나의 실시예를 설명한다. In the following description, one embodiment of the structure of the bone tissue matrix required for image analysis of the bone tissue matrix and a method for acquiring the same image will be described.
이하 설명하는 실시예는 발명을 보다 쉽게 이해하기 위하여 제공되는 것일 뿐,권리범위를 특정한 실시 형태에 대해 한정하려는 것이 아니며, 이하 설명하는 기술의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.The examples described below are provided for easier understanding of the invention, and are not intended to limit the scope of rights to specific embodiments, and all changes, equivalents or substitutes included in the spirit and scope of technology described below. It should be understood to include.
아래에는 골조직 모사체를 제작하는 과정 및 그 구조에 대한 하나의 실시예에 대해서 설명한다. Below, one embodiment of the process of producing a bone tissue mimetic and its structure will be described.
1-1 구조물의 제작1-1 Fabrication of structures
도11은 구조물 제작 공정을 대략적으로 나타낸 것이다. 11 schematically shows a structure manufacturing process.
골조직 모사체(일명 뼈칩(Bone-on-a-chip))은 웰플레이트에 기반한 하이드로젤 통합유닛을 이용하여 제작하였다. A bone tissue replica (aka bone-on-a-chip) was fabricated using a hydrogel integrated unit based on a well plate.
포토공정(photolithography)방식으로 두께가 2mm가 되도록 제작된 형틀위에 탄성중합체 PDMS(polydimethyl siloxane)를 부운 뒤 중합시켰다. 중합 후 PDMS 복제물(replica)을 떼어내고, 젤을 주입하기 위한 주입구(직경 1mm)을 만들어 내었다. 이후 맞춤형 펀치(punch)을 이용하여 PDMS복제물을 덤벨모양이 되도록 잘라 내었다. The elastomer PDMS (polydimethyl siloxane) was poured onto a mold made to have a thickness of 2 mm by photolithography and then polymerized. After polymerization, the PDMS replica was removed, and an injection hole (diameter 1 mm) was created for injecting the gel. Then, the PDMS replica was cut into a dumbbell shape using a custom punch.
PDMS복제물을 폴리에테르 에테르 케톤(PEEK, polyether ether ketone)으로 만든 맞춤형 지그(jig)을 이용하여 웰 플레이트 중앙에 배치시켰다. PDMS복제물을 지그위에 고정시킨 후 플라즈마로 처리하였다. A PDMS replica was placed in the center of the well plate using a custom jig made of polyether ether ketone (PEEK). After fixing the PDMS replica on a jig, it was treated with plasma.
접합 후, 칩표면에 하이드로젤의 접착력을 향상시키기 위하여 칩 내부 표면을 1 mg ml-1 의 도파민 염산염(dopamine hydrochloride)이 들어있는 Tris buffer 용액으로 코팅하고, 증류수로 5회 세척하였다. 상기 장치는 80 °C의 오븐에서 건조했다.After bonding, in order to improve the adhesion of the hydrogel to the chip surface, the inner surface of the chip was coated with a Tris buffer solution containing 1 mg ml -1 of dopamine hydrochloride, and washed 5 times with distilled water. The device was dried in an oven at 80 °C.
1-2 골조직 모사체에 이용되는 세포 배양1-2 Cell culture used for bone tissue matrix
마우스 골세포(IDG-SW3)은 콜라겐으로 코팅한 플라스크에서 열을 처리하여 불활성화 시킨 10%(v/v) FBS(fetal Bovine serum)와 50 U ml-1 재조합 쥐 인터페론감마(interferon-γ) 단백질과 1%(w/v) 페니실린(penicillin)/스트렙토마이신(streptomycin)을 더 첨가한 배지(Alph Minimum Essential Medium(Gibco, USA))에서 33 °C, 5%(v/v) CO2 인큐베이터를 이용하여 배양하였다. Mouse bone cells (IDG-SW3) were inactivated by heat treatment in a flask coated with collagen, 10% (v/v) FBS (fetal Bovine serum) and 50 U ml -1 recombinant mouse interferon-γ. 33 °C, 5% (v/v) CO 2 incubator in Alpha Minimum Essential Medium (Gibco, USA) supplemented with protein and 1% (w/v) penicillin/streptomycin. was cultured using
마우스 조골세포(MC3T3-E1)는 10%(v/v) FBS와 1%(w/v)의 페니실린/스트렙토마이신을 첨가한 배지(Alpha-MEM)에서 37 °C, 5%(v/v) CO2 인큐베이터를 이용하여 배양하였다.Mouse osteoblasts (MC3T3-E1) were grown at 37 °C in 5% (v/v) medium (Alpha-MEM) supplemented with 10% (v/v) FBS and 1% (w/v) penicillin/streptomycin. ) CO 2 Cultured using an incubator.
