KR20200121039A - 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치 및 그 동작 방법 - Google Patents

암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치 및 그 동작 방법 Download PDF

Info

Publication number
KR20200121039A
KR20200121039A KR1020190043509A KR20190043509A KR20200121039A KR 20200121039 A KR20200121039 A KR 20200121039A KR 1020190043509 A KR1020190043509 A KR 1020190043509A KR 20190043509 A KR20190043509 A KR 20190043509A KR 20200121039 A KR20200121039 A KR 20200121039A
Authority
KR
South Korea
Prior art keywords
gene
genes
path
path information
generating
Prior art date
Application number
KR1020190043509A
Other languages
English (en)
Other versions
KR102188118B1 (ko
Inventor
안재균
최종환
Original Assignee
인천대학교 산학협력단
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 인천대학교 산학협력단 filed Critical 인천대학교 산학협력단
Priority to KR1020190043509A priority Critical patent/KR102188118B1/ko
Publication of KR20200121039A publication Critical patent/KR20200121039A/ko
Application granted granted Critical
Publication of KR102188118B1 publication Critical patent/KR102188118B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/20—Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
    • 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
    • G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
    • G16B25/10—Gene or protein expression profiling; Expression-ratio estimation or normalisation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Genetics & Genomics (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Biotechnology (AREA)
  • Molecular Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biophysics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 암의 예후에 따른 유전자 간의 상호작용 관계를 내포하고 있는 유전자 네트워크의 학습을 통해 유전자의 분산 표현을 위한 유전자 특징 벡터를 생성할 수 있는 전자 장치 및 그 동작 방법을 제시함으로써, 유전자 특성에 기반한 암의 예후 예측 모델을 구성하는 데에 활용될 수 있다.

