KR20220158950A - 머신러닝 모델을 이용하여 소화기 장애 유무를 판별하는 방법 및 진단 장치 - Google Patents
머신러닝 모델을 이용하여 소화기 장애 유무를 판별하는 방법 및 진단 장치 Download PDFInfo
- Publication number
- KR20220158950A KR20220158950A KR1020210066614A KR20210066614A KR20220158950A KR 20220158950 A KR20220158950 A KR 20220158950A KR 1020210066614 A KR1020210066614 A KR 1020210066614A KR 20210066614 A KR20210066614 A KR 20210066614A KR 20220158950 A KR20220158950 A KR 20220158950A
- Authority
- KR
- South Korea
- Prior art keywords
- machine learning
- learning model
- absence
- microorganism
- determining
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000010801 machine learning Methods 0.000 title claims abstract description 62
- 210000001035 gastrointestinal tract Anatomy 0.000 title description 2
- 244000005700 microbiome Species 0.000 claims abstract description 63
- 239000000203 mixture Substances 0.000 claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 8
- 241000588921 Enterobacteriaceae Species 0.000 claims abstract description 7
- 241000606126 Bacteroidaceae Species 0.000 claims abstract description 6
- 241000868590 Barnesiellaceae Species 0.000 claims abstract description 6
- 241001112693 Lachnospiraceae Species 0.000 claims abstract description 6
- 241000194018 Streptococcaceae Species 0.000 claims abstract description 6
- 239000000463 material Substances 0.000 claims abstract description 6
- 230000001079 digestive effect Effects 0.000 claims description 65
- 230000000813 microbial effect Effects 0.000 claims description 44
- 230000000968 intestinal effect Effects 0.000 claims description 42
- 150000004666 short chain fatty acids Chemical class 0.000 claims description 23
- 235000021391 short chain fatty acids Nutrition 0.000 claims description 21
- 239000002158 endotoxin Substances 0.000 claims description 14
- 238000003745 diagnosis Methods 0.000 claims description 13
- 239000002207 metabolite Substances 0.000 claims description 9
- 238000002156 mixing Methods 0.000 claims description 8
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 claims description 6
- 241000194017 Streptococcus Species 0.000 claims description 6
- 229910000037 hydrogen sulfide Inorganic materials 0.000 claims description 6
- 239000006228 supernatant Substances 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 239000002244 precipitate Substances 0.000 claims description 5
- 241000894006 Bacteria Species 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 241000606125 Bacteroides Species 0.000 claims description 3
- 241000503641 Coprobacter Species 0.000 claims description 3
- 241000192031 Ruminococcus Species 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 241000894007 species Species 0.000 claims description 3
- 238000012258 culturing Methods 0.000 claims description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims 2
- 229910052698 phosphorus Inorganic materials 0.000 claims 2
- 239000011574 phosphorus Substances 0.000 claims 2
- 208000018522 Gastrointestinal disease Diseases 0.000 abstract description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 67
- 208000035475 disorder Diseases 0.000 description 58
- 230000000052 comparative effect Effects 0.000 description 48
- 238000010586 diagram Methods 0.000 description 28
- 230000002550 fecal effect Effects 0.000 description 23
- QTBSBXVTEAMEQO-UHFFFAOYSA-N Acetic acid Chemical compound CC(O)=O QTBSBXVTEAMEQO-UHFFFAOYSA-N 0.000 description 9
- 201000010099 disease Diseases 0.000 description 9
- 102000015728 Mucins Human genes 0.000 description 7
- 108010063954 Mucins Proteins 0.000 description 7
- 108090000623 proteins and genes Proteins 0.000 description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 6
- WCUXLLCKKVVCTQ-UHFFFAOYSA-M Potassium chloride Chemical compound [Cl-].[K+] WCUXLLCKKVVCTQ-UHFFFAOYSA-M 0.000 description 6
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 6
- FERIUCNNQQJTOY-UHFFFAOYSA-N Butyric acid Natural products CCCC(O)=O FERIUCNNQQJTOY-UHFFFAOYSA-N 0.000 description 5
- 210000000936 intestine Anatomy 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- VLSOAXRVHARBEQ-UHFFFAOYSA-N [4-fluoro-2-(hydroxymethyl)phenyl]methanol Chemical compound OCC1=CC=C(F)C=C1CO VLSOAXRVHARBEQ-UHFFFAOYSA-N 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 210000003608 fece Anatomy 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 229920006008 lipopolysaccharide Polymers 0.000 description 4
- 238000007481 next generation sequencing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- FERIUCNNQQJTOY-UHFFFAOYSA-M Butyrate Chemical compound CCCC([O-])=O FERIUCNNQQJTOY-UHFFFAOYSA-M 0.000 description 3
- 208000014540 Functional gastrointestinal disease Diseases 0.000 description 3
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 3
- 108700005443 Microbial Genes Proteins 0.000 description 3
- XBDQKXXYIPTUBI-UHFFFAOYSA-M Propionate Chemical compound CCC([O-])=O XBDQKXXYIPTUBI-UHFFFAOYSA-M 0.000 description 3
- 230000001580 bacterial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 239000008103 glucose Substances 0.000 description 3
- 238000000338 in vitro Methods 0.000 description 3
- 239000002609 medium Substances 0.000 description 3
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 230000037361 pathway Effects 0.000 description 3
- 239000001103 potassium chloride Substances 0.000 description 3
- 235000011164 potassium chloride Nutrition 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 239000011780 sodium chloride Substances 0.000 description 3
- 210000002784 stomach Anatomy 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000003440 toxic substance Substances 0.000 description 3
- 239000012137 tryptone Substances 0.000 description 3
- PWKSKIMOESPYIA-UHFFFAOYSA-N 2-acetamido-3-sulfanylpropanoic acid Chemical compound CC(=O)NC(CS)C(O)=O PWKSKIMOESPYIA-UHFFFAOYSA-N 0.000 description 2
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 2
- XUJNEKJLAYXESH-REOHCLBHSA-N L-Cysteine Chemical compound SC[C@H](N)C(O)=O XUJNEKJLAYXESH-REOHCLBHSA-N 0.000 description 2
- 241000736262 Microbiota Species 0.000 description 2
- CDBYLPFSWZWCQE-UHFFFAOYSA-L Sodium Carbonate Chemical compound [Na+].[Na+].[O-]C([O-])=O CDBYLPFSWZWCQE-UHFFFAOYSA-L 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 2
- 150000001720 carbohydrates Chemical class 0.000 description 2
- 235000014633 carbohydrates Nutrition 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000004587 chromatography analysis Methods 0.000 description 2
- 208000010643 digestive system disease Diseases 0.000 description 2
- XBDQKXXYIPTUBI-UHFFFAOYSA-N dimethylselenoniopropionate Natural products CCC(O)=O XBDQKXXYIPTUBI-UHFFFAOYSA-N 0.000 description 2
- 210000001198 duodenum Anatomy 0.000 description 2
- RWSXRVCMGQZWBV-WDSKDSINSA-N glutathione Chemical compound OC(=O)[C@@H](N)CCC(=O)N[C@@H](CS)C(=O)NCC(O)=O RWSXRVCMGQZWBV-WDSKDSINSA-N 0.000 description 2
- BTIJJDXEELBZFS-QDUVMHSLSA-K hemin Chemical compound CC1=C(CCC(O)=O)C(C=C2C(CCC(O)=O)=C(C)\C(N2[Fe](Cl)N23)=C\4)=N\C1=C/C2=C(C)C(C=C)=C3\C=C/1C(C)=C(C=C)C/4=N\1 BTIJJDXEELBZFS-QDUVMHSLSA-K 0.000 description 2
- 229940025294 hemin Drugs 0.000 description 2
- 238000011534 incubation Methods 0.000 description 2
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical group N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 231100000614 poison Toxicity 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- OWEGMIWEEQEYGQ-UHFFFAOYSA-N 100676-05-9 Natural products OC1C(O)C(O)C(CO)OC1OCC1C(O)C(O)C(O)C(OC2C(OC(O)C(O)C2O)CO)O1 OWEGMIWEEQEYGQ-UHFFFAOYSA-N 0.000 description 1
- GWYFCOCPABKNJV-UHFFFAOYSA-M 3-Methylbutanoic acid Natural products CC(C)CC([O-])=O GWYFCOCPABKNJV-UHFFFAOYSA-M 0.000 description 1
- QTBSBXVTEAMEQO-UHFFFAOYSA-M Acetate Chemical compound CC([O-])=O QTBSBXVTEAMEQO-UHFFFAOYSA-M 0.000 description 1
