KR20140009854A - 치료제 선정을 위한 유전 정보의 분석 방법 및 장치 - Google Patents

치료제 선정을 위한 유전 정보의 분석 방법 및 장치 Download PDF

Info

Publication number
KR20140009854A
KR20140009854A KR1020120076803A KR20120076803A KR20140009854A KR 20140009854 A KR20140009854 A KR 20140009854A KR 1020120076803 A KR1020120076803 A KR 1020120076803A KR 20120076803 A KR20120076803 A KR 20120076803A KR 20140009854 A KR20140009854 A KR 20140009854A
Authority
KR
South Korea
Prior art keywords
subgroups
extracted
indicator
genes
genetic
Prior art date
Application number
KR1020120076803A
Other languages
English (en)
Inventor
안태진
수브한카르 무크헤르지
홍석진
라마 스리칸쓰 말라바라푸
손대순
이천희
시암선더 아지트 보파르디카
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020120076803A priority Critical patent/KR20140009854A/ko
Priority to CN201310071524.5A priority patent/CN103544405A/zh
Priority to US13/896,079 priority patent/US20140019061A1/en
Priority to JP2013138107A priority patent/JP2014021977A/ja
Priority to EP13176048.0A priority patent/EP2685399A3/en
Publication of KR20140009854A publication Critical patent/KR20140009854A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
    • G—PHYSICS
    • 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
    • G01N33/15—Medicinal preparations ; Physical properties thereof, e.g. dissolubility
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B45/00—ICT specially adapted for bioinformatics-related data visualisation, e.g. displaying of maps or networks

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Biotechnology (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

치료제 선정을 위한 유전 정보의 분석 방법 및 장치에 있어서, 개인의 유전체에 포함된 유전자들의 기능적 상관 관계에 따라 상기 유전자들을 복수의 서브 그룹들로 분류하는 유전자 네트워크에 대한 정보를 획득하고, 사용하고자 하는 적어도 하나의 약물의 작용에 대응되는 서브 그룹들을 시각화한다.