세포는 80% confluency에 도달했을 때 0.25%(w/v) Trypsin-EDTA(Gibco, USA)를 이용하여 분리하였으며, 배지는 2-3일마다 교체하였다.When cells reached 80% confluency, they were detached using 0.25% (w/v) Trypsin-EDTA (Gibco, USA), and the medium was replaced every 2-3 days.
마우스 골세포(IDG-SW3)의 골형성 분화(osteogenic differentiation)를 위해서 인터페론감마가 제거된 분화배지 (10%(v/v) FBS, 1%(w/v)의 페니실린/스트렙토마이신, 50 μg ml-1 아스코르브산(ascorbic acid), 4 mM 베타-글리세로포스페이트(β-glycerophosphate)가 추가된 Alpha Minimum Essential Medium) 에서 세포를 배양하였다. For osteogenic differentiation of mouse bone cells (IDG-SW3), differentiation medium without interferon-gamma (10% (v/v) FBS, 1% (w/v) penicillin/streptomycin, 50 μg ml -1 ascorbic acid (ascorbic acid), 4 mM beta-glycerophosphate (Alpha Minimum Essential Medium) to which glycerophosphate (β-glycerophosphate) was added) the cells were cultured.
마우스 조골세포(MC3T3-E1)의 분화도 상기 마우스 골세포(IDG-SW3)의 분화 조건과 동일한 조건에서 수행되었다. Differentiation of mouse osteoblasts (MC3T3-E1) was also performed under the same conditions as those of mouse osteoblasts (IDG-SW3).
1-3. 조골세포로부터 유래된 탈세포화된 세포외 기질(osteoblast-derived decullularized extracellular matrix; OB-dECM) 추출 및 하이드로젤의 제작1-3. Extraction of decellularized extracellular matrix (OB-dECM) derived from osteoblasts and fabrication of hydrogel
도12은 OB-dECM을 추출하는 과정을 대략적으로 도시한 예이다. 12 is an example schematically illustrating a process of extracting OB-dECM.
도12에 도시한 바와 같이, 마우스 골세포(MC3T3-E1)을 2주 간 배양한 후 세포 막(cell sheet)을 걷어 내었다. 걷어낸 세포 막에 트립신-EDTA을 첨가하여 3분 간 처리 후, 0.1%의 트리톤 X-100으로 30분 동안 처리하여 분리된 세포를 제거하였다. 세포를 제거한 잔여물에 DNase I을 30분 동안 처리하여 DNA 및 불순물 등을 완전히 제거하였다. 최종적으로 수득한 ECM을 동결건조 시킨 후 -20 ℃에서 보관하였다. 각 단계마다 인산완충식염수(phosphate buffer saline, PBS)를 이용하여 3회 내지 5회의 세척을 진행하였다. As shown in FIG. 12, mouse bone cells (MC3T3-E1) were cultured for 2 weeks, and then the cell sheet was removed. Trypsin-EDTA was added to the skimmed cell membrane and treated for 3 minutes, followed by treatment with 0.1% Triton X-100 for 30 minutes to remove the separated cells. The residue from which cells were removed was treated with DNase I for 30 minutes to completely remove DNA and impurities. The finally obtained ECM was lyophilized and stored at -20 °C. At each step, washing was performed 3 to 5 times using phosphate buffer saline (PBS).