Description

암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치 및 그 동작 방법{ELECTRONIC DEVICE FOR GENERATING A GENE FEATURE VECTOR FOR GENE DISTRIBUTED REPRESENTATION BASED ON A CORRELATION BETWEEN GENES ACCORDING TO CANCER AND OPERATING METHOD THEREOF}
본 발명은 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치 및 그 동작 방법에 대한 것이다.
최근, 식생활의 서구화 등으로 인해 암환자가 증가함에 따라 암의 치료를 위한 다양한 방법이 강구되고 있다.
암을 치료하는데 있어서, 환자의 유전자별 특성에 따라 암의 예후를 미리 예측할 수 있다면, 환자에게 암의 예후에 따른 치료 방법을 적절히 적용함으로써, 암 치료의 효과를 극대화할 수 있을 것이다.
최근에는 인공지능 기술의 발전으로 인해 환자의 유전자별 특성에 따라 암의 예후를 예측할 수 있도록 하는 예측 모델의 도입도 고려되고 있다.
관련해서, 암환자들을 암의 예후가 좋은 군과 암의 예후가 나쁜 군으로 구분한 후 암의 예후가 좋은 군으로 분류된 암환자들의 유전자 특성과 암의 예후가 나쁜 군으로 분류된 암환자들의 유전자 특성을 기초로 기계학습을 수행함으로써, 특정 암환자의 유전자 특성을 입력으로 인가하였을 때, 해당 암환자의 암의 예후가 좋을 것인지 나쁠 것인지를 미리 예측할 수 있는 예측 모델의 구성을 고려할 수 있다.
유전자 특성을 기초로 암의 예후 예측을 수행하기 위해서는 컴퓨터가 유전자의 특징을 이해할 수 있도록 추상적인 개념으로 구성되어 있는 유전자의 특징을 수치적으로 나타내는 방법에 대한 연구가 필요하다.
이와 관련해서, 분산 표현(distributed representation)이라는 개념의 도입을 고려할 수 있다. 분산 표현이란 어떤 추상적인 개념을 수치형 벡터(numerical vector)로 나타내는 것을 말한다.
자연어 처리 분야에 있어서, 단어들은 서로 분명하게 구분이 되고, 의미론적으로 유사한 단어, 문법적으로 이어질 수 있는 단어 등 다양한 속성을 가지고 있지만, 이러한 것들은 수치적으로 표현되어 있지 않아 컴퓨터로 계산하기가 몹시 어려운 문제가 있다. 이러한 문제를 해결하기 위해, 심층 학습 분야에서는 분산 표현을 스스로 학습할 수 있는 기계학습 모델인 'Word2Vec'을 개발하였다. 'Word2Vec'은 단어들로 구성된 문장, 즉 단어들의 관계를 서술하는 집합을 학습하고, 임의로 초기화된 분산 표현을 반복적으로 조정해가며 학습되는 문장들에 대한 가능도(likelihood)를 극대화하는 것을 학습 목표로 한다.
이러한 점을 고려해서, 유전자 분야에 있어서도 유전자들의 상호작용 관계를 내포하고 있는 거대한 유전자 네트워크를 학습하여 유전자의 분산 표현을 생성할 수 있는 기술이 도입된다면, 유전자 특징을 기초로 암의 예후를 예측하는 등의 예측 모델을 구성하는 데에 많은 도움이 될 수 있을 것이다.
본 발명은 암의 예후에 따른 유전자 간의 상호작용 관계를 내포하고 있는 유전자 네트워크의 학습을 통해 유전자의 분산 표현을 위한 유전자 특징 벡터를 생성할 수 있는 전자 장치 및 그 동작 방법을 제시함으로써, 유전자 특성에 기반한 암의 예후 예측 모델을 구성하는 데에 활용될 수 있도록 지원하고자 한다.
본 발명의 일실시예에 따른 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치는 암의 예후가 좋은 군으로 사전 분류되어 있는 암환자로부터 수집된 서로 다른 종류의 복수의 유전자들 각각에 대한 복수의 유전자 데이터의 종류별 데이터 값이 기록되어 있는 제1 유전자 테이블을 저장하여 유지하는 제1 유전자 테이블 유지부, 암의 예후가 나쁜 군으로 사전 분류되어 있는 암환자로부터 수집된 상기 복수의 유전자들 각각에 대한 상기 복수의 유전자 데이터의 종류별 데이터 값이 기록되어 있는 제2 유전자 테이블을 저장하여 유지하는 제2 유전자 테이블 유지부, 상기 복수의 유전자들 중 서로 영향을 미치는 유전자 간에 링크가 설정되어 있는 기설정된(predetermined) 유전자 네트워크에 대한 데이터가 저장되어 있는 유전자 네트워크 데이터 저장부, 암의 예후가 좋은 군을 지시하는 기설정된 제1 결과 값과 암의 예후가 나쁜 군을 지시하는 기설정된 제2 결과 값이 저장되어 있는 결과 값 저장부, 상기 기설정된 유전자 네트워크에 대한 데이터를 참조하여 상기 기설정된 유전자 네트워크에서 서로 링크가 설정되어 있는 복수의 유전자 쌍들을 확인하는 유전자 쌍 확인부, 상기 제1 유전자 테이블에 기록되어 있는 상기 복수의 유전자들 각각에 대한 상기 복수의 유전자 데이터의 종류별 데이터 값을 기초로 상기 복수의 유전자 쌍들 각각을 구성하는 유전자 쌍간의 제1 상관 계수를 연산하는 제1 상관 계수 연산부, 상기 제2 유전자 테이블에 기록되어 있는 상기 복수의 유전자들 각각에 대한 상기 복수의 유전자 데이터의 종류별 데이터 값을 기초로 상기 복수의 유전자 쌍들 각각을 구성하는 유전자 쌍간의 제2 상관 계수를 연산하는 제2 상관 계수 연산부, 상기 기설정된 유전자 네트워크에서 상기 제1 상관 계수가 기설정된 기준치 미만인 유전자 쌍 사이에 설정되어 있는 링크를 제거하여 제1 보정 유전자 네트워크를 생성하는 제1 보정 유전자 네트워크 생성부, 상기 기설정된 유전자 네트워크에서 상기 제2 상관 계수가 상기 기설정된 기준치 미만인 유전자 쌍 사이에 설정되어 있는 링크를 제거하여 제2 보정 유전자 네트워크를 생성하는 제2 보정 유전자 네트워크 생성부, 상기 제1 보정 유전자 네트워크에서 n(n은 2이상의 자연수)개의 연속된 링크로 연결되어 있는 n개의 유전자들로 구성된 복수의 제1 경로 정보들을 생성하는 제1 경로 정보 생성부, 상기 제2 보정 유전자 네트워크에서 n개의 연속된 링크로 연결되어 있는 n개의 유전자들로 구성된 복수의 제2 경로 정보들을 생성하는 제2 경로 정보 생성부, 상기 복수의 제1 경로 정보들 각각을 구성하는 n개의 유전자들에 기초하여 상기 복수의 제1 경로 정보들 각각에 대응하는 복수의 제1 경로 벡터들을 생성하는 제1 경로 벡터 생성부, 상기 복수의 제2 경로 정보들 각각을 구성하는 n개의 유전자들에 기초하여 상기 복수의 제2 경로 정보들 각각에 대응하는 복수의 제2 경로 벡터들을 생성하는 제2 경로 벡터 생성부, 상기 복수의 제1 경로 벡터들 각각에 대해 랜덤 값의 성분들로 구성된 복수의 제1 가중치 행렬들을 기초로 행렬 연산을 수행함으로써, 복수의 제1 연산 행렬들을 생성하고, 상기 복수의 제1 연산 행렬들 각각에 포함된 성분들에 대한 평균 값을 성분으로 갖는 제1 프로젝션 행렬을 산출한 후 상기 제1 프로젝션 행렬에 대해 랜덤 값의 성분으로 구성된 제1 프로젝션 가중치 행렬을 기초로 행렬 연산을 수행함으로써, 제1 출력 값을 산출하는 제1 출력 값 산출부, 상기 복수의 제2 경로 벡터들 각각에 대해 랜덤 값의 성분들로 구성된 복수의 제2 가중치 행렬들을 기초로 행렬 연산을 수행함으로써, 복수의 제2 연산 행렬들을 생성하고, 상기 복수의 제2 연산 행렬들 각각에 포함된 성분들에 대한 평균 값을 성분으로 갖는 제2 프로젝션 행렬을 산출한 후 상기 제2 프로젝션 행렬에 대해 랜덤 값의 성분으로 구성된 제2 프로젝션 가중치 행렬을 기초로 행렬 연산을 수행함으로써, 제2 출력 값을 산출하는 제2 출력 값 산출부, 상기 제1 출력 값과 상기 제2 출력 값 각각이 상기 제1 결과 값과 상기 제2 결과 값 중 어느 결과 값에 근접해 있는지 확인하여 상기 제1 출력 값이 상기 제2 결과 값에 근접해 있는 것으로 확인되거나, 상기 제2 출력 값이 상기 제1 결과 값에 근접해 있는 것으로 확인되는 경우, 상기 제1 출력 값이 상기 제1 결과 값에 근접한 값으로 산출됨과 동시에 상기 제2 출력 값이 상기 제2 결과 값에 근접한 값으로 산출될 때까지 상기 복수의 제1 가중치 행렬들, 상기 복수의 제2 가중치 행렬들, 상기 제1 프로젝션 가중치 행렬 및 상기 제2 프로젝션 가중치 행렬의 성분을 조정하는 기계학습을 수행함으로써, 상기 복수의 제1 가중치 행렬들, 상기 복수의 제2 가중치 행렬들, 상기 제1 프로젝션 가중치 행렬 및 상기 제2 프로젝션 가중치 행렬을 결정하는 학습 수행부 및 기계학습을 통해 결정된 상기 복수의 제1 가중치 행렬들과 상기 복수의 제2 가중치 행렬들에 기초하여 상기 복수의 유전자들 각각을 표현하기 위한 유전자 특징 벡터를 결정하는 유전자 특징 벡터 결정부를 포함한다.
또한, 본 발명의 일실시예에 따른 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치의 동작 방법은 암의 예후가 좋은 군으로 사전 분류되어 있는 암환자로부터 수집된 서로 다른 종류의 복수의 유전자들 각각에 대한 복수의 유전자 데이터의 종류별 데이터 값이 기록되어 있는 제1 유전자 테이블을 저장하여 유지하는 단계, 암의 예후가 나쁜 군으로 사전 분류되어 있는 암환자로부터 수집된 상기 복수의 유전자들 각각에 대한 상기 복수의 유전자 데이터의 종류별 데이터 값이 기록되어 있는 제2 유전자 테이블을 저장하여 유지하는 단계, 상기 복수의 유전자들 중 서로 영향을 미치는 유전자 간에 링크가 설정되어 있는 기설정된(predetermined) 유전자 네트워크에 대한 데이터가 저장되어 있는 유전자 네트워크 데이터 저장부를 유지하는 단계, 암의 예후가 좋은 군을 지시하는 기설정된 제1 결과 값과 암의 예후가 나쁜 군을 지시하는 기설정된 제2 결과 값이 저장되어 있는 결과 값 저장부를 유지하는 단계, 상기 기설정된 유전자 네트워크에 대한 데이터를 참조하여 상기 기설정된 유전자 네트워크에서 서로 링크가 설정되어 있는 복수의 유전자 쌍들을 확인하는 단계, 상기 제1 유전자 테이블에 기록되어 있는 상기 복수의 유전자들 각각에 대한 상기 복수의 유전자 데이터의 종류별 데이터 값을 기초로 상기 복수의 유전자 쌍들 각각을 구성하는 유전자 쌍간의 제1 상관 계수를 연산하는 단계, 상기 제2 유전자 테이블에 기록되어 있는 상기 복수의 유전자들 각각에 대한 상기 복수의 유전자 데이터의 종류별 데이터 값을 기초로 상기 복수의 유전자 쌍들 각각을 구성하는 유전자 쌍간의 제2 상관 계수를 연산하는 단계, 상기 기설정된 유전자 네트워크에서 상기 제1 상관 계수가 기설정된 기준치 미만인 유전자 쌍 사이에 설정되어 있는 링크를 제거하여 제1 보정 유전자 네트워크를 생성하는 단계, 상기 기설정된 유전자 네트워크에서 상기 제2 상관 계수가 상기 기설정된 기준치 미만인 유전자 쌍 사이에 설정되어 있는 링크를 제거하여 제2 보정 유전자 네트워크를 생성하는 단계, 상기 제1 보정 유전자 네트워크에서 n(n은 2이상의 