Description

치료제 선정을 위한 유전 정보의 분석 방법 및 장치{Method and apparatus for analyzing gene information for treatment decision}
치료제 선정을 위하여 개인의 유전체와 같은 유전 정보를 분석하는 방법 및 장치에 관한다.
유전체(genome)란 한 생물이 가지는 모든 유전 정보를 말한다. 어느 한 개인의 유전체를 서열화(sequencing)하는 기술은 DNA 칩 및 차세대 서열화(Next Generation Sequencing) 기술, 차차세대 서열화(Next Next Generation Sequencing) 기술 등 여러 기술들이 개발되고 있다. 핵산 서열, 단백질 등과 같은 유전 정보들은 분석은 당뇨병, 암과 같은 질병을 발현시키는 유전자를 찾거나, 유전적 다양성과 개체의 발현 특성 간의 상관관계 등을 파악하기 위하여 폭넓게 활용된다. 특히, 개인으로부터 수집된 유전 정보들은 서로 다른 증상이나 질병의 진행과 관련된 개인의 유전적인 특징을 규명하는데 있어서 중요하다. 따라서, 개인의 핵산 서열, 단백질 등과 같은 유전 정보는 현재와 미래의 질병 관련 정보를 파악하여 질병을 예방하거나 질병의 초기 단계에서 최적의 치료 방법을 선택할 수 있도록 하는 핵심적인 데이터이다. 생물의 유전 정보들로서 SNP(Single Nucleotide Polymorphism), CNV(Copy Number Variation) 등을 검출하는 DNA 칩(chip), 마이크로어레이 등과 같은 유전체 검출 장비를 활용하여 개인의 유전 정보를 정확히 분석하는 기술들이 연구 중에 있다.
치료제 선정을 위하여 개인의 유전체와 같은 유전 정보를 분석하는 방법 및 장치를 제공하는데 있다. 또한, 상기 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는 데 있다. 본 실시예가 해결하려는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
일 측면에 따르면, 치료제 선정을 위한 유전 정보의 분석 방법은 개인의 유전체에 포함된 유전자들의 기능적 상관 관계에 따라 상기 유전자들을 복수의 서브 그룹들로 분류하는 유전자 네트워크에 대한 정보를 획득하는 단계; 상기 획득된 유전자 네트워크에 포함된 상기 서브 그룹들 중, 사용하고자 하는 적어도 하나의 약물의 작용에 대응되는 유전자를 갖는 서브 그룹들을 추출하는 단계; 및 상기 추출된 서브 그룹들을 시각화하기 위하여, 상기 추출된 서브 그룹들에 포함된 유전 정보들에 기초한 적어도 하나의 지표를 생성하는 단계를 포함한다.
다른 일 측면에 따르면, 상기 유전 정보 분석 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공한다.
또 다른 일 측면에 따르면, 치료제 선정을 위한 유전 정보의 분석 장치는 개인의 유전체에 포함된 유전자들의 기능적 상관 관계에 따라 상기 유전자들을 복수의 서브 그룹들로 분류하는 유전자 네트워크에 대한 정보를 획득하는 데이터 획득부; 상기 획득된 유전자 네트워크에 포함된 상기 서브 그룹들 중, 사용하고자 하는 적어도 하나의 약물의 작용에 대응되는 유전자를 갖는 서브 그룹들을 추출하는 서브 그룹 추출부; 및 상기 추출된 서브 그룹들을 시각화하기 위하여, 상기 추출된 서브 그룹들에 포함된 유전 정보들에 기초한 적어도 하나의 지표를 생성하는 지표 생성부를 포함한다.
상기된 바에 따르면, 개인의 유전체에 관한 유전자 네트워크 중에서 특정 질병(예를 들어, 암)에서 문제를 일으키는 유전자 그룹에 관한 정보를을 약물 치료의 관점에서 시각화하여 임상의의 효과적인 치료제 선택을 도와줄 수 있다. 또한, 환자 개인에 대하여, 유전적 이상이 있는 유전자 그룹들의 정보, 유전자 그룹들간의 상호 관련성에 대한 정보 등을 제공해 줄 수 있는바, 임상의의 효과적인 처방을 도와줄 수 있다. 나아가서, 신약 개발, 진단용 마커 등의 유전적 이상 연구에 있어서도 활용이 가능하다.
도 1은 본 발명의 일 실시예에 따른 치료제 선정을 위한 유전 정보 분석 장치(10)의 구성도이다.
도 2는 일반적으로 알려진 유전자 네트워크를 도시한 도면이다.
도 3a는 본 발명의 일 실시예에 따라 사용자에 의하여 유전 정보 분석 장치(10)에 입력된 약물 리스트(20)의 예시를 도시한 도면이다.
도 3b는 본 발명의 일 실시예에 따라 서브 그룹 추출부(120)에서 추출된 서브 그룹들을 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따라 지표 생성부(130)에서 생성된 추출된 서브 그룹의 유전적 이상 정도에 대한 지표를 도시한 도면이다.
도 5a는 본 발명의 일 실시예에 따라 지표 생성부(130)에서 거리 값을 추정하는 과정을 설명하는 도면이다.
도 5b는 본 발명의 다른 일 실시예에 따라 지표 생성부(130)에서 거리 값을 추정하는 과정을 설명하는 도면이다.
도 6은 본 발명의 일 실시예에 따라 시각화 처리부(140)에서 처리된 결과를 도시한 도면이다.
도 7은 본 발명의 일 실시예에 따라 Cetuximab 약물에 대한 responder의 대장암(colon cancer) 샘플 및 non-responder의 대장암 샘플을 시각화한 결과를 도시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 치료제 선정을 위한 유전 정보 분석 방법의 흐름도이다.
이하에서는 도면을 참조하여 본 발명의 실시예들을 상세히 설명하도록 하겠다.
도 1은 본 발명의 일 실시예에 따른 치료제 선정을 위한 유전 정보 분석 장치(10)의 구성도이다. 도 1을 참고하면, 유전 정보 분석 장치(10)는 데이터 획득부(110), 서브 그룹 추출부(120), 지표 생성부(130) 및 시각화 처리부(140)을 포함한다. 도 1에서는 본 실시예의 특징이 흐려지는 것을 방지하기 위하여 본 실시예에 관련된 하드웨어 구성요소(hardware component)들만을 기술하기로 한다. 다만, 본 실시예에 따른 유전 정보 분석 장치(10)에는 도 1에 도시된 하드웨어 구성요소들 외에 다른 범용적인 하드웨어 구성요소들이 포함될 수 있음을 당해 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.