동결건조된 OB-dECM 8 mg을 잘게 잘랐다. 그 후 효소로 가수분해하기 위해 0.1 M 아세트산 용액에 1 mg ml-1 펩신(pepsin)과 혼합한 뒤 마그네틱 바를 사용하여 500 rpm에서 12시간 동안 4 °C에서 교반하였다.8 mg of lyophilized OB-dECM was minced. After that, the mixture was mixed with 1 mg ml -1 pepsin in 0.1 M acetic acid solution for hydrolysis with an enzyme and stirred at 4 °C for 12 hours at 500 rpm using a magnetic bar.
OB-dECM 용액에 있는 펩신은 50 μg ml-1의 펩스타틴(pepstatin)을 넣어 불활성화 시킨 후, 4 °C에서 보관하였다Pepsin in the OB-dECM solution was inactivated by adding 50 μg ml -1 of pepstatin and stored at 4 °C.
마우스꼬리 콜라겐 I형 (3-4 mg ml-1)과 OB-dECM을 혼합하여 하이브리드 하이드로젤을 만들었다. 하이드로젤의 최적화된 구성은 2 mg ml-1 콜라겐 및 1 mg ml-1의 OB-dECM이다. A hybrid hydrogel was prepared by mixing mouse tail collagen type I (3-4 mg ml −1 ) and OB-dECM. The optimized composition of the hydrogel is 2 mg ml −1 collagen and 1 mg ml −1 OB-dECM.
젤화(gelation)를 위하여 0.5 M 수산화 나트륨을 사용하여 중화하였고, 10X PBS를 사용하여 하이드로젤의 삼투압을 조절하였다.For gelation, 0.5 M sodium hydroxide was used for neutralization, and 10X PBS was used to adjust the osmotic pressure of the hydrogel.
1-4 골조직 모사체 완성1-4 Completion of bone tissue matrix
마우스 골세포 (IDG-SW3)를 콜라겐과 OB-dECM으로 구성된 혼합젤과 섞은 후 칩에 주입하였다. 젤화 후 MC3T3-E1세포를 칩 외부 가장자리 영역에 접종했다. 골형성 분화를 위해, 세포를 골형성 배지로 배양하고 2일 마다 배지를 교체하였다. Mouse bone cells (IDG-SW3) were mixed with a mixed gel composed of collagen and OB-dECM and injected into the chip. After gelation, MC3T3-E1 cells were seeded on the outer edge area of the chip. For osteogenic differentiation, cells were cultured with osteogenic medium and the medium was changed every 2 days.
아래는 골조직 모사체에 약물을 처리한 영상을 얻는 하나의 실시예에 대해 설명한다. The following describes one embodiment of obtaining an image of a drug-treated bone tissue mimetic.
2-1 골질환 관련 약물선택2-1 Selection of drugs related to bone disease
Sclerostin (SOST) 은 골세포로부터 생성되어 분비되며, 골밀도를 감소시킨다. Sclerostin (SOST) is produced and secreted from bone cells and reduces bone density.
도13에서와 같이 골세포에서 분비된 SOST는 조골세포로 전달된다. 그 후 SOST는 Frizzled/WNT신호전달 경로를 억제하며 최종적으로 β분해를 촉진하여 유전자 전사를 방해하고, 조골세포의 증식을 방해한다. As shown in FIG. 13, SOST secreted from osteocytes is transferred to osteoblasts. After that, SOST inhibits the Frizzled/WNT signaling pathway and finally promotes β-degradation, interfering with gene transcription and proliferation of osteoblasts.
이러한 원리를 이용하여 골다공증 치료제는 SOST의 특정부위에 효과적으로 결합하는 단일클론항체로 제작되었다. 즉 골다공증 치료제는 SOST에 결합하여 기능을 하지 못하게 하고, 궁극적으로는 β가 분해되지 않도록 하여 β-catenin의 핵(nuclear)로의 이동을 촉진시키며, 궁극적으로 조골세포의 증식을 하게 하여 뼈를 형성시키는 역할을 하게 된다. Using this principle, a therapeutic agent for osteoporosis was produced as a monoclonal antibody that effectively binds to a specific site of SOST. In other words, the osteoporosis drug binds to SOST to prevent its function, ultimately prevents β from being decomposed, promotes the movement of β-catenin to the nucleus, and ultimately causes osteoblasts to proliferate to form bones. will play a role
2-2 골조직 모사체에 대한 약물 투여2-2 Drug administration to bone mimetic
처리할 약물의 농도(항체의 농도)를 결정하기 위하여 골세포에서 방출되는 SOST의 농도를 ELISA(enzyme-linked immunosorbent assay)을 이용하여 정량화 하였다. To determine the concentration of the drug to be treated (antibody concentration), the concentration of SOST released from bone cells was quantified using ELISA (enzyme-linked immunosorbent assay).