자연수)개의 연속된 링크로 연결되어 있는 n개의 유전자들로 구성된 복수의 제1 경로 정보들을 생성하는 단계, 상기 제2 보정 유전자 네트워크에서 n개의 연속된 링크로 연결되어 있는 n개의 유전자들로 구성된 복수의 제2 경로 정보들을 생성하는 단계, 상기 복수의 제1 경로 정보들 각각을 구성하는 n개의 유전자들에 기초하여 상기 복수의 제1 경로 정보들 각각에 대응하는 복수의 제1 경로 벡터들을 생성하는 단계, 상기 복수의 제2 경로 정보들 각각을 구성하는 n개의 유전자들에 기초하여 상기 복수의 제2 경로 정보들 각각에 대응하는 복수의 제2 경로 벡터들을 생성하는 단계, 상기 복수의 제1 경로 벡터들 각각에 대해 랜덤 값의 성분들로 구성된 복수의 제1 가중치 행렬들을 기초로 행렬 연산을 수행함으로써, 복수의 제1 연산 행렬들을 생성하고, 상기 복수의 제1 연산 행렬들 각각에 포함된 성분들에 대한 평균 값을 성분으로 갖는 제1 프로젝션 행렬을 산출한 후 상기 제1 프로젝션 행렬에 대해 랜덤 값의 성분으로 구성된 제1 프로젝션 가중치 행렬을 기초로 행렬 연산을 수행함으로써, 제1 출력 값을 산출하는 단계, 상기 복수의 제2 경로 벡터들 각각에 대해 랜덤 값의 성분들로 구성된 복수의 제2 가중치 행렬들을 기초로 행렬 연산을 수행함으로써, 복수의 제2 연산 행렬들을 생성하고, 상기 복수의 제2 연산 행렬들 각각에 포함된 성분들에 대한 평균 값을 성분으로 갖는 제2 프로젝션 행렬을 산출한 후 상기 제2 프로젝션 행렬에 대해 랜덤 값의 성분으로 구성된 제2 프로젝션 가중치 행렬을 기초로 행렬 연산을 수행함으로써, 제2 출력 값을 산출하는 단계, 상기 제1 출력 값과 상기 제2 출력 값 각각이 상기 제1 결과 값과 상기 제2 결과 값 중 어느 결과 값에 근접해 있는지 확인하여 상기 제1 출력 값이 상기 제2 결과 값에 근접해 있는 것으로 확인되거나, 상기 제2 출력 값이 상기 제1 결과 값에 근접해 있는 것으로 확인되는 경우, 상기 제1 출력 값이 상기 제1 결과 값에 근접한 값으로 산출됨과 동시에 상기 제2 출력 값이 상기 제2 결과 값에 근접한 값으로 산출될 때까지 상기 복수의 제1 가중치 행렬들, 상기 복수의 제2 가중치 행렬들, 상기 제1 프로젝션 가중치 행렬 및 상기 제2 프로젝션 가중치 행렬의 성분을 조정하는 기계학습을 수행함으로써, 상기 복수의 제1 가중치 행렬들, 상기 복수의 제2 가중치 행렬들, 상기 제1 프로젝션 가중치 행렬 및 상기 제2 프로젝션 가중치 행렬을 결정하는 단계 및 기계학습을 통해 결정된 상기 복수의 제1 가중치 행렬들과 상기 복수의 제2 가중치 행렬들에 기초하여 상기 복수의 유전자들 각각을 표현하기 위한 유전자 특징 벡터를 결정하는 단계를 포함한다.
본 발명은 암의 예후에 따른 유전자 간의 상호작용 관계를 내포하고 있는 유전자 네트워크의 학습을 통해 유전자의 분산 표현을 위한 유전자 특징 벡터를 생성할 수 있는 전자 장치 및 그 동작 방법을 제시함으로써, 유전자 특성에 기반한 암의 예후 예측 모델을 구성하는 데에 활용될 수 있다.
도 1은 본 발명의 일실시예에 따른 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치의 구조를 도시한 도면이다.
도 2와 도 3은 본 발명의 일실시예에 따른 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치를 설명하기 위한 도면이다.
도 4는 본 발명의 일실시예에 따른 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치의 동작 방법을 도시한 순서도이다.
이하에서는 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명하기로 한다. 이러한 설명은 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였으며, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 본 명세서 상에서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 사람에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.
본 문서에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다. 또한, 본 발명의 다양한 실시예들에 있어서, 각 구성요소들, 기능 블록들 또는 수단들은 하나 또는 그 이상의 하부 구성요소로 구성될 수 있고, 각 구성요소들이 수행하는 전기, 전자, 기계적 기능들은 전자회로, 집적회로, ASIC(Application Specific Integrated Circuit) 등 공지된 다양한 소자들 또는 기계적 요소들로 구현될 수 있으며, 각각 별개로 구현되거나 2 이상이 하나로 통합되어 구현될 수도 있다.
한편, 첨부된 블록도의 블록들이나 흐름도의 단계들은 범용 컴퓨터, 특수용 컴퓨터, 휴대용 노트북 컴퓨터, 네트워크 컴퓨터 등 데이터 프로세싱이 가능한 장비의 프로세서나 메모리에 탑재되어 지정된 기능들을 수행하는 컴퓨터 프로그램 명령들(instructions)을 의미하는 것으로 해석될 수 있다. 이들 컴퓨터 프로그램 명령들은 컴퓨터 장치에 구비된 메모리 또는 컴퓨터에서 판독 가능한 메모리에 저장될 수 있기 때문에, 블록도의 블록들 또는 흐름도의 단계들에서 설명된 기능들은 이를 수행하는 명령 수단을 내포하는 제조물로 생산될 수도 있다. 아울러, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 명령들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 가능한 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 정해진 순서와 달리 실행되는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 실질적으로 동시에 수행되거나, 역순으로 수행될 수 있으며, 경우에 따라 일부 블록들 또는 단계들이 생략된 채로 수행될 수도 있다.
도 1은 본 발명의 일실시예에 따른 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치의 구조를 도시한 도면이다.
도 1을 참조하면, 본 발명에 따른 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치(110)는 제1 유전자 테이블 유지부(111), 제2 유전자 테이블 유지부(112), 유전자 네트워크 데이터 저장부(113), 결과 값 저장부(114), 유전자 쌍 확인부(115), 제1 상관 계수 연산부(116), 제2 상관 계수 연산부(117), 제1 보정 유전자 네트워크 생성부(118), 제2 보정 유전자 네트워크 생성부(119), 제1 경로 정보 생성부(120), 제2 경로 정보 생성부(121), 제1 경로 벡터 생성부(122), 제2 경로 벡터 생성부(123), 제1 출력 값 산출부(124), 제2 출력 값 산출부(125), 학습 수행부(126) 및 유전자 특징 벡터 결정부(127)를 포함한다.
제1 유전자 테이블 유지부(111)는 암의 예후가 좋은 군으로 사전 분류되어 있는 암환자로부터 수집된 서로 다른 종류의 복수의 유전자들 각각에 대한 복수의 유전자 데이터의 종류별 데이터 값이 기록되어 있는 제1 유전자 테이블을 저장하여 유지한다.
여기서, 서로 다른 복수의 유전자들이란 BRCA, LAML, LIHC, LUAD 등과 같은 유전자들을 의미하며, 유전자 데이터의 종류란 mRNA, CNV, Met, SNP 등과 같이 각 유전자에서 확인할 수 있는 데이터들의 의미한다.
그리고, 암의 예후가 좋은 군이란 암환자들 중 사용자에 의해 암의 예후가 좋은 것으로 판단되는 환자들만을 사전 분류한 군을 의미하는 것으로, 상기 제1 유전자 테이블에는 하기의 표 1과 같이 암의 예후가 좋은 군으로 사전 분류된 특정 암환자로부터 수집된 각 유전자에 대한 유전자 데이터의 종류별 데이터 값이 기록되어 있을 수 있다.
복수의 유전자들 복수의 유전자 데이터의 종류별 데이터 값
mRNA CNV Met SNP
BRCA 11578 11093 9216 10345
LAML 11400 11234 12451 12421
LIHC 15451 12545 12355 15679
LUAD 11499 11634 11154 7577
... ... ... ... ...
제2 유전자 테이블 유지부(112)는 암의 예후가 나쁜 군으로 사전 분류되어 있는 암환자로부터 수집된 상기 복수의 유전자들 각각에 대한 상기 복수의 유전자 데이터의 종류별 데이터 값이 기록되어 있는 제2 유전자 테이블을 저장하여 유지한다.
여기서, 암의 예후가 나쁜 군이란 암환자들 중 사용자에 의해 암의 예후가 나쁜 것으로 판단되는 환자들만을 사전 분류한 군을 의미하는 것으로, 상기 제2 유전자 테이블에는 하기의 표 2와 같이 암의 예후가 나쁜 군으로 사전 분류된 특정 암환자로부터 수집된 각 유전자에 대한 유전자 데이터의 종류별 데이터 값이 기록되어 있을 수 있다.
복수의 유전자들 복수의 유전자 데이터의 종류별 데이터 값
mRNA CNV Met SNP
BRCA 12345 12356 12111 12577
LAML 15312 11234 12576 12457
LIHC 12345 12546 7890 12346
LUAD 12467 11134 12357 8907
... ... ... ... ...
유전자 네트워크 데이터 저장부(113)에는 상기 복수의 유전자들 중 서로 영향을 미치는 유전자 간에 링크가 설정되어 있는 기설정된(predetermined) 유전자 네트워크(genetic networks)에 대한 데이터가 저장되어 있다.
여기서, 유전자 네트워크란 도 2에 도시된 그림과 같이 서로 영향을 미치는 유전자 간에 링크가 설정된 정보를 의미하는 것으로, 이러한 유전자 네트워크는 생물학적 경로, protein-protein interaction(PPI), Gene Ontology(GO) 데이터 등에 의해서 구축될 수 있다.
결과 값 저장부(114)에는 암의 예후가 좋은 군을 지시하는 기설정된 제1 결과 값과 암의 예후가 나쁜 군을 지시하는 기설정된 제2 결과 값이 저장되어 있다. 여기서, 상기 제1 결과 값과 상기 제2 결과 값은 후술할 각 유전자의 특징 벡터를 결정하는 기계학습 과정에서 생성되는 출력 값과의 비교에 사용되는 값으로, 상기 제1 결과 값은 '0'으로 설정되어 있을 수 있고, 상기 제2 결과 값은 '1'로 설정되어 있을 수 있다.
유전자 쌍 확인부(115)는 상기 기설정된 유전자 네트워크에 대한 데이터를 참조하여 상기 기설정된 유전자 네트워크에서 서로 링크가 설정되어 있는 복수의 유전자 쌍들을 확인한다.