특히, 도 1에 도시된 유전 정보 분석 장치(10)는 프로세서로 구현될 수 있다. 이 프로세서는 다수의 논리 게이트들의 어레이로 구현될 수 있고, 범용적인 마이크로프로세서와 이 마이크로프로세서에서 실행될 수 있는 프로그램이 저장된 메모리의 조합으로 구현될 수도 있다. 또한, 다른 형태의 하드웨어로 구현될 수도 있음을 당해 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.
본 실시예에 따른 유전 정보 분석 장치(10)는 개인의 유전체 데이터 중에서 암, 종양 등과 같은 질병을 일으키는 유전자와 관련된 유전 정보를 항암제 등과 같은 약물의 관점에서 시각화함으로써 의사들의 치료제 선정, 환자 진단 등을 돕는 장치로 이용될 수 있다. 또한, 유전 정보 분석 장치(10)에서 제공된 정보는 신약 개발이나, 진단용 마커 등의 연구 등에도 활용될 수 있다.
일반적으로, 개인의 유전체(genome)는 어느 개체가 갖는 모든 유전 정보를 의미하는 것으로써, 최근 시퀀싱 기술의 발달에 힘입어 인간 등에 대한 완전한 유전체가 밝혀진 바 있다. 이와 같은 유전체에 포함된 유전 정보들은 핵산 서열, 단백질 발현 등과 같은 생물학적 작용 메카니즘을 규명하는데 필수적이다. 유전체의 분석은 당뇨병, 암 등과 같은 질병의 원인 규명, 유전적 다양성, 개체의 발현 특성 등과 같은 여러 생물학적 현상들을 파악하기 위하여 폭넓게 활용된다.
최근에는, 유전체 연구의 발달로 인하여 유전체에 포함된 유전자들간의 기능적 상관 관계들이 서서히 밝혀짐으로써, 유전자들간의 유전자 네트워크의 분석이 주목받고 있다. 이는, 어느 생물체 내에서 일어나는 거의 모든 생리 현상은 하나의 유전자가 아닌 여러 개의 유전자들의 상호작용에 의해 이뤄지기 때문이다.
도 2는 일반적으로 알려진 유전자 네트워크를 도시한 도면이다. 도 2에는 본 실시예에 대한 이해를 돕기 위하여 전체 유전자 네트워크 중 일부의 네트워크에 대해서만 도시되어 있을 뿐이다. 하지만, 이 외의 다른 유전자 네트워크에 대한 정보들도 당해 기술분야에서 통상의 지식을 가진 자가 쉽게 획득할 수 있다.
도 2를 참고하면, 유전자 네트워크는 유전자들간에 서로 복잡하게 연결된 네트워크로 표현되어 있다. 특히, 유전자 네트워크에는 유전자들의 기능적 상관 관계에 따라 유전자들이 복수의 서브 그룹(subgroup) 또는 서브넷(subnet)으로 분류되어 있다. 이와 같은 서브 그룹 또는 서브넷은 도 2와 같은 유전자 네트워크에서 각각의 노드들로 표시되어 있다. 예를 들어, 도 2의 유전자 네트워크에는 도시되어 있지 않더라도, 서브 그룹 또는 서브넷(subnet)에 해당되는 노드에 ALK, EPHA1 또는 JAK3 등과 같은 심볼로 표시되어 있는 경우, 이는 anaplastic lymphoma receptor tyrosine kinase, EPH receptor A1 또는 Janus kinase 3를 의미할 수 있다. 앞서 설명한 유전자 네트워크와 관련하여서는 당해 기술분야에서 통상의 지식을 가진 자에게 자명하므로, 이 밖의 자세한 설명은 생략하도록 하겠다.
한편, 종래에는 이와 같이 유전자 네트워크에 대한 정보가 알려져 있다 할지라도, 이를 약물과 같은 치료제들과 연관시켜 분석하는 방법에 대한 연구는 미약하였다. 특히, 어느 한 종류의 항암제의 처방을 고려할 때, 암 환자 개인의 한 개의 유전자 또는 유전자들의 집합의 이상 여부(정상 세포 대비 암 환자 세포의 이상 여부)를 측정하는 기술들만이 소개되었을 뿐이다.
하지만, 종래에는 두 종류 이상의 항암제의 처방을 고려할 때에는, 이 항암제들 간의 상호 관계를 고려하여 암 환자 개인의 관련 유전자 및 유전자 집합의 이상 여부를 측정하는 기술들은 소개된 적이 없었다.
두 종류 이상의 항암제의 처방을 고려할 때, 한 종류씩 따로따로 유전자 집합의 이상 여부를 측정하여 항암제 투약을 고려하는 것은 의미가 없을 수 있다. 왜냐하면, 두 종류의 항암제들이 동일 혹은 유사 기전을 가질 때에는 두 항암제들의 완전한 약효를 기대하기 어려울 수 있기 때문이다. 따라서, 두 종류 이상의 항암제들의 맞춤 치료를 고려할 때는, 환자의 유전자 이상이 각각의 항암제들의 약효와 관련이 있는지가 먼저 측정되어야 하며, 동시에 두 항암제들의 기전이 유사한 지의 여부도 측정되어야 한다. 다시 말하면, 여러 항암제들을 사용할 경우에는, 여러 항암제들이 작용하는 경로(pathway)에 여러 종류의 암유전자(oncogene)들이 관련되어 있는지 측정되어야 하고, 여러 종류의 암유전자(oncogene)들이 관련되어 있다고 측정되면 최적의 항암제 병용을 위하여는 이들 간의 상호 관련성이 먼저 파악되어야 한다.
본 실시예에 따른 유전 정보 분석 장치(10)는 종래와 달리, 유전자 네트워크에서 여러 항암제들과 관련된 여러 암유전자들(oncogene)의 상호 관련성을 지표화하고 수치적으로 해석하여 제공할 수 있다. 즉, 본 실시예에 따른 유전 정보 분석 장치(10)는 종래와 같이 유전자 하나 또는 유전자 집합 하나의 이상 여부를 수치적으로 해석하는 것이 아니라, 여러 유전자 집합들(서브 그룹 또는 서브넷)간의 관계를 수치적으로 해석하여 제공할 수 있다.
이하에서는 본 실시예에 따른 유전 정보 분석 장치(10)의 동작 및 기능 등에 대하여 보다 상세하게 설명하도록 하겠다.