SOST의 ELISA을 위하여 칩내 하이드로젤에서 배양된 골세포(IDG-SW3)의 배양액을 2주동안 2~3일 주기로 수집한 후, SOST ELISA kit(ALPCO, USA)을 사용하여 측정하였다. 그 결과 세포가 성숙함에 따라 골 세포가 분비하는 SOST의 수준이 증가하였고, 10일이 지난 뒤에는 더욱 급격히 상승하였다. 이 결과를 바탕으로 먼저 10일동안 골세포를 성숙시킨 후, 조골세포(MC3T3-E1)와 약물(SOST 단일클론 항체)를 접종하였다. 이후 14일이 되는 날에 약물에 대한 조골세포의 반응을 분석하였다. [도14] For the ELISA of SOST, the culture medium of bone cells (IDG-SW3) cultured in the hydrogel in the chip was collected every 2 to 3 days for 2 weeks, and then measured using the SOST ELISA kit (ALPCO, USA). As a result, as the cells matured, the level of SOST secreted by the bone cells increased, and after 10 days, it rose more rapidly. Based on this result, bone cells were first matured for 10 days, and then osteoblasts (MC3T3-E1) and drugs (SOST monoclonal antibody) were inoculated. Then, on the 14th day, the response of osteoblasts to the drug was analyzed. [Figure 14]
2-3 형광이미지 획득 2-3 Fluorescent Image Acquisition
하이드로젤내 골세포(IDG-SW3)와 조골세포(MC3T3-E1)를 4% 파라포름알데하이드(paraformaldehyde)을 이용하여 20분동안 고정시킨 뒤, 0.1%(v/v) Triton X-100을 이용하여 투과화(permeabilization)하고, 5% BSA(Bovine serum albumin)가 들어있는 PBS용액으로 이용하여 블록(blocking)하였다. Bone cells (IDG-SW3) and osteoblasts (MC3T3-E1) in the hydrogel were fixed with 4% paraformaldehyde for 20 minutes, and then treated with 0.1% (v/v) Triton X-100. After permeabilization, blocking was performed using a PBS solution containing 5% BSA (Bovine serum albumin).
β-catenin은 형광마커인 Alexa Fluor 488 부착된 β항체(1:50, Santa cruz Biotechnology, USA)를 사용하여 면역염색했다.β-catenin was immunostained using a β-antibody (1:50, Santa Cruz Biotechnology, USA) attached to Alexa Fluor 488, a fluorescent marker.
핵(Nucleus)은 형광마커인 Hoechst 33342(1:500, Thermo Fisher Scientific, USA)로 염색하였다.Nucleus was stained with Hoechst 33342 (1:500, Thermo Fisher Scientific, USA), a fluorescent marker.
형광 이미지는 형광 현미경(Celena X high content imaging system, Logos Biosystems, Korea)과 공초점 현미경(LSM-710, Carl Zeiss, Germany)을 사용하여 얻었다.Fluorescent images were obtained using a fluorescence microscope (Celena X high content imaging system, Logos Biosystems, Korea) and a confocal microscope (LSM-710, Carl Zeiss, Germany).