예컨대, g1, g2, g3, g4, g5라는 5개의 유전자들이 존재한다고 하였을 때, 상기 5개의 유전자들 중 상기 유전자 네트워크 상에서 g1과 g2, g2와 g3 사이에 링크가 설정되어 있다고 하는 경우, 유전자 쌍 확인부(115)는 (g1, g2)라는 유전자 쌍과 (g2, g3)이라는 유전자 쌍을 확인할 수 있다.
제1 상관 계수 연산부(116)는 상기 제1 유전자 테이블에 기록되어 있는 상기 복수의 유전자들 각각에 대한 상기 복수의 유전자 데이터의 종류별 데이터 값을 기초로 상기 복수의 유전자 쌍들 각각을 구성하는 유전자 쌍간의 제1 상관 계수를 연산한다.
제2 상관 계수 연산부(117)는 상기 제2 유전자 테이블에 기록되어 있는 상기 복수의 유전자들 각각에 대한 상기 복수의 유전자 데이터의 종류별 데이터 값을 기초로 상기 복수의 유전자 쌍들 각각을 구성하는 유전자 쌍간의 제2 상관 계수를 연산한다.
이때, 본 발명의 일실시예에 따르면, 상기 제1 상관 계수와 상기 제2 상관 계수는 피어슨 상관 계수(Pearson’s Correlation Coefficient: PCC)일 수 있다.
제1 보정 유전자 네트워크 생성부(118)는 상기 기설정된 유전자 네트워크에서 상기 제1 상관 계수가 기설정된 기준치 미만인 유전자 쌍 사이에 설정되어 있는 링크를 제거하여 제1 보정 유전자 네트워크를 생성한다.
제2 보정 유전자 네트워크 생성부(119)는 상기 기설정된 유전자 네트워크에서 상기 제2 상관 계수가 상기 기설정된 기준치 미만인 유전자 쌍 사이에 설정되어 있는 링크를 제거하여 제2 보정 유전자 네트워크를 생성한다.
관련해서, 도 3의 도면부호 310에 도시된 그림을 이용하여 상기 제1 보정 유전자 네트워크와 상기 제2 보정 유전자 네트워크가 생성되는 과정까지를 설명하면 다음과 같다.
먼저, 도면부호 310에 도시된 그림과 같이, g1, g2, g3, g4, g5라는 유전자에 대한 제1 유전자 테이블(311)과 제2 유전자 테이블(312)이 존재한다고 가정하자.
이때, 유전자 쌍 확인부(115)는 g1, g2, g3, g4, g5에 대한 유전자 네트워크에서 서로 링크가 설정되어 있는 유전자 쌍들을 확인할 수 있다.
관련해서, 도면부호 310의 실시예에서 유전자 쌍 확인부(115)는 서로 링크가 설정되어 있는 유전자 쌍들로 (g1, g4), (g1, g5), (g2, g5), (g3, g5), (g3, g4), (g4, g5)를 확인할 수 있다.
이때, 제1 상관 계수 연산부(116)는 도면부호 313에 도시된 그림과 같이, 제1 유전자 테이블(311)에 기록되어 있는 g1, g2, g3, g4, g5 각각에 대한 유전자 데이터의 종류별 데이터 값을 기초로 (g1, g4), (g1, g5), (g2, g5), (g3, g5), (g3, g4), (g4, g5) 각각을 구성하는 유전자 쌍간의 제1 상관 계수를 연산할 수 있다.
그리고, 제2 상관 계수 연산부(116)도 도면부호 313에 도시된 그림과 같이, 제2 유전자 테이블(312)에 기록되어 있는 g1, g2, g3, g4, g5 각각에 대한 유전자 데이터의 종류별 데이터 값을 기초로 (g1, g4), (g1, g5), (g2, g5), (g3, g5), (g3, g4), (g4, g5) 각각을 구성하는 유전자 쌍간의 제2 상관 계수를 연산할 수 있다.
그러고 나서, 제1 보정 유전자 네트워크 생성부(118)는 도면부호 314에 도시된 그림과 같이, 상기 유전자 네트워크에서 상기 제1 상관 계수가 기설정된 기준치 미만인 유전자 쌍 사이에 설정되어 있는 링크를 제거하여 제1 보정 유전자 네트워크(314)를 생성할 수 있다.
또한, 제2 보정 유전자 네트워크 생성부(119)도 도면부호 315에 도시된 그림과 같이, 상기 유전자 네트워크에서 상기 제2 상관 계수가 상기 기설정된 기준치 미만인 유전자 쌍 사이에 설정되어 있는 링크를 제거하여 제2 보정 유전자 네트워크(315)를 생성할 수 있다.
제1 경로 정보 생성부(120)는 상기 제1 보정 유전자 네트워크에서 n(n은 2이상의 자연수)개의 연속된 링크로 연결되어 있는 n개의 유전자들로 구성된 복수의 제1 경로 정보들을 생성한다.
제2 경로 정보 생성부(121)는 상기 제2 보정 유전자 네트워크에서 n개의 연속된 링크로 연결되어 있는 n개의 유전자들로 구성된 복수의 제2 경로 정보들을 생성한다.
이때, 본 발명의 일실시예에 따르면, 전자 장치(110)는 중복 경로 제거부(128)를 더 포함할 수 있다.
중복 경로 제거부(128)는 상기 복수의 제1 경로 정보들과 상기 복수의 제2 경로 정보들이 생성되면, 상기 복수의 제1 경로 정보들과 상기 복수의 제2 경로 정보들에서 동시에 존재하는 중복 경로 정보를 상기 복수의 제1 경로 정보들과 상기 복수의 제2 경로 정보들 각각에서 모두 제거한다.
관련해서, 도 3의 도면부호 320에 도시된 그림을 참조하여, 제1 보정 유전자 네트워크(314)와 제2 보정 유전자 네트워크(315)가 생성된 이후로부터 상기 복수의 제1 경로 정보들과 상기 복수의 제2 경로 정보들이 생성되는 과정까지를 설명하면 다음과 같다.
우선, 도면부호 310에 도시된 그림을 통해 설명한 바와 같이, 제1 보정 유전자 네트워크(314)와 제2 보정 유전자 네트워크(315)가 생성되었다고 하는 경우, 제1 경로 정보 생성부(120)는 도면부호 321에 도시된 그림과 같이, 제1 보정 유전자 네트워크(314)에서 n(n은 2이상의 자연수)개의 연속된 링크로 연결되어 있는 n개의 유전자들로 구성된 복수의 제1 경로 정보들(321)을 생성할 수 있다.
관련해서, 본 실시예에서 n은 3으로 가정하였으며, 이로 인해 제1 경로 생성부(120)는 도면부호 321에 도시된 그림과 같이 (g1 g5 g2), (g2 g5 g4), (g3 g4 g5) 등과 같은 복수의 제1 경로 정보들(321)을 생성할 수 있다.
또한, 제2 경로 정보 생성부(121)도 도면부호 322에 도시된 그림과 같이, 제2 보정 유전자 네트워크(315)에서 3개의 연속된 링크로 연결되어 있는 3개의 유전자들로 구성된 복수의 제2 경로 정보들(322)을 생성할 수 있다.
이때, 제1 경로 정보 생성부(120)와 제2 경로 정보 생성부(121)가 n개의 유전자들로 구성된 경로 정보를 생성하는 방식은 무작위 행보 알고리즘(Random walk algorithm)이 사용될 수 있다. 무작위 행보 알고리즘은 3가지 제약을 가지고서 진행된다. 현재 노드에서 이웃한 어떤 노드를 다음 노드로 선택할 확률은 간선의 상관 계수에 비례하고, 지나쳐온 노드는 결코 재방문하지 않으며, 거쳐온 노드의 개수가 일정 수준에 도달하였거나 또는 더 이상 이동할 수 있는 지점에 도달하였을 경우 무작위 행보 알고리즘을 종료한다. 제1 경로 정보 생성부(120)와 제2 경로 정보 생성부(121)는 각 보정 유전자 네트워크 상의 각 노드를 시작점으로 하여 무작위 행보 알고리즘을 통해 무작위 경로(random path)들을 생성함으로써, 복수의 제1 경로 정보들(321)과 복수의 제2 경로 정보들(322)을 생성할 수 있다.
이렇게, 복수의 제1 경로 정보들(321)과 복수의 제2 경로 정보들(322)이 생성되면, 중복 경로 제거부(128)는 복수의 제1 경로 정보들(321)과 복수의 제2 경로 정보들(322)에서 동시에 존재하는 중복 경로 정보를 복수의 제1 경로 정보들(321)과 복수의 제2 경로 정보들(322) 각각에서 모두 제거한다. 예컨대, 복수의 제1 경로 정보들(321)과 복수의 제2 경로 정보들(322)에서 (g1 g5 g2)라는 경로 정보가 중복해서 존재한다고 하는 경우, 중복 경로 제거부(128)는 복수의 제1 경로 정보들(321)과 복수의 제2 경로 정보들(322) 각각에서 (g1 g5 g2)라는 경로 정보를 모두 제거할 수 있다.
제1 경로 벡터 생성부(122)는 상기 복수의 제1 경로 정보들 각각을 구성하는 n개의 유전자들에 기초하여 상기 복수의 제1 경로 정보들 각각에 대응하는 복수의 제1 경로 벡터들을 생성한다.
제2 경로 벡터 생성부(123)는 상기 복수의 제2 경로 정보들 각각을 구성하는 n개의 유전자들에 기초하여 상기 복수의 제2 경로 정보들 각각에 대응하는 복수의 제2 경로 벡터들을 생성한다.
이때, 본 발명의 일실시예에 따르면, 제1 경로 벡터 생성부(122)는 상기 복수의 제1 경로 정보들 각각에 대해, 상기 복수의 유전자들 중 각 경로 정보에 포함된 n개의 유전자들에 대해 '1'을 할당하고, 나머지 유전자들에 대해 '0'을 할당하는 방식으로 상기 복수의 유전자들의 개수에 대응하는 차원을 갖는 벡터를 생성함으로써, 상기 복수의 제1 경로 정보들 각각에 대응하는 상기 복수의 제1 경로 벡터들을 생성할 수 있다.
그리고, 제2 경로 벡터 생성부(123)는 상기 복수의 제2 경로 정보들 각각에 대해, 상기 복수의 유전자들 중 각 경로 정보에 포함된 n개의 유전자들에 대해 '1'을 할당하고, 나머지 유전자들에 대해 '0'을 할당하는 방식으로 상기 복수의 유전자들의 개수에 대응하는 차원을 갖는 벡터를 생성함으로써, 상기 복수의 제2 경로 정보들 각각에 대응하는 상기 복수의 제2 경로 벡터들을 생성할 수 있다.
제1 출력 값 산출부(124)는 상기 복수의 제1 경로 벡터들 각각에 대해 랜덤 값의 성분들로 구성된 복수의 제1 가중치 행렬들을 기초로 행렬 연산을 수행함으로써, 복수의 제1 연산 행렬들을 생성하고, 상기 복수의 제1 연산 행렬들 각각에 포함된 성분들에 대한 평균 값을 성분으로 갖는 제1 프로젝션 행렬을 산출한 후 상기 제1 프로젝션 행렬에 대해 랜덤 값의 성분으로 구성된 제1 프로젝션 가중치 행렬을 기초로 행렬 연산을 수행함으로써, 제1 출력 값을 산출한다.
제2 출력 값 산출부(125)는 상기 복수의 제2 경로 벡터들 각각에 대해 랜덤 값의 성분들로 구성된 복수의 제2 가중치 행렬들을 기초로 행렬 연산을 수행함으로써, 복수의 제2 연산 행렬들을 생성하고, 상기 복수의 제2 연산 행렬들 각각에 포함된 성분들에 대한 평균 값을 성분으로 갖는 제2 프로젝션 행렬을 산출한 후 상기 제2 프로젝션 행렬에 대해 랜덤 값의 성분으로 구성된 제2 프로젝션 가중치 행렬을 기초로 행렬 연산을 수행함으로써, 제2 출력 값을 산출한다.
학습 수행부(126)는 상기 제1 출력 값과 상기 제2 출력 값 각각이 상기 제1 결과 값과 상기 제2 결과 값 중 어느 결과 값에 근접해 있는지 확인하여 상기 제1 출력 값이 상기 제2 결과 값에 근접해 있는 것으로 확인되거나, 상기 제2 출력 값이 상기 제1 결과 값에 근접해 있는 것으로 확인되는 경우, 상기 제1 출력 값이 상기 제1 결과 값에 근접한 값으로 산출됨과 동시에 상기 제2 출력 값이 상기 제2 결과 값에 근접한 값으로 산출될 때까지 상기 복수의 제1 가중치 행렬들, 상기 복수의 제2 가중치 행렬들, 상기 제1 프로젝션 가중치 행렬 및 상기 제2 프로젝션 가중치 행렬의 성분을 조정하는 기계학습을 수행함으로써, 상기 복수의 제1 가중치 행렬들, 상기 복수의 제2 가중치 행렬들, 상기 제1 프로젝션 가중치 행렬 및 상기 제2 프로젝션 가중치 행렬을 결정한다.