다시 도 1을 참고하면, 데이터 획득부(110)는 개인의 유전체에 포함된 유전자들의 기능적 상관 관계에 따라 유전자들을 복수의 서브 그룹들(또는 서브넷)로 분류하는 유전자 네트워크에 대한 정보를 획득한다. 획득된 유전자 네트워크에 대한 정보에는 유전체에 포함된 유전자들의 상호 연결 관계에 대한 정보, 기능적 상관 관계에 따라 분류된 유전자들의 서브 그룹들(또는 서브넷)에 대한 정보 등이 포함되어 있을 수 있다. 이와 같이 획득된 유전자 네트워크는 당해 기술분야에서 이미 공지된 데이터베이스(DB)로부터 획득될 수 있다.
서브 그룹 추출부(120)는 데이터 획득부(110)에서 획득된 유전자 네트워크에 포함된 서브 그룹들 중, 사용하고자 하는 적어도 하나의 약물의 작용에 대응되는 유전자를 갖는 서브 그룹들을 추출한다.
본 실시예에 따른 유전 정보 분석 장치(10)의 사용자, 예를 들어 의사는 유전 정보 분석 장치(10)를 이용하여 어느 암환자에 처방하고자 하는 항암제들의 목록을 입력할 수 있다. 또는, 유전 정보 분석 장치(10)의 사용자는 어느 약물들에 대응되는 서브 그룹들(또는 서브넷)의 상호 관계 등을 연구하기 위하여 약물들의 목록을 입력할 수 있다. 도 1에 도시되어 있지 않지만, 이는 유전 정보 분석 장치(10)에 연결된 일반적인 사용자 인터페이스 장치를 통해 입력될 수 있다.
도 3a는 본 발명의 일 실시예에 따라 사용자에 의하여 유전 정보 분석 장치(10)에 입력된 약물 리스트(20)의 예시를 도시한 도면이다. 도 3a를 참고하면, 약물 리스트(20)에는 crizotinib, sunitinib, pazopanib, cetuximab, panitumumab, gefitinib, erlotinib, dasatinib, trastuzumab, lapatinib, palifermin, tandutinib, sorafenib, sunitinib, vandetanib, cixutumumab, ganitumab, insulin detemir와 같은 서로 다른 18가지의 항암제 약물들에 관한 명칭들이 나열되어 있다.
도 3b는 본 발명의 일 실시예에 따라 서브 그룹 추출부(120)에서 추출된 서브 그룹들을 도시한 도면이다. 도 3b를 참고하면, 도 3a에서 언급된 약물들과 유전자 네트워크의 일부 서브 그룹들이 매핑된 결과가 도시되어 있다. 예를 들어, crizotinib의 약물에는 ALK subnet이 매핑된다. 이는 crizotinib의 약물의 기전과 ALK subnet에 포함된 유전자들이 서로 대응되기 때문이다. 또한, sunitinib 및 pazopanib의 약물들에는 CSF1R subnet이 매핑된다. 이는 sunitinib 및 pazopanib의 약물들의 기전들과 CSF1R subnet에 포함된 유전자들이 서로 대응되기 때문이다. 이와 같이, 약물의 작용에 대응되는 유전자를 갖는 서브 그룹들에 대한 정보는 당해 기술분야에서 이미 공지된 내용에 기반한 것일 수 있다. 따라서, 서브 그룹 추출부(120)는 당해 기술분야에서 이미 공지된 정보에 기초하여, 사용하고자 하는 적어도 하나의 약물의 작용에 대응되는 유전자를 갖는 서브 그룹들을 매핑하여 추출한다.
다시 도 1을 참고하면, 지표 생성부(130)는 서브 그룹 추출부(120)에서 추출된 서브 그룹들을 시각화하기 위하여, 추출된 서브 그룹들에 포함된 유전 정보들에 기초한 적어도 하나의 지표를 생성한다.
지표 생성부(130)에서 생성된 적어도 하나의 지표는 추출된 서브 그룹들 각각의 유전적 이상 정도, 추출된 서브 그룹들간의 상호 관련도 및 추출된 서브 그룹들에 포함된 유전자들의 개수 중 적어도 하나를 평가하는 지표들을 포함한다.
먼저, 추출된 서브 그룹들 각각의 유전적 이상 정도를 평가하는 지표에 대해 설명하면, 지표 생성부(130)는 추출된 서브 그룹들에 포함된 유전자들의 이상 정도에 기초하여 추출된 서브 그룹들 각각의 유전적 이상 정도를 평가하는 지표를 추정한다.
추출된 서브 그룹들 각각의 유전적 이상 정도에 대한 지표는, 추출된 서브 그룹들 각각의 유전적 이상 정도에 따라 상기 추출된 서브 그룹들을 서로 다른 색들로 나타내는 지표에 해당될 수 있다.
여기서, 추출된 서브 그룹들 각각의 유전적 이상 정도는 개인의 유전체에 포함된 유전자들 중에서 유전적 이상이 있는 유전자들이 추출된 서브 그룹들 각각에 포함될 통계적 확률에 기초하여 추정된 것일 수 있다. 이는, 일반적으로 알려진 Geneset Analysis, Geneset Enrichment Analysis, Fisher Exact Test 등의 방법들을 이용하여 추정된 것일 수 있다.
예를 들어, 지표 생성부(130)는 수학식 1을 이용하여 추출된 서브 그룹들 각각의 유전적 이상 정도에 대한 지표를 생성할 수 있다.
Figure pat00001
수학식 1을 참고하면, p는 추출된 서브 그룹의 유전적 이상 정도를 나타내는 확률, N은 전체 유전자의 개수, k는 암(cancer)에서 이상이 있는 유전자의 개수, M은 추출된 서브 그룹들에 포함된 유전자의 개수, x는 암(cancer)에서 이상이 있는 유전자의 개수 중 추출된 서브 그룹들에 포함된 유전자의 개수를 나타낸다.
수학식 1의 의미는 전체 유전자 N 중 이상이 있는 유전자 k를 뽑을 때, 추출된 서브 그룹들에 x개 이상의 이상이 있는 유전자가 속할 확률 p는 얼마가 되는지를 의미한다. 이와 같은 수학식 1은 Fisher Exact Test로 알려져 있다.
하지만, 지표 생성부(130)는 앞서 설명한 바와 같이, 수학식 1 외의 Geneset Analysis, Geneset Enrichment Analysis 등의 다른 유사한 알고리즘을 이용하여, 추출된 서브 그룹들 각각의 유전적 이상 정도를 평가하는 지표를 추정할 수 있음을 당해 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.
도 4는 본 발명의 일 실시예에 따라 지표 생성부(130)에서 생성된 추출된 서브 그룹의 유전적 이상 정도에 대한 지표를 도시한 도면이다. 도 4를 참고하면, 추출된 서브 그룹은 색의 단계를 나타내는 지표가 이용됨으로써 추출된 서브 그룹의 유전적 이상 정도가 표현될 수 있다.