Claims (14)
상기 분석장치가 상기 입력된 영상을 딥러닝 모델에 넣어 결과를 얻어내는 단계; 및
상기 분석장치가 상기 결과를 통해 상기 약물에 대한 효능을 평가하는 단계; 를 포함하되
상기 골조직 모사체는 중심부에 골세포(Osteocyte)를 포함하여 충진 된 젤(gel); 및 상기 젤의 외측부를 둘러싸도록 배치된 세포혼합물을 포함하며,
상기 영상은 상기 약물이 상기 골조직 모사체에 작용한 결과를 표지하는 마커영역을 포함하는 것을 특징으로 하는
골조직 모사체 이미지 분석을 이용한 골질환 약물 스크리닝 방법
receiving an image of the drug-treated bone tissue mimetic as an input to the analysis device;
obtaining a result by putting the input image into a deep learning model by the analysis device; and
Evaluating, by the analysis device, the efficacy of the drug through the result; including
The bone tissue mimetic is a gel filled with bone cells (Osteocyte) in the center; And a cell mixture arranged to surround the outer portion of the gel,
The image is characterized in that it includes a marker region for labeling the result of the action of the drug on the bone tissue mimetic
Bone disease drug screening method using bone tissue mimetic image analysis
상기 골 질환은
골다공증, 불완전 골형성증(osteogenesis imperfecta), 과골화증, 고칼슘혈증, 부갑상선 기능항진증, 골연화증, 용해성 골질환, 골괴사증, 뼈의 파젯병, 골 골절, 류마티스 관절염에 의한 골 손실, 염증성 류마티스 관절염, 골수염, 전이성 골질환, 치주성 골 소실, 구루병, 암에 의한 골 손실 및 골의 노인성 손실로 중 적어도 하나 인 것을 특징으로 하는,
골조직 모사체 이미지 분석을 이용한 골질환 약물 스크리닝 방법According to claim 1,
The bone disease
Osteoporosis, osteogenesis imperfecta, hyperostosis, hypercalcemia, hyperparathyroidism, osteomalacia, lytic bone disease, osteonecrosis, Paget's disease of bone, bone fracture, bone loss due to rheumatoid arthritis, inflammatory rheumatoid arthritis, osteomyelitis , characterized in that at least one of metastatic bone disease, periodontal bone loss, rickets, bone loss caused by cancer and senile bone loss,
Bone disease drug screening method using bone tissue mimetic image analysis
상기 세포혼합물은
골원성세포, 조골세포, 파골세포, 면역세포 및 혈관 세포 중 적어도 하나를 포함하는것을 특징으로 하는
골조직 모사체 이미지 분석을 이용한 골질환 약물 스크리닝 방법.
According to claim 1,
The cell mixture
Characterized in that it contains at least one of osteogenic cells, osteoblasts, osteoclasts, immune cells and vascular cells
Bone disease drug screening method using bone tissue mimetic image analysis.
상기 딥러닝 모델은
골 질환 관련하여 검증된 유효약물이 처리된 골조직 모사체의 영상과 상기 유효약물이 처리되지 아니한 골조직 모사체의 영상을 학습데이터로 이용하여 학습된 것을 특징으로 하는
골조직 모사체 이미지 분석을 이용한 골질환 약물 스크리닝 방법
According to claim 1
The deep learning model is
Characterized in that the image of the bone tissue mimetic treated with an effective drug verified in relation to bone disease and the image of the bone tissue mimetic without the effective drug treatment as learning data.
Bone disease drug screening method using bone tissue mimetic image analysis
상기 약물은
상기 골조직 모사체의 중심부의 골세포(osteocyte) 또는 외측부의 세포혼합물 중 하나 이상에 DNA합성, RNA합성, 유전자 발현, 유전자 구조, 단백질 합성, 단백질 변형, 단백질 분비, 단백질 구조, 당 합성, 당 분비, 당 변형, 지질 분비, 세포막 합성, 세포내 신호전달, 세포간 신호전달, 세포내 소기관, 세포의 분화, 세포의 분열, 세포의 운동 중 적어도 하나에 영향을 미치는 것을 특징으로 하는
골조직 모사체 이미지 분석을 이용한 골질환 약물 스크리닝 방법
According to claim 1
said drug
DNA synthesis, RNA synthesis, gene expression, gene structure, protein synthesis, protein modification, protein secretion, protein structure, sugar synthesis, sugar secretion in at least one of the osteocytes in the center or the cell mixture in the outer portion of the bone tissue mimic. Characterized in that it affects at least one of sugar modification, lipid secretion, cell membrane synthesis, intracellular signaling, intercellular signaling, intracellular organelles, cell differentiation, cell division, and cell movement.