- 241000251468 Actinopterygii Species 0.000 description 1
- GUBGYTABKSRVRQ-XLOQQCSPSA-N Alpha-Lactose Chemical compound O[C@@H]1[C@@H](O)[C@@H](O)[C@@H](CO)O[C@H]1O[C@@H]1[C@@H](CO)O[C@H](O)[C@H](O)[C@H]1O GUBGYTABKSRVRQ-XLOQQCSPSA-N 0.000 description 1
- 241000283690 Bos taurus Species 0.000 description 1
- 241000282693 Cercopithecidae Species 0.000 description 1
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 1
- BDAGIHXWWSANSR-UHFFFAOYSA-M Formate Chemical compound [O-]C=O BDAGIHXWWSANSR-UHFFFAOYSA-M 0.000 description 1
- 229930091371 Fructose Natural products 0.000 description 1
- 239000005715 Fructose Substances 0.000 description 1
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 description 1
- 102000009338 Gastric Mucins Human genes 0.000 description 1
- 108010009066 Gastric Mucins Proteins 0.000 description 1
- 108010024636 Glutathione Proteins 0.000 description 1
- 102000004877 Insulin Human genes 0.000 description 1
- 108090001061 Insulin Proteins 0.000 description 1
- 239000004201 L-cysteine Substances 0.000 description 1
- 235000013878 L-cysteine Nutrition 0.000 description 1
- GUBGYTABKSRVRQ-QKKXKWKRSA-N Lactose Natural products OC[C@H]1O[C@@H](O[C@H]2[C@H](O)[C@@H](O)C(O)O[C@@H]2CO)[C@H](O)[C@@H](O)[C@H]1O GUBGYTABKSRVRQ-QKKXKWKRSA-N 0.000 description 1
- GUBGYTABKSRVRQ-PICCSMPSSA-N Maltose Natural products O[C@@H]1[C@@H](O)[C@H](O)[C@@H](CO)O[C@@H]1O[C@@H]1[C@@H](CO)OC(O)[C@H](O)[C@H]1O GUBGYTABKSRVRQ-PICCSMPSSA-N 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- PQMWYJDJHJQZDE-UHFFFAOYSA-M Methantheline bromide Chemical compound [Br-].C1=CC=C2C(C(=O)OCC[N+](C)(CC)CC)C3=CC=CC=C3OC2=C1 PQMWYJDJHJQZDE-UHFFFAOYSA-M 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- BZORFPDSXLZWJF-UHFFFAOYSA-N N,N-dimethyl-1,4-phenylenediamine Chemical compound CN(C)C1=CC=C(N)C=C1 BZORFPDSXLZWJF-UHFFFAOYSA-N 0.000 description 1
- 239000001888 Peptone Substances 0.000 description 1
- 108010080698 Peptones Proteins 0.000 description 1
- 208000005718 Stomach Neoplasms Diseases 0.000 description 1
- 208000007107 Stomach Ulcer Diseases 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- 229930003268 Vitamin C Natural products 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 238000011481 absorbance measurement Methods 0.000 description 1
- WQZGKKKJIJFFOK-PHYPRBDBSA-N alpha-D-galactose Chemical compound OC[C@H]1O[C@H](O)[C@H](O)[C@@H](O)[C@H]1O WQZGKKKJIJFFOK-PHYPRBDBSA-N 0.000 description 1
- 229940024606 amino acid Drugs 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 239000000427 antigen Substances 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 238000003149 assay kit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- GUBGYTABKSRVRQ-QUYVBRFLSA-N beta-maltose Chemical compound OC[C@H]1O[C@H](O[C@H]2[C@H](O)[C@@H](O)[C@H](O)O[C@@H]2CO)[C@H](O)[C@@H](O)[C@@H]1O GUBGYTABKSRVRQ-QUYVBRFLSA-N 0.000 description 1
- 210000003445 biliary tract Anatomy 0.000 description 1
- 229940041514 candida albicans extract Drugs 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 238000005119 centrifugation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 229960002433 cysteine Drugs 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 210000002249 digestive system Anatomy 0.000 description 1
- 150000002016 disaccharides Chemical class 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 208000000718 duodenal ulcer Diseases 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 238000001839 endoscopy Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003623 enhancer Substances 0.000 description 1
- 210000003238 esophagus Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 235000015203 fruit juice Nutrition 0.000 description 1
- 229930182830 galactose Natural products 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 206010017758 gastric cancer Diseases 0.000 description 1
- 201000005917 gastric ulcer Diseases 0.000 description 1
- 208000018685 gastrointestinal system disease Diseases 0.000 description 1
- 229960003180 glutathione Drugs 0.000 description 1
- 150000004676 glycans Chemical class 0.000 description 1
- 239000001963 growth medium Substances 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000028709 inflammatory response Effects 0.000 description 1
- 229940125396 insulin Drugs 0.000 description 1
- RBTARNINKXHZNM-UHFFFAOYSA-K iron trichloride Chemical compound Cl[Fe](Cl)Cl RBTARNINKXHZNM-UHFFFAOYSA-K 0.000 description 1
- KQNPFQTWMSNSAP-UHFFFAOYSA-N isobutyric acid Chemical compound CC(C)C(O)=O KQNPFQTWMSNSAP-UHFFFAOYSA-N 0.000 description 1
- GWYFCOCPABKNJV-UHFFFAOYSA-N isovaleric acid Chemical compound CC(C)CC(O)=O GWYFCOCPABKNJV-UHFFFAOYSA-N 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000008101 lactose Substances 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 210000003750 lower gastrointestinal tract Anatomy 0.000 description 1
- 210000004698 lymphocyte Anatomy 0.000 description 1
- -1 maltose and lactose Chemical class 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- CXKWCBBOMKCUKX-UHFFFAOYSA-M methylene blue Chemical compound [Cl-].C1=CC(N(C)C)=CC2=[S+]C3=CC(N(C)C)=CC=C3N=C21 CXKWCBBOMKCUKX-UHFFFAOYSA-M 0.000 description 1
- 229960000907 methylthioninium chloride Drugs 0.000 description 1
- 244000005706 microflora Species 0.000 description 1
- 244000309715 mini pig Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 150000002772 monosaccharides Chemical class 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 239000008188 pellet Substances 0.000 description 1
- 235000019319 peptone Nutrition 0.000 description 1
- 229920001282 polysaccharide Polymers 0.000 description 1
- 239000005017 polysaccharide Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000770 proinflammatory effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 235000019260 propionic acid Nutrition 0.000 description 1
- IUVKMZGDUIUOCP-BTNSXGMBSA-N quinbolone Chemical compound O([C@H]1CC[C@H]2[C@H]3[C@@H]([C@]4(C=CC(=O)C=C4CC3)C)CC[C@@]21C)C1=CCCC1 IUVKMZGDUIUOCP-BTNSXGMBSA-N 0.000 description 1
- 238000003753 real-time PCR Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000000813 small intestine Anatomy 0.000 description 1
- 229910000029 sodium carbonate Inorganic materials 0.000 description 1
- UIIMBOGNXHQVGW-UHFFFAOYSA-N sodium;hydron;carbonate Chemical compound [Na+].OC(O)=O UIIMBOGNXHQVGW-UHFFFAOYSA-N 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 201000011549 stomach cancer Diseases 0.000 description 1
- 210000001913 submandibular gland Anatomy 0.000 description 1
- 230000002889 sympathetic effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 231100000167 toxic agent Toxicity 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 229940070710 valerate Drugs 0.000 description 1
- NQPDZGIKBAWPEJ-UHFFFAOYSA-N valeric acid Chemical compound CCCCC(O)=O NQPDZGIKBAWPEJ-UHFFFAOYSA-N 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 235000019154 vitamin C Nutrition 0.000 description 1
- 239000011718 vitamin C Substances 0.000 description 1
- 239000012138 yeast extract Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- G—PHYSICS
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioethics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
머신러닝 모델을 이용하여 소화기 장애 유무를 판별하는 방법은 개체로부터 채취한 장내 유래 물질을 장내 환경 유사 조성물과 혼합한 혼합물을 분석하는 단계, 상기 혼합물의 분석 결과에 기초하여 복수의 미생물 데이터를 추출하는 단계, 기설정된 변수 선택 알고리즘에 기초하여 상기 복수의 미생물 데이터 중 머신러닝 모델에 사용될 미생물 관련 변수를 선택하는 단계, 상기 미생물 관련 변수를 이용하여 상기 머신러닝 모델을 학습시키는 단계 및 검사 대상 객체로부터 채취한 미생물 데이터를 상기 학습된 머신러닝 모델에 입력하여 소화기 장애 유무를 판별하는 단계를 포함할 수 있다. 상기 미생물 관련 변수는 RF39, 라크노스피라세에 (Lachnospiraceae), 엔테로박테리아세에 (Enterobacteriaceae), 바네시엘라세에 (Barnesiellaceae), 뷰티리시코카세에 (Butyricicoccaceae), 박테로이다세에 (Bacteroidaceae), 스트렙토코카세에 (Streptococcaceae), 안에어로보라카세에 (Anaerovoracaceae) 과(Family)에 속하는 속(Genus)에서 선택되는 1종 이상의 미생물의 함량을 포함할 수 있다.