다시 도 1을 참고하면, 다음으로 지표 생성부(130)는 추출된 서브 그룹들 각각에 포함된 유전자들간에 기능적으로 밀접한 정도를 나타내는 거리 값에 기초하여, 추출된 서브 그룹들간의 상호 관련도를 평가하는 지표를 추정한다. 본 실시예에서 '거리'라는 용어는 서브 그룹들간의 실제 거리를 의미하는 것이 아니라, 서브 그룹들 각각에 포함된 유전자들간에 기능적으로 밀접한 정도를 나타내는 추상적인 개념으로 사용되었다. 따라서, 이와 같은 거리라는 용어는 '굵기' 등의 다른 용어로 대체되어 사용될 수 있으나, 본 실시예에서는 우선 거리의 용어를 이용하여 설명하도록 하겠다.
여기서, 거리 값은 추출된 서브 그룹들 사이에서 서로 기능적으로 연결된 유전자들의 개수를 이용하여 산출된 값일 수 있다. 보다 상세하게는, 거리 값은 추출된 서브 그룹들에서 기능적으로 연결된 유전자들의 개수와, 유전자 네트워크에서 랜덤하게 샘플링된 서브 그룹들에서 기능적으로 연결된 유전자들의 개수를 비교한 결과에 기초하여 산출된 값일 수 있다.
도 5a는 본 발명의 일 실시예에 따라 지표 생성부(130)에서 거리 값을 추정하는 과정을 설명하는 도면이다. 두 개의 서브 그룹들이 추출된 경우, 이 두 개의 서브 그룹들의 상호 관련도를 추정할 수 있다.
도 5a를 참고하면, 두 개의 추출된 서브 그룹들이 존재할 때, 그 서브 그룹들간의 거리 값의 역수는 두 서브 그룹들에 포함된 유전자들 중 직접 연결된 유전자들의 개수, 한 개의 유전자를 공유하며 연결된 유전자들의 개수에 비례하고, 두 서브 그룹들을 구성하는 유전자들의 개수의 합에 반비례한다는 것이 도시되어 있다. 여기서, 직접 연결된 유전자들의 개수와 한 개의 유전자를 공유하며 연결된 유전자들의 개수의 중요도의 차등을 주기 위하여 가중치(weight)를 적용시킬 수 있다.
최종적으로 두 서브 그룹들간의 거리 값은 수학식 2를 이용하여 추정될 수 있다.
Figure pat00002
수학식 2를 참고하면, x는 Subnet A로부터 Subnet B로 연결된 유전자들의 개수,
Figure pat00003
는 Subnet A로부터 Subnet B와 동일한 크기(size)로 구성된 임의의 Subnet으로 연결된 유전자들의 개수, s는 Subnet A로부터 Subnet B와 동일한 크기(size)로 구성된 임의의 Subnet으로 연결된 유전자들의 개수의 표준편차이다. 즉, 두 서브 그룹들간의 거리 값은 어느 하나의 서브 그룹을 유전자 네트워크에서 랜덤하게 샘플링된 서브 그룹으로 대체시킴으로써 표준화되어 추정될 수 있다.
도 5b는 본 발명의 다른 일 실시예에 따라 지표 생성부(130)에서 거리 값을 추정하는 과정을 설명하는 도면이다. 두 개의 서브 그룹들이 추출된 경우, 이 두 개의 서브 그룹들의 상호 관련도를 추정할 수 있다.
도 5b를 참고하면, 지표 생성부(130)는 두 개의 서브 그룹들의 유전자 개수에 대비하여 얼마나 많은 유전자의 연결 경로가 존재하는지를 거리 값으로 추정한다. 이 때, 지표 생성부(130)는 수학식 3을 이용하여 거리 값을 추정할 수 있다.
Figure pat00004
수학식 3을 참고하면,
Figure pat00005
는 거리 값을 의미하고,
Figure pat00006
은 도 5b의 subnet 1에 속하는 총 유전자 개수이고,
Figure pat00007
은 도 5b의 subnet 2에 속하는 총 유전자 개수이다. e0는 subnet 1 및 subnet 2에 모두 속하는 유전자의 개수를 의미한다. 그리고, e1은 subnet 1 및 subnet 2에 속하는 유전자들 중 subnet 1 및 subnet 2에 모두 속하는 유전자(e0)를 제외한 나머지 유전자들간에 직접적으로 연결된 경로의 개수를 의미한다. 나아가서, e2는 subnet 1 및 subnet 2에 속하는 유전자들 중 subnet 1 및 subnet 2 외부의 하나의 유전자를 공유하며 연결된 경로의 개수를 의미한다. 도 5b를 참고하면, e0, e1 및 e2에 해당되는 각각의 유전자들은 참조번호 501, 502 및 503으로 표시되어 있다.
수학식 3을 참고하면, w0, w1 및 w2 는 가중치(weight)를 의미한다. 예를 들어, 두 개의 서브 그룹들에 속한 유전자들간의 관계에서, 두 서브 그룹들에 모두 속한 유전자들(e0)에 대해서는 2배, 직접적으로 연결된 유전자들(e1)에 대해서는 1배, 하나의 유전자를 공유하며 연결된 유전자들(e2)에 대해서는 0.5배의 가중치를 정의할 수 있다. 즉, w0=2, w1=1 및 w2=0.5로 정의하여 수학식 3을 이용할 수 있다. 다만, 이와 같은 가중치에 해당되는 값들은 설명의 편의를 위해 예로 든 것일 뿐, 이 값들은 사용 환경에 맞게 용이하게 변경될 수 있음을 당해 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.
도 5b를 참고하면, 지표 생성부(130)는 수학식 3을 이용하여, subnet 1 및 subnet 2간의 거리 값을
Figure pat00008
로 추정한다. 즉, 지표 생성부(130)는 추출된 전체의 서브 그룹들간의 거리 값을 위와 같은 방식으로 추정할 수 있다.
위와 같은 도 5a 및 5b에서 설명된 예들을 통하여 두 서브 그룹들간에 추정된 거리 값은 두 서브 그룹들간에 얼마나 생물학적 기능적이 밀접한지를 의미하는 것으로 해석될 수 있다. 따라서, 추정된 거리 값이 작을수록 두 서브그룹들은 기능상 밀접하나, 추정된 거리 값이 클수록 두 서브 그룹들은 기능상 유사성이 적다고 해석될 수 있다. 임상적으로는, 두 서브 그룹들의 거리 값이 작을수록, 어느 한 서브 그룹에 대한 약물을 처방할 때 다른 서브 그룹에 의한 간섭 효과가 있을 것이라고 예상될 수 있다.
본 실시예에서는 도 5a 및 5b에서 설명된 바와 같이 거리 값을 추정하는 것을 예로 들었으나, 이에 한정되지 않고 지표 생성부(130)는 어느 두 그룹들간의 상호 관련도를 추정하는 일반적인 방법도 사용하여 지표를 생성할 수 있음을 당해 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.