Bone disease drug screening method using bone tissue mimetic image analysis
상기 약물은
골질환을 치료하기 위한 천연물, 합성의약품, 복합의약품, 한약, 한약추출물, 한약제제, 생약, 단백질의약품, 유전자 재조합 의약품, 세포배양의약품, 효소의약품, 미생물의약품, 항체의약품, 단일클론항체의약품, 호르몬의약품, 방사선의약품, 약-항체결합 의약품(Antibody-drug conjugate), 세포치료제, 유전자치료제 중 적어도 하나인 것을
골조직 모사체 이미지 분석을 이용한 골질환 약물 스크리닝 방법
According to claim 1
said drug
Natural products, synthetic medicines, combination medicines, herbal medicines, herbal medicine extracts, herbal medicines, herbal medicines, protein medicines, gene recombinant medicines, cell culture medicines, enzyme medicines, microbial medicines, antibody medicines, monoclonal antibody medicines, hormones for treating bone diseases At least one of pharmaceuticals, radiopharmaceuticals, drug-antibody conjugates, cell therapy products, and gene therapy products
Bone disease drug screening method using bone tissue mimetic image analysis
상기 약물이 처리된 골조직 모사체 영상은
상기 골조직 모사체에 마커영역을 표시하기 위한 마커로 염색약, 형광물질, 인광물질, 방사능물질 중 적어도 하나를 더 첨가하여 얻은 것을 특징으로 하는
골조직 모사체 이미지 분석을 이용한 골질환 약물 스크리닝 방법
According to claim 1
The drug-treated bone tissue mimetic image is
Characterized in that obtained by further adding at least one of dye, fluorescent material, phosphorescent material, and radioactive material as a marker for displaying the marker region on the bone tissue mimetic
Bone disease drug screening method using bone tissue mimetic image analysis
상기 약물이 처리된 골조직 모사체 영상은
서로 다른 대상을 식별하는 복수의 마커를 처리하여 얻은 영상인 것을 특징으로 하는
골조직 모사체 이미지 분석을 이용한 골질환 약물 스크리닝 방법
According to claim 1
The drug-treated bone tissue mimetic image is
Characterized in that the image obtained by processing a plurality of markers that identify different objects
Bone disease drug screening method using bone tissue mimetic image analysis
상기 마커영역은
상기 골조직 모사체의 세포, 핵, 소포체, 리보솜, 리소좀, 골지체, 중심체, 세포막, 미토콘드리아, 미세소관, 미세섬유, 세포질, DNA, RNA, 핵산, 히스톤, 단백질, 당단백질, 막단백질, 탄수화물, 막탄수화물, 지질, 콜레스테롤, 당지질, 당, 콜라겐 중 적어도 하나를 표시한 것을 특징을 하는
골조직 모사체 이미지 분석을 이용한 골질환 약물 스크리닝 방법
According to claim 1
The marker area is
Cells, nuclei, endoplasmic reticulum, ribosomes, lysosomes, Golgi bodies, centrosomes, cell membranes, mitochondria, microtubules, microfilaments, cytoplasm, DNA, RNA, nucleic acids, histones, proteins, glycoproteins, membrane proteins, carbohydrates, and membranes of the bone tissue mimetic Characterized in that at least one of carbohydrates, lipids, cholesterol, glycolipids, sugars, and collagen is displayed
Bone disease drug screening method using bone tissue mimetic image analysis
상기 마커영역은
상기 골조직 모사체의 형상, 모양, 위치, 움직임 중 적어도 하나를 표시한 것을 특징으로 하는
골조직 모사체 이미지 분석을 이용한 골질환 약물 스크리닝 방법
According to claim 1
The marker area is
Characterized in that at least one of the shape, shape, position, and movement of the bone tissue matrix is displayed
Bone disease drug screening method using bone tissue mimetic image analysis
골조직 모사체의 영상을 이용하여 학습되어 약물이 미치는 영향을 파악할 수 있는 딥러닝 모델을 저장하는 저장장치;
상기 입력장치로부터 상기 약물이 처리된 골조직 모사체의 영상을 전송받아 상기 저장장치에 저장된 학습모델에 입력하고, 상기 학습모델이 출력하는 값에 따라 약물이 골조직 모사체에 미치는 영향을 파악하는 연산장치; 를 포함하되
상기 골조직 모사체는 중심부에 골세포(Osteocyte)을 포함하여 충진된 젤(gel); 및 상기 젤의 외측부를 둘러싸도록 배치된 세포혼합물을 포함하며,
상기 영상은 상기 약물이 상기 골조직 모사체에 작용한 결과를 표지하는 마커영역을 포함하는 것을 특징으로 하는
골조직 모사체 이미지 분석을 이용한 골질환 약물 스크리닝 장치
An input device that receives an image of the drug-treated bone tissue mimetic;
A storage device for storing a deep learning model that can be learned using the image of the bone tissue mimetic and determine the effect of the drug;