Description
본 발명은 머신러닝 모델을 이용하여 소화기 장애 유무를 판별하는 방법 및 진단 장치에 관한 것이다.
소화기 장애는 위, 장, 십이지장, 간 등의 소화기계에 이상이 생겨 소화와 관련된 이상 증세가 발생하는 것을 의미한다. 소화기 질환은 불규칙한 식습관, 정신적 스트레스, 불규칙한 수면 및 생활패턴 등을 원인으로 한다. 소화기 장애는 대표적으로 식도, 위, 십이지장 등에 자주 발생하고 그 외에도 하부 위장관, 췌장, 담도 등에도 발생한다.
대표적인 소화기 장애로 기능성 위장장애가 있다. 기능성 위장장애는 현대에 들어서며 늘어난 병 중 하나로 성인의 4명 중 1명 꼴로 기능성 위장장애를 보유하고 있다. 이 장애의 큰 특징 중 하나는, 소화기능은 떨어지나 내시경 검사로 위나 장을 검사해도 특별한 이상이 없어 장애 여부를 판단하기 어렵다는 점이다.
그 외에도 소화기 장애는 위궤양, 십이지장궤양, 위암 등으로도 발전할 수 있는 만큼, 소화기 장애 유무의 판단은 현대인의 병 예방에 중요하다고 할 수 있다.
한편, 게놈(genome)은 염색체에 담긴 유전자를 말하고, 장균총(microbiota)은 미생물균총으로 환경 내 미생물 군집을 말하며, 마이크로바이옴(microbiome)은 환경 내 총 미생물 군집의 유전체를 말한다. 여기서, 마이크로바이옴 (microbiome)은 게놈(genome)과 장균총 (microbiota)이 합쳐진 것을 의미할 수 있다.
최근, 이러한 장균총의 메타게놈 분석을 통해 소화기 장애의 원인인자로 작용할 수 있는 미생물을 동정하여 소화기 장애 유무를 진단하고자 하는 시도가 있다.
이와 관련하여, 선행기술인 등록특허공보 제10-2057047호는 질병 예측 장치 및 이를 이용한 질병 예측 방법에 관한 것으로서, 특정인의 바이오 시그널에서 추출된 특정인 벡터를 학습 벡터와 비교하여 특정인의 질병을 예측하는 질병 예측 방법을 개시하고 있다.
그러나, 선행기술에서는, 샘플을 배양 등 특별한 과정을 거치지 않고 세균 메타게놈 분석을 수행하는바, 각 피검체의 샘플들 간의 편차(bias)가 커 정확한 소화기 장애의 원인인자를 도출하기 어렵다.
또한, 처리되지 않은 각 피검체의 샘플들을 학습 데이터로서 머신러닝 모델을 학습시킬 경우, 학습 데이터에 노이즈가 많아 머신러닝 모델의 성능이 현저히 낮아지는 문제점이 있었다.
본 발명은 상술한 문제점을 해결하기 위한 것으로서, 시료를 장내 환경 유사 조성물과 혼합한 혼합물의 분석 결과에 기초하여 복수의 미생물 데이터를 대상으로 미생물 관련 변수를 선택함으로써 소화기 장애 유무를 진단하는 머신러닝 모델의 성능을 향상시키고자 한다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시예는 머신러닝 모델을 이용하여 소화기 장애 유무를 판별하는 방법은 개체로부터 채취한 장내 유래 물질을 장내 환경 유사 조성물과 혼합한 혼합물을 분석하는 단계, 상기 혼합물의 분석 결과에 기초하여 복수의 미생물 데이터를 추출하는 단계, 기설정된 변수 선택 알고리즘에 기초하여 상기 복수의 미생물 데이터 중 머신러닝 모델에 사용될 미생물 관련 변수를 선택하는 단계, 상기 미생물 관련 변수를 이용하여 상기 머신러닝 모델을 학습시키는 단계 및 검사 대상 객체로부터 채취한 미생물 데이터를 상기 학습된 머신러닝 모델에 입력하여 소화기 장애 유무를 판별하는 단계를 포함할 수 있다. 상기 미생물 관련 변수는 RF39, 라크노스피라세에 (Lachnospiraceae), 엔테로박테리아세에 (Enterobacteriaceae), 바네시엘라세에 (Barnesiellaceae), 뷰티리시코카세에 (Butyricicoccaceae), 박테로이다세에 (Bacteroidaceae), 스트렙토코카세에 (Streptococcaceae), 안에어로보라카세에 (Anaerovoracaceae) 과(Family)에 속하는 속(Genus)에서 선택되는 1종 이상의 미생물의 함량을 포함할 수 있다.
또한, 본 발명의 다른 실시예는 머신러닝 모델을 이용하여 소화기 장애 유무를 진단하는 장치는 개체로부터 채취한 장내 유래 물질을 장내 환경 유사 조성물과 혼합한 혼합물의 분석 결과에 기초하여 복수의 미생물 데이터를 추출하는 미생물 데이터 추출부, 기설정된 변수 선택 알고리즘에 기초하여 상기 복수의 미생물 데이터 중 머신러닝 모델에 사용될 미생물 관련 변수를 선택하는 변수 선택부, 상기 미생물 관련 변수를 이용하여 상기 머신러닝 모델을 학습시키는 학습부 및 검사 대상 객체로부터 채취한 미생물 데이터를 상기 학습된 머신러닝 모델에 입력하여 소화기 장애 유무를 진단하는 진단부를 포함할 수 있다. 상기 미생물 관련 변수는 RF39, 라크노스피라세에 (Lachnospiraceae), 엔테로박테리아세에 (Enterobacteriaceae), 바네시엘라세에 (Barnesiellaceae), 뷰티리시코카세에 (Butyricicoccaceae), 박테로이다세에 (Bacteroidaceae), 스트렙토코카세에 (Streptococcaceae), 안에어로보라카세에 (Anaerovoracaceae) 과(Family)에 속하는 속(Genus)에서 선택되는 1종 이상의 미생물의 함량을 포함할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본 발명을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 기재된 추가적인 실시예가 존재할 수 있다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 시료를 장내 환경 유사 조성물과 혼합한 혼합물의 분석 결과에 기초하여 복수의 미생물 데이터를 대상으로 미생물 관련 변수를 선택함으로써 소화기 장애 유무를 진단하는 머신러닝 모델의 성능을 향상시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 진단 장치의 블록도를 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 MCMOD기법을 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 MCMOD 기법을 통한 샘플 분석을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 MCMOD 기법을 통한 샘플 분석 결과를 해석하는 것을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 분석결과를 보루타 알고리즘을 통해 변수를 1차적으로 선택한 결과를 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 분석결과를 이항분포 편차(Binomial deviance) plot으로 변수의 개수에 따른 오차 값을 확인하여 최적의 변수 개수 범위를 확인한 결과를 나타낸 도면이다.
도 7은 선택된 미생물 관련 변수의 중요도를 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 각 샘플의 분석 결과를 비교한 도면이다.
도 9는 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 각 샘플의 분석 결과를 비교한 도면이다.
도 10은 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 XGB 모델 각각의 ROC(Receiver operating characteristic) curve와 AUC(Area Under a ROC Curve) score를 나타낸 도면이다.
도 11은 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 XGB 모델의 성능을 비교한 도면이다.
도 12는 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 머신러닝 모델의 성능을 비교한 도면이다.
도 13은 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 LEfSe(Linear discriminant analysis effet size)를 나타낸 도면이다.
도 14는 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 미생물 분포도에 대한 피어슨 상관관계(correlation)를 나타낸 도면이다.
도 15는 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 각 미생물 유전자 경로 예측(gene pathway prediction)에 대한 피어슨 상관관계를 나타낸 도면이다.
도 16은 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 단쇄지방산(Short chain fatty acids; SCFAs)의 양을 비교한 도면이다.
도 17은 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법을 도시한 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 MCMOD기법을 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 MCMOD 기법을 통한 샘플 분석을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 MCMOD 기법을 통한 샘플 분석 결과를 해석하는 것을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 분석결과를 보루타 알고리즘을 통해 변수를 1차적으로 선택한 결과를 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 분석결과를 이항분포 편차(Binomial deviance) plot으로 변수의 개수에 따른 오차 값을 확인하여 최적의 변수 개수 범위를 확인한 결과를 나타낸 도면이다.
도 7은 선택된 미생물 관련 변수의 중요도를 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 각 샘플의 분석 결과를 비교한 도면이다.
도 9는 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 각 샘플의 분석 결과를 비교한 도면이다.
도 10은 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 XGB 모델 각각의 ROC(Receiver operating characteristic) curve와 AUC(Area Under a ROC Curve) score를 나타낸 도면이다.
도 11은 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 XGB 모델의 성능을 비교한 도면이다.
도 12는 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 머신러닝 모델의 성능을 비교한 도면이다.
도 13은 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 LEfSe(Linear discriminant analysis effet size)를 나타낸 도면이다.
도 14는 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 미생물 분포도에 대한 피어슨 상관관계(correlation)를 나타낸 도면이다.
도 15는 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 각 미생물 유전자 경로 예측(gene pathway prediction)에 대한 피어슨 상관관계를 나타낸 도면이다.
도 16은 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 단쇄지방산(Short chain fatty acids; SCFAs)의 양을 비교한 도면이다.
도 17은 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법을 도시한 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다.
본 명세서에 있어서 단말 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말 또는 디바이스에서 수행될 수도 있다.
이하 첨부된 도면을 참고하여 본 발명의 일 실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 진단 장치의 블록도를 도시한 도면이다. 도 1을 참조하면, 진단 장치(1)는 미생물 데이터 추출부(100), 변수 선택부(110), 학습부(120) 및 진단부(130)를 포함할 수 있다. 본원에 있어서 진단 장치(1)는 소화기 장애 유무를 판별하는 판별 장치일 수 있다.
진단 장치(1)의 일예는 데스크탑, 노트북 등과 같은 퍼스널 컴퓨터(personal computer)뿐만 아니라 유무선 통신이 가능한 모바일 단말을 포함할 수 있다. 모바일 단말은 휴대성과 이동성이 보장되는 무선 통신 장치로서, 스마트폰(smartphone), 태블릿 PC, 웨어러블 디바이스뿐만 아니라, 블루투스(BLE, Bluetooth Low Energy), NFC, RFID, 초음파(Ultrasonic), 적외선, 와이파이(WiFi), 라이파이(LiFi) 등의 통신 모듈을 탑재한 각종 디바이스를 포함할 수 있다. 다만, 진단 장치(1)는 도 1에 도시된 형태 또는 앞서 예시된 것들로 한정 해석되는 것은 아니다.
진단 장치(1)는 개체로부터 채취한 시료에서 장내 환경 이상에 의한 소화기 장애 유무를 진단하기 위한 바이오마커를 검출할 수 있다.
예를 들어, 진단 장치(1)는 샘플 준비 과정, 샘플 전처리 과정, 샘플 분석 과정 및 데이터 분석 과정, 도출된 데이터를 토대로 소화기 장애 유무를 진단할 수 있다. 본원에 있어서, "진단"이란 머신러닝 모델의 출력값을 통해 소화기 장애의 유무를 판별 또는 예측하는 것은 의미할 수 있다.
일예에 있어서, 바이오마커는 장내에서 검출되는 물질일 수 있으며, 구체적으로, 장균총, 내독소, 황화수소, 장내 미생물 대사체, 단쇄지방산 등을 포함하는 것일 수 있으나, 이에 제한되는 것은 아니다.
미생물 데이터 추출부(100)는 개체로부터 채취한 시료를 장내 환경 유사 조성물과 혼합한 혼합물의 분석 결과에 기초하여 복수의 미생물 데이터를 추출할 수 있다. 여기서, 복수의 미생물 데이터는 학습에 사용될 훈련 데이터(Training set) 및 테스트 데이터(Test set)로 분류될 수 있고, 분류의 비율은 9:1, 7:3, 5:5 등으로 다양할 수 있고, 바람직하게는 7:3 비율로 분류될 수 있다.
본 발명에 따르면, 시료를 장내 환경 유사 조성물과 혼합한 혼합물을 분석하는 전처리가 수행된다. 본원에 있어서, 전처리는 MCMOD(Meta-culture Multi-Omics Diagnose)라고 명명될 수 있다.
예를 들어, 체내 장내 미생물 환경을 가장 용이하게 대표할 수 있는 사람 및 다양한 동물의 분변 샘플을 대상으로 체외(in-vitro)에서 분변 유래 마이크로바이옴(microbiome)과 대사물질(metabolites) 분석이 수행된다.
여기서, "개체"는 장내 환경에 이상이 있거나, 장내 환경 이상에 의한 질병이 발병 또는 발병할 가능성이 있거나, 또는 장내 환경이 개선되어야 할 필요성이 있는 모든 생물체를 의미하며, 구체적인 예로, 마우스, 원숭이, 소, 돼지, 미니돼지, 가축, 인간 등을 포함하는 포유동물, 조류, 양식어류 등을 제한 없이 포함할 수 있다.
"시료"는 상기 개체로부터 유래한 물질을 의미하며, 예를 들어 장내 유래 물질일 수 있다.
“시료”는 구체적으로 세포, 소변, 분변 등일 수 있으나, 장균총, 장내 미생물 대사체, 내독소, 단쇄지방산 등 장내에 존재하는 물질을 검출할 수 있는 한, 그 종류가 이에 제한되는 것은 아니다.
“장내 환경 유사 조성물”은 상기 개체의 장내 환경을 체외(in vitro) 에서 동일 또는 유사하게 형성(mimicking)하기 위한 조성물일 수 있다. 예를 들어, 장내 환경 유사 조성물은 배양 배지 조성물일 수 있으나, 이에 제한되는 것은 아니다.
장내 환경 유사 조성물은 L-시스테인 염산염(L-cystein Hydrochloride) 및 뮤신(Mucin)을 포함할 수 있다.
여기서, "L-시스테인 염산염(L-cystein Hydrochloride)"은 아미노산류 강화제 중 하나로서, 생체 내에서 글루타치온의 구성성분으로 대사에 중요한 역할을 하며, 과일주수 등의 갈변 방지 및 비타민 C의 산화 방지 등에도 이용된다.
L-시스테인 염산염은 예를 들어, 0.001%(w/v) 내지 5%(w/v)의 농도로 포함되는 것일 수 있으며, 구체적으로 0.01%(w/v) 내지 0.1%(w/v)의 농도로 포함될 수 있다.
L-시스테인 염산염은 다양한 L-시스테인의 제형 또는 형태 중 하나로서, 상기 조성물은 L-시스테인 뿐만 아니라, 다른 형태의 염이 포함된 L-시스테인을 포함할 수 있다.
뮤신(Mucin)"은 점막에서 분비되는 점액물질로 점액소 또는 점소라고도 불리우며, 턱밑샘 뮤신이 있으며 그 외에 위점막뮤신, 소장뮤신 등이 있다. 뮤신은 당단백질의 일종으로서, 실제 장 내 미생물들이 활용할 수 있는 탄소원 및 질소원이 되는 에너지원 중 하나라고 알려져 있다.
뮤신은 예를 들어, 0.01%(w/v) 내지 5%(w/v)의 농도로 포함되는 것일 수 있으며, 구체적으로 0.1%(w/v) 내지 1%(w/v)의 농도로 포함되는 것일 수 있으나, 이에 제한되는 것은 아니다.
일예에 있어서, 장내 환경 유사 조성물은 뮤신을 제외한 영양물질을 포함하지 않을 수 있으며, 구체적으로 단백질 및 탄수화물과 같은 질소원 및/또는 탄소원을 포함하지 않는 것을 특징으로 하는 것일 수 있다.
탄소원 및 질소원이 되는 단백질은 트립톤, 펩톤 및 효모 추출물 중 하나 이상일 수 있으나, 이에 제한되는 것은 아니며, 구체적으로 트립톤일 수 있다.
탄소원이 되는 탄수화물은 글루코스, 프럭토스, 갈락토스와 같은 단당류와 말토오스, 락토오스와 같은 이당류 중 하나 이상일 수 있으나, 이에 제한되는 것은 아니며, 구체적으로 글루코스일 수 있다.
일예에 있어서, 장내 환경 유사 조성물은 글루코스(Glucose) 및 트립톤(Tryptone)을 포함하는 않는 것일 수 있으나, 이에 제한되는 것은 아니다.
장내 환경 유사 조성물은 염화나트륨(NaCl), 탄산나트륨(NaHCO3), KCl(염화칼륨) 및 헤민(Hemin)으로 이루어진 군에서 선택된 하나 이상을 추가로 포함할 수 있으며, 염화나트륨은 예를 들어, 10 내지 100mM의 농도로 포함되는 것일 수 있고, 탄산나트륨은 예를 들어, 10 내지 100mM의 농도로 포함되는 것일 수 있고, 염화칼륨은 예를 들어, 1 내지 30mM의 농도로 포함되는 것일 수 있으며, 헤민은 예를 들어, 1x10-6 g/L 내지1x10-4 g/L 농도로 포함되는 것일 수 있으나, 이에 제한되는 것은 아니다.
전처리에서, 혼합물을 혐기 조건에서 18시간 내지 24시간 동안 배양할 수 있다.
예를 들어, 혐기 챔버 내에서 분변과 배지의 균질화된 혼합물을 96-웰 플레이트 등의 배양 플레이트에 각각 동일 양씩 분주한다. 여기서, 배양은 12시간 내지 48시간동안 수행하는 것일 수 있으며, 구체적으로 18시간 내지 24시간동안 수행하는 것일 수 있으나, 이에 제한되는 것은 아니다.
이어서, 온도, 습도 및 모션을 장내 환경과 유사하게 형성한 채로 혐기 조건에서 플레이트를 배양하여 각 실험군을 발효 배양시킨다.
혼합물의 배양 후, 혼합물이 배양된 배양물을 분석한다. 배양물의 분석은 예를 들어, 배양물에 포함된 내독소(endotoxin), 황화수소(hydrogen sulfide), 단쇄지방산(Short-chain fatty acids, SCFAs) 및 장균총 유래 대사체 중 하나 이상의 함량, 농도, 종류, 장균총에 포함된 균의 종류, 농도, 함량 또는 다양성 변화 중 적어도 하나를 포함하는 미생물 데이터를 추출하는 것일 수 있으나, 이에 제한되는 것은 아니다.
여기서, "내독소(endotoxin)"는 세균의 세포 내부에서 발견되는 독성 물질로 단백질·다당류·지질의 복합체로 이루어진 항원 등이다. 일예에 있어서, 내독소는 LPS(Lipopolysaccharide)를 포함하는 것일 수 있으나, 이에 제한되는 것은 아니며, 상기 LPS는 구체적으로 그람 음성(Gram negative), 프로 염증성(Pro-inflammatory)일 수 있다.
"단쇄지방산 (short-chain fatty acid : SCFA)"은 단쇄지방산은 탄소수가 6개 이하인 짧은 길이의 지방산을 의미하는 것으로서, 장내 미생물로부터 생성되는 대표적인 대사산물이다. 단쇄지방산은 면역력 증가, 장내 림프구 안정, 인슐린 신호 저하, 교감 신경 자극 등 체내에 유용한 기능을 가지고 있다.
일예에 있어서, 단쇄지방산은 포름산(Formate), 아세트산(Acetate), 프로피온산(Propionate), 뷰티르산 (Butyrate), 아이소뷰티르산 (Isobutyrate), 발레르산(Valerate) 및 아이소발레르산(Iso-valerate)으로 이루어진 군에서 선택되는 하나 이상을 포함하는 것일 수 있으나, 이에 제한되는 것은 아니다.
배양물의 분석 방법은 흡광도 분석법, 크로마토그래피 분석법, 차세대시퀀싱방법(Next Generation Sequencing) 등의 유전자 분석법, 메타지놈 분석법 등의 통상의 기술자가 상기 분석을 위해 이용할 수 있는 다양한 분석법을 이용할 수 있다.
배양물의 분석에 있어서, 배양물을 원심 분리하여 상등액과 침전물을 분리한 후, 상기 상등액 및 상기 침전물(pallet)을 분석할 수 있다. 예를 들어, 상등액으로부터 대사체, 단쇄지방산, 독성 물질 등을 분석하고, 침전물로부터 장균총 분석을 수행할 수 있다.
예를 들어, 배양이 종료된 후, 배양된 각각의 실험군을 원심분리하여 얻어진 상등액으로부터 흡광도 측정분석법과 크로마토그래피 분석법을 통해 황화수소 및 박테리아 LPS(내독소) 등의 독성 물질 분석 및 단쇄지방산 등의 미생물 대사체 분석을 수행하며, 원심분리하여 얻어진 침전물(pallet)으로부터 배양-비의존적장균총 분석(Culture-independent analysis method)을 수행한다. 예를 들어, N,N-디메틸-p-페닐렌디아민 (N,N-dimethyl-p-phenylene-diamine)과 염화철 (FeCl3)로 반응시키는 메틸렌블루법(methylene blue method)을 통해서 배양을 통해 생성된 황화수소의 변화량을 측정하고, 내독소 어세이 키트 (Endotoxin assay kit) 분석을 통해 염증반응 증진요인 중 하나인 내독소(Endotoxin)의 레벨을 측정할 수 있다. 또한 가스 크로마토그래피 분석법을 활용하여 미생물 대사체인 아세테이트, 프로피오네이트, 부티레이트 등의 단쇄지방산을 분석할 수 있다.
장균총은 시료 내 유전체를 전부 추출한 후 GULDA방법에서 제시된 박테리아 특이적인 프라이머를 사용한 실시간 PCR 분석법(real-time PCR)이나 차세대시퀀싱(Next Generation Sequencing)과 같은 메타지놈(metagenome)분석을 통하여 유전체 기반의 분석법으로 분석할 수 있다.
본 발명에 따르면, 장내 환경 유사 조성물을 통해 체외에서 장내 환경을 구현한 상태에서 배양물을 분석함으로써 머신러닝 전에 학습 데이터를 최적화하여 학습 데이터 간의 편차를 줄일 수 있다.
이에 따라, 후술하는 미생물 관련 변수의 선택을 용이하게 하고, 또한 이러한 미생물 관련 변수를 통해 머신러닝 모델을 학습함으로써 머신러닝 모델의 성능을 향상시킬 수 있다. 따라서, 학습된 머신러닝 모델을 통해 소화기 장애 유무 진단의 정확도를 높일 수 있다.
변수 선택부(110)는 기설정된 변수 선택 알고리즘에 기초하여 복수의 미생물 데이터 중 미생물 관련 변수를 머신러닝 모델에 사용될 변수로서 선택(즉, Feature Selection)할 수 있다. 미생물 관련 변수의 수는 3개 내지 10개일 수 있다. 예를 들어, 최적의 미생물 관련 변수의 수는 10개일 수 있다.
머신러닝 모델을 생성함에 있어서 변수(features, 또는 variables, attributes)가 사용되는데, 많은 수의 변수 또는 부적절한 변수들이 사용되면 머신러닝 모델이 과적합(Overfitting)되거나 예측 정확도가 감소하는 문제가 발생한다.
이에, 머신러닝 모델이 높은 예측 정확도를 갖기 위해서는 적절한 변수들의 조합을 사용할 필요가 있다. 즉, 예측하고자 하는 반응변수와 가장 연관성이 높은 변수들을 선택하여 가능한 한 적은 수의 변수를 사용하면서 머신러닝 모델의 복잡도(complexity)를 낮출 수 있다.
변수 선택 알고리즘은 예를 들어, 보루타(Boruta) 알고리즘, 재귀 변수 제거(RFE: Recursive Feature Elimination) 알고리즘 중 적어도 하나를 포함할 일 수 있다.
기설정된 변수 선택 알고리즘으로부터 선택된 미생물 관련 변수는 RF39, 라크노스피라세에 (Lachnospiraceae), 엔테로박테리아세에 (Enterobacteriaceae), 바네시엘라세에 (Barnesiellaceae), 뷰티리시코카세에 (Butyricicoccaceae), 박테로이다세에 (Bacteroidaceae), 스트렙토코카세에 (Streptococcaceae), 안에어로보라카세에 (Anaerovoracaceae) 과(Family)에 속하는 속(Genus)에서 선택되는 1종 이상의 미생물의 함량을 포함할 수 있다.
일예에 있어서, 기설정된 변수 선택 알고리즘으로부터 선택된 미생물 관련 변수는 예를 들어, 코프로박터 (Coprobacter), 루미노코커스 (Ruminococcus), 뷰티리코커스 (Butyricoccus), 박테로이데스 (Bacteroides), 스트렙토코커스 (Streptococcus) 속(Genus)에 속하는 종(Species)에서 선택되는 1종 이상의 미생물의 함량을 더 포함할 수 있다.
학습부(120)는 미생물 관련 변수를 이용하여 머신러닝 모델을 학습시킬 수 있다.
예를 들어, 학습부(120)는 미생물 데이터(학습 데이터)마다 소화기 장애의 유무에 관한 라벨링 및 선택된 변수에 관한 미생물의 함량에 기초하여 지도 학습을 수행하여 미생물 데이터마다 소화기 장애의 유무를 예측하도록 머신러닝 모델을 학습시킬 수 있다.
머신러닝 모델은 예를 들어 LRA(Linear regression analysis) 모델, 랜덤포레스트(Random Forest) 모델, GLMNET(Generalized linear) 모델, 그래디언트 부스팅(Gradient Boosting) 모델 및 XGB(Extreme Gradient Boost) 모델 중 적어도 하나를 포함할 수 있다.
진단부(130)는 검사 대상 객체로부터 채취한 미생물 데이터를 학습된 머신러닝 모델에 입력하여 소화기 장애 유무를 진단할 수 있다.
예를 들어, 진단부(130)는 머신러닝 모델의 출력값인 소화기 장애의 유무에 기초하여 소화기 장애를 진단할 수 있다. 즉, 진단부(130)는 머신러닝 모델의 출력값에 기초하여 검사 대상 객체의 소화기 장애 유무를 판별하거나 검사 대상 객체의 소화기 장애 발병 확률을 예측할 수 있다.
이하, 본원의 실시예를 상세히 설명한다. 그러나, 본원은 이에 제한되지 않는다.
[실시예]
실시예 1. MCMOD 처리 또는 미처리 후 재귀 변수 제거 알고리즘에 기초하여 선택된 미생물 관련 변수
실시예 1의 MCMOD 처리 또는 미처리 후 재귀 변수 제거 알고리즘에 기초하여 선택된 미생물 관련 변수를 확인하기 위해, 하기와 같은 실험을 수행하였다.
본 발명에 따르면, 시료를 장내 환경 유사 조성물과 혼합한 혼합물을 분석하는 전처리가 수행된다. 본원에 있어서, 상술한 전처리는 MCMOD라고 명명될 수 있다. 한편, 본원에 있어서, 비교예는 시료에 상술한 전처리를 수행하지 않고 통상의 전처리만을 수행하여 추출된 미생물 데이터를 통한 소화기 장애 유무 판별 방법에 관한 것이다. 이와 관련하여, 비교예를 위한 통상의 전처리를 SMOD라고 명명한다.
시료는, 하기 표 1과 같이 44명의 소화기 장애(Gastro-intestinal tract disorder) 환자(질병군)와 154명의 정상인(정상군)으로부터 받은 문진 자가 응답 결과를 바탕으로 한 간이임상 데이터 세트(분변)의 MCMOD 및 SMOD의 미생물 데이터를 사용하였고, 특히 클래스 불균형 해소를 위해 데이터 세트에 대해 오버샘플링(oversampling) 및 언더샘플링(undersampling)을 수행하여 해당 데이터 세트를 82개의 정상 데이터 및 78개의 소화기 장애 데이터를 포함하는 총 160개의 데이터 세트로 변환하였다.
미생물 데이터는 7:3의 비율로 학습에 사용될 훈련 데이터(Train set)와 테스트 데이터(Test set)로 분류하였다.
이후, 훈련 데이터를 대상으로 보루타 알고리즘, 이항분포 편차(binomial deviance) plot, XGB 모델을 통해 변수 선택을 수행하여 머신러닝 모델에 사용될 미생물 관련 변수를 선택하였다. 한편, 테스트 데이터는 후술하는 바와 같이 머신러닝 모델의 성능 평가에 사용되었다.
도 5는 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 분석결과를 보루타 알고리즘을 통해 변수를 1차적으로 선택한 결과를 도시한다. 전체 978개의 변수에서 1차 선택이 행해진 결과 MCMOD의 경우 41개의 변수, SMOD의 경우 66개의 변수가 선택됐다.
도 6은 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 분석결과를 이항분포 편차 plot으로 변수의 개수에 따른 오차값을 확인하여 최적의 변수 개수 범위를 확인한 결과를 도시한다. 모델 예측에 적당한 변수의 개수 확인 결과, MCMOD는 3 내지 10개, SMOD는 1 내지 5개로 나타났다.
도 7은 선택된 미생물 관련 변수의 중요도를 도시한다. XGB 모델을 통해 선택된 복수의 미생물 관련 변수가 선택될 수 있다. MCMOD의 경우 10개, SMOD의 경우 5개의 정확도가 높은 미생물 관련 변수를 도시한다.
예를 들어, MCMOD에 있어서, 선택된 복수의 미생물 관련 변수 중 정확도가 높은 미생물 관련 변수는 RF39과(Family)의 미생물 일 수 있다.
비교예 1. MCMOD 처리한 분변 샘플과 MCMOD 처리하지 않은 분변 샘플의 분석 결과
한 사람의 분변을 8일 동안 채취하여, 날짜별 8개의 분변 샘플(J01, J02, J03, J04, J06, J08, J09, J10)을 MCMOD 처리하였고, MCMOD 처리한 분변 샘플을 차세대시퀀싱으로 미생물의 유전자를 분석했다(실시예). 마찬가지로, MCMOD 처리하지 않은 분변 샘플을 차세대시퀀싱으로 미생물의 유전자를 분석했다(비교예).
도 8은 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 각 샘플의 분석 결과를 비교한 도면이고, 도 9는 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 각 샘플의 분석 결과를 비교한 도면이다.
도 8의 (a)은 각 분변 샘플들의 베타 다양성을 Unweighted Unifrac Distance 를 사용하여 PCoA plot으로 표현한다. 도 8의 (a)의 PCoA plot에 도시된 바와 같이, MCMOD 처리한 분변 샘플들은 상대적으로 모여있는 형태를 띄는데 반해, MCMOD 처리하지 않은 분변 샘플들은 상대적으로 흩어져 있는 형태를 띄는 것을 확인할 수 있다.
도 8의 (b)는 PCoA plot 상의 각 그룹(실시예 및 비교예) 내의 8개의 점 사이의 거리를 Box plot으로 표현한다.
Box plot에서 확인할 수 있듯이, 실시예의 경우, 분변 샘플 간의 차이가 비교예에 비해 통계적으로 유의미하게 적음을 확인할 수 있다.
도 8의 (c)는 PCoA plot 상의 각 그룹(실시예 및 비교예) 내의 8개의 점 사이의 거리를 나타낸다.
각 그룹에 8개의 샘플이 존재하므로, 각 그룹 내의 두 샘플 간 거리는 총 28가지의 종류를 갖는다. 이 28가지의 종류를 시간 순으로 샘플을 2C2 부터 8C2 까지 그룹화하였다.
J01 분변샘플이 가장 먼저 수집되었고 J10 분변샘플이 가장 나중에 수집되었으므로 2C2 (N=1) 그룹에서는 가장 먼저 수집된 분변 두 샘플간의 거리 (J01과 J02 샘플 간의 거리)를 구했다.
3C2 (N=3) 그룹에서는 그 다음으로 수집된 분변 샘플(J03)을 포함하여 3개 샘플들에서 각 샘플들 사이의 거리(J01과J02, J01과J03, J02와J03)를 구하고 이 거리들의 평균과 표준오차를 표현했다.
4C2 (N=6) 그룹에서는 그 다음으로 수집된 분변 샘플(J04)을 포함하여 4개 샘플들에서 각 샘플들 사이의 거리 (J01과J02, J01과J03, J01과J04, J02와J03, J02와J04, J03과J4)를 구하고 이 거리들의 평균과 표준오차를 표현했다.
마찬가지로, 8C2 (N=28) 그룹에서는 마지막으로 수집된 분변 샘플(J10)을 포함하여 8개 샘플들에서 각 샘플들 사이의 거리(총 28가지)를 구하고 이 거리들의 평균과 표준오차를 표현했다.
PCoA plot에서의 거리 수치로 확인할 수 있듯이, 실시예에 따른 분변 샘플 그룹(2C2 ~ 8C2)의 샘플 간의 차이가 비교예에 비해 통계적으로 유의미하게 적음을 확인 할 수 있다.
도 9는 두 그룹(실시예 및 비교예)에 대하여 PERMANOVA 분산을 분석한 결과를 나타낸다.
도 9는 (b)와 같이 PERMANOVA 분산 분석 결과, Pr (> F) 값이 0.001 로 매우 작아 두 그룹(실시예 및 비교예)의 모평균이 동일하지 않음을 알 수 있다. 이는, 두 그룹이 통계적으로 유의하게 차이가 있다는 것을 나타낸다.
또한, 각 그룹의 중심으로부터 각 분변 샘플의 평균거리(Average distance to median)가 비교예(0.2340)보다 실시예(0.1662)가 더 가까움을 확인할 수 있고, 이는 실시예가 비교예에 비해 노이즈가 적다는 것을 의미한다.
살펴본 바와 같이, MCMOD 처리한 분변 샘플들의 경우, 분변 샘플들간의 편차(bias)가 적어 분변 샘플이 비교적 적은 노이즈(Noise)를 갖고 있고, 이에 따라 적은 변동성(Fluctuation)을 갖는다.
즉, 본 발명에 따르면, 변수 선택 및 머신러닝 학습 전에 분변 샘플을 MCMOD 처리함으로써 변수 선택을 용이하게 하고, 또한 후술하는 바와 같이, 머신러닝 모델을 학습함으로써 머신러닝 모델의 성능을 향상시킬 수 있다.
비교예 2. MCMOD 처리한 분변 샘플과 MCMOD 처리하지 않은 분변 샘플 각각으로부터 획득한 학습 데이터를 이용하여 학습한 머신러닝 모델의 성능 비교
실시예 1을 통해 채취한 분변 샘플을 MCMOD 처리하여 미생물 데이터를 추출하였고(실시예), MCMOD 처리하지 않고 미생물 데이터를 추출하였다(비교예).
구체적으로, 상술한 바와 같이 보루타 알고리즘을 통해 전체 978개의 변수에서 1차 선택이 이루어진 뒤, 이항분포 편차 plot을 통해 최적의 변수 개수를 설정하고, XGB 모델을 복수의 미생물 관련 변수를 선택하였다.
실시예 및 비교예의 미생물 데이터 및 미생물 관련 변수를 이용하여 LRA 모델, 랜덤포레스트 모델, GLMNET 모델, 그래디언트 부스팅 모델 및 XGB 모델 각각을 학습시킨 후, 각 머신러닝 모델의 성능을 평가하였다.
도 10은 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 XGB 모델 각각의 ROC(Receiver operating characteristic) curve와 AUC(Area Under a ROC Curve) score를 나타낸 도면이다. 도 11은 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 XGB 모델의 성능을 비교한 도면이다. 도 12는 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 머신러닝 모델의 성능을 비교한 도면이다. 도 13은 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 LEfSe를 나타낸 도면이다. 도 14는 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 미생물 분포도에 대한 피어슨 상관관계를 나타낸 도면이다. 도 15는 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 각 미생물 유전자 예측 경로(gene pathway prediction)에 대한 피어슨 상관관계를 나타낸 도면이다. 도 16은 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법과 비교예의 방법에 따른 단쇄지방산(Short chain fatty acids; SCFAs)의 양을 비교한 도면이다.
도 10 및 11을 참조하면, 평균 민감도(Average true positive rate), 평균 특이도(Average False Positive Rate), 정확도 및 AUC 값 모두 실시예가 비교예보다 더 높은 값을 보이고 있어, 비교예보다 실시예의 미생물 데이터를 이용할 경우, XGB 모델의 소화기 장애 유무 판별 성능이 높아지는 것을 확인할 수 있다.
도 12는 각 머신러닝 모델의 Roc curve와 AUC score를 나타낸다. 도 12에 나타난 바와 같이, 실시예의 미생물 데이터를 이용하여 머신러닝 모델을 학습한 경우, 비교예에 비해 모든 머신러닝 모델의 성능이 높은 것을 확인할 수 있다.
도 13은 질병군과 정상군에서 특징적으로 발견된 각 미생물의 차이를 나타낸다. 도 13을 참조하면, 실시예를 통해 분석한 LEfSe에서 비교예보다 더 많은 미생물 분류군들이 확인되는 것을 알 수 있다.
따라서, 비교예보다 실시예가 정상군과 환자군의 차이를 더 극명하게 판단할 수 있다는 것을 확인할 수 있다.
도 14는 실시예의 데이터와 비교예의 데이터의 각 미생물 분류군 풍부도(abundance)와 나이, 체질량지수(body mass index; BMI), 아세트산(acetate), 프로피온산(propionate), 부티르산(butyrate), 총 단쇄지방산 등의 숫자형 데이터들 간의 피어슨(Pearson) 상관관계를 비교한 도면이고, 도 15는 각 미생물 유전자 경로 풍부도(gene pathway abundance)와 상술한 숫자형 데이터들의 피어슨 상관관계를 비교한 도면이다. 도 14와 도 15를 참조하면, 실시예 데이터의 피어슨 상관관계가 비교예보다 더 높으므로, 실시예에 따른 소화기 장애 유무 판별 방법이 비교예에 따른 판별 방법보다 유리하다는 것을 알 수 있다.
도 16은 실시예의 데이터와 비교예의 데이터의 단쇄지방산의 양을 비교한 도면이다. 일반적으로 단쇄지방산(아세트산, 프로피온산, 뷰티르산)의 절대량이 많을수록 유익하다고 알려져 있다.
비교예의 경우 질병군이 정상군에 비해 양이 많은 것을 확인할 수 있지만, 이에 반해 실시예에서는 정상군의 평균이 더 높거나, 질병군이 더 많더라도 실시예에 비해 차이가 줄어들고 있는 것을 확인할 수 있다.
즉, 비교예의 경우 데이터 노이즈에 의한 결과 해석의 왜곡이 나타나고 있는 반면, 실시예의 경우, 보다 정확한 결과 해석이 가능하다는 것을 확인할 수 있다.
도 17은 본 발명의 일 실시예에 따른 소화기 장애 유무 판별 방법을 나타낸 흐름도이다. 도 17에 도시된 일 실시예에 따른 소화기 장애 유무 판별 방법은 도 1에 도시된 진단 장치에서 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 도 17에 도시된 일 실시예에 따라 수행되는 소화기 장애 유무 판별 방법에도 적용된다.
도 17을 참조하면, 단계 S1700에서 개체로부터 채취한 장내 유래 물질을 장내 환경 유사 조성물과 혼합한 혼합물을 분석할 수 있다.
단계 S1710에서 혼합물의 분석 결과에 기초하여 복수의 미생물 데이터를 추출할 수 있다.
단계 S1720에서 기설정된 변수 선택 알고리즘에 기초하여 복수의 미생물 데이터 중 머신러닝 모델에 사용될 미생물 관련 변수를 선택할 수 있다.
단계 S1730에서 미생물 관련 변수를 이용하여 머신러닝 모델을 학습시킬 수 있다.
단계 S1740에서 미생물 관련 변수를 이용하여 머신러닝 모델을 학습시킬 수 있다.
검사 대상 객체로부터 채취한 미생물 데이터를 학습된 머신러닝 모델에 입력하여 소화기 장애 유무를 판별할 수 있다.
도 17을 통해 설명된 소화기 장애 유무 판별 방법은 매체에 저장된 컴퓨터 프로그램의 형태로 구현되거나, 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
1: 진단 장치
100: 미생물 데이터 추출부
110: 변수 선택부
120: 학습부
130: 진단부
100: 미생물 데이터 추출부
110: 변수 선택부
120: 학습부
130: 진단부
Claims (14)
- 머신러닝 모델을 이용하여 소화기 장애 유무를 판별하는 방법에 있어서,
개체로부터 채취한 장내 유래 물질을 장내 환경 유사 조성물과 혼합한 혼합물을 분석하는 단계;
상기 혼합물의 분석 결과에 기초하여 복수의 미생물 데이터를 추출하는 단계;
기설정된 변수 선택 알고리즘에 기초하여 상기 복수의 미생물 데이터 중 머신러닝 모델에 사용될 미생물 관련 변수를 선택하는 단계;
상기 미생물 관련 변수를 이용하여 상기 머신러닝 모델을 학습시키는 단계; 및
검사 대상 객체로부터 채취한 미생물 데이터를 상기 학습된 머신러닝 모델에 입력하여 소화기 장애 유무를 판별하는 단계
를 포함하고,
상기 미생물 관련 변수는 RF39, 라크노스피라세에 (Lachnospiraceae), 엔테로박테리아세에 (Enterobacteriaceae), 바네시엘라세에 (Barnesiellaceae), 뷰티리시코카세에 (Butyricicoccaceae), 박테로이다세에 (Bacteroidaceae), 스트렙토코카세에 (Streptococcaceae), 안에어로보라카세에 (Anaerovoracaceae) 과(Family)에 속하는 속(Genus)에서 선택되는 1종 이상의 미생물의 함량을 포함하는 것인, 소화기 장애 유무 판별 방법.
- 제 1 항에 있어서,
상기 머신러닝 모델에 사용될 변수의 수는 3개 내지 10개인 것인, 소화기 장애 유무 판별 방법.
- 제 1 항에 있어서,
상기 혼합물을 분석하는 단계는,
상기 혼합물을 혐기 조건에서 18시간 내지 24시간 동안 배양하는 단계; 및
상기 혼합물이 배양된 배양물을 분석하는 단계
를 포함하는 것인, 소화기 장애 유무 판별 방법.
- 제 3 항에 있어서,
상기 배양물을 분석하는 단계는,
상기 배양물을 원심 분리하여 상등액과 침전물을 분리한 후, 상기 상등액 및 상기 침전물을 분석하는 단계
를 포함하는 것인, 소화기 장애 유무 판별 방법.
- 제 3 항에 있어서,
상기 미생물 데이터는 상기 배양물에 포함된 내독소(endotoxin), 황화수소(hydrogen sulfide), 단쇄지방산(Short-chain fatty acids, SCFAs) 및 장균총 유래 대사체 중 하나 이상의 함량, 농도, 종류, 장균총에 포함된 균의 종류, 농도, 함량 또는 다양성 변화 중 적어도 하나를 포함하는 것인, 소화기 장애 유무 판별 방법.
- 제 1 항에 있어서,
상기 변수 선택 알고리즘은 보루타(Boruta) 알고리즘, 재귀 변수 제거(RFE: Recursive Feature Elimination) 알고리즘 중 적어도 하나를 포함하는 것인, 소화기 장애 유무 판별 방법.
- 제 1 항에 있어서,
상기 머신러닝 모델은 LRA(Linear regression analysis) 모델, 랜덤포레스트(Random Forest) 모델, GLMNET(Generalized linear) 모델, 그래디언트 부스팅(Gradient Boosting) 모델 및 XGB(Extreme Gradient Boost) 모델 중 적어도 하나를 포함하는 것인, 소화기 장애 유무 판별 방법.
- 제 1 항에 있어서,
상기 미생물 관련 변수는 코프로박터 (Coprobacter), 루미노코커스 (Ruminococcus), 뷰티리코커스 (Butyricoccus), 박테로이데스 (Bacteroides), 스트렙토코커스 (Streptococcus) 속(Genus)에 속하는 종(Species)에서 선택되는 1종 이상의 미생물의 함량을 포함하는 것인, 소화기 장애 유무 판별 방법.
- 머신러닝 모델을 이용하여 소화기 장애 유무를 진단하는 장치에 있어서,
개체로부터 채취한 장내 유래 물질을 장내 환경 유사 조성물과 혼합한 혼합물의 분석 결과에 기초하여 복수의 미생물 데이터를 추출하는 미생물 데이터 추출부;
기설정된 변수 선택 알고리즘에 기초하여 상기 복수의 미생물 데이터 중 머신러닝 모델에 사용될 미생물 관련 변수를 선택하는 변수 선택부;
상기 미생물 관련 변수를 이용하여 상기 머신러닝 모델을 학습시키는 학습부; 및
검사 대상 객체로부터 채취한 미생물 데이터를 상기 학습된 머신러닝 모델에 입력하여 소화기 장애 유무를 진단하는 진단부
를 포함하고,
상기 미생물 관련 변수는 RF39, 라크노스피라세에 (Lachnospiraceae), 엔테로박테리아세에 (Enterobacteriaceae), 바네시엘라세에 (Barnesiellaceae), 뷰티리시코카세에 (Butyricicoccaceae), 박테로이다세에 (Bacteroidaceae), 스트렙토코카세에 (Streptococcaceae), 안에어로보라카세에 (Anaerovoracaceae) 과(Family)에 속하는 속(Genus)에서 에서 선택되는 1종 이상의 미생물의 함량을 포함하는 것인, 진단 장치.
- 제 9 항에 있어서,
상기 머신러닝 모델에 사용될 변수의 수는 3개 내지 10개인 것인, 진단 장치.
- 제 9 항에 있어서,
상기 미생물 데이터는 상기 혼합물이 혐기 조건에서 18시간 내지 24시간 동안 배양된 배양물에 포함된 내독소(endotoxin), 황화수소(hydrogen sulfide), 단쇄지방산(Short-chain fatty acids, SCFAs) 및 장균총 유래 대사체 중 하나 이상의 함량, 농도, 종류, 장균총에 포함된 균의 종류, 농도, 함량 또는 다양성 변화 중 적어도 하나를 포함하는 것인, 진단 장치.
- 제 9 항에 있어서,
상기 변수 선택 알고리즘은 보루타(Boruta) 알고리즘, 재귀 변수 제거(RFE: Recursive Feature Elimination) 알고리즘 중 적어도 하나를 포함하는 것인, 진단 장치.
- 제 9 항에 있어서,
상기 머신러닝 모델은 LRA(Linear regression analysis) 모델, 랜덤포레스트(Random Forest) 모델, GLMNET(Generalized linear) 모델, 그래디언트 부스팅(Gradient Boosting) 모델 및 XGB(Extreme Gradient Boost) 모델 중 적어도 하나를 포함하는 것인, 진단 장치.
- 제 9 항에 있어서,
상기 미생물 관련 변수는 코프로박터 (Coprobacter), 루미노코커스 (Ruminococcus), 뷰티리코커스 (Butyricoccus), 박테로이데스 (Bacteroides), 스트렙토코커스 (Streptococcus) 속(Genus)에 속하는 종(Species)에서 선택되는 1종 이상의 미생물의 함량을 포함하는 것인, 진단 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210066614A KR20220158950A (ko) | 2021-05-25 | 2021-05-25 | 머신러닝 모델을 이용하여 소화기 장애 유무를 판별하는 방법 및 진단 장치 |
| PCT/KR2022/007418 WO2022250446A1 (ko) | 2021-05-25 | 2022-05-25 | 머신러닝 모델을 이용하여 소화기 장애 유무를 판별하는 방법 및 진단 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210066614A KR20220158950A (ko) | 2021-05-25 | 2021-05-25 | 머신러닝 모델을 이용하여 소화기 장애 유무를 판별하는 방법 및 진단 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220158950A true KR20220158950A (ko) | 2022-12-02 |
Family
ID=84228971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210066614A KR20220158950A (ko) | 2021-05-25 | 2021-05-25 | 머신러닝 모델을 이용하여 소화기 장애 유무를 판별하는 방법 및 진단 장치 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20220158950A (ko) |
| WO (1) | WO2022250446A1 (ko) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140141986A1 (en) * | 2011-02-22 | 2014-05-22 | David Spetzler | Circulating biomarkers |
| EP3562956A4 (en) * | 2016-12-28 | 2020-10-14 | Ascus Biosciences, Inc. | METHODS, APPARATUS AND SYSTEMS FOR ANALYZING STRAINS OF MICRO-ORGANISMS IN COMPLEX HETEROGENEOUS COMMUNITIES, DETERMINING THEIR INTERACTIONS AND FUNCTIONAL RELATIONSHIPS, AND MANAGEMENT OF DIAGNOSTICS AND BIOLOGICAL STATES BASED ON THEM |
| WO2019036176A1 (en) * | 2017-08-14 | 2019-02-21 | uBiome, Inc. | METHOD OF CHARACTERIZING THE MICROBIOMA ASSOCIATED WITH A DISEASE |
| KR102330639B1 (ko) * | 2019-01-18 | 2021-11-24 | 주식회사 천랩 | 과민성대장증후군 특이적 미생물 바이오마커와 이를 이용하여 과민성대장증후군의 위험도를 예측하는 방법 |
| KR102241357B1 (ko) * | 2020-10-20 | 2021-04-16 | 주식회사 에이치이엠 | 머신러닝 모델을 이용하여 대장용종을 진단하는 방법 및 장치 |
-
2021
- 2021-05-25 KR KR1020210066614A patent/KR20220158950A/ko not_active Application Discontinuation
-
2022
- 2022-05-25 WO PCT/KR2022/007418 patent/WO2022250446A1/ko active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022250446A1 (ko) | 2022-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hall et al. | Human genetic variation and the gut microbiome in disease | |
| Chiu et al. | Gut microbial‐derived butyrate is inversely associated with IgE responses to allergens in childhood asthma | |
| KR102241357B1 (ko) | 머신러닝 모델을 이용하여 대장용종을 진단하는 방법 및 장치 | |
| KR102373886B1 (ko) | 머신러닝 모델을 이용하여 장염 유무를 판별하는 방법 및 진단 장치 | |
| Berry et al. | Intestinal microbiota: a source of novel biomarkers in inflammatory bowel diseases? | |
| Daniel et al. | High-fat diet alters gut microbiota physiology in mice | |
| Zafeiropoulou et al. | Alterations in intestinal microbiota of children with celiac disease at the time of diagnosis and on a gluten-free diet | |
| Sacchetti et al. | Gut microbiome investigation in celiac disease: from methods to its pathogenetic role | |
| US20230411013A1 (en) | Method and diagnostic apparatus for determining atopic dermatitis using machine learning model | |
| VanEvery et al. | Microbiome epidemiology and association studies in human health | |
| Guard et al. | HORSE SPECIES SYMPOSIUM: Canine intestinal microbiology and metagenomics: From phylogeny to function | |
| US20230420136A1 (en) | Method and diagnostic apparatus for determining constipation using machine learning model | |
| US20230411011A1 (en) | Method and diagnostic apparatus for determining hyperglycemia using machine learning model | |
| Matthewman et al. | Systems to model the personalized aspects of microbiome health and gut dysbiosis | |
| Ye et al. | Analysis of the gut microbiota in children with gastroesophageal reflux disease using metagenomics and metabolomics | |
| EP3968338A1 (en) | Method and system of generating individual dietary recommendations based on analysis of microbiota composition | |
| CN113906296A (zh) | 基于机器学习的使用代谢物作为标记物的孤独症谱系障碍诊断方法和装置 | |
| KR20220158950A (ko) | 머신러닝 모델을 이용하여 소화기 장애 유무를 판별하는 방법 및 진단 장치 | |
| KR102577230B1 (ko) | 머신러닝 모델을 이용하여 장 질환 유무를 판별하는 방법 및 진단 장치 | |
| KR102577229B1 (ko) | 머신러닝 모델을 이용하여 복통 유무를 판별하는 방법 및 진단 장치 | |
| KR20220158948A (ko) | 머신러닝 모델을 이용하여 복부팽만 유무를 판별하는 방법 및 진단 장치 | |
| KR102304402B1 (ko) | 머신러닝 모델을 이용하여 비만 여부를 판별하는 방법 및 진단 장치 | |
| Takei et al. | Detection and isolation of typical gut indigenous bacteria in mice fed corn starch, bread flour or whole wheat flour | |
| Kolmeder et al. | Gut health and the personal microbiome | |
| Li | Integrative analysis of multi-omics data reveals links between human diseases and the gut microbiota |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application |