또한, 도 5a 및 5b에서는 서브 그룹 외부의 한 개의 유전자를 공유하며 연결된 유전자 개수만을 이용하였으나, 보다 많은 유전자를 공유하는 경우도 이용될 수 있다. 특히, 인간의 유전체 네트워크에서는 약 5단계만 거치면 사실상 모든 유전자를 연결할 수 있다. 따라서, 다른 실시예에 따라서는 보다 많은 유전자를 공유하는 경우를 이용하여 거리 값을 추정할 수 있음을 당해 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.
다시 도 1을 참고하면, 나아가서 지표 생성부(130)는 추출된 서브 그룹들에 포함된 유전자들의 개수를 평가하는 지표를 추정한다.
이와 같이, 생성된 추출된 서브 그룹들에 포함된 유전자들의 개수를 평가하는 지표는 각각의 서브 그룹에 포함된 유전자들의 개수에 따라 추출된 서브 그룹들 각각을 서로 다른 크기들로 나타내는 지표에 해당될 수 있다.
시각화 처리부(140)는 생성된 적어도 하나의 지표를 추출된 서브 그룹들에 대해 시각적으로 적용하여, 추출된 서브 그룹들을 시각화한다. 예를 들어, 시각화 처리부(140)는 추출된 서브 그룹들 각각을 서로 연결된 노드들로 표현함으로써 추출된 서브 그룹들을 시각화할 수 있다.
도 6은 본 발명의 일 실시예에 따라 시각화 처리부(140)에서 처리된 결과를 도시한 도면이다. 도 6을 참고하면, 전체 유전자 네트워크 중 MET subnet, EGFR subnet, RET subnet 및 HER2 subnet이 추출된 경우가 도시되어 있다. 앞서 설명된 바와 같이, 각각의 subnet에 대해서는 지표 생성부(130)에서 지표들이 생성된다.
즉, 각각의 subnet에 대한 유전적 이상 정도는 색으로 시각화된다. 그리고, subnet들간의 상호 관련도는 수치 상으로 표시된 거리 값으로 시각화된다. 여기서, 거리 값에 따라 표시된 subnet들간의 거리가 달라지도록 시각화될 수 있다. 또한, 각각의 subnet에 포함된 유전자들의 개수는 각각의 subnet의 크기(size)로 시각화된다.
다른 일 실시예에 따르면, 시각화 처리부(140)는 도 2에 도시되었던 유전자 네트워크에서 지표들이 반영된 추출된 서브 그룹들만이 두드러지도록 시각화 처리할 수 있다. 즉, 화면 상에 표시된 유전자 네트워크에서 사용자가 마우스 포인터를 추출된 서브 그룹들에 위치시킬 경우, 해당 서브 그룹들에 포함된 유전자, 각 유전자의 이상 유무 등에 관한 정보들이 시각화될 수 있다.
시각화 처리부(140)에서 처리된 결과는 디스플레이 화면 등과 같은 사용자 인터페이스부(미도시)를 통하여 출력되어 임상의 등과 같은 사용자에게 제공될 수 있다.
도 7은 본 발명의 일 실시예에 따라 Cetuximab 약물에 대한 responder의 대장암(colon cancer) 샘플 및 non-responder의 대장암 샘플을 시각화한 결과를 도시한 도면이다. 도 7을 참고하면, Cetuximab에 대한 responder의 대장암 샘플(701)에서 MET subnet, EGFR subnet 및 HER2 subnet은 유전적 이상이 크다는 지표로 표시되었다. 즉, 예를 들어 MET subnet, EGFR subnet 및 HER2 subnet은 붉은색 계열의 색으로 표시될 수 있다. 하지만, Cetuximab에 대한 non-responder의 대장암 샘플(702)에서 MET subnet, EGFR subnet 및 HER2 subnet은 유전적 이상이 적다는 지표로 표시되었다. 즉, 예를 들어 MET subnet, EGFR subnet 및 HER2 subnet은 초록색 계열의 색으로 표시될 수 있다.
이로 인하여, responder의 대장암 샘플(701)의 서브 그룹들인 MET subnet, EGFR subnet 및 HER2 subnet은 유전적 이상이 크므로, Cetuximab의 약물로 치료하는 것이 효과적이라는 정보를 임상의에게 제공해 줄 수 있다. 반대로, non-responder의 대장암 샘플(702)의 서브 그룹들인 MET subnet, EGFR subnet 및 HER2 subnet은 유전적 이상이 적으므로, Cetuximab의 약물로 치료하여도 효과가 없을 것이라는 정보를 임상의에게 제공해 줄 수 있다.
도 8은 본 발명의 일 실시예에 따른 치료제 선정을 위한 유전 정보 분석 방법의 흐름도이다. 도 8을 참고하면, 본 실시예에 따른 유전 정보 분석 방법은 도 1의 유전 정보 분석 장치(10)에서 시계열적으로 처리되는 단계들로 구성된다. 따라서, 이하 생략된 내용이라 하더라도 도 1에 관하여 이상에서 기술된 내용은 본 실시예에 따른 유전 정보 분석 방법에도 적용된다.
801 단계에서, 데이터 획득부(110)는 개인의 유전체에 포함된 유전자들의 기능적 상관 관계에 따라 유전자들을 복수의 서브 그룹들로 분류하는 유전자 네트워크에 대한 정보를 획득한다.
802 단계에서, 서브 그룹 추출부(120)는 획득된 유전자 네트워크에 포함된 서브 그룹들 중, 사용하고자 하는 적어도 하나의 약물의 작용에 대응되는 유전자를 갖는 서브 그룹들을 추출한다.
803 단계에서, 지표 생성부(130)는 추출된 서브 그룹들을 시각화하기 위하여, 추출된 서브 그룹들에 포함된 유전 정보들에 기초한 적어도 하나의 지표를 생성한다.
한편, 상술한 본 발명의 실시예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 본 발명의 실시예에서 사용된 데이터의 구조는 컴퓨터로 읽을 수 있는 기록매체에 여러 수단을 통하여 기록될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다.
이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
10: 유전 정보 분석 장치 20: 약물 리스트
110: 데이터 획득부 120: 서브 그룹 추출부
130: 지표 생성부 140: 시각화 처리부

Claims (25)

  1. 개인의 유전체에 포함된 유전자들의 기능적 상관 관계에 따라 상기 유전자들을 복수의 서브 그룹들로 분류하는 유전자 네트워크에 대한 정보를 획득하는 단계;
    상기 획득된 유전자 네트워크에 포함된 상기 서브 그룹들 중, 사용하고자 하는 적어도 하나의 약물의 작용에 대응되는 유전자를 갖는 서브 그룹들을 추출하는 단계; 및
    상기 추출된 서브 그룹들을 시각화하기 위하여, 상기 추출된 서브 그룹들에 포함된 유전 정보들에 기초한 적어도 하나의 지표를 생성하는 단계를 포함하는 치료제 선정을 위한 유전 정보의 분석 방법.
  2. 제 1 항에 있어서,
    상기 생성된 적어도 하나의 지표는
    상기 추출된 서브 그룹들 각각의 유전적 이상 정도, 상기 추출된 서브 그룹들간의 상호 관련도 및 상기 추출된 서브 그룹들에 포함된 유전자들의 개수 중 적어도 하나를 평가하는 지표들을 포함하는 방법.
  3. 제 1 항에 있어서,
    상기 생성하는 단계는
    상기 추출된 서브 그룹들에 포함된 유전자들의 이상 정도에 기초하여 상기 추출된 서브 그룹들 각각의 유전적 이상 정도를 평가하는 지표를 추정하는 단계를 포함하는 방법.
  4. 제 3 항에 있어서,
    상기 추출된 서브 그룹들 각각의 유전적 이상 정도는
    상기 개인의 유전체에 포함된 유전자들 중에서 유전적 이상이 있는 유전자들이 상기 추출된 서브 그룹들 각각에 포함될 통계적 확률에 기초하여 추정된 것인 방법.
  5. 제 3 항에 있어서,
    상기 추출된 서브 그룹들 각각의 유전적 이상 정도는
    Geneset Analysis, Geneset Enrichment Analysis 및 Fisher Exact Test 중 적어도 하나를 이용하여 추정된 것인 방법.
  6. 제 3 항에 있어서,
    상기 생성된 적어도 하나의 지표는
    상기 추출된 서브 그룹들 각각의 유전적 이상 정도에 따라 상기 추출된 서브 그룹들을 서로 다른 색들로 나타내는 지표인 방법.
  7. 제 1 항에 있어서,
    상기 생성하는 단계는
    상기 추출된 서브 그룹들 각각에 포함된 유전자들간에 기능적으로 밀접한 정도를 나타내는 거리 값에 기초하여, 상기 추출된 서브 그룹들간의 상호 관련도를 평가하는 지표를 추정하는 단계를 포함하는 방법.
  8. 제 7 항에 있어서,
    상기 거리 값은
    상기 추출된 서브 그룹들 사이에서 서로 기능적으로 연결된 유전자들의 개수를 이용하여 산출된 값인 방법.
  9. 제 7 항에 있어서,
    상기 거리 값은
    상기 추출된 서브 그룹들에서 기능적으로 연결된 유전자들의 개수와, 상기 유전자 네트워크에서 랜덤하게 샘플링된 서브 그룹들에서 기능적으로 연결된 유전자들의 개수를 비교한 결과에 기초하여 산출된 값인 방법.
  10. 제 1 항에 있어서,
    상기 생성하는 단계는
    상기 추출된 서브 그룹들에 포함된 유전자들의 개수를 평가하는 지표를 추정하는 단계를 포함하는 방법.
  11. 제 10 항에 있어서,
    상기 생성된 적어도 하나의 지표는
    상기 포함된 유전자들의 개수에 따라 상기 추출된 서브 그룹들 각각을 서로 다른 크기들로 나타내는 지표인 방법.
  12. 제 1 항에 있어서,
    상기 생성된 적어도 하나의 지표를 상기 추출된 서브 그룹들에 대해 시각적으로 적용하여, 상기 추출된 서브 그룹들을 시각화하는 단계를 더 포함하는 방법.
  13. 제 12 항에 있어서,
    상기 시각화하는 단계는
    상기 추출된 서브 그룹들 각각을 서로 연결된 노드들로 표현함으로써 상기 추출된 서브 그룹들을 시각화하는 방법.
  14. 제 12 항에 있어서,
    상기 시각화하는 단계는
    화면상에 표시된 유전자 네트워크에서 상기 생성된 적어도 하나의 지표가 반영된 상기 추출된 서브 그룹들만을 활성화하여 시각화하는 방법.
  15. 제 1 항 내지 제 14 항 중에 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
  16. 개인의 유전체에 포함된 유전자들의 기능적 상관 관계에 따라 상기 유전자들을 복수의 서브 그룹들로 분류하는 유전자 네트워크에 대한 정보를 획득하는 데이터 획득부;
    상기 획득된 유전자 네트워크에 포함된 상기 서브 그룹들 중, 사용하고자 하는 적어도 하나의 약물의 작용에 대응되는 유전자를 갖는 서브 그룹들을 추출하는 서브 그룹 추출부; 및
    상기 추출된 서브 그룹들을 시각화하기 위하여, 상기 추출된 서브 그룹들에 포함된 유전 정보들에 기초한 적어도 하나의 지표를 생성하는 지표 생성부를 포함하는 치료제 선정을 위한 유전 정보의 분석 장치.
  17. 제 16 항에 있어서,
    상기 생성된 적어도 하나의 지표는
    상기 추출된 서브 그룹들 각각의 유전적 이상 정도, 상기 추출된 서브 그룹들간의 상호 관련도 및 상기 추출된 서브 그룹들에 포함된 유전자들의 개수 중 적어도 하나를 평가하는 지표들을 포함하는 장치.
  18. 제 16 항에 있어서,
    상기 지표 생성부는
    상기 추출된 서브 그룹들에 포함된 유전자들의 이상 정도에 기초하여 상기 추출된 서브 그룹들 각각의 유전적 이상 정도를 평가하는 지표를 추정하는 장치.
  19. 제 18 항에 있어서,
    상기 추출된 서브 그룹들 각각의 유전적 이상 정도는
    상기 개인의 유전체에 포함된 유전자들 중에서 유전적 이상이 있는 유전자들이 상기 추출된 서브 그룹들 각각에 포함될 통계적 확률에 기초하여 추정된 것인 장치.
  20. 제 18 항에 있어서,
    상기 생성된 적어도 하나의 지표는
    상기 추출된 서브 그룹들 각각의 유전적 이상 정도에 따라 상기 추출된 서브 그룹들을 서로 다른 색들로 나타내는 지표인 장치.
  21. 제 16 항에 있어서,
    상기 지표 생성부는
    상기 추출된 서브 그룹들 각각에 포함된 유전자들간에 기능적으로 밀접한 정도를 나타내는 거리 값에 기초하여, 상기 추출된 서브 그룹들간의 상호 관련도를 평가하는 지표를 추정하는 장치.
  22. 제 21 항에 있어서,
    상기 거리 값은
    상기 추출된 서브 그룹들 사이에서 서로 기능적으로 연결된 유전자들의 개수를 이용하여 산출된 값인 장치.
  23. 제 16 항에 있어서,
    상기 지표 생성부는
    상기 추출된 서브 그룹들에 포함된 유전자들의 개수를 평가하는 지표를 추정하는 장치.
  24. 제 23 항에 있어서,
    상기 생성된 적어도 하나의 지표는
    상기 포함된 유전자들의 개수에 따라 상기 추출된 서브 그룹들 각각을 서로 다른 크기들로 나타내는 지표인 장치.
  25. 제 16 항에 있어서,
    상기 생성된 적어도 하나의 지표를 상기 추출된 서브 그룹들에 대해 시각적으로 적용하여, 상기 추출된 서브 그룹들을 시각화하는 시각화 처리부를 더 포함하는 장치.
KR1020120076803A 2012-07-13 2012-07-13 치료제 선정을 위한 유전 정보의 분석 방법 및 장치 KR20140009854A (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020120076803A KR20140009854A (ko) 2012-07-13 2012-07-13 치료제 선정을 위한 유전 정보의 분석 방법 및 장치
CN201310071524.5A CN103544405A (zh) 2012-07-13 2013-03-06 为选择治疗方案而分析基因信息的方法和仪器
US13/896,079 US20140019061A1 (en) 2012-07-13 2013-05-16 Method and apparatus for analyzing gene information for treatment selection
JP2013138107A JP2014021977A (ja) 2012-07-13 2013-07-01 治療選択のための遺伝情報の分析方法及び分析装置
EP13176048.0A EP2685399A3 (en) 2012-07-13 2013-07-11 Method and apparatus for analyzing gene information for treatment selection