관련해서, 도 3의 도면부호 330에 도시된 그림을 참조하여, 복수의 제1 경로 정보들(321)과 복수의 제2 경로 정보들(322)이 생성된 이후로부터 기계학습을 수행하는 과정까지를 설명하면 다음과 같다.
우선, 도면부호 320에 도시된 그림을 통해 설명한 바와 같이, 복수의 제1 경로 정보들(321)과 복수의 제2 경로 정보들(322)이 생성되었다고 하는 경우, 제1 경로 벡터 생성부(122)는 복수의 제1 경로 정보들(321) 각각을 구성하는 3개의 유전자들에 기초하여 도면부호 331로 표시한 그림과 같이, 복수의 제1 경로 정보들(321) 각각에 대응하는 복수의 제1 경로 벡터들을 생성할 수 있다.
관련해서, 제1 경로 벡터 생성부(122)는 도면부호 331로 표시한 그림과 같이, 복수의 제1 경로 정보들(321) 각각에 대해, g1, g2, g3, g4, g5 중 각 경로 정보에 포함된 3개의 유전자들에 대해 '1'을 할당하고, 나머지 유전자들에 대해 '0'을 할당하는 방식으로 5차원 벡터를 생성함으로써, 복수의 제1 경로 정보들(321) 각각에 대응하는 상기 복수의 제1 경로 벡터들을 생성할 수 있다.
예컨대, 복수의 제1 경로 정보들(321) 중에 (g3 g4 g5)라는 경로 정보가 있다고 하는 경우, 제1 경로 벡터 생성부(122)는 g1, g2, g3, g4, g5 중 g3, g4, g5에 '1'을 할당하고, g1, g2에 '0'을 할당함으로써, (g3 g4 g5)라는 경로 정보에 대응하는 경로 벡터로 (0, 0, 1, 1, 1)을 생성할 수 있다.
이때, 제2 경로 벡터 생성부(123)도 복수의 제2 경로 정보들(322) 각각을 구성하는 3개의 유전자들에 기초하여 도면부호 331로 표시한 그림과 같이, 복수의 제2 경로 정보들(322) 각각에 대응하는 복수의 제2 경로 벡터들을 생성할 수 있다.
관련해서, 제2 경로 벡터 생성부(123)는 복수의 제2 경로 정보들(322) 각각에 대해, g1, g2, g3, g4, g5 중 각 경로 정보에 포함된 3개의 유전자들에 대해 '1'을 할당하고, 나머지 유전자들에 대해 '0'을 할당하는 방식으로 5차원 벡터를 생성함으로써, 복수의 제2 경로 정보들(322) 각각에 대응하는 상기 복수의 제2 경로 벡터들을 생성할 수 있다.
그 이후, 제1 출력 값 산출부(124)는 상기 복수의 제1 경로 벡터들 각각에 대해 도면부호 332로 표시한 그림과 같이, 랜덤 값의 성분들로 구성된 복수의 제1 가중치 행렬들을 기초로 행렬 연산을 수행함으로써, 복수의 제1 연산 행렬들을 생성할 수 있다.
예컨대, 상기 복수의 제1 경로 벡터들로 X1, X2, X3이 존재한다고 하는 경우, 제1 출력 값 산출부(124)는 도면부호 332로 표시한 그림과 같이, X1에 대해 랜덤 값의 성분들로 구성된 W1이라는 제1 가중치 행렬을 곱하여 H1이라는 제1 연산 행렬을 생성할 수 있고, X2에 대해 랜덤 값의 성분들로 구성된 W2라는 제1 가중치 행렬을 곱하여 H2라는 제1 연산 행렬을 생성할 수 있으며, X3에 대해 랜덤 값의 성분들로 구성된 W3이라는 제1 가중치 행렬을 곱하여 H3이라는 제1 연산 행렬을 생성할 수 있다.
이때, 상기 복수의 제1 가중치 행렬들의 열의 개수는 상기 복수의 제1 경로 벡터들의 길이보다 작은 값으로 설정될 수 있다. 예컨대, 상기 복수의 제1 경로 벡터들의 길이가 N이라고 하였을 때, 상기 복수의 제1 가중치 행렬들 각각의 크기는 NxM이 될 수 있고, 여기서, M은 N보다 작은 값으로 설정될 수 있다.
이렇게, 상기 복수의 제1 연산 행렬들이 생성되면, 제1 출력 값 산출부(124)는 도면부호 333에 표시한 그림과 같이, 상기 복수의 제1 연산 행렬들 각각에 포함된 성분들에 대한 평균 값을 성분으로 갖는 제1 프로젝션 행렬을 산출할 수 있다.
관련해서, 앞서 설명한 예시와 같이, 상기 복수의 제1 연산 행렬들로 H1, H2, H3이 생성되었다고 하는 경우, 제1 출력 값 산출부(124)는 H1, H2, H3 각각에서 동일 위치에 있는 성분들의 평균 값을 산출한 후 각 평균 값을 성분으로 포함하는 제1 프로젝션 행렬을 산출할 수 있다.
이렇게, 상기 제1 프로젝션 행렬이 산출되면, 제1 출력 값 산출부(124)는 도면부호 334에 표시한 그림과 같이, 상기 제1 프로젝션 행렬에 대해 랜덤 값의 성분으로 구성된 제1 프로젝션 가중치 행렬을 기초로 행렬 연산을 수행함으로써, 도면부호 335에 표시한 그림과 같은 제1 출력 값을 산출할 수 있다.
관련해서, 제1 출력 값 산출부(124)는 상기 제1 프로젝션 행렬에 대해 도면부호 334에 표시한 그림과 같이, 상기 제1 프로젝션 가중치 행렬을 곱하여 도면부호 335에 표시한 그림과 같은 상기 제1 출력 값을 산출할 수 있다.
이때, 상기 제1 프로젝션 가중치 행렬의 열의 개수는 상기 제1 출력 값의 산출을 위해 '1'이 될 수 있다. 예컨대, 상기 제1 프로젝션 행렬의 크기가 NxM이라고 하는 경우, 상기 제1 프로젝션 가중치 행렬의 크기는 Mx1이 될 수 있다.
제1 출력 값 산출부(124)의 동작과 동일한 방식으로, 제2 출력 값 산출부(125)는 상기 복수의 제2 경로 벡터들 각각에 대해 도면부호 332로 표시한 그림과 같이, 랜덤 값의 성분들로 구성된 복수의 제2 가중치 행렬들을 기초로 행렬 연산을 수행함으로써, 복수의 제2 연산 행렬들을 생성할 수 있다.
예컨대, 상기 복수의 제2 경로 벡터들로 X4, X5, X6이 존재한다고 하는 경우, 제2 출력 값 산출부(125)는 도면부호 332로 표시한 그림과 같이, X4에 대해 랜덤 값의 성분들로 구성된 W4라는 제2 가중치 행렬을 곱하여 H4라는 제2 연산 행렬을 생성할 수 있고, X5에 대해 랜덤 값의 성분들로 구성된 W5라는 제2 가중치 행렬을 곱하여 H5라는 제2 연산 행렬을 생성할 수 있으며, X6에 대해 랜덤 값의 성분들로 구성된 W6이라는 제2 가중치 행렬을 곱하여 H6이라는 제2 연산 행렬을 생성할 수 있다.
이때, 상기 복수의 제2 가중치 행렬들의 열의 개수는 상기 복수의 제2 경로 벡터들의 길이보다 작은 값으로 설정될 수 있다. 예컨대, 상기 복수의 제2 경로 벡터들의 길이가 N이라고 하였을 때, 상기 복수의 제2 가중치 행렬들 각각의 크기는 NxM이 될 수 있고, 여기서, M은 N보다 작은 값으로 설정될 수 있다.
이렇게, 상기 복수의 제2 연산 행렬들이 생성되면, 제2 출력 값 산출부(125)는 도면부호 333에 표시한 그림과 같이, 상기 복수의 제2 연산 행렬들 각각에 포함된 성분들에 대한 평균 값을 성분으로 갖는 제2 프로젝션 행렬을 산출할 수 있다.
관련해서, 앞서 설명한 예시와 같이, 상기 복수의 제2 연산 행렬들로 H4, H5, H6이 생성되었다고 하는 경우, 제2 출력 값 산출부(125)는 H4, H5, H6 각각에서 동일 위치에 있는 성분들의 평균 값을 산출한 후 각 평균 값을 성분으로 포함하는 제2 프로젝션 행렬을 산출할 수 있다.
이렇게, 상기 제2 프로젝션 행렬이 산출되면, 제2 출력 값 산출부(125)는 도면부호 334에 표시한 그림과 같이, 상기 제2 프로젝션 행렬에 대해 랜덤 값의 성분으로 구성된 제2 프로젝션 가중치 행렬을 기초로 행렬 연산을 수행함으로써, 도면부호 335에 표시한 그림과 같은 제2 출력 값을 산출할 수 있다.
관련해서, 제2 출력 값 산출부(125)는 상기 제2 프로젝션 행렬에 대해 도면부호 334에 표시한 그림과 같이, 상기 제2 프로젝션 가중치 행렬을 곱하여 도면부호 335에 표시한 그림과 같은 상기 제2 출력 값을 산출할 수 있다.
이때, 상기 제2 프로젝션 가중치 행렬의 열의 개수는 상기 제2 출력 값의 산출을 위해 '1'이 될 수 있다. 예컨대, 상기 제2 프로젝션 행렬의 크기가 NxM이라고 하는 경우, 상기 제2 프로젝션 가중치 행렬의 크기는 Mx1이 될 수 있다.
이렇게, 상기 제1 출력 값과 상기 제2 출력 값의 산출이 완료되면, 학습 수행부(126)는 상기 제1 출력 값과 상기 제2 출력 값 각각이 상기 제1 결과 값과 상기 제2 결과 값 중 어느 결과 값에 근접해 있는지 확인할 수 있다.
관련해서, 결과 값 저장부(114)에 저장되어 있는 상기 제1 결과 값이 '0'이고 ,상기 제2 결과 값이 '1'이라고 하는 경우, 학습 수행부(126)는 상기 제1 출력 값과 상기 제2 출력 값이 '1'과 '0' 중 어느 결과 값에 근접해 있는지 확인할 수 있다.
여기서, 상기 제1 결과 값은 암의 예후가 좋은 군을 지시하는 결과 값이기 때문에 암의 예후가 좋은 군의 유전자 데이터로부터 산출된 상기 제1 출력 값은 상기 제1 결과 값에 근접하는 것이 정답이고, 상기 제2 결과 값은 암의 예후가 나쁜 군을 지시하는 결과 값이기 때문에 암의 예후가 나쁜 군의 유전자 데이터로부터 산출된 상기 제2 출력 값은 상기 제2 결과 값에 근접하는 것이 정답일 것이다.
따라서, 상기 제1 출력 값이 상기 제2 결과 값에 근접해 있는 것으로 확인되거나, 상기 제2 출력 값이 상기 제1 결과 값에 근접해 있는 것으로 확인되는 경우, 상기 제1 출력 값과 상기 제2 출력 값을 산출하는데 사용된 상기 복수의 제1 가중치 행렬들, 상기 복수의 제2 가중치 행렬들, 상기 제1 프로젝션 가중치 행렬 및 상기 제2 프로젝션 가중치 행렬이 잘못된 행렬인 것으로 볼 수 있기 때문에, 학습 수행부(126)는 상기 제1 출력 값이 상기 제1 결과 값에 근접한 값으로 산출됨과 동시에 상기 제2 출력 값이 상기 제2 결과 값에 근접한 값으로 산출될 때까지 상기 복수의 제1 가중치 행렬들, 상기 복수의 제2 가중치 행렬들, 상기 제1 프로젝션 가중치 행렬 및 상기 제2 프로젝션 가중치 행렬의 성분을 조정하는 기계학습을 수행함으로써, 상기 복수의 제1 가중치 행렬들, 상기 복수의 제2 가중치 행렬들, 상기 제1 프로젝션 가중치 행렬 및 상기 제2 프로젝션 가중치 행렬을 결정할 수 있다.
이때, 본 발명의 일실시예에 따르면, 학습 수행부(126)는 크로스 엔트로피 목적 함수 등과 같은 비용함수를 이용하여 상기 제1 출력 값과 상기 제2 출력 값 각각이 상기 제1 결과 값과 상기 제2 결과 값 중 어느 결과 값에 근접해있는지 확인하고, 상기 제1 출력 값이 상기 제1 결과 값에 근접한 값으로 산출됨과 동시에 상기 제2 출력 값이 상기 제2 결과 값에 근접한 값으로 산출될 때까지 가중치 행렬을 결정하기 위한 기계학습을 수행할 수 있다.
유전자 특징 벡터 결정부(127)는 기계학습을 통해 상기 복수의 제1 가중치 행렬들, 상기 복수의 제2 가중치 행렬들, 상기 제1 프로젝션 가중치 행렬 및 상기 제2 프로젝션 가중치 행렬의 결정이 완료되면, 기계학습을 통해 결정된 상기 복수의 제1 가중치 행렬들과 상기 복수의 제2 가중치 행렬들에 기초하여 상기 복수의 유전자들 각각을 표현하기 위한 유전자 특징 벡터를 결정한다.