An arithmetic device for receiving the image of the bone mimetic treated with the drug from the input device, inputting the image to the learning model stored in the storage device, and determining the effect of the drug on the bone mimetic according to the value output from the learning model. ; including
The bone tissue mimetic is a gel filled with bone cells (Osteocyte) in the center; And a cell mixture arranged to surround the outer portion of the gel,
The image is characterized in that it includes a marker region for labeling the result of the action of the drug on the bone tissue mimetic
Bone disease drug screening device using bone tissue mimetic image analysis
상기 세포 혼합물은
골원성세포, 조골세포, 파골세포, 면역세포 및 혈관 세포 중 적어도 하나를 포함하는것을 특징으로 하는
골조직 모사체를 이미지 분석을 이용한 골질환 약물 스크리닝 장치
According to claim 11
The cell mixture is
Characterized in that it contains at least one of osteogenic cells, osteoblasts, osteoclasts, immune cells and vascular cells
Bone disease drug screening device using image analysis of bone tissue mimetic
상기 약물이 처리된 골조직 모사체 영상은
상기 골조직 모사체에 마커영역을 표시하기 위한 마커로 염색약, 형광물질, 인광물질, 방사능물질 중 적어도 하나를 더 첨가하여 얻은 것을 특징으로 하는
골조직 모사체 이미지 분석을 이용한 골질환 약물 스크리닝 장치
According to claim 11
The drug-treated bone tissue mimetic image is
Characterized in that obtained by further adding at least one of dye, fluorescent material, phosphorescent material, and radioactive material as a marker for displaying the marker region on the bone tissue mimetic
Bone disease drug screening device using bone tissue mimetic image analysis
상기 약물이 처리된 골조직 모사체 영상은
서로 다른 대상을 식별하는 복수의 마커를 처리하여 얻은 영상인 것을 특징으로 하는
골조직 모사체 이미지 분석을 이용한 골질환 약물 스크리닝 장치
According to claim 11
The drug-treated bone tissue mimetic image is
Characterized in that the image obtained by processing a plurality of markers that identify different objects
Bone disease drug screening device using bone tissue mimetic image analysis
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2022/017713 WO2023085837A1 (en) | 2021-11-11 | 2022-11-11 | Method and device for screening for osteoporosis drug by using bone tissue mimetic image analysis |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20210155192 | 2021-11-11 | ||
| KR1020210155192 | 2021-11-11 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102531759B1 true KR102531759B1 (en) | 2023-05-12 |
Family
ID=86385403
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220053246A KR102531759B1 (en) | 2021-11-11 | 2022-04-29 | Method and Apparatus for Screening Osteoporosis Drug Based on Image Analysis of Bone Tissue Mimetics |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102531759B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117952962A (en) * | 2024-03-25 | 2024-04-30 | 南京科进实业有限公司 | Bone mineral density detection image processing method and system |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090061479A1 (en) * | 2006-03-30 | 2009-03-05 | Clarke Mark S F | Mineralized three-dimensional bone constructs |
| KR101846370B1 (en) * | 2015-08-04 | 2018-04-06 | 재단법인 아산사회복지재단 | Method and program for computing bone age by deep neural network |
| KR102095485B1 (en) * | 2019-07-25 | 2020-03-31 | 주식회사 메디팹 | An osteoporosis model comprising a calcium phosphate hydrogel composition and uses thereof |
-
2022
- 2022-04-29 KR KR1020220053246A patent/KR102531759B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090061479A1 (en) * | 2006-03-30 | 2009-03-05 | Clarke Mark S F | Mineralized three-dimensional bone constructs |
| KR101846370B1 (en) * | 2015-08-04 | 2018-04-06 | 재단법인 아산사회복지재단 | Method and program for computing bone age by deep neural network |
| KR102095485B1 (en) * | 2019-07-25 | 2020-03-31 | 주식회사 메디팹 | An osteoporosis model comprising a calcium phosphate hydrogel composition and uses thereof |
Non-Patent Citations (1)
| Title |
|---|
| Vazquez et al., Front Endocrinol(Lausanne), Vol. 5, No. 208, 2014. * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117952962A (en) * | 2024-03-25 | 2024-04-30 | 南京科进实业有限公司 | Bone mineral density detection image processing method and system |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Paek et al. | A high‐throughput biomimetic bone‐on‐a‐chip platform with artificial intelligence‐assisted image analysis for osteoporosis drug testing | |
| KR102531759B1 (en) | Method and Apparatus for Screening Osteoporosis Drug Based on Image Analysis of Bone Tissue Mimetics | |
| CN107106606A (en) | The micro- physiological system of nerve and use its method | |
| Fan et al. | Single neuron capture and axonal development in three-dimensional microscale hydrogels | |
| US20170067025A1 (en) | Tumor model for breast cancer cell migration studies and related methods | |
| Power et al. | Examination of cell–host–biomaterial interactions via high-throughput technologies: A re-appraisal | |
| Park et al. | Effect of joint mimicking loading system on zonal organization into tissue-engineered cartilage | |
| Friedmann et al. | Intervertebral disc regeneration injection of a cell-loaded collagen hydrogel in a sheep model | |
| Lin et al. | Calcium silicate-activated gelatin methacrylate hydrogel for accelerating human dermal fibroblast proliferation and differentiation | |
| Zommiti et al. | Organs-on-Chips platforms are everywhere: A zoom on biomedical investigation | |
| Gafarova et al. | Evaluation of supercritical CO2-assisted protocols in a model of ovine aortic root decellularization | |
| Singh et al. | Biofabrication: an interesting tool to create in vitro model for COVID-19 drug targets | |
| Zhu et al. | Three-dimensional bioprinting with alginate by freeform reversible embedding of suspended hydrogels with tunable physical properties and cell proliferation | |
| Hu et al. | 3D printing and its current status of application in obstetrics and gynecological diseases | |
| Alves et al. | Cell-laden marine gelatin methacryloyl hydrogels enriched with ascorbic acid for corneal stroma regeneration | |
| Wodzanowski et al. | Multiscale invasion assay for probing macrophage response to gram-negative bacteria | |
| Della Morte et al. | Dynamics of connexin 43 down modulation in human articular chondrocytes stimulated by tumor necrosis factor alpha | |
| Vejjasilpa et al. | Adjustable thermo-responsive, cell-adhesive tissue engineering scaffolds for cell stimulation through periodic changes in culture temperature | |
| Enyedi et al. | Three‐dimensional, PEG‐based hydrogels induce spheroid formation and enhance viability of A2058 melanoma cells | |
| KR102648746B1 (en) | Bone tissue mimetics and method for preparing the same | |
| Gomila Pelegri et al. | Adipose-derived stem cells spontaneously express neural markers when grown in a PEG-based 3D matrix | |
| EP4120119A1 (en) | Quantifying and analyzing organoids from digital images | |
| US20230108699A1 (en) | Heart extracellular matrix-derived scaffold for culture and transplantation of cardiac organoid and method of preparing the same | |
| Castro-Borges et al. | Schistosome proteomics: updates and clinical implications | |
| Chen et al. | Characterization and advancement of an evaluation method for the treatment of spontaneous osteoarthritis in STR/ort mice: GRGDS peptides as a potential treatment for osteoarthritis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |