KR20180056013A - Method and apparatus for predicting toxicity of nano material - Google Patents

Method and apparatus for predicting toxicity of nano material Download PDF

Info

Publication number
KR20180056013A
KR20180056013A KR1020160153684A KR20160153684A KR20180056013A KR 20180056013 A KR20180056013 A KR 20180056013A KR 1020160153684 A KR1020160153684 A KR 1020160153684A KR 20160153684 A KR20160153684 A KR 20160153684A KR 20180056013 A KR20180056013 A KR 20180056013A
Authority
KR
South Korea
Prior art keywords
toxicity
information
nanomaterial
toxicity prediction
neural network
Prior art date
Application number
KR1020160153684A
Other languages
Korean (ko)
Inventor
변형기
신정숙
전진영
최장식
윤태현
Original Assignee
강원대학교산학협력단
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 강원대학교산학협력단 filed Critical 강원대학교산학협력단
Priority to KR1020160153684A priority Critical patent/KR20180056013A/en
Publication of KR20180056013A publication Critical patent/KR20180056013A/en

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Abstract

A method for predicting the toxicity of a nanomaterial is disclosed. The method includes the following steps of: acquiring physicochemical property information and toxicity experiment information on at least one nanomaterial; generating a toxicity prediction model for nanomaterials based on the obtained information and learning results using a neural network; analyzing information on an inputted target nanomaterial according to the generated toxicity prediction model; and predicting the toxicity of a target nanomaterial. It is possible to increase the accuracy of toxicity prediction.

Description

나노 물질의 독성을 예측하는 방법 및 장치 {METHOD AND APPARATUS FOR PREDICTING TOXICITY OF NANO MATERIAL}METHOD AND APPARATUS FOR PREPARING TOXICITY OF NANO MATERIALS [0001]

개시된 실시예는 나노 물질의 독성을 예측하는 방법, 나노 물질의 독성을 예측하는 장치 및 나노 물질의 독성을 예측하는 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 기록매체에 관한 것이다. The disclosed embodiments relate to a method for predicting toxicity of a nanomaterial, an apparatus for predicting the toxicity of the nanomaterial, and a recording medium on which a program for executing a method for predicting toxicity of the nanomaterial is carried out in a computer.

일반적으로 나노 입자는 입경 100 nm 이하의 초미세입자(ultrafine particle)를 말한다. 어떤 물질이 그 크기가 분자 또는 원자 수준으로 작아지게 되면 원재료의 물리화학적 성질과는 전혀 다른 새로운 성질을 나타내며 이를 이용하면 다양한 용도의 소재로 발전시킬 수 있다. 그러나 나노 물질의 새롭고 다양한 특성은 본질적으로 지금까지 알려지지 않은 새로운 생체반응을 유발할 수도 있다는 것을 의미하며 따라서 나노 물질의 인체독성과 환경에 미치는 잠재적 위해성이 최근 독성학 분야의 새로운 이슈로 등장하게 되었다. In general, nanoparticles are ultrafine particles with a particle size of 100 nm or less. When a substance becomes small in its molecular or atomic level, it exhibits a new property completely different from the physicochemical properties of the raw material and can be used for various purposes. However, the new and diverse nature of nanomaterials implies that they may lead to new, unrecognized new biological reactions, and thus the potential risks to human toxicity and the environment of nanomaterials have emerged as new issues in toxicology.

이에 따라, 나노 물질의 독성을 예측하기 위한 다양한 기술들이 개발되고 있다. 일반적으로, 체내(in vivo), 체외in vitro) 독성 실험 방법이 나노물질의 독성을 예측 및 평가하기 위해 주로 사용되고 있는 실정이다. 다만, 이러한 독성 실험 방법의 경우 나노 물질의 독성을 예측하는데 상당한 시간이 소요됨에 따라 나노물질이 가지고 있는 화학구조 및 물리화학속성을 사용하여 독성을 예측하는 QSAR(Quantitative(Qualitative) Structure Activity Relationshup) 모델이 개발되었다. 다만, QSAR의 경우 화학구조 및 물리화학속성에 대한 정보만을 한정적으로 이용하여 나노 물질의 독성을 예측한다는 점에서 나노 물질에 대한 다양한 데이터가 수집되는 경우에는 그 정확도가 떨어질 수 있다는 문제점이 있다. Accordingly, various techniques for predicting the toxicity of nanomaterials have been developed. In general, in vivo and in vitro in vitro toxicity testing methods have been used to predict and evaluate the toxicity of nanomaterials. However, in the case of this toxicity test method, it takes a considerable amount of time to predict the toxicity of the nanomaterial, so that the quantitative (qualitative) structure activity relation habitation (QSAR) model for predicting the toxicity using the chemical structure and physical chemical properties possessed by the nanomaterial Was developed. However, in the case of QSAR, the toxicity of nanomaterials is limited by using only the information on the chemical structure and physicochemical properties, so that the accuracy of the data may be degraded if various data on nanomaterials are collected.

본 발명의 일 실시예는, 뉴럴 네트워크를 이용하여 나노 물질에 관한 물리화학속성 정보 및 독성 실험 정보를 학습한 결과 생성된 독성 예측 모델을 기반으로 나노 물질의 독성을 예측함으로써 독성 예측에 소요되는 시간을 단축시키고, 예측 결과의 정확도를 높일 수 있는 나노 물질의 독성을 예측하는 방법 및 장치를 제공하고자 한다. 다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.An embodiment of the present invention is a method for estimating the toxicity of a nanomaterial based on a toxicity prediction model generated by learning physicochemical property information and toxicity experiment information about a nanomaterial using a neural network, And to provide a method and apparatus for predicting the toxicity of a nanomaterial that can increase the accuracy of a prediction result. It should be understood, however, that the technical scope of the present invention is not limited to the above-described technical problems, and other technical problems may exist.

일 실시예에 따라 나노 물질의 독성을 예측하는 방법은, 적어도 하나의 나노 물질에 관한 물리화학속성 정보 및 독성 실험 정보를 획득하는 단계; 획득된 정보 및 뉴럴 네트워크를 이용한 학습 결과에 기초하여, 나노 물질에 관한 독성 예측 모델을 생성하는 단계; 및 생성된 독성 예측 모델에 따라, 입력된 타겟 나노 물질의 정보를 분석하여, 타겟 나노 물질의 독성을 예측하는 단계를 포함한다. According to one embodiment, a method for predicting toxicity of a nanomaterial comprises: obtaining physicochemical property information and toxicity experiment information on at least one nanomaterial; Generating a toxicity prediction model for the nanomaterial based on the obtained information and the learning result using the neural network; And analyzing information of the input target nanomaterial according to the generated toxicity prediction model to predict toxicity of the target nanomaterial.

일 실시예에 따라 나노 물질의 독성을 예측하는 방법에 있어서, 획득하는 단계는, 적어도 하나의 나노 물질에 관한 데이터에 전처리를 수행하여, 물리화학속성 정보 및 독성 실험 정보를 획득하고, 물리화학속성 정보 및 독성 실험 정보에 관한 파라미터를 뉴럴 네트워크의 입력 식별자로 설정하는 단계를 더 포함한다. According to one embodiment, in a method for predicting toxicity of a nanomaterial, the step of acquiring comprises performing preprocessing on data relating to at least one nanomaterial to obtain physical and chemical properties information and toxicity experiment information, And setting parameters relating to information and toxicity experiment information to the input identifiers of the neural network.

일 실시예에 따라 나노 물질의 독성을 예측하는 방법에 있어서, 입력 식별자는, 적어도 하나의 나노 물질의 코어 크기, 수력학적(hydrodynamic) 크기, 용량, 셀 라인(cell line) 및 정량 또는 정성 분석값 중 적어도 하나를 포함한다. In one embodiment, a method for predicting toxicity of a nanomaterial, the input identifier comprising at least one of a core size, a hydrodynamic size, a volume, a cell line and a quantitative or qualitative analysis value of at least one nanomaterial Or the like.

일 실시예에 따라 나노 물질의 독성을 예측하는 방법은, 물리화학속성 정보 및 독성 실험 정보를 학습용 정보 셋과 검증용 정보 셋으로 분류하는 단계; 및 뉴럴 네트워크의 적어도 하나의 은닉층에 포함된 적어도 하나의 은닉 노드에 학습용 정보 셋을 적용하여, 최적화된 은닉층의 개수 및 최적화된 은닉 노드의 개수를 결정하는 단계를 더 포함한다. According to one embodiment, a method for predicting toxicity of a nanomaterial includes classifying physicochemical property information and toxicity experiment information into a learning information set and a verification information set; And applying the learning information set to at least one hidden node included in at least one hidden layer of the neural network to determine the number of optimized hidden layers and the number of optimized hidden nodes.

일 실시예에 따라 나노 물질의 독성을 예측하는 방법은, 뉴럴 네트워크에 학습용 정보 셋을 적용한 결과 산출된 독성 예측 정보와 실제 독성 정보 간의 차이가 최소가 되도록 은닉 노드 각각에 할당되는 가중치를 결정하는 단계를 더 포함한다. A method of predicting toxicity of a nanomaterial according to an embodiment includes determining a weight assigned to each of the hidden nodes so that the difference between the toxicity prediction information calculated as a result of applying the learning information set to the neural network and the actual toxicity information is minimized .

일 실시예에 따라 나노 물질의 독성을 예측하는 방법은, 검증용 정보 셋을 생성된 독성 예측 모델에 적용한 결과 산출된 독성 예측 정보의 정확도가 기 설정된 값 미만인 경우, 산출된 독성 예측 정보를 기초로 독성 예측 모델을 갱신하는 단계를 더 포함한다. According to one embodiment, a method for predicting toxicity of a nanomaterial is performed based on the calculated toxicity prediction information when the accuracy of the toxicity prediction information calculated as a result of applying the verification information set to the generated toxicity prediction model is less than a preset value And updating the toxicity prediction model.

일 실시예에 따라 나노 물질의 독성을 예측하는 장치는, 적어도 하나의 나노 물질에 관한 물리화학속성 정보 및 독성 실험 정보를 획득하는 데이터 획득부; 획득된 정보 및 뉴럴 네트워크를 이용한 학습 결과에 기초하여, 나노 물질에 관한 독성 예측 모델을 생성하고, 생성된 독성 예측 모델에 따라, 입력된 타겟 나노 물질의 정보를 분석하여, 타겟 나노 물질의 독성을 예측하는 프로세서; 및 타겟 나노 물질의 독성 예측 정보를 출력하는 출력부를 포함한다. An apparatus for predicting toxicity of a nanomaterial according to one embodiment includes a data acquiring unit for acquiring physicochemical property information and toxicity experiment information on at least one nanomaterial; Based on the obtained information and learning results using the neural network, a toxicity prediction model for the nanomaterial is generated, and the information of the input target nanomaterial is analyzed according to the generated toxicity prediction model to determine the toxicity of the target nanomaterial A processor to predict; And an output unit for outputting toxicity prediction information of the target nano material.

일 실시예에 따라 나노 물질의 독성을 예측하는 장치에 있어서, 데이터 획득부는, 적어도 하나의 나노 물질에 관한 데이터에 전처리를 수행하여, 물리화학속성 정보 및 독성 실험 정보를 획득하고, 프로세서는, 물리화학속성 정보 및 독성 실험 정보에 관한 파라미터를 뉴럴 네트워크의 입력 식별자로 설정한다. In an apparatus for predicting toxicity of a nanomaterial according to an embodiment, a data acquiring unit performs preprocessing on data relating to at least one nanomaterial to obtain physicochemical property information and toxicity experiment information, The chemical attribute information and the toxicity experiment information are set as the input identifiers of the neural network.

일 실시예에 따라 나노 물질의 독성을 예측하는 장치에 있어서, 입력 식별자는, 적어도 하나의 나노 물질의 코어 크기, 수력학적(hydrodynamic) 크기, 용량, 셀 라인(cell line) 및 정량 또는 정성 분석값 중 적어도 하나를 포함한다. In an apparatus for predicting the toxicity of a nanomaterial according to an embodiment, the input identifier includes at least one of a core size, a hydrodynamic size, a volume, a cell line and a quantitative or qualitative analysis value Or the like.

일 실시예에 따라 나노 물질의 독성을 예측하는 장치에 있어서, 프로세서는, 물리화학속성 정보 및 독성 실험 정보를 학습용 정보 셋과 검증용 정보 셋으로 분류하고, 뉴럴 네트워크의 적어도 하나의 은닉층에 포함된 적어도 하나의 은닉 노드에 상기 학습용 정보 셋을 적용하여, 최적화된 은닉층의 개수 및 최적화된 은닉 노드의 개수를 결정한다. In an apparatus for predicting toxicity of a nanomaterial according to an embodiment, the processor classifies physical chemistry attribute information and toxicity experiment information into a learning information set and an information set for verification, and the at least one hidden layer The learning information set is applied to at least one hidden node to determine the number of hidden hidden layers and the number of hidden hidden nodes optimized.

일 실시예에 따라 나노 물질의 독성을 예측하는 장치에 있어서, 프로세서는, 뉴럴 네트워크에 학습용 정보 셋을 적용한 결과 산출된 독성 예측 정보와 실제 독성 정보 간의 차이가 최소가 되도록 은닉 노드 각각에 할당되는 가중치를 결정한다. In an apparatus for predicting toxicity of a nanomaterial according to an embodiment, a processor may include a weighting unit that assigns weights assigned to each of the hidden nodes so that the difference between the toxicity prediction information calculated as a result of applying the learning information set to the neural network and the actual toxicity information is minimized .

일 실시예에 따라 나노 물질의 독성을 예측하는 장치에 있어서, 프로세서는, 검증용 정보 셋을 생성된 독성 예측 모델에 적용한 결과 산출된 독성 예측 정보의 정확도가 기 설정된 값 미만인 경우, 산출된 독성 예측 정보를 기초로 상기 독성 예측 모델을 갱신한다. In an apparatus for predicting toxicity of a nanomaterial according to an embodiment, the processor may further include a processor that, when the accuracy of the toxicity prediction information calculated as a result of applying the verification information set to the generated toxicity prediction model is less than a preset value, And updates the toxicity prediction model based on the information.

도 1은 일 실시예에 따라 나노 물질의 독성을 예측하는 장치를 설명하기 위한 개념도이다.
도 2는 일 실시예에 따른 독성 예측 장치가 나노 물질의 독성을 예측하는 방법을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 독성 예측 장치가 나노 물질의 독성을 예측하기 위한 독성 예측 모델을 생성하는 방법을 설명하기 위한 흐름도이다.
도 4는 일 실시예에 따른 독성 예측 장치가 나노 물질의 독성을 예측하기 위한 독성 예측 모델을 생성하는 방법을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 독성 예측 장치가 나노 물질의 독성을 예측하기 위한 독성 예측 모델을 검증하는 방법을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 독성 예측 장치를 설명하기 위한 블록도이다. 1 is a conceptual diagram for explaining an apparatus for predicting toxicity of a nanomaterial according to an embodiment.
2 is a flowchart illustrating a method of predicting toxicity of a nanomaterial according to an embodiment of the present invention.
3 is a flowchart illustrating a method of generating a toxicity prediction model for predicting toxicity of a nanomaterial according to an embodiment of the present invention.
4 is a view for explaining a method of generating a toxicity prediction model for predicting toxicity of a nanomaterial according to an embodiment of the present invention.
FIG. 5 is a diagram for explaining a method for verifying a toxicity prediction model for predicting toxicity of a nanomaterial according to an embodiment of the present invention. FIG.
6 is a block diagram for explaining a toxicity prediction apparatus according to an embodiment.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다. The terms used in this specification will be briefly described, and the present invention will be described in detail.

본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 해당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다. While the present invention has been described in connection with what is presently considered to be the most practical and preferred embodiment, it is to be understood that the invention is not limited to the disclosed embodiments. Also, in certain cases, there may be a term selected arbitrarily by the applicant, in which case the meaning thereof will be described in detail in the description of the corresponding invention. Therefore, the term used in the present invention should be defined based on the meaning of the term, not on the name of a simple term, but on the entire contents of the present invention.

명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.When an element is referred to as "including" an element throughout the specification, it is to be understood that the element may include other elements as well, without departing from the spirit or scope of the present invention. Also, the terms "part," " module, "and the like described in the specification mean units for processing at least one function or operation, which may be implemented in hardware or software or a combination of hardware and software .

이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, the present invention will be described in detail with reference to the accompanying drawings.

도 1은 일 실시예에 따라 나노 물질의 독성을 예측하는 장치(100)를 설명하기 위한 개념도이다. 1 is a conceptual diagram for explaining an apparatus 100 for predicting toxicity of a nanomaterial according to an embodiment.

도 1을 참조하면, 나노 물질의 독성을 예측하는 장치(100, 이하, 독성 예측 장치)는 뉴럴 네트워크(neural network, 20)를 이용하여 나노 물질의 독성을 예측할 수 있다. 여기에서, 뉴럴 네트워크(20)는, 통계학적 기계 학습의 결과를 이용하여, 나노 물질에 관한 다양한 속성들을 추출하여 이용함으로써, 이미지 내의 객체들을 식별 및/또는 판단하는 알고리즘 집합일 수 있다. 여기에서, 나노 물질에 관한 다양한 속성들은 물리화학속성 및 독성 실험 결과를 포함할 수 있다. Referring to FIG. 1, an apparatus 100 for predicting the toxicity of a nanomaterial can predict the toxicity of a nanomaterial using a neural network 20. Here, the neural network 20 may be a set of algorithms that identify and / or determine objects in an image by extracting and using various attributes related to the nanomaterials, using the results of statistical machine learning. Here, various properties of the nanomaterials may include physical chemical properties and toxicity test results.

일 실시예에 따른 독성 예측 장치(100)는 적어도 하나의 나노 물질에 관한 데이터(10)에 전처리를 수행하여, 물리화학속성 및 독성 실험 정보에 관여하는 식별자를 선택할 수 있다. 예를 들어, 독성 예측 장치(100)는 적어도 하나의 나노 물질의 코어 크기, 수력학적(hydrodynamic) 크기, 용량, 셀 라인(cell line) 및 정량 또는 정성 분석값 등을 식별자로 선택할 수 있다. The toxicity predicting apparatus 100 according to an exemplary embodiment may perform preprocessing on the data 10 related to at least one nanomaterial to select an identifier that participates in physicochemical properties and toxicity experiment information. For example, the toxicity prediction device 100 may select as an identifier a core size, a hydrodynamic size, a capacity, a cell line, and a quantitative or qualitative analysis value of at least one nanomaterial.

또한, 독성 예측 장치(100)는 적어도 하나의 나노 물질에 관한 물리화학속성 정보 및 독성 실험 정보와 뉴럴 네트워크(20)를 이용한 학습 결과에 기초하여 독성 예측 모델을 생성할 수 있다. 독성 예측 모델은 식별자가 입력되는 입력층, 적어도 하나의 은닉층 및 독성 예측 정보가 출력되는 출력층을 포함할 수 있다. 독성 예측 장치(100)가 독성 예측 모델을 생성하는 방법에 대해서는 도 3 및 도 4를 참조하여 보다 구체적으로 후술하도록 한다. In addition, the toxicity prediction apparatus 100 may generate a toxicity prediction model based on physicochemical property information on at least one nanomaterial, toxicity experiment information, and learning results using the neural network 20. [ The toxicity prediction model may include an input layer into which an identifier is input, at least one hidden layer, and an output layer from which toxicity prediction information is output. The method by which the toxicity prediction apparatus 100 generates the toxicity prediction model will be described later in more detail with reference to FIG. 3 and FIG.

한편, 독성 예측 장치(100)는 생성된 독성 예측 모델을 이용하여, 입력된 타겟 나노 물질의 독성을 예측할 수 있다. 독성 예측 장치(100)는 타겟 나노 물질에 대한 독성 예측 정보(30)를 출력할 수 있다. 또한, 독성 예측 장치(100)는 출력된 독성 예측 정보의 정확도가 기 설정된 임계값 미만인 경우에는, 반복적으로 학습을 수행하여, 독성 예측 모델을 갱신할 수도 있다. 독성 예측 장치(100)가 독성 예측 모델을 갱신하는 방법에 대해서는 도 5를 참조하여 보다 구체적으로 후술하도록 한다. Meanwhile, the toxicity prediction apparatus 100 can predict the toxicity of the input target nanomaterial using the generated toxicity prediction model. The toxicity prediction apparatus 100 may output the toxicity prediction information 30 for the target nanomaterial. Further, when the accuracy of the outputted toxicity prediction information is less than a predetermined threshold value, the toxicity prediction apparatus 100 may perform learning repeatedly to update the toxicity prediction model. The method by which the toxicity prediction apparatus 100 updates the toxicity prediction model will be described later in more detail with reference to FIG.

도 2는 일 실시예에 따른 독성 예측 장치(100)가 나노 물질의 독성을 예측하는 방법을 설명하기 위한 흐름도이다. 2 is a flowchart illustrating a method of predicting toxicity of a nanomaterial according to an embodiment of the present invention.

단계 S210에서, 독성 예측 장치(100)는 적어도 하나의 나노 물질에 관한 물리화학속성 정보 및 독성 실험 정보를 획득할 수 있다. In step S210, the toxicity prediction apparatus 100 can acquire physicochemical property information and toxicity experiment information on at least one nanomaterial.

독성 예측 장치(100)는 나노 물질의 독성을 판단하기 위해 필요한 데이터를 획득할 수 있다. 또한, 독성 예측 장치(100)는 나노 물질의 독성을 판단하는데, 획득된 데이터가 이용될 수 있도록 획득된 데이터에 전처리를 수행할 수 있다. 예를 들어, 독성 예측 장치(100)는 획득된 데이터를 뉴럴 네트워크의 종류에 따라 가공하여, 뉴럴 네트워크의 입력 메트릭에 해당하는 식별자를 추출할 수 있다. The toxicity prediction apparatus 100 can acquire data necessary for judging the toxicity of the nanomaterial. In addition, the toxicity predicting apparatus 100 can perform preprocessing on acquired data so that the obtained data can be used for judging toxicity of the nanomaterial. For example, the toxicity prediction apparatus 100 may process the acquired data according to the type of the neural network, and extract an identifier corresponding to the input metric of the neural network.

단계 S220에서, 독성 예측 장치(100)는 획득된 정보 및 뉴럴 네트워크를 이용한 학습 결과에 기초하여, 나노 물질에 관한 독성 예측 모델을 생성할 수 있다. In step S220, the toxicity prediction apparatus 100 can generate a toxicity prediction model for the nanomaterial based on the obtained information and the learning result using the neural network.

일 실시예에 따른 독성 예측 장치(100)는 나노 물질의 독성을 예측하는데 이용되는 독성 예측 모델을 획득한 물리화학속성 정보 및 독성 실험 정보를 이용하여 학습시킬 수 있다. 여기에서, 독성 예측 모델은 뉴럴 네트워크를 기반으로 하는 모델일 수 있다. 예컨대, 로지스틱 함수를 커널함수로 갖는 지능형 네트워크(Artificial Neural Network)와 같은 모델이 독성 예측 모델로서 사용될 수 있으나, 이에 한정되지 않는다. 다른 예에 따라, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 독성 예측 모델로서 사용될 수도 있다.The toxicity predicting apparatus 100 according to an embodiment can learn by using physicochemical property information and toxicity experiment information obtained from a toxicity prediction model used for predicting toxicity of a nanomaterial. Here, the toxicity prediction model may be a model based on a neural network. For example, a model such as an artificial neural network having a logistic function as a kernel function can be used as a toxicity prediction model, but is not limited thereto. According to another example, models such as DNN (Deep Neural Network), RNN (Recurrent Neural Network) and BRDNN (Bidirectional Recurrent Deep Neural Network) may be used as a toxicity prediction model.

독성 예측 장치(100)는 뉴럴 네트워크에 포함된 은닉층의 개수 및 은닉 노드의 개수를 순차적으로 늘려가면서, 최적화된 은닉층의 개수 및 최적화된 은닉 노드의 개수를 결정할 수 있다. 예를 들어, 독성 예측 장치(100)는 산출된 독성 예측 정보의 오차가 최소가 될 때까지 은닉층의 개수 및 은닉 노드의 개수를 늘려가면서 학습을 수행하여, 독성 예측 모델을 생성할 수 있다. 특히, 독성 예측 장치(100)는 은닉 노드들 각각에 할당되는 가중치를 산출된 독성 예측 정보와 실제 독성 정보 간의 오차가 최소가 될 때까지 변경해 가면서 최적의 가중치를 결정할 수 있다. The toxicity prediction apparatus 100 can sequentially determine the number of hidden layers and the number of hidden nodes included in the neural network and sequentially determine the number of hidden nodes and the number of hidden nodes that are optimized. For example, the toxicity prediction apparatus 100 can perform learning while increasing the number of hidden layers and the number of hidden nodes until the error of the calculated toxicity prediction information is minimized, thereby generating a toxicity prediction model. In particular, the toxicity predicting apparatus 100 can determine an optimal weight by changing a weight assigned to each of the hidden nodes, until the error between the calculated toxicity prediction information and the actual toxicity information becomes minimum.

단계 S230에서, 독성 예측 장치(100)는 생성된 독성 예측 모델에 따라, 입력된 타겟 나노 물질의 정보를 분석하여, 타겟 나노 물질의 독성을 예측할 수 있다. In step S230, the toxicity prediction apparatus 100 can analyze the information of the input target nanomaterial according to the generated toxicity prediction model, and predict the toxicity of the target nanomaterial.

독성 예측 장치(100)는 타겟 나노 물질의 정보가 입력되는 경우, 입력된 타겟 나노 물질의 정보로부터 식별자를 추출하여, 생성된 독성 예측 모델에 입력할 수 있다. 예를 들어, 독성 예측 장치(100)는 타겟 나노 물질의 코어 크기, 수력학적 크기, 용량, 셀 라인 및 정량 또는 정성 분석값 중 적어도 하나가 식별자로 설정된 입력 메트릭을 독성 예측 모델에 적용할 수 있다. When the information of the target nano material is inputted, the toxicity prediction apparatus 100 can extract the identifier from the input information of the target nano material and input it into the generated toxicity prediction model. For example, the toxicity prediction device 100 may apply an input metric to the toxicity prediction model wherein at least one of the core size, hydrodynamic size, capacity, cell line, and quantitative or qualitative analysis values of the target nanomaterial is set to an identifier .

또한, 독성 예측 장치(100)는 입력 메트릭을 독성 예측 모델에 적용한 결과 산출된 독성 예측 정보를 출력할 수 있다. 예를 들어, 독성 예측 장치(100)는 텍스트 및 이미지 중 적어도 하나의 형태로 독성 예측 정보를 출력할 수 있다. In addition, the toxicity prediction apparatus 100 can output the calculated toxicity prediction information as a result of applying the input metric to the toxicity prediction model. For example, the toxicity prediction device 100 may output toxicity prediction information in the form of at least one of text and images.

도 3은 일 실시예에 따른 독성 예측 장치(100)가 나노 물질의 독성을 예측하기 위한 독성 예측 모델을 생성하는 방법을 설명하기 위한 흐름도이다. 3 is a flowchart illustrating a method of generating a toxicity prediction model for predicting toxicity of a nanomaterial according to an embodiment of the present invention.

단계 S310에서, 독성 예측 장치(100)는 적어도 하나의 나노 물질의 물리화학속성 정보 및 독성 실험 정보를 획득할 수 있다. In step S310, the toxicity prediction apparatus 100 can acquire physicochemical property information and toxicity experiment information of at least one nanomaterial.

한편, 단계 S310은 도 2를 참조하여 전술한 단계 S210과 대응될 수 있다. On the other hand, step S310 may correspond to step S210 described above with reference to FIG.

단계 S320에서, 독성 예측 장치(100)는 물리화학속성 정보 및 독성 실험 정보에 관한 파라미터를 뉴럴 네트워크의 입력 식별자로 설정할 수 있다. In step S320, the toxicity prediction apparatus 100 may set parameters relating to physicochemical property information and toxicity experiment information as input identifiers of the neural network.

단계 S330에서, 독성 예측 장치(100)는 물리화학속성 정보 및 독성 실험 정보를 학습용 정보 셋과 검증용 정보 셋으로 분류할 수 있다. In step S330, the toxicity prediction apparatus 100 may classify the physical-chemical attribute information and the toxicity experiment information into a learning information set and a verification information set.

일 실시예에 따른 독성 예측 장치(100)는 학습용 정보 셋으로 분류된 물리화학속성 정보 및 독성 실험 정보를 이용하여 뉴럴 네트워크를 기초로 학습을 수행할 수 있다. 한편, 독성 예측 장치(100)는 검증용 정보 셋으로 분류된 물리화학속성 정보 및 독성 실험 정보를 이용하여, 학습된 결과를 검증할 수 있다. The toxicity prediction apparatus 100 according to an exemplary embodiment can perform learning based on a neural network using physicochemical property information and toxicity experiment information classified into a learning information set. On the other hand, the toxicity prediction apparatus 100 can verify the learned results by using the physicochemical property information and the toxicity experiment information classified into the information set for verification.

단계 S340에서, 독성 예측 장치(100)는 뉴럴 네트워크의 최적화된 은닉층의 개수 및 최적화된 은닉 노드의 개수를 결정하여, 독성 예측 모델을 생성할 수 있다. In step S340, the toxicity prediction apparatus 100 can determine the number of hidden hidden layers of the neural network and the number of hidden hidden nodes, thereby generating a toxicity prediction model.

일 실시예에 따른 독성 예측 장치(100)는 1개의 은닉층에 포함된 1개의 은닉 노드를 기초로 학습을 시작할 수 있다. 독성 예측 장치(100)는 은닉층에 포함된 은닉 노드의 개수를 식별자 수만큼 하나씩 증가시켜가면서 학습을 수행할 수 있다. The toxicity prediction apparatus 100 according to an embodiment can start learning based on one hidden node included in one hidden layer. The toxicity prediction apparatus 100 can perform learning by increasing the number of hidden nodes included in the hidden layer by the number of identifiers one by one.

도 4는 일 실시예에 따른 독성 예측 장치(100)가 나노 물질의 독성을 예측하기 위한 독성 예측 모델을 생성하는 방법을 설명하기 위한 도면이다. FIG. 4 is a diagram for explaining a method for generating a toxicity prediction model for predicting toxicity of a nanomaterial according to an embodiment of the present invention.

도 4를 참조하면, 독성 예측 모델을 생성하는데 이용되는 뉴럴 네트워크(400)는 나노 물질의 물리화학속성 및 독성 실험 결과가 식별자로 입력되는 입력층(410), 적어도 하나의 은닉층(420) 및 출력층(430)을 포함할 수 있다. 또한, 적어도 하나의 은닉층(420)은 적어도 하나의 레이어를 포함할 수 있다.Referring to FIG. 4, the neural network 400 used to generate the toxicity prediction model includes an input layer 410, an at least one hidden layer 420, and an output layer 420 in which the physicochemical properties and toxicity test results of the nanomaterial are input as identifiers. (Not shown). In addition, the at least one hidden layer 420 may include at least one layer.

한편, 독성 예측 장치(100)는 입력층(410)에 적용된 식별자를 적어도 하나의 은닉층(420)을 통해 연산하고, 연산에 따라 획득한 결과들(또는, 결과 벡터)을 조합(또는, 연결)하여, 출력층(430)을 통해 결과를 산출할 수 있다. 여기에서, 연산은 기 설정된 활성 함수(activation function)에 따라 수행될 수 있다. 또한, 연산에 따라 획득한 결과들은 적어도 하나의 은닉층(420)에 포함된 은닉 노드들 각각에 할당된 가중치에 따라 조합될 수 있다. The toxicity prediction apparatus 100 calculates an identifier applied to the input layer 410 through at least one hidden layer 420 and combines (or concatenates) the obtained results (or result vectors) And the result can be calculated through the output layer 430. Here, the operation can be performed according to a predetermined activation function. In addition, the results obtained according to the computation may be combined according to weights assigned to each of the hidden nodes included in the at least one hidden layer 420. [

독성 예측 장치(100)는 산출된 독성 예측 정보와 실제 독성 정보를 비교해 가면서, 오차가 최소가 되도록 은닉층의 개수 및 은닉 노드의 개수를 조절할 수 있다. 독성 예측 장치(100)는 1개의 은닉층과 1개의 은닉 노드에서 시작하여, 오차가 최소가 될 때까지 은닉층의 개수 및 은닉 노드의 개수를 순차적으로 늘릴 수 있다. 특히, 독성 예측 장치(100)는 은닉 노드의 개수를 1개부터 식별자 수만큼 하나씩 증가시켜가면서 오차가 최소가 되는 은닉 노드의 개수를 결정할 수 있다. The toxicity prediction apparatus 100 may adjust the number of hidden layers and the number of hidden nodes so that the error is minimized while comparing the calculated toxicity prediction information with actual toxicity information. The toxicity predicting apparatus 100 can sequentially increase the number of hidden layers and the number of hidden nodes starting from one hidden layer and one hidden node until the error becomes minimum. Particularly, the toxicity prediction apparatus 100 can increase the number of hidden nodes from 1 to the number of identifiers, and determine the number of hidden nodes with the smallest error.

한편, 독성 예측 장치(100)는 최적화된 은닉층의 개수 및 최적화된 은닉층의 개수가 결정됨에 따라, 독성 예측 모델을 생성하여 저장할 수 있다. 또한, 독성 예측 장치(100)는 독성 예측 모델이 생성된 이후에, 다른 화학물리속성 정보 및 독성 실험 정보를 입력한 결과를 이용하여 독성 예측 모델을 갱신할 수 있다. 예를 들어, 독성 예측 장치(100)는 새로운 타겟 나노 물질에 대한 독성 예측 정보의 정확도가 기 설정된 임계값 미만이라고 판단되는 경우, 새롭게 산출된 결과를 이용하여 독성 예측 모델을 갱신할 수 있다. Meanwhile, the toxicity prediction apparatus 100 can generate and store a toxicity prediction model as the number of optimized hidden layers and the number of optimized hidden layers are determined. Further, after the toxicity prediction model is generated, the toxicity prediction apparatus 100 can update the toxicity prediction model using the results of inputting other chemical physics attribute information and toxicity experiment information. For example, when the accuracy of the toxicity prediction information for a new target nanomaterial is judged to be less than a predetermined threshold value, the toxicity prediction apparatus 100 can update the toxicity prediction model using the newly calculated result.

다양한 실시예에 따르면, 독성 예측 장치(100)는 복수개의 독성 예측 모델을 생성하여 저장할 수 있다. 예를 들어, 독성 예측 장치는 나노 물질에 관한 물리화학속성 정보 및 독성 실험 정보가 생성된 시간, 물리화학속성 정보 및 독성 실험 정보의 생성자 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다. According to various embodiments, the toxicity prediction device 100 may generate and store a plurality of toxicity prediction models. For example, the toxicity prediction device may be pre-classified by various criteria such as physical-chemical property information about the nanomaterial and the time at which the toxicity experiment information was generated, physical-chemical property information, and the creator of the toxicity experiment information.

도 5는 일 실시예에 따른 독성 예측 장치(100)가 나노 물질의 독성을 예측하기 위한 독성 예측 모델을 검증하는 방법을 설명하기 위한 도면이다. FIG. 5 is a diagram for explaining a method of verifying a toxicity prediction model for predicting toxicity of a nanomaterial according to an embodiment of the present invention.

단계 S510에서, 독성 예측 장치(100)는 적어도 하나의 나노 물질에 관한 데이터에 전처리를 수행할 수 있다.In step S510, the toxicity prediction apparatus 100 may perform preprocessing on data relating to at least one nanomaterial.

일 실시예에 따른 독성 예측 장치(100)는 데이터 클리닝, 데이터 정규화 및 명목형 데이터 인코딩 등의 전처리를 적어도 하나의 나노 물질에 관한 데이터에 수행할 수 있다. The apparatus 100 for predicting toxicity according to an embodiment may perform pre-processing such as data cleaning, data normalization and nominal data encoding on data on at least one nanomaterial.

단계 S520에서, 독성 예측 장치(100)는 물리화학속성 정보 및 독성 실험 정보에 관한 파라미터를 뉴럴 네트워크의 입력 식별자로 설정할 수 있다. In step S520, the toxicity prediction apparatus 100 may set parameters relating to physicochemical property information and toxicity experiment information as input identifiers of the neural network.

독성 예측 장치(100)는 물리화학속성 정보 및 독성 실험 정보 중에서 나노 물질의 독성을 예측하는데 필요한 식별자를 선택할 수 있다. 예를 들어, 독성 예측 장치(100)는 나노 물질의 독성을 예측하기 위한 기 설정된 기준에 따라, 물리화학속성 정보 및 독성 실험 정보 중에서 일부 또는 전부를 선택할 수 있다. The toxicity prediction apparatus 100 can select identifiers necessary for predicting the toxicity of the nanomaterial among physicochemical property information and toxicity experiment information. For example, the toxicity prediction device 100 may select some or all of the physicochemical property information and the toxicity experiment information according to predetermined criteria for predicting the toxicity of the nanomaterial.

단계 S530에서, 독성 예측 장치(100)는 물리화학속성 정보 및 독성 실험 정보를 학습용 정보 셋과 검증용 정보 셋으로 분류할 수 있다. In step S530, the toxicity prediction apparatus 100 may classify the physical-chemical property information and the toxicity experiment information into a learning information set and a verification information set.

한편, 단계 S530은 도 3을 참조하여 전술한 단계 S330과 대응될 수 있다. Meanwhile, step S530 may correspond to step S330 described above with reference to FIG.

단계 S540에서, 독성 예측 장치(100)는 학습용 정보 셋 및 뉴럴 네트워크를 이용하여 독성 예측 모델을 생성할 수 있다. In step S540, the toxicity prediction apparatus 100 can generate a toxicity prediction model using the learning information set and the neural network.

일 실시예에 따른 독성 예측 장치(100)는 학습용 정보 셋으로 분류된 물리화학속성 정보 및 독성 실험 정보로부터 결정된 식별자를 뉴럴 네트워크의 입력층에 입력하여 독성 예측 모델을 생성할 수 있다. 한편, 독성 예측 장치가 입력층에 입력된 식별자를 기초로 독성 예측 모델을 생성하는 방법은 도 4를 참조하여 전술한 바와 대응될 수 있다. The toxicity predicting apparatus 100 according to an embodiment can generate a toxicity prediction model by inputting an identifier determined from physicochemical property information and toxicity experiment information classified into a learning information set into an input layer of a neural network. On the other hand, the method by which the toxicity prediction device generates the toxicity prediction model based on the identifier input to the input layer can correspond to that described above with reference to FIG.

단계 S550에서, 독성 예측 장치(100)는 학습용 정보 셋과 검증용 정보 셋을 기초로 독성 예측 모델에 대한 내부 검증 및 외부 검증을 수행할 수 있다.In step S550, the toxicity prediction apparatus 100 may perform internal and external verification of the toxicity prediction model based on the learning information set and the information set for verification.

일 실시예에 따른 독성 예측 장치(100)는 생성된 독성 예측 모델에 학습용 정보 셋을 이용하여 K-겹 교차 검증을 수행할 수 있다. 또한, 독성 예측 장치(100)는 생성된 독성 예측 모델에 검증용 정보 셋을 이용하여 외부 검증을 수행할 수 있다. 외부 검증에서는 정오분류표가 성능 지표로 사용될 수 있다. The toxicity prediction apparatus 100 according to one embodiment can perform K-fold cross-validation using the learning information set for the generated toxicity prediction model. In addition, the toxicity prediction apparatus 100 can perform an external verification using the information set for verification with the generated toxicity prediction model. In external verification, the noon classification table can be used as a performance index.

독성 예측 장치(100)는 내부 검증 또는 외부 검증을 수행한 결과 출력되는 독성 예측 결과가 기 설정된 기준을 만족하지 못하는 경우, 재학습을 통해 독성 예측 모델을 갱신할 수 있다. 여기에서, 독성 예측 결과는 독성 예측 모델을 기반으로 식별된 나노 물질의 독성과 실제의 나노 물질의 독성 간의 일치 비율 등을 포함할 수 있다. The toxicity prediction apparatus 100 can update the toxicity prediction model through re-learning when the toxicity prediction result obtained as a result of performing internal verification or external verification does not satisfy predetermined criteria. Here, the toxicity prediction results may include the agreement between the toxicity of the identified nanomaterials and the toxicity of the actual nanomaterials based on the toxicity prediction model.

도 6은 일 실시예에 따른 독성 예측 장치(100)를 설명하기 위한 블록도이다. FIG. 6 is a block diagram for explaining a toxicity prediction apparatus 100 according to an embodiment.

도 6에 도시된 독성 예측 장치(100)에는 본 실시예와 관련된 구성 요소들만이 도시되어 있다. 도 6에 도시된 바와 같이, 일 실시예에 따른 독성 예측 장치(100)는 데이터 획득부(110), 프로세서(120), 메모리(130) 및 출력부(140)를 포함할 수 있다. 그러나 도시된 구성요소 모두가 필수구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소에 의해 독성 예측 장치(100)가 구현될 수도 있고, 그보다 적은 구성요소에 의해서도 독성 예측 장치(100)는 구현될 수 있다.Only the components related to the present embodiment are shown in the toxicity prediction apparatus 100 shown in Fig. 6, the toxicity prediction apparatus 100 according to an embodiment may include a data acquisition unit 110, a processor 120, a memory 130, and an output unit 140. However, not all illustrated components are required. The toxicity predicting apparatus 100 may be implemented by more components than the illustrated components, and the toxicity predicting apparatus 100 may be implemented by fewer components.

데이터 획득부(110)는 적어도 하나의 나노 물질에 관한 물리화학속성 정보 및 독성 실험 정보를 획득할 수 있다. 일 실시예에 따른 데이터 획득부(110)는 적어도 하나의 나노 물질에 관한 데이터에 전처리를 수행하여, 물리화학속성 정보 및 독성 실험 정보를 획득할 수 있다. 예를 들어, 데이터 획득부(110)는 데이터 클리닝, 데이터 정규화 및 명목형 데이터 인코딩 중 적어도 하나를 통해 적어도 하나의 나노 물질에 관한 데이터로부터 물리화학속성 정보 및 독성 실험 정보를 획득할 수 있다. The data acquisition unit 110 may acquire physicochemical property information and toxicity experiment information on at least one nanomaterial. The data acquisition unit 110 according to an embodiment may perform preprocessing on data relating to at least one nanomaterial to acquire physicochemical property information and toxicity experiment information. For example, the data acquiring unit 110 may acquire physicochemical property information and toxicity experiment information from at least one of the data on nanomaterials through at least one of data cleaning, data normalization, and nominal data encoding.

프로세서(120)는 통상적으로 독성 예측 장치(100)의 전반적인 동작을 제어한다. The processor 120 typically controls the overall operation of the toxicity predicting device 100.

프로세서(120)는 획득된 정보 및 뉴럴 네트워크를 이용한 학습 결과에 기초하여, 나노 물질에 관한 독성 예측 모델을 생성할 수 있다. 또한, 프로세서(120)는 생성된 독성 예측 모델에 따라, 입력된 타겟 나노 물질의 정보를 분석하여, 타겟 나노 물질의 독성을 예측할 수 있다. The processor 120 may generate a toxicity prediction model for the nanomaterial based on the obtained information and learning results using the neural network. In addition, the processor 120 can analyze the information of the input target nanomaterial according to the generated toxicity prediction model, and predict the toxicity of the target nanomaterial.

일 실시예에 따른 프로세서(120)는 물리화학속성 정보 및 독성 실험 정보에 관한 파라미터를 뉴럴 네트워크의 입력 식별자로 설정할 수 있다. The processor 120 according to an exemplary embodiment may set parameters related to physicochemical property information and toxicity experiment information as input identifiers of the neural network.

또한, 프로세서(120)는 물리화학속성 정보 및 독성 실험 정보를 학습용 정보 셋과 검증용 정보 셋으로 분류할 수 있다. 프로세서(120)는 뉴럴 네트워크의 적어도 하나의 은닉층에 포함된 적어도 하나의 은닉 노드에 학습용 정보 셋을 적용하여, 최적화된 은닉층의 개수 및 최적화된 은닉 노드의 개수를 결정할 수 있다. In addition, the processor 120 may classify the physical-chemical attribute information and the toxicity experiment information into a learning information set and a verification information set. The processor 120 may apply the learning information set to at least one hidden node included in at least one hidden layer of the neural network to determine the number of optimized hidden layers and the number of optimized hidden nodes.

프로세서(120)는 뉴럴 네트워크에 상기 학습용 정보 셋을 적용한 결과 산출된 독성 예측 정보와 실제 독성 정보 간의 차이가 최소가 되도록 은닉 노드 각각에 할당되는 가중치를 결정할 수도 있다. The processor 120 may determine a weight assigned to each of the hidden nodes so that the difference between the toxicity prediction information calculated as a result of applying the learning information set to the neural network and the actual toxicity information is minimized.

한편, 프로세서(120)는 검증용 정보 셋을 생성된 독성 예측 모델에 적용한 결과 산출된 독성 예측 정보의 정확도가 기 설정된 값 미만인 경우, 산출된 독성 예측 정보를 기초로 독성 예측 모델을 갱신할 수 있다.On the other hand, when the accuracy of the toxicity prediction information calculated as a result of applying the verification information set to the generated toxicity prediction model is less than a predetermined value, the processor 120 can update the toxicity prediction model based on the calculated toxicity prediction information .

메모리(130)는 프로세서(120)의 처리 및 제어를 위한 프로그램을 저장할 수도 있고, 입/출력되는 데이터들(예를 들어, 독성 예측 모델, 나노 물질의 물리화학속성 정보 및 독성 실험 정보)을 저장할 수도 있다. The memory 130 may store a program for processing and control of the processor 120 and may store data to be input / output (e.g., a toxicity prediction model, physicochemical property information of nanomaterials and toxicity experiment information) It is possible.

메모리(130)는 뉴럴 네트워크 내의 적어도 하나의 은닉층을 구성하는 하나 이상의 프로그램들 및 뉴럴 네트워크를 이용한 학습 결과가 저장된 뉴럴 네트워크 모듈(미도시)을 포함할 수 있다. 또한, 메모리(130)는 뉴럴 네트워크의 학습 결과 데이터(예를 들어, 물리화학속성 정보, 독성 실험 정보와 나노 물질의 독성 여부 간의 확률 분포(연관성))를 저장할 수 있다. The memory 130 may include one or more programs that form at least one hidden layer in the neural network and a neural network module (not shown) that stores learning results using the neural network. The memory 130 may also store learning result data (e.g., physical chemistry attribute information, toxicity test information, and probability distribution (relevance) between the toxicity of the nanomaterials) of the neural network.

메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.The memory 130 may be a flash memory type, a hard disk type, a multimedia card micro type, a card type memory (e.g., SD or XD memory), a RAM (Random Access Memory) SRAM (Static Random Access Memory), ROM (Read Only Memory), EEPROM (Electrically Erasable Programmable Read-Only Memory), PROM (Programmable Read-Only Memory) , An optical disc, and the like.

출력부(140)는 프로세서(120)에서 예측된 나노 물질의 독성에 관한 정보를 출력할 수 있다. 예를 들어, 출력부(140)는 텍스트 및 이미지 중 적어도 하나의 형태로 입력된 타겟 나노 물질의 독성 예측 정보를 출력할 수 있다. The output unit 140 may output information on the toxicity of the nanomaterial predicted by the processor 120. For example, the output unit 140 may output toxicity prediction information of a target nanomaterial that is input in the form of at least one of text and images.

본 발명에 따른 장치는 프로세서, 프로그램 데이터를 저장하고 실행하는 메모리, 디스크 드라이브와 같은 영구 저장부(permanent storage), 외부 장치와 통신하는 통신 포트, 터치 패널, 키(key), 버튼 등과 같은 사용자 인터페이스 장치 등을 포함할 수 있다. 소프트웨어 모듈 또는 알고리즘으로 구현되는 방법들은 상기 프로세서상에서 실행 가능한 컴퓨터가 읽을 수 있는 코드들 또는 프로그램 명령들로서 컴퓨터가 읽을 수 있는 기록 매체 상에 저장될 수 있다. 여기서 컴퓨터가 읽을 수 있는 기록 매체로 마그네틱 저장 매체(예컨대, ROM(read-only memory), RAM(random-access memory), 플로피 디스크, 하드 디스크 등) 및 광학적 판독 매체(예컨대, 시디롬(CD-ROM), 디브이디(DVD: Digital Versatile Disc)) 등이 있다. 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템들에 분산되어, 분산 방식으로 컴퓨터가 판독 가능한 코드가 저장되고 실행될 수 있다. 매체는 컴퓨터에 의해 판독가능하며, 메모리에 저장되고, 프로세서에서 실행될 수 있다. An apparatus according to the present invention may include a processor, a memory for storing and executing program data, a permanent storage such as a disk drive, a communication port for communicating with an external device, a user interface such as a touch panel, a key, Devices, and the like. Methods implemented with software modules or algorithms may be stored on a computer readable recording medium as computer readable codes or program instructions executable on the processor. Here, the computer-readable recording medium may be a magnetic storage medium such as a read-only memory (ROM), a random-access memory (RAM), a floppy disk, a hard disk, ), And a DVD (Digital Versatile Disc). The computer-readable recording medium may be distributed over networked computer systems so that computer readable code can be stored and executed in a distributed manner. The medium is readable by a computer, stored in a memory, and executable on a processor.

본 발명에서 인용하는 공개 문헌, 특허 출원, 특허 등을 포함하는 모든 문헌들은 각 인용 문헌이 개별적으로 및 구체적으로 병합하여 나타내는 것 또는 본 발명에서 전체적으로 병합하여 나타낸 것과 동일하게 본 발명에 병합될 수 있다.All documents, including publications, patent applications, patents, etc., cited in the present invention may be incorporated into the present invention in the same manner as each cited document is shown individually and specifically in conjunction with one another, .

본 발명의 이해를 위하여, 도면에 도시된 바람직한 실시 예들에서 참조 부호를 기재하였으며, 본 발명의 실시 예들을 설명하기 위하여 특정 용어들을 사용하였으나, 특정 용어에 의해 본 발명이 한정되는 것은 아니며, 본 발명은 당업자에 있어서 통상적으로 생각할 수 있는 모든 구성 요소들을 포함할 수 있다. In order to facilitate understanding of the present invention, reference will be made to the preferred embodiments shown in the drawings, and specific terminology is used to describe the embodiments of the present invention. However, the present invention is not limited to the specific terminology, Lt; / RTI > may include all elements commonly conceivable by those skilled in the art.

본 발명은 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 발명은 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어 장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩업 테이블(look-up table) 등과 같은 직접 회로 구성들을 채용할 수 있다. 본 발명에의 구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 본 발명은 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 발명은 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. "매커니즘", "요소", "수단", "구성"과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 상기 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.The present invention may be represented by functional block configurations and various processing steps. These functional blocks may be implemented in a wide variety of hardware and / or software configurations that perform particular functions. For example, the present invention may include integrated circuit configurations, such as memory, processing, logic, look-up tables, etc., that may perform various functions by control of one or more microprocessors or other control devices Can be adopted. Similar to the components of the present invention that may be implemented with software programming or software components, the present invention may be implemented as a combination of C, C ++, and C ++, including various algorithms implemented with data structures, processes, routines, , Java (Java), assembler, and the like. Functional aspects may be implemented with algorithms running on one or more processors. Further, the present invention can employ conventional techniques for electronic environment setting, signal processing, and / or data processing. Terms such as "mechanism", "element", "means", "configuration" may be used broadly and are not limited to mechanical and physical configurations. The term may include the meaning of a series of routines of software in conjunction with a processor or the like.

본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, "필수적인", "중요하게" 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.The specific acts described in the present invention are, by way of example, not intended to limit the scope of the invention in any way. For brevity of description, descriptions of conventional electronic configurations, control systems, software, and other functional aspects of such systems may be omitted. Also, the connections or connecting members of the lines between the components shown in the figures are illustrative of functional connections and / or physical or circuit connections, which may be replaced or additionally provided by a variety of functional connections, physical Connection, or circuit connections. Also, unless explicitly mentioned, such as "essential "," importantly ", etc., it may not be a necessary component for application of the present invention.

본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다. 마지막으로, 본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.The use of the terms "above" and similar indication words in the specification of the present invention (particularly in the claims) may refer to both singular and plural. In addition, in the present invention, when a range is described, it includes the invention to which the individual values belonging to the above range are applied (unless there is contradiction thereto), and each individual value constituting the above range is described in the detailed description of the invention The same. Finally, the steps may be performed in any suitable order, unless explicitly stated or contrary to the description of the steps constituting the method according to the invention. The present invention is not necessarily limited to the order of description of the above steps. The use of all examples or exemplary language (e.g., etc.) in this invention is for the purpose of describing the present invention only in detail and is not to be limited by the scope of the claims, It is not. It will also be appreciated by those skilled in the art that various modifications, combinations, and alterations may be made depending on design criteria and factors within the scope of the appended claims or equivalents thereof.

Claims (13)

나노 물질의 독성을 예측하는 방법에 있어서,
적어도 하나의 나노 물질에 관한 물리화학속성 정보 및 독성 실험 정보를 획득하는 단계;
상기 획득된 정보 및 뉴럴 네트워크를 이용한 학습 결과에 기초하여, 나노 물질에 관한 독성 예측 모델을 생성하는 단계; 및
상기 생성된 독성 예측 모델에 따라, 입력된 타겟 나노 물질의 정보를 분석하여, 상기 타겟 나노 물질의 독성을 예측하는 단계를 포함하는, 방법. In a method for predicting the toxicity of a nanomaterial,
Obtaining physicochemical property information and toxicity experiment information on at least one nanomaterial;
Generating a toxicity prediction model for the nanomaterial based on the obtained information and the learning result using the neural network; And
And analyzing information of the input target nanomaterial according to the generated toxicity prediction model to predict the toxicity of the target nanomaterial. 제 1항에 있어서, 상기 획득하는 단계는,
상기 적어도 하나의 나노 물질에 관한 데이터에 전처리를 수행하여, 상기 물리화학속성 정보 및 상기 독성 실험 정보를 획득하고,
상기 물리화학속성 정보 및 상기 독성 실험 정보에 관한 파라미터를 상기 뉴럴 네트워크의 입력 식별자로 설정하는 단계를 더 포함하는, 방법. 2. The method of claim 1,
Processing the data on the at least one nanomaterial to obtain the physicochemical property information and the toxicity experiment information,
Further comprising the step of setting the physical chemistry attribute information and the parameters relating to the toxicity experiment information to the input identifiers of the neural network. 제 2항에 있어서, 상기 입력 식별자는,
상기 적어도 하나의 나노 물질의 코어 크기, 수력학적(hydrodynamic) 크기, 용량, 셀 라인(cell line) 및 정량 또는 정성 분석값 중 적어도 하나를 포함하는, 방법. 3. The method of claim 2,
Wherein the at least one nanomaterial comprises at least one of a core size, a hydrodynamic size, a volume, a cell line and a quantitative or qualitative analysis value of the at least one nanomaterial. 제 1항에 있어서,
상기 물리화학속성 정보 및 상기 독성 실험 정보를 학습용 정보 셋과 검증용 정보 셋으로 분류하는 단계; 및
상기 뉴럴 네트워크의 적어도 하나의 은닉층에 포함된 적어도 하나의 은닉 노드에 상기 학습용 정보 셋을 적용하여, 최적화된 은닉층의 개수 및 최적화된 은닉 노드의 개수를 결정하는 단계를 더 포함하는, 방법. The method according to claim 1,
Classifying the physicochemical property information and the toxicity experiment information into a learning information set and a verification information set; And
Applying the learning information set to at least one hidden node included in at least one hidden layer of the neural network to determine the number of optimized hidden layers and the number of optimized hidden nodes. 제 4항에 있어서,
상기 뉴럴 네트워크에 상기 학습용 정보 셋을 적용한 결과 산출된 독성 예측 정보와 실제 독성 정보 간의 차이가 최소가 되도록 상기 은닉 노드 각각에 할당되는 가중치를 결정하는 단계를 더 포함하는, 방법. 5. The method of claim 4,
Further comprising determining a weight assigned to each of the hidden nodes such that a difference between the calculated toxicity prediction information and actual toxicity information is minimized as a result of applying the learning information set to the neural network. 제 4항에 있어서,
상기 검증용 정보 셋을 상기 생성된 독성 예측 모델에 적용한 결과 산출된 독성 예측 정보의 정확도가 기 설정된 값 미만인 경우, 상기 산출된 독성 예측 정보를 기초로 상기 독성 예측 모델을 갱신하는 단계를 더 포함하는, 방법. 5. The method of claim 4,
And updating the toxicity prediction model based on the calculated toxicity prediction information when the accuracy of the toxicity prediction information calculated as a result of applying the verification information set to the generated toxicity prediction model is less than a predetermined value , Way. 나노 물질의 독성을 예측하는 장치에 있어서,
적어도 하나의 나노 물질에 관한 물리화학속성 정보 및 독성 실험 정보를 획득하는 데이터 획득부;
상기 획득된 정보 및 뉴럴 네트워크를 이용한 학습 결과에 기초하여, 나노 물질에 관한 독성 예측 모델을 생성하고, 상기 생성된 독성 예측 모델에 따라, 입력된 타겟 나노 물질의 정보를 분석하여, 상기 타겟 나노 물질의 독성을 예측하는 프로세서; 및
상기 타겟 나노 물질의 독성 예측 정보를 출력하는 출력부를 포함하는, 장치. In an apparatus for predicting toxicity of a nanomaterial,
A data acquiring unit acquiring physicochemical property information and toxicity experiment information on at least one nanomaterial;
Generating a toxicity prediction model related to the nanomaterial based on the obtained information and the learning result using the neural network, analyzing information of the input target nanomaterial according to the generated toxicity prediction model, Lt; / RTI > And
And outputting the toxicity prediction information of the target nanomaterial. 제 7항에 있어서, 상기 데이터 획득부는,
상기 적어도 하나의 나노 물질에 관한 데이터에 전처리를 수행하여, 상기 물리화학속성 정보 및 상기 독성 실험 정보를 획득하고,
상기 프로세서는,
상기 물리화학속성 정보 및 상기 독성 실험 정보에 관한 파라미터를 상기 뉴럴 네트워크의 입력 식별자로 설정하는, 장치. The data processing apparatus according to claim 7,
Processing the data on the at least one nanomaterial to obtain the physicochemical property information and the toxicity experiment information,
The processor comprising:
And sets the physical chemistry attribute information and the parameter relating to the toxicity experiment information to the input identifier of the neural network. 제 7항에 있어서, 상기 입력 식별자는,
상기 적어도 하나의 나노 물질의 코어 크기, 수력학적(hydrodynamic) 크기, 용량, 셀 라인(cell line) 및 정량 또는 정성 분석값 중 적어도 하나를 포함하는, 장치. 8. The method of claim 7,
Wherein the at least one nanomaterial comprises at least one of a core size, a hydrodynamic size, a volume, a cell line and a quantitative or qualitative analysis value of the at least one nanomaterial. 제 7항에 있어서, 상기 프로세서는,
상기 물리화학속성 정보 및 상기 독성 실험 정보를 학습용 정보 셋과 검증용 정보 셋으로 분류하고, 상기 뉴럴 네트워크의 적어도 하나의 은닉층에 포함된 적어도 하나의 은닉 노드에 상기 학습용 정보 셋을 적용하여, 최적화된 은닉층의 개수 및 최적화된 은닉 노드의 개수를 결정하는, 장치. 8. The apparatus of claim 7,
Classifying the physicochemical property information and the toxicity experiment information into a learning information set and a verification information set, applying the learning information set to at least one hidden node included in at least one hidden layer of the neural network, And determines the number of hidden layers and the number of optimized hidden nodes. 제 10항에 있어서, 상기 프로세서는,
상기 뉴럴 네트워크에 상기 학습용 정보 셋을 적용한 결과 산출된 독성 예측 정보와 실제 독성 정보 간의 차이가 최소가 되도록 상기 은닉 노드 각각에 할당되는 가중치를 결정하는 장치. 11. The apparatus of claim 10,
Wherein the weighting unit assigns weight to each of the hidden nodes so that the difference between the toxicity prediction information and the actual toxicity information calculated as a result of applying the learning information set to the neural network is minimized. 제 10항에 있어서, 상기 프로세서는,
상기 검증용 정보 셋을 상기 생성된 독성 예측 모델에 적용한 결과 산출된 독성 예측 정보의 정확도가 기 설정된 값 미만인 경우, 상기 산출된 독성 예측 정보를 기초로 상기 독성 예측 모델을 갱신하는, 장치. 11. The apparatus of claim 10,
And updates the toxicity prediction model based on the calculated toxicity prediction information when the accuracy of the toxicity prediction information calculated as a result of applying the verification information set to the generated toxicity prediction model is less than a predetermined value. 제 1항 내지 제 6항 중 어느 하나의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.
A computer-readable recording medium having recorded thereon a program for causing a computer to execute the method according to any one of claims 1 to 6.
KR1020160153684A 2016-11-18 2016-11-18 Method and apparatus for predicting toxicity of nano material KR20180056013A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160153684A KR20180056013A (en) 2016-11-18 2016-11-18 Method and apparatus for predicting toxicity of nano material

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160153684A KR20180056013A (en) 2016-11-18 2016-11-18 Method and apparatus for predicting toxicity of nano material

Publications (1)

Publication Number Publication Date
KR20180056013A true KR20180056013A (en) 2018-05-28

Family

ID=62451536

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160153684A KR20180056013A (en) 2016-11-18 2016-11-18 Method and apparatus for predicting toxicity of nano material

Country Status (1)

Country Link
KR (1) KR20180056013A (en)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210023757A (en) 2019-08-21 2021-03-04 다이요 홀딩스 가부시키가이샤 Positive-type photosensitive resin composition
KR20220068868A (en) * 2020-11-19 2022-05-26 주식회사 에이아이트릭스 Method and apparatus for predicting toxicity of compound
WO2022108012A1 (en) * 2020-11-19 2022-05-27 주식회사 에이아이트릭스 Method and apparatus for predicting toxicity of compound
US11670403B2 (en) 2018-08-23 2023-06-06 Samsung Electronics Co., Ltd. Method and apparatus for generating chemical structure using neural network

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11670403B2 (en) 2018-08-23 2023-06-06 Samsung Electronics Co., Ltd. Method and apparatus for generating chemical structure using neural network
KR20210023757A (en) 2019-08-21 2021-03-04 다이요 홀딩스 가부시키가이샤 Positive-type photosensitive resin composition
KR20220068868A (en) * 2020-11-19 2022-05-26 주식회사 에이아이트릭스 Method and apparatus for predicting toxicity of compound
WO2022108012A1 (en) * 2020-11-19 2022-05-27 주식회사 에이아이트릭스 Method and apparatus for predicting toxicity of compound

Similar Documents

Publication Publication Date Title
JP7157154B2 (en) Neural Architecture Search Using Performance Prediction Neural Networks
EP3467723B1 (en) Machine learning based network model construction method and apparatus
Xiao et al. Attentional factorization machines: Learning the weight of feature interactions via attention networks
US20220342941A1 (en) Dark web content analysis and identification
US11314988B2 (en) Image aesthetic processing method and electronic device
CN109120462B (en) Method and device for predicting opportunistic network link and readable storage medium
US20190354810A1 (en) Active learning to reduce noise in labels
KR102219346B1 (en) Systems and methods for performing bayesian optimization
CN110956260A (en) System and method for neural architecture search
US9129228B1 (en) Robust and fast model fitting by adaptive sampling
CN104869126B (en) A kind of network intrusions method for detecting abnormality
US10181086B2 (en) Image analysis method for extracting feature of image and apparatus therefor
KR20180056013A (en) Method and apparatus for predicting toxicity of nano material
EP3916597B1 (en) Detecting malware with deep generative models
US20200074296A1 (en) Learning to search deep network architectures
Kamada et al. Adaptive structure learning method of deep belief network using neuron generation–annihilation and layer generation
US20210374544A1 (en) Leveraging lagging gradients in machine-learning model training
Ghanbari et al. Reconstruction of gene networks using prior knowledge
JP6172317B2 (en) Method and apparatus for mixed model selection
CN114072809A (en) Small and fast video processing network via neural architectural search
US20200074277A1 (en) Fuzzy input for autoencoders
CN113609337A (en) Pre-training method, device, equipment and medium of graph neural network
EP3739515B1 (en) Determining a perturbation mask for a classification model
CN112433952B (en) Method, system, device and medium for testing fairness of deep neural network model
JP5063639B2 (en) Data classification method, apparatus and program

Legal Events

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