이때, 본 발명의 일실시예에 따르면, 유전자 특징 벡터 결정부(127)는 기계학습을 통해 결정된 상기 복수의 제1 가중치 행렬들과 상기 복수의 제2 가중치 행렬들의 행을 구성하는 복수의 가중치 벡터들 중 상기 복수의 제1 경로 벡터들과 상기 복수의 제2 경로 벡터들 각각에서 '1'의 성분에 대응하는 순번의 행에 존재하는 가중치 벡터들을 상기 복수의 제1 경로 벡터들과 상기 복수의 제2 경로 벡터들에서 '1'의 성분에 대응하는 유전자 각각에 대한 상기 유전자 특징 벡터로 결정할 수 있다.
예컨대, g1, g2, g3, g4, g5라는 유전자가 존재하고, (g1 g2 g4)라는 제1 또는 제2 경로 정보가 생성됨에 따라, (1, 1, 0, 1, 0)이라는 제1 또는 제2 경로 벡터가 생성되었으며, 상기 경로 벡터에 대응하는 제1 또는 제2 가중치 행렬로
Figure pat00001
가 결정되었다고 하는 경우, 유전자 특징 벡터 결정부(127)는 상기 경로 벡터에서 '1'의 성분에 대응하는 유전자인 g1에 대해 대응되는 순번의 행에 존재하는 가중치 벡터인 (3, 1, 5, 6)을 유전자 특징 벡터로 결정할 수 있고, '1'의 성분에 대응하는 유전자인 g2에 대해 대응되는 순번의 행에 존재하는 가중치 벡터인 (1, 5, 2, 7)을 유전자 특징 벡터로 결정할 수 있으며, '1'의 성분에 대응하는 유전자인 g4에 대해 대응되는 순번의 행에 존재하는 가중치 벡터인 (10, 1, 21, 5)를 유전자 특징 벡터로 결정할 수 있다.
도 4는 본 발명의 일실시예에 따른 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치의 동작 방법을 도시한 순서도이다.
단계(S411)에서는 암의 예후가 좋은 군으로 사전 분류되어 있는 암환자로부터 수집된 서로 다른 종류의 복수의 유전자들 각각에 대한 복수의 유전자 데이터의 종류별 데이터 값이 기록되어 있는 제1 유전자 테이블을 저장하여 유지한다.
단계(S412)에서는 암의 예후가 나쁜 군으로 사전 분류되어 있는 암환자로부터 수집된 상기 복수의 유전자들 각각에 대한 상기 복수의 유전자 데이터의 종류별 데이터 값이 기록되어 있는 제2 유전자 테이블을 저장하여 유지한다.
단계(S413)에서는 상기 복수의 유전자들 중 서로 영향을 미치는 유전자 간에 링크가 설정되어 있는 기설정된 유전자 네트워크에 대한 데이터가 저장되어 있는 유전자 네트워크 데이터 저장부를 유지한다.
단계(S414)에서는 암의 예후가 좋은 군을 지시하는 기설정된 제1 결과 값과 암의 예후가 나쁜 군을 지시하는 기설정된 제2 결과 값이 저장되어 있는 결과 값 저장부를 유지한다.
단계(S415)에서는 상기 기설정된 유전자 네트워크에 대한 데이터를 참조하여 상기 기설정된 유전자 네트워크에서 서로 링크가 설정되어 있는 복수의 유전자 쌍들을 확인한다.
단계(S416)에서는 상기 제1 유전자 테이블에 기록되어 있는 상기 복수의 유전자들 각각에 대한 상기 복수의 유전자 데이터의 종류별 데이터 값을 기초로 상기 복수의 유전자 쌍들 각각을 구성하는 유전자 쌍간의 제1 상관 계수를 연산한다.
단계(S417)에서는 상기 제2 유전자 테이블에 기록되어 있는 상기 복수의 유전자들 각각에 대한 상기 복수의 유전자 데이터의 종류별 데이터 값을 기초로 상기 복수의 유전자 쌍들 각각을 구성하는 유전자 쌍간의 제2 상관 계수를 연산한다.
단계(S418)에서는 상기 기설정된 유전자 네트워크에서 상기 제1 상관 계수가 기설정된 기준치 미만인 유전자 쌍 사이에 설정되어 있는 링크를 제거하여 제1 보정 유전자 네트워크를 생성한다.
단계(S419)에서는 상기 기설정된 유전자 네트워크에서 상기 제2 상관 계수가 상기 기설정된 기준치 미만인 유전자 쌍 사이에 설정되어 있는 링크를 제거하여 제2 보정 유전자 네트워크를 생성한다.
단계(S420)에서는 상기 제1 보정 유전자 네트워크에서 n(n은 2이상의 자연수)개의 연속된 링크로 연결되어 있는 n개의 유전자들로 구성된 복수의 제1 경로 정보들을 생성한다.
단계(S421)에서는 상기 제2 보정 유전자 네트워크에서 n개의 연속된 링크로 연결되어 있는 n개의 유전자들로 구성된 복수의 제2 경로 정보들을 생성한다.
단계(S422)에서는 상기 복수의 제1 경로 정보들 각각을 구성하는 n개의 유전자들에 기초하여 상기 복수의 제1 경로 정보들 각각에 대응하는 복수의 제1 경로 벡터들을 생성한다.
단계(S423)에서는 상기 복수의 제2 경로 정보들 각각을 구성하는 n개의 유전자들에 기초하여 상기 복수의 제2 경로 정보들 각각에 대응하는 복수의 제2 경로 벡터들을 생성한다.
단계(S424)에서는 상기 복수의 제1 경로 벡터들 각각에 대해 랜덤 값의 성분들로 구성된 복수의 제1 가중치 행렬들을 기초로 행렬 연산을 수행함으로써, 복수의 제1 연산 행렬들을 생성하고, 상기 복수의 제1 연산 행렬들 각각에 포함된 성분들에 대한 평균 값을 성분으로 갖는 제1 프로젝션 행렬을 산출한 후 상기 제1 프로젝션 행렬에 대해 랜덤 값의 성분으로 구성된 제1 프로젝션 가중치 행렬을 기초로 행렬 연산을 수행함으로써, 제1 출력 값을 산출한다.
단계(S425)에서는 상기 복수의 제2 경로 벡터들 각각에 대해 랜덤 값의 성분들로 구성된 복수의 제2 가중치 행렬들을 기초로 행렬 연산을 수행함으로써, 복수의 제2 연산 행렬들을 생성하고, 상기 복수의 제2 연산 행렬들 각각에 포함된 성분들에 대한 평균 값을 성분으로 갖는 제2 프로젝션 행렬을 산출한 후 상기 제2 프로젝션 행렬에 대해 랜덤 값의 성분으로 구성된 제2 프로젝션 가중치 행렬을 기초로 행렬 연산을 수행함으로써, 제2 출력 값을 산출한다.
단계(S426)에서는 상기 제1 출력 값과 상기 제2 출력 값 각각이 상기 제1 결과 값과 상기 제2 결과 값 중 어느 결과 값에 근접해 있는지 확인하여 상기 제1 출력 값이 상기 제2 결과 값에 근접해 있는 것으로 확인되거나, 상기 제2 출력 값이 상기 제1 결과 값에 근접해 있는 것으로 확인되는 경우, 상기 제1 출력 값이 상기 제1 결과 값에 근접한 값으로 산출됨과 동시에 상기 제2 출력 값이 상기 제2 결과 값에 근접한 값으로 산출될 때까지 상기 복수의 제1 가중치 행렬들, 상기 복수의 제2 가중치 행렬들, 상기 제1 프로젝션 가중치 행렬 및 상기 제2 프로젝션 가중치 행렬의 성분을 조정하는 기계학습을 수행함으로써, 상기 복수의 제1 가중치 행렬들, 상기 복수의 제2 가중치 행렬들, 상기 제1 프로젝션 가중치 행렬 및 상기 제2 프로젝션 가중치 행렬을 결정한다.
단계(S427)에서는 기계학습을 통해 결정된 상기 복수의 제1 가중치 행렬들과 상기 복수의 제2 가중치 행렬들에 기초하여 상기 복수의 유전자들 각각을 표현하기 위한 유전자 특징 벡터를 결정한다.
이때, 본 발명의 일실시예에 따르면, 상기 전자 장치의 동작 방법은 상기 복수의 제1 경로 정보들과 상기 복수의 제2 경로 정보들이 생성되면, 상기 복수의 제1 경로 정보들과 상기 복수의 제2 경로 정보들에서 동시에 존재하는 중복 경로 정보를 상기 복수의 제1 경로 정보들과 상기 복수의 제2 경로 정보들 각각에서 모두 제거하는 단계를 더 포함할 수 있다.
또한, 본 발명의 일실시예에 따르면, 단계(S422)에서는 상기 복수의 제1 경로 정보들 각각에 대해, 상기 복수의 유전자들 중 각 경로 정보에 포함된 n개의 유전자들에 대해 '1'을 할당하고, 나머지 유전자들에 대해 '0'을 할당하는 방식으로 상기 복수의 유전자들의 개수에 대응하는 차원을 갖는 벡터를 생성함으로써, 상기 복수의 제1 경로 정보들 각각에 대응하는 상기 복수의 제1 경로 벡터들을 생성할 수 있다.
이때, 단계(S423)에서는 상기 복수의 제2 경로 정보들 각각에 대해, 상기 복수의 유전자들 중 각 경로 정보에 포함된 n개의 유전자들에 대해 '1'을 할당하고, 나머지 유전자들에 대해 '0'을 할당하는 방식으로 상기 복수의 유전자들의 개수에 대응하는 차원을 갖는 벡터를 생성함으로써, 상기 복수의 제2 경로 정보들 각각에 대응하는 상기 복수의 제2 경로 벡터들을 생성할 수 있다.
이때, 본 발명의 일실시예에 따르면, 단계(S427)에서는 기계학습을 통해 결정된 상기 복수의 제1 가중치 행렬들과 상기 복수의 제2 가중치 행렬들의 행을 구성하는 복수의 가중치 벡터들 중 상기 복수의 제1 경로 벡터들과 상기 복수의 제2 경로 벡터들 각각에서 '1'의 성분에 대응하는 순번의 행에 존재하는 가중치 벡터들을 상기 복수의 제1 경로 벡터들과 상기 복수의 제2 경로 벡터들에서 '1'의 성분에 대응하는 유전자 각각에 대한 상기 유전자 특징 벡터로 결정할 수 있다.
또한, 본 발명의 일실시예에 따르면, 상기 제1 상관 계수와 상기 제2 상관 계수는 피어슨 상관 계수(Pearson’s Correlation Coefficient: PCC)일 수 있다.
이상, 도 4를 참조하여 본 발명의 일실시예에 따른 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치의 동작 방법에 대해 설명하였다. 여기서, 본 발명의 일실시예에 따른 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치의 동작 방법은 도 1 내지 도 3을 이용하여 설명한 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치(110)의 동작에 대한 구성과 대응될 수 있으므로, 이에 대한 보다 상세한 설명은 생략하기로 한다.
본 발명의 일실시예에 따른 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치의 동작 방법은 컴퓨터와의 결합을 통해 실행시키기 위한 저장매체에 저장된 컴퓨터 프로그램으로 구현될 수 있다.
또한, 본 발명의 일실시예에 따른 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치의 동작 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
110: 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치
111: 제1 유전자 테이블 유지부 112: 제2 유전자 테이블 유지부
113: 유전자 네트워크 데이터 저장부 114: 결과 값 저장부
115: 유전자 쌍 확인부 116: 제1 상관 계수 연산부
117: 제2 상관 계수 연산부
118: 제1 보정 유전자 네트워크 생성부
119: 제2 보정 유전자 네트워크 생성부
120: 제1 경로 정보 생성부 121: 제2 경로 정보 생성부
122: 제1 경로 벡터 생성부 123: 제2 경로 벡터 생성부
124: 제1 출력 값 산출부 125: 제2 출력 값 산출부
126: 학습 수행부 127: 유전자 특징 벡터 결정부
128: 중복 경로 제거부

Claims (12)

  1. 암의 예후가 좋은 군으로 사전 분류되어 있는 암환자로부터 수집된 서로 다른 종류의 복수의 유전자들 각각에 대한 복수의 유전자 데이터의 종류별 데이터 값이 기록되어 있는 제1 유전자 테이블을 저장하여 유지하는 제1 유전자 테이블 유지부;
    암의 예후가 나쁜 군으로 사전 분류되어 있는 암환자로부터 수집된 상기 복수의 유전자들 각각에 대한 상기 복수의 유전자 데이터의 종류별 데이터 값이 기록되어 있는 제2 유전자 테이블을 저장하여 유지하는 제2 유전자 테이블 유지부;
    상기 복수의 유전자들 중 서로 영향을 미치는 유전자 간에 링크가 설정되어 있는 기설정된(predetermined) 유전자 네트워크에 대한 데이터가 저장되어 있는 유전자 네트워크 데이터 저장부;
    암의 예후가 좋은 군을 지시하는 기설정된 제1 결과 값과 암의 예후가 나쁜 군을 지시하는 기설정된 제2 결과 값이 저장되어 있는 결과 값 저장부;
    상기 기설정된 유전자 네트워크에 대한 데이터를 참조하여 상기 기설정된 유전자 네트워크에서 서로 링크가 설정되어 있는 복수의 유전자 쌍들을 확인하는 유전자 쌍 확인부;
    상기 제1 유전자 테이블에 기록되어 있는 상기 복수의 유전자들 각각에 대한 상기 복수의 유전자 데이터의 종류별 데이터 값을 기초로 상기 복수의 유전자 쌍들 각각을 구성하는 유전자 쌍간의 제1 상관 계수를 연산하는 제1 상관 계수 연산부;
    상기 제2 유전자 테이블에 기록되어 있는 상기 복수의 유전자들 각각에 대한 상기 복수의 유전자 데이터의 종류별 데이터 값을 기초로 상기 복수의 유전자 쌍들 각각을 구성하는 유전자 쌍간의 제2 상관 계수를 연산하는 제2 상관 계수 연산부;
    상기 기설정된 유전자 네트워크에서 상기 제1 상관 계수가 기설정된 기준치 미만인 유전자 쌍 사이에 설정되어 있는 링크를 제거하여 제1 보정 유전자 네트워크를 생성하는 제1 보정 유전자 네트워크 생성부;
    상기 기설정된 유전자 네트워크에서 상기 제2 상관 계수가 상기 기설정된 기준치 미만인 유전자 쌍 사이에 설정되어 있는 링크를 제거하여 제2 보정 유전자 네트워크를 생성하는 제2 보정 유전자 네트워크 생성부;
    상기 제1 보정 유전자 네트워크에서 n(n은 2이상의 자연수)개의 연속된 링크로 연결되어 있는 n개의 유전자들로 구성된 복수의 제1 경로 정보들을 생성하는 제1 경로 정보 생성부;
    상기 제2 보정 유전자 네트워크에서 n개의 연속된 링크로 연결되어 있는 n개의 유전자들로 구성된 복수의 제2 경로 정보들을 생성하는 제2 경로 정보 생성부;
    상기 복수의 제1 경로 정보들 각각을 구성하는 n개의 유전자들에 기초하여 상기 복수의 제1 경로 정보들 각각에 대응하는 복수의 제1 경로 벡터들을 생성하는 제1 경로 벡터 생성부;
    상기 복수의 제2 경로 정보들 각각을 구성하는 n개의 유전자들에 기초하여 상기 복수의 제2 경로 정보들 각각에 대응하는 복수의 제2 경로 벡터들을 생성하는 제2 경로 벡터 생성부;
    상기 복수의 제1 경로 벡터들 각각에 대해 랜덤 값의 성분들로 구성된 복수의 제1 가중치 행렬들을 기초로 행렬 연산을 수행함으로써, 복수의 제1 연산 행렬들을 생성하고, 상기 복수의 제1 연산 행렬들 각각에 포함된 성분들에 대한 평균 값을 성분으로 갖는 제1 프로젝션 행렬을 산출한 후 상기 제1 프로젝션 행렬에 대해 랜덤 값의 성분으로 구성된 제1 프로젝션 가중치 행렬을 기초로 행렬 연산을 수행함으로써, 제1 출력 값을 산출하는 제1 출력 값 산출부;
    상기 복수의 제2 경로 벡터들 각각에 대해 랜덤 값의 성분들로 구성된 복수의 제2 가중치 행렬들을 기초로 행렬 연산을 수행함으로써, 복수의 제2 연산 행렬들을 생성하고, 상기 복수의 제2 연산 행렬들 각각에 포함된 성분들에 대한 평균 값을 성분으로 갖는 제2 프로젝션 행렬을 산출한 후 상기 제2 프로젝션 행렬에 대해 랜덤 값의 성분으로 구성된 제2 프로젝션 가중치 행렬을 기초로 행렬 연산을 수행함으로써, 제2 출력 값을 산출하는 제2 출력 값 산출부;
    상기 제1 출력 값과 상기 제2 출력 값 각각이 상기 제1 결과 값과 상기 제2 결과 값 중 어느 결과 값에 근접해 있는지 확인하여 상기 제1 출력 값이 상기 제2 결과 값에 근접해 있는 것으로 확인되거나, 상기 제2 출력 값이 상기 제1 결과 값에 근접해 있는 것으로 확인되는 경우, 상기 제1 출력 값이 상기 제1 결과 값에 근접한 값으로 산출됨과 동시에 상기 제2 출력 값이 상기 제2 결과 값에 근접한 값으로 산출될 때까지 상기 복수의 제1 가중치 행렬들, 상기 복수의 제2 가중치 행렬들, 상기 제1 프로젝션 가중치 행렬 및 상기 제2 프로젝션 가중치 행렬의 성분을 조정하는 기계학습을 수행함으로써, 상기 복수의 제1 가중치 행렬들, 상기 복수의 제2 가중치 행렬들, 상기 제1 프로젝션 가중치 행렬 및 상기 제2 프로젝션 가중치 행렬을 결정하는 학습 수행부; 및
    기계학습을 통해 결정된 상기 복수의 제1 가중치 행렬들과 상기 복수의 제2 가중치 행렬들에 기초하여 상기 복수의 유전자들 각각을 표현하기 위한 유전자 특징 벡터를 결정하는 유전자 특징 벡터 결정부
    를 포함하는 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치.
  2. 제1항에 있어서,
    상기 복수의 제1 경로 정보들과 상기 복수의 제2 경로 정보들이 생성되면, 상기 복수의 제1 경로 정보들과 상기 복수의 제2 경로 정보들에서 동시에 존재하는 중복 경로 정보를 상기 복수의 제1 경로 정보들과 상기 복수의 제2 경로 정보들 각각에서 모두 제거하는 중복 경로 제거부
    를 더 포함하는 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치.
  3. 제1항에 있어서,
    상기 제1 경로 벡터 생성부는
    상기 복수의 제1 경로 정보들 각각에 대해, 상기 복수의 유전자들 중 각 경로 정보에 포함된 n개의 유전자들에 대해 '1'을 할당하고, 나머지 유전자들에 대해 '0'을 할당하는 방식으로 상기 복수의 유전자들의 개수에 대응하는 차원을 갖는 벡터를 생성함으로써, 상기 복수의 제1 경로 정보들 각각에 대응하는 상기 복수의 제1 경로 벡터들을 생성하고,
    상기 제2 경로 벡터 생성부는
    상기 복수의 제2 경로 정보들 각각에 대해, 상기 복수의 유전자들 중 각 경로 정보에 포함된 n개의 유전자들에 대해 '1'을 할당하고, 나머지 유전자들에 대해 '0'을 할당하는 방식으로 상기 복수의 유전자들의 개수에 대응하는 차원을 갖는 벡터를 생성함으로써, 상기 복수의 제2 경로 정보들 각각에 대응하는 상기 복수의 제2 경로 벡터들을 생성하는 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치.
  4. 제3항에 있어서,
    상기 유전자 특징 벡터 결정부는
    기계학습을 통해 결정된 상기 복수의 제1 가중치 행렬들과 상기 복수의 제2 가중치 행렬들의 행을 구성하는 복수의 가중치 벡터들 중 상기 복수의 제1 경로 벡터들과 상기 복수의 제2 경로 벡터들 각각에서 '1'의 성분에 대응하는 순번의 행에 존재하는 가중치 벡터들을 상기 복수의 제1 경로 벡터들과 상기 복수의 제2 경로 벡터들에서 '1'의 성분에 대응하는 유전자 각각에 대한 상기 유전자 특징 벡터로 결정하는 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치.
  5. 제1항에 있어서,
    상기 제1 상관 계수와 상기 제2 상관 계수는 피어슨 상관 계수(Pearson’s Correlation Coefficient: PCC)인 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치.
  6. 암의 예후가 좋은 군으로 사전 분류되어 있는 암환자로부터 수집된 서로 다른 종류의 복수의 유전자들 각각에 대한 복수의 유전자 데이터의 종류별 데이터 값이 기록되어 있는 제1 유전자 테이블을 저장하여 유지하는 단계;
    암의 예후가 나쁜 군으로 사전 분류되어 있는 암환자로부터 수집된 상기 복수의 유전자들 각각에 대한 상기 복수의 유전자 데이터의 종류별 데이터 값이 기록되어 있는 제2 유전자 테이블을 저장하여 유지하는 단계;
    상기 복수의 유전자들 중 서로 영향을 미치는 유전자 간에 링크가 설정되어 있는 기설정된(predetermined) 유전자 네트워크에 대한 데이터가 저장되어 있는 유전자 네트워크 데이터 저장부를 유지하는 단계;
    암의 예후가 좋은 군을 지시하는 기설정된 제1 결과 값과 암의 예후가 나쁜 군을 지시하는 기설정된 제2 결과 값이 저장되어 있는 결과 값 저장부를 유지하는 단계;
    상기 기설정된 유전자 네트워크에 대한 데이터를 참조하여 상기 기설정된 유전자 네트워크에서 서로 링크가 설정되어 있는 복수의 유전자 쌍들을 확인하는 단계;
    상기 제1 유전자 테이블에 기록되어 있는 상기 복수의 유전자들 각각에 대한 상기 복수의 유전자 데이터의 종류별 데이터 값을 기초로 상기 복수의 유전자 쌍들 각각을 구성하는 유전자 쌍간의 제1 상관 계수를 연산하는 단계;
    상기 제2 유전자 테이블에 기록되어 있는 상기 복수의 유전자들 각각에 대한 상기 복수의 유전자 데이터의 종류별 데이터 값을 기초로 상기 복수의 유전자 쌍들 각각을 구성하는 유전자 쌍간의 제2 상관 계수를 연산하는 단계;
    상기 기설정된 유전자 네트워크에서 상기 제1 상관 계수가 기설정된 기준치 미만인 유전자 쌍 사이에 설정되어 있는 링크를 제거하여 제1 보정 유전자 네트워크를 생성하는 단계;
    상기 기설정된 유전자 네트워크에서 상기 제2 상관 계수가 상기 기설정된 기준치 미만인 유전자 쌍 사이에 설정되어 있는 링크를 제거하여 제2 보정 유전자 네트워크를 생성하는 단계;
    상기 제1 보정 유전자 네트워크에서 n(n은 2이상의 자연수)개의 연속된 링크로 연결되어 있는 n개의 유전자들로 구성된 복수의 제1 경로 정보들을 생성하는 단계;
    상기 제2 보정 유전자 네트워크에서 n개의 연속된 링크로 연결되어 있는 n개의 유전자들로 구성된 복수의 제2 경로 정보들을 생성하는 단계;
    상기 복수의 제1 경로 정보들 각각을 구성하는 n개의 유전자들에 기초하여 상기 복수의 제1 경로 정보들 각각에 대응하는 복수의 제1 경로 벡터들을 생성하는 단계;
    상기 복수의 제2 경로 정보들 각각을 구성하는 n개의 유전자들에 기초하여 상기 복수의 제2 경로 정보들 각각에 대응하는 복수의 제2 경로 벡터들을 생성하는 단계;
    상기 복수의 제1 경로 벡터들 각각에 대해 랜덤 값의 성분들로 구성된 복수의 제1 가중치 행렬들을 기초로 행렬 연산을 수행함으로써, 복수의 제1 연산 행렬들을 생성하고, 상기 복수의 제1 연산 행렬들 각각에 포함된 성분들에 대한 평균 값을 성분으로 갖는 제1 프로젝션 행렬을 산출한 후 상기 제1 프로젝션 행렬에 대해 랜덤 값의 성분으로 구성된 제1 프로젝션 가중치 행렬을 기초로 행렬 연산을 수행함으로써, 제1 출력 값을 산출하는 단계;
    상기 복수의 제2 경로 벡터들 각각에 대해 랜덤 값의 성분들로 구성된 복수의 제2 가중치 행렬들을 기초로 행렬 연산을 수행함으로써, 복수의 제2 연산 행렬들을 생성하고, 상기 복수의 제2 연산 행렬들 각각에 포함된 성분들에 대한 평균 값을 성분으로 갖는 제2 프로젝션 행렬을 산출한 후 상기 제2 프로젝션 행렬에 대해 랜덤 값의 성분으로 구성된 제2 프로젝션 가중치 행렬을 기초로 행렬 연산을 수행함으로써, 제2 출력 값을 산출하는 단계;
    상기 제1 출력 값과 상기 제2 출력 값 각각이 상기 제1 결과 값과 상기 제2 결과 값 중 어느 결과 값에 근접해 있는지 확인하여 상기 제1 출력 값이 상기 제2 결과 값에 근접해 있는 것으로 확인되거나, 상기 제2 출력 값이 상기 제1 결과 값에 근접해 있는 것으로 확인되는 경우, 상기 제1 출력 값이 상기 제1 결과 값에 근접한 값으로 산출됨과 동시에 상기 제2 출력 값이 상기 제2 결과 값에 근접한 값으로 산출될 때까지 상기 복수의 제1 가중치 행렬들, 상기 복수의 제2 가중치 행렬들, 상기 제1 프로젝션 가중치 행렬 및 상기 제2 프로젝션 가중치 행렬의 성분을 조정하는 기계학습을 수행함으로써, 상기 복수의 제1 가중치 행렬들, 상기 복수의 제2 가중치 행렬들, 상기 제1 프로젝션 가중치 행렬 및 상기 제2 프로젝션 가중치 행렬을 결정하는 단계; 및
    기계학습을 통해 결정된 상기 복수의 제1 가중치 행렬들과 상기 복수의 제2 가중치 행렬들에 기초하여 상기 복수의 유전자들 각각을 표현하기 위한 유전자 특징 벡터를 결정하는 단계
    를 포함하는 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치의 동작 방법.
  7. 제6항에 있어서,
    상기 복수의 제1 경로 정보들과 상기 복수의 제2 경로 정보들이 생성되면, 상기 복수의 제1 경로 정보들과 상기 복수의 제2 경로 정보들에서 동시에 존재하는 중복 경로 정보를 상기 복수의 제1 경로 정보들과 상기 복수의 제2 경로 정보들 각각에서 모두 제거하는 단계
    를 더 포함하는 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치의 동작 방법.
  8. 제6항에 있어서,
    상기 복수의 제1 경로 벡터들을 생성하는 단계는
    상기 복수의 제1 경로 정보들 각각에 대해, 상기 복수의 유전자들 중 각 경로 정보에 포함된 n개의 유전자들에 대해 '1'을 할당하고, 나머지 유전자들에 대해 '0'을 할당하는 방식으로 상기 복수의 유전자들의 개수에 대응하는 차원을 갖는 벡터를 생성함으로써, 상기 복수의 제1 경로 정보들 각각에 대응하는 상기 복수의 제1 경로 벡터들을 생성하고,
    상기 복수의 제2 경로 벡터들을 생성하는 단계는
    상기 복수의 제2 경로 정보들 각각에 대해, 상기 복수의 유전자들 중 각 경로 정보에 포함된 n개의 유전자들에 대해 '1'을 할당하고, 나머지 유전자들에 대해 '0'을 할당하는 방식으로 상기 복수의 유전자들의 개수에 대응하는 차원을 갖는 벡터를 생성함으로써, 상기 복수의 제2 경로 정보들 각각에 대응하는 상기 복수의 제2 경로 벡터들을 생성하는 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치의 동작 방법.
  9. 제8항에 있어서,
    상기 유전자 특징 벡터를 결정하는 단계는
    기계학습을 통해 결정된 상기 복수의 제1 가중치 행렬들과 상기 복수의 제2 가중치 행렬들의 행을 구성하는 복수의 가중치 벡터들 중 상기 복수의 제1 경로 벡터들과 상기 복수의 제2 경로 벡터들 각각에서 '1'의 성분에 대응하는 순번의 행에 존재하는 가중치 벡터들을 상기 복수의 제1 경로 벡터들과 상기 복수의 제2 경로 벡터들에서 '1'의 성분에 대응하는 유전자 각각에 대한 상기 유전자 특징 벡터로 결정하는 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치의 동작 방법.
  10. 제6항에 있어서,
    상기 제1 상관 계수와 상기 제2 상관 계수는 피어슨 상관 계수(Pearson’s Correlation Coefficient: PCC)인 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치의 동작 방법.
  11. 제6항 내지 제10항 중 어느 한 항의 방법을 컴퓨터와의 결합을 통해 실행시키기 위한 컴퓨터 프로그램을 기록한 컴퓨터 판독 가능 기록 매체.
  12. 제6항 내지 제10항 중 어느 한 항의 방법을 컴퓨터와의 결합을 통해 실행시키기 위한 저장매체에 저장된 컴퓨터 프로그램.
KR1020190043509A 2019-04-15 2019-04-15 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치 및 그 동작 방법 KR102188118B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190043509A KR102188118B1 (ko) 2019-04-15 2019-04-15 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치 및 그 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190043509A KR102188118B1 (ko) 2019-04-15 2019-04-15 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치 및 그 동작 방법