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120076803A KR20140009854A (ko) 2012-07-13 2012-07-13 치료제 선정을 위한 유전 정보의 분석 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20140009854A true KR20140009854A (ko) 2014-01-23

Family

ID=48783002

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120076803A KR20140009854A (ko) 2012-07-13 2012-07-13 치료제 선정을 위한 유전 정보의 분석 방법 및 장치

Country Status (5)

Country Link
US (1) US20140019061A1 (ko)
EP (1) EP2685399A3 (ko)
JP (1) JP2014021977A (ko)
KR (1) KR20140009854A (ko)
CN (1) CN103544405A (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6533415B2 (ja) * 2015-06-03 2019-06-19 株式会社日立製作所 系統樹を構築する装置、方法およびシステム
US10720227B2 (en) * 2015-08-12 2020-07-21 Samsung Electronics Co., Ltd. Method and device for mutation prioritization for personalized therapy

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090105921A (ko) * 2006-11-30 2009-10-07 네이비제닉스 인크. 유전자 분석 시스템 및 방법
KR101117603B1 (ko) * 2011-08-16 2012-03-07 (주)신테카바이오 상호 연계 가능한 다중 맵 생성을 통한 바이오메디컬 기능연관정보 제공 시스템 및 방법
KR101147693B1 (ko) * 2008-12-19 2012-05-22 한국생명공학연구원 약물 반응과 관련된 유전 정보를 이용한 임상시험 대상 선정장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2094719A4 (en) * 2006-12-19 2010-01-06 Genego Inc NEW PROCEDURES FOR THE FUNCTIONAL ANALYSIS OF EXPERIMENTAL HIGH-PERFORMANCE DATA AND IDENTIFIED GENDER GROUPS THEREOF

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090105921A (ko) * 2006-11-30 2009-10-07 네이비제닉스 인크. 유전자 분석 시스템 및 방법
KR101147693B1 (ko) * 2008-12-19 2012-05-22 한국생명공학연구원 약물 반응과 관련된 유전 정보를 이용한 임상시험 대상 선정장치
KR101117603B1 (ko) * 2011-08-16 2012-03-07 (주)신테카바이오 상호 연계 가능한 다중 맵 생성을 통한 바이오메디컬 기능연관정보 제공 시스템 및 방법

Also Published As

Publication number Publication date
CN103544405A (zh) 2014-01-29
JP2014021977A (ja) 2014-02-03
US20140019061A1 (en) 2014-01-16
EP2685399A3 (en) 2014-06-11
EP2685399A2 (en) 2014-01-15

Similar Documents

Publication Publication Date Title
Walsh et al. DNA-based eye colour prediction across Europe with the IrisPlex system
Marrie et al. The incidence and prevalence of neuromyelitis optica: a systematic review
Jones et al. Use of the false discovery rate when comparing multiple health care providers
Eash et al. Calibration of 6q subtelomere deletions to define genotype/phenotype correlations
JP2014506784A (ja) 生物学的ネットワーク内の情報の流れを推定する方法
Prakash et al. 4x-expert systems for early prediction of osteoporosis using multi-model algorithms
Arnatkeviciute et al. Toward best practices for imaging transcriptomics of the human brain
CN114530203A (zh) 用于临床决策支持的途径可视化
US9953133B2 (en) Biological data annotation and visualization
Buys et al. Optical technologies and molecular imaging for cervical neoplasia: a program project update
JP5547639B2 (ja) 診断マーカーの推定
KR20140009854A (ko) 치료제 선정을 위한 유전 정보의 분석 방법 및 장치
Parikh et al. Identification of challenges and a framework for implementation of the AMP/ASCO/CAP classification guidelines for reporting somatic variants
JP6047558B2 (ja) 表現型を示す組み合わせサインのクロスモーダル適用
Tadesse et al. Identification of differentially expressed genes in high-density oligonucleotide arrays accounting for the quantification limits of the technology
CN108629148A (zh) 基于表型分析的眼部生理信息的基因组分析方法和装置
JP6716143B2 (ja) 脳梗塞発症リスクの予測モデル作成方法および予測方法
Wordsworth et al. Health economic perspectives of genomics
Carvalho et al. The role of cross-sectional and cohort studies in oncology
Garrett et al. Phenotype evaluation and clinical context: application of case-level data in genomic variant interpretation
EP4071768A1 (en) Cad device and method for analysing medical images
Marshall et al. OP21 Patient Values Project (PVP): Patient Preferences For Cancer Treatments To Inform A Framework Incorporating Patient Values Into Health Technology Assessment
Lieu et al. Taxonomy and Workflow
Frisell Cost-Effectiveness of Surveillance Programs of Carriers of Pathogenic Mutations in the TP53-Gene in Sweden
Montagna et al. Somatic mutation rate as determinant of breast cancer penetrance in BRCA1/2 familial cases

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application