Publications (2)

Publication Number Publication Date
KR20200121039A true KR20200121039A (ko) 2020-10-23
KR102188118B1 KR102188118B1 (ko) 2020-12-07

Family

ID=73039234

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190043509A KR102188118B1 (ko) 2019-04-15 2019-04-15 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치 및 그 동작 방법

Country Status (1)

Country Link
KR (1) KR102188118B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113257363A (zh) * 2021-05-31 2021-08-13 福建傲农生物科技集团股份有限公司 一种系谱的校正方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004295606A (ja) * 2003-03-27 2004-10-21 Ntt Data Corp 遺伝子機能推定装置、遺伝子機能推定方法、および、プログラム
KR20050043869A (ko) 2005-04-20 2005-05-11 송희성 적응 퍼지-뉴럴 네트워크를 이용한 유방암 자동 진단기의개발
JP4459597B2 (ja) * 2003-11-14 2010-04-28 三菱スペース・ソフトウエア株式会社 遺伝子発現作用推定方法、遺伝子発現作用推定装置及び遺伝子発現作用推定プログラム
KR20120079295A (ko) * 2011-01-04 2012-07-12 주식회사 젠큐릭스 초기유방암의 예후 예측용 유전자 및 이를 이용한 초기유방암의 예후예측 방법
US20160078167A1 (en) * 2013-05-28 2016-03-17 The University Of Chicago Prognostic and predictive breast cancer signature
KR20170017231A (ko) * 2015-08-06 2017-02-15 광주과학기술원 암과 연관성이 높은 유전자-마이크로 rna 모듈 식별을 위한 접근방법
KR20170061911A (ko) * 2015-11-27 2017-06-07 아주대학교산학협력단 통합 회귀 분석 네트워크 구축 방법 및 이에 의한 통합 분석 시스템
KR20180051990A (ko) 2016-11-09 2018-05-17 주식회사 피디젠 암 재발 및 전이 모니터링 방법 및 그 시스템
KR20180079208A (ko) 2016-12-30 2018-07-10 서울대학교산학협력단 대사이상 질환의 질병 위험도를 예측하는 장치 및 방법

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004295606A (ja) * 2003-03-27 2004-10-21 Ntt Data Corp 遺伝子機能推定装置、遺伝子機能推定方法、および、プログラム
JP4459597B2 (ja) * 2003-11-14 2010-04-28 三菱スペース・ソフトウエア株式会社 遺伝子発現作用推定方法、遺伝子発現作用推定装置及び遺伝子発現作用推定プログラム
KR20050043869A (ko) 2005-04-20 2005-05-11 송희성 적응 퍼지-뉴럴 네트워크를 이용한 유방암 자동 진단기의개발
KR20120079295A (ko) * 2011-01-04 2012-07-12 주식회사 젠큐릭스 초기유방암의 예후 예측용 유전자 및 이를 이용한 초기유방암의 예후예측 방법
US20160078167A1 (en) * 2013-05-28 2016-03-17 The University Of Chicago Prognostic and predictive breast cancer signature
KR20170017231A (ko) * 2015-08-06 2017-02-15 광주과학기술원 암과 연관성이 높은 유전자-마이크로 rna 모듈 식별을 위한 접근방법
KR20170061911A (ko) * 2015-11-27 2017-06-07 아주대학교산학협력단 통합 회귀 분석 네트워크 구축 방법 및 이에 의한 통합 분석 시스템
KR20180051990A (ko) 2016-11-09 2018-05-17 주식회사 피디젠 암 재발 및 전이 모니터링 방법 및 그 시스템
KR20180079208A (ko) 2016-12-30 2018-07-10 서울대학교산학협력단 대사이상 질환의 질병 위험도를 예측하는 장치 및 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113257363A (zh) * 2021-05-31 2021-08-13 福建傲农生物科技集团股份有限公司 一种系谱的校正方法及装置
CN113257363B (zh) * 2021-05-31 2023-12-08 福建傲农生物科技集团股份有限公司 一种系谱的校正方法及装置

Also Published As

Publication number Publication date
KR102188118B1 (ko) 2020-12-07

Similar Documents

Publication Publication Date Title
US20190266217A1 (en) Apparatus and method for matrix computation
US6912207B2 (en) Network topology design apparatus and network topology design method, and recording medium recorded with a network topology design program
Lin et al. Applying multi-start simulated annealing to schedule a flowline manufacturing cell with sequence dependent family setup times
CN107092812B (zh) 一种在ppi网络中基于遗传算法识别关键蛋白质的方法
WO2016095068A1 (en) Pedestrian detection apparatus and method
JP2020009301A (ja) 情報処理装置および情報処理方法
US20210312309A1 (en) Abduction apparatus, abduction method, and computer-readable recording medium
JP2005533307A (ja) 高速直接局所探索のための確率的方法を用いたビデオ処理システム設計を最適化する方法及び装置
KR102188118B1 (ko) 암에 따른 유전자 간의 상관관계에 기초하여 유전자 분산 표현을 위한 유전자 특징 벡터를 생성하는 전자 장치 및 그 동작 방법
Kokosiński et al. On sum coloring of graphs with parallel genetic algorithms
Marappan et al. Solution to graph coloring problem using divide and conquer based genetic method
Castelli et al. A hybrid genetic algorithm for the repetition free longest common subsequence problem
Mendel et al. Fast fuzzy set qualitative comparative analysis (Fast fsQCA)
Ming et al. Intelligent approaches to tolerance allocation and manufacturing operations selection in process planning
KR102371183B1 (ko) 가이드에이전트 기반의 복수의 메인에이전트 강화학습 방법을 사용한 특징 선택 방법, 컴퓨팅장치 및 컴퓨터 프로그램
CN115438164A (zh) 问答方法、系统、设备及存储介质
KR102559605B1 (ko) 함수 최적화 방법 및 장치
US11410036B2 (en) Arithmetic processing apparatus, control method, and non-transitory computer-readable recording medium having stored therein control program
JP5206197B2 (ja) 規則学習方法、プログラム及び装置
KR102309002B1 (ko) 환자별 유전자 특성에 기초하여 암의 예후 예측에 활용할 바이오 마커를 선정하는 전자 장치 및 그 동작 방법
CN111178529B (zh) 数据处理方法、装置、电子设备及可读存储介质
Baita et al. Genetic algorithm with redundancies for the vehicle scheduling problem
JP2020030738A (ja) 学習データの解析方法及び計算機システム
Sriwindono et al. The Model of Elementary School Teachers Placement in Magelang District by Using Genetic Algorithm
EP4202777A1 (en) Method and apparatus for distributing network layers in neural network model

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant