KR20230028896A - 인코딩 자성입자의 딥러닝 기반 디코딩을 이용한 시료의 다중검출 분석 장치 및 그 방법 - Google Patents

인코딩 자성입자의 딥러닝 기반 디코딩을 이용한 시료의 다중검출 분석 장치 및 그 방법 Download PDF

Info

Publication number
KR20230028896A
KR20230028896A KR1020210110739A KR20210110739A KR20230028896A KR 20230028896 A KR20230028896 A KR 20230028896A KR 1020210110739 A KR1020210110739 A KR 1020210110739A KR 20210110739 A KR20210110739 A KR 20210110739A KR 20230028896 A KR20230028896 A KR 20230028896A
Authority
KR
South Korea
Prior art keywords
encoded
sample
encoding
particles
type
Prior art date
Application number
KR1020210110739A
Other languages
English (en)
Inventor
백문창
한영기
정호영
박수빈
Original Assignee
경북대학교 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 경북대학교 산학협력단 filed Critical 경북대학교 산학협력단
Priority to KR1020210110739A priority Critical patent/KR20230028896A/ko
Priority to PCT/KR2022/012223 priority patent/WO2023027408A1/ko
Publication of KR20230028896A publication Critical patent/KR20230028896A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B45/00—ICT specially adapted for bioinformatics-related data visualisation, e.g. displaying of maps or networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/531—Production of immunochemical test materials
    • G01N33/532—Production of labelled immunochemicals
    • G01N33/533—Production of labelled immunochemicals with fluorescent label
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/543—Immunoassay; Biospecific binding assay; Materials therefor with an insoluble carrier for immobilising immunochemicals
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/543—Immunoassay; Biospecific binding assay; Materials therefor with an insoluble carrier for immobilising immunochemicals
    • G01N33/54313—Immunoassay; Biospecific binding assay; Materials therefor with an insoluble carrier for immobilising immunochemicals the carrier being characterised by its particulate form
    • G01N33/54326—Magnetic particles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/543—Immunoassay; Biospecific binding assay; Materials therefor with an insoluble carrier for immobilising immunochemicals
    • G01N33/54313—Immunoassay; Biospecific binding assay; Materials therefor with an insoluble carrier for immobilising immunochemicals the carrier being characterised by its particulate form
    • G01N33/54346—Nanoparticles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10064—Fluorescence image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Hematology (AREA)
  • Urology & Nephrology (AREA)
  • General Physics & Mathematics (AREA)
  • Biotechnology (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Microbiology (AREA)
  • Cell Biology (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Bioethics (AREA)
  • Epidemiology (AREA)
  • Public Health (AREA)

Abstract

본 발명은 인코딩 자성입자의 딥러닝 기반 디코딩을 이용한 시료의 다중검출 분석 장치 및 그 방법에 관한 것이다. 본 발명에 따르면, 딥러닝 기반 디코딩을 이용한 다중검출 분석 장치를 이용한 생체 시료의 다중검출 분석 방법에 있어서, 서로 다른 유형으로 인코딩된 복수의 인코딩 자성입자를 준비하여 분석대상 시료 내에 투입하는 단계와, 상기 시료를 회전 자기장에 노출시킨 상태에서 상기 시료를 촬영한 영상을 획득하는 단계와, 상기 영상에 포함된 시계열 이미지를 기 학습된 딥러닝 알고리즘에 입력하고 상기 딥러닝 알고리즘을 통해 상기 영상 내 각 인코딩 자성입자의 시간에 따른 회전 패턴 특징을 분석하여 각각의 인코딩 자성입자를 분류하는 단계, 및 영상 내 각 인코딩 자성입자의 분류 결과를 기반으로 상기 시료 내 복수 종류의 타겟 물질들을 다중 검출하는 단계를 포함한다.
본 발명에 따르면, 서로 다른 유형으로 암호화된 인코딩 자성입자를 회전 자기장에 노출하여 촬영한 영상에서 회전 패턴 특징을 딥러닝 분석하여 각기 다른 유형의 인코딩 자성입자를 용이하게 식별하고 식별 결과를 이용하여 영상에서 생체 시료 내의 서로 다른 종류의 타겟 물질을 동시 검출하고 정량 분석할 수 있다.

Description

인코딩 자성입자의 딥러닝 기반 디코딩을 이용한 시료의 다중검출 분석 장치 및 그 방법{Multiplex detection analysis apparatus of sample using deep learning-based decoding of encoding magnetic particles and method thereof}
본 발명은 인코딩 자성입자의 딥러닝 기반 디코딩을 이용한 시료의 다중검출 분석 장치 및 그 방법에 관한 것으로서, 보다 상세하게는 자기력 기반의 다중 검출 진단 플랫폼을 이용하여 생체시료 샘플로부터 질병을 빠르고 정확하게 진단할 수 있는 다중검출 분석 장치 및 그 방법에 관한 것이다.
엑소좀은 모든 세포에서 분비되며, 체내를 순환하여 다양한 생리적 활동에 관여하는 50-150nm(나노미터)크기를 갖는 작은 소포체이다. 엑소좀은 세포간 통신에서 중요한 역할을 하며 인간 건강 및 질병에서 상당한 수의 세포 활성에 영향을 미친다. 이들은 막 및 세포 내 단백질, 핵산 및 지질을 포함하여 원래 세포로부터의 풍부한 생체 분자를 함유한다. 이러한 특성은 엑소좀에 다른 분자 경로를 유도하고 질병의 조기 진단을 위한 잠재적인 바이오 마커로서의 기능을 제공한다.
특히, 암세포는 자신만이 갖고 있는 암 전이 특이 단백질을 엑소좀에 담아 낸다. 이때, 분비되는 엑소좀에는 암과 관련된 다양한 요소가 포함되어 있는데, 엑소좀은 이를 정상 세포에 전달하여 종양 미세 환경을 호의적으로 바꿈에 따라 해당 부위의 암 진행과 전이에 크게 기여하는 것으로 알려져 있다.
엑소좀의 고유한 생물학적 특성으로 인하여, 암을 조기에 진단하고 예측하는데 있어 암세포에서 특이적으로 분비되는 엑소좀을 바이오 마커로서 활용하기 위한 많은 연구가 이루어지고 있다.
그러나, 인체의 복잡성과 종양의 이질성으로 인하여, 단일의 바이오 마커 만으로는 질병의 진행 단계를 정확하게 반영할 수는 없음은 자명하다. 따라서 높은 정확도 및 특이성으로 질병 진단을 달성하기 위해서는 다양한 바이오 마커의 동시 검출 플랫폼 개발이 요구된다.
최근, 여러 표적 분자의 다중검출에 사용되는 방법들은 크게 suspension array와 planar microarray 기술로 구분할 수 있다. 이 중에서 suspension array 방식은 planar microarray 보다 높은 특이성과 향상된 재현성을 제공하기 때문에 최근 들어 더욱 많은 연구가 진행되고 있다.
많은 연구자들은 단일 샘플에서 여러 표적을 동시에 검출하기 위한 진단 도구로써, 암호화(인코딩)된 입자를 활용한 방식들을 제안하였다. 서로 다른 probe 분자를 서로 다른 암호화된 입자에 부착한 후 대상 샘플과 반응시켜 결과를 분석하게 되는데, 부착된 probe 분자를 확인하기 위해서는 각각의 암호화된 입자를 식별할 수 있어야 하므로, 각 입자는 고유 식별자로 인코딩해야 한다.
이를 위해, 분광, 그래픽, 전자 및 물리적 방법과 같은 다양한 원리의 인코딩 방식이 제안되었으나, 이런 방식들은 우수한 다중검출 능력에도 불구하고, 복잡한 제조 과정 및 디코딩을 위한 특수 광학 장비를 필요로 한다는 단점이 있다.
따라서, 보다 간편한 방법의 인코딩과 복잡한 장비를 요구하지 않는 디코딩 방식을 적용한 새로운 다중검출 진단 플랫폼의 개발이 필요하다.
본 발명의 배경이 되는 기술은 한국공개특허 제2019-0089636호(2019.07.31 공개)에 개시되어 있다.
본 발명은, 딥러닝 기반의 회전 패턴 판별 기술을 이용하여 서로 다른 유형으로 암호화된 인코딩 자성입자를 빠르고 정확하게 식별하고, 식별 결과를 이용하여 영상에서 생체 시료 내 서로 다른 종류의 타겟 물질을 동시 검출할 수 있는 다중검출 분석 장치 및 그 방법을 제공하는데 목적이 있다.
본 발명은, 딥러닝 기반 디코딩을 이용한 다중검출 분석 장치를 이용한 생체 시료의 다중검출 분석 방법에 있어서, 서로 다른 유형으로 인코딩된 복수의 인코딩 자성입자를 준비하여 분석대상 시료 내에 투입하는 단계와, 상기 시료를 회전 자기장에 노출시킨 상태에서 상기 시료를 촬영한 영상을 획득하는 단계와, 상기 영상에 포함된 시계열 이미지를 기 학습된 딥러닝 알고리즘에 입력하고 상기 딥러닝 알고리즘을 통해 상기 영상 내 각 인코딩 자성입자의 시간에 따른 회전 패턴 특징을 분석하여 각각의 인코딩 자성입자를 분류하는 단계, 및 영상 내 각 인코딩 자성입자의 분류 결과를 기반으로 상기 시료 내 복수 종류의 타겟 물질들을 다중 검출하는 단계를 포함하는 생체 시료의 다중검출 분석 방법을 제공한다.
또한, 상기 복수의 인코딩 자성입자는, 인코딩 유형 별로 서로 다른 종류의 타겟 물질과 반응하기 위한 서로 다른 포획 항체가 각각 부착되며, 상기 생체 시료의 다중검출 분석 방법은, 상기 복수의 인코딩 자성입자가 투입된 시료 내에 상기 타겟 물질을 검출하기 위한 검출 항체 및 상기 검출 항체에 붙는 형광 물질을 순차로 투입하여 반응시키는 단계를 더 포함할 수 있다.
또한, 상기 다중 검출하는 단계는, 영상 내 각 인코딩 자성입자의 분류 결과를 기반으로 영상 내 각 인코딩 자성입자의 인코딩 유형을 식별하고, 상기 식별된 유형 별로 상기 인코딩 자성입자에 결합된 상기 형광 물질의 세기를 분석하여 해당 유형에 대응하는 타겟 물질의 농도를 정량화할 수 있다.
또한, 상기 인코딩 자성입자의 회전 패턴 특징은, 상기 인코딩 자성입자의 회전 속도, 회전 주기, 연속 회전 여부, 회전 중 간헐적 정지 구간 발생 여부, 정지 구간의 발생 주기, 정지 구간의 시간 길이 중 적어도 하나를 포함할 수 있다.
또한, 상기 딥러닝 알고리즘은, 이미지 분석 및 시간 변이 정보를 학습하기 위한 콘볼루셔널 장단기 메모리 신경망(Convolutional LSTM)을 포함하여 구현될 수 있다.
또한, 상기 인코딩 자성입자는, 마이크로 채널 내에서 광경화 고분자 물질에 혼합된 초상자성 나노입자들이 외부 자기장에 따라 설정 방향으로 정렬된 상태에서 광 경화되어 막대 형상으로 제조되고, 정렬 방향에 따라 서로 다른 유형으로 인코딩될 수 있다.
또한, 상기 인코딩 자성입자의 인코딩 유형은, 상기 막대의 길이 방향인 가로 방향(0°)으로 입자가 정렬된 제1 유형, 세로 방향(90°)으로 입자가 정렬된 제2 유형, 대각 방향(45°)으로 입자가 정렬된 제3 유형, 45°를 제외한 0°와 90°사이의 방향으로 입자가 정렬된 제4 유형, 그리고 서로 다른 방향으로 입자가 정렬된 복수의 나노입자 블록이 길이 방향으로 순차 나열된 구조의 제5 유형을 포함할 수 있다.
그리고, 본 발명은, 서로 다른 유형으로 인코딩된 복수의 인코딩 자성입자가 투입되어 준비된 분석대상 시료에 회전 자기장이 인가된 상태에서 상기 시료를 촬영한 영상을 획득하는 영상 획득부와, 상기 영상에 포함된 시계열 이미지를 기 학습된 딥러닝 알고리즘에 입력하고 상기 딥러닝 알고리즘을 통해 상기 영상 내 각 인코딩 자성입자의 시간에 따른 회전 패턴 특징을 분석하여 각각의 인코딩 자성입자를 분류하는 디코딩부, 및 영상 내 각 인코딩 자성입자의 분류 결과를 기반으로 상기 시료 내 복수 종류의 타겟 물질들을 다중 검출하는 검출부를 포함하는 생체 시료의 다중검출 분석 장치를 제공한다.
또한, 상기 복수의 인코딩 자성입자가 투입된 시료 내에는 상기 회전 자기장 인가 전에 상기 타겟 물질을 검출하기 위한 검출 항체 및 상기 검출 항체에 붙는 형광 물질이 순차로 투입되어 반응이 이루어질 수 있다.
또한, 상기 검출부는, 영상 내 각 인코딩 자성입자의 분류 결과를 기반으로 영상 내 각 인코딩 자성입자의 인코딩 유형을 식별하고, 상기 식별된 유형 별로 상기 인코딩 자성입자에 결합된 상기 형광 물질의 세기를 분석하여 해당 유형에 대응하는 타겟 물질의 농도를 정량화할 수 있다.
본 발명에 따르면, 서로 다른 유형으로 인코딩된 인코딩 자성입자를 회전 자기장에 노출하여 촬영한 영상에서 각 인코딩 자성입자의 회전 패턴을 딥러닝 분석하여 서로 다른 유형의 인코딩 자성입자를 빠르고 정확하게 식별할 수 있고 식별 결과를 이용하여 영상에서 생체 시료 내의 서로 다른 종류의 타겟 물질을 동시 검출하고 그에 대한 정량 분석 결과를 제공할 수 있다.
이러한 본 발명은 영상 내 검출되는 각 인코딩 자성입자의 종류를 딥러닝 모델을 통하여 식별하므로 암호화된 입자를 디코딩하기 위한 복잡한 특수 광학 장비를 전혀 필요로 하지 않음은 물론, 시료 분석 시간을 줄여서 질병과 관련한 엑소좀을 빠르게 검출하고 질병 진단 시간을 크게 단축할 수 있다.
도 1은 본 발명의 실시예에 따른 생체 시료의 다중검출 분석 장치의 구성을 나타낸 도면이다.
도 2는 도 1을 이용한 생체 시료의 다중검출 분석 방법을 설명한 도면이다.
도 3은 본 발명의 실시예에서 인코딩 자성입자의 인코딩에 사용된 자기장 장치를 예시적으로 나타낸 도면이다.
도 4는 본 발명의 실시예에서 인코딩 자성입자를 광 경화하여 제조하는 원리를 설명한 도면이다.
도 5는 본 발명의 실시예에 따른 다양한 인코딩 유형을 도시한 도면이다.
도 6은 본 발명의 실시예에 따른 콘볼루션 특징의 시계열 분석 딥러닝 모델의 구조를 예시한 도면이다.
도 7은 본 발명의 실시예에서 인코딩 자성입자의 제조 과정을 보여주는 도면이다.
도 8은 인코딩 유형 별 인코딩 자성입자를 캡쳐한 이미지를 예시한 도면이다.
도 9는 서로 다른 포획 항체가 접합된 인코딩 자성입자 상의 엑소좀 농도에 따른 형광 세기를 보여주는 도면이다.
도 10은 본 발명의 실시예에서 서로 다른 포획항체를 포함하고 있는 인코딩 자성입자와 반응한 엑소좀 농도와 형광 세기 간의 관계를 도시한 도면이다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 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 의미한다.
본 발명은 인코딩 자성입자의 딥러닝 기반 디코딩을 이용한 시료의 다중검출 분석 장치 및 그 방법으로, 딥러닝 기반의 디코딩 기법을 이용하여 서로 다른 유형으로 암호화된 인코딩 자성입자를 영상에서 빠르고 정확하게 식별하며, 식별 결과를 이용하여 생체 시료 내의 서로 다른 종류의 타겟 물질을 동시에 다중 검출하는 기법을 제안한다.
본 발명의 실시예에서 분석대상 시료는 혈액, 타액, 소변 등에 해당할 수 있다. 분석대상 시료 내에는 서로 다른 유형으로 인코딩(암호화)된 복수의 인코딩 자성입자가 투입되어 준비된다. 준비된 시료 상에는 인코딩 자성입자(magnetic encoded microparticles; MEMP)의 회전 패턴 분석이 가능하도록 회전 자기장(rotating magnetic field)이 인가된다.
본 발명의 실시예에서 복수의 인코딩 자성입자는 인코딩 유형 별로 서로 다른 종류의 타겟 물질과 반응하기 위한 서로 다른 포획 항체가 각각 부착된다. 아울러, 회전 자기장 인가 전에, 시료 내에는 타겟 물질을 검출하기 위한 검출 항체 및 검출 항체에 붙는 형광 물질이 순차로 투입되어 반응될 수 있다.
본 발명의 실시예에서, 인코딩 자성입자는 마이크로 채널 내에서 광경화 고분자 물질에 혼합된 초상자성 나노입자들이 외부 자기장에 따라 설정 방향으로 정렬된 상태에서 광 경화되어 막대 형상(bar-type)으로 제조될 수 있다.
여기서, 인코딩 자성입자는 정렬 방향에 따라 서로 다른 유형으로 인코딩될 수 있다. 예를 들면, 0°, 45°, 90° 방향의 인코딩뿐만 아니라, 0°과 90° 사이의 방향, 그리고 서로 다른 복수의 방향이 혼합된 구조도 가능하다. 혼합 구조의 경우 인코딩 자성입자의 길이 방향에 대해 서로 다른 방향으로 인코딩된 구간이 순차 나열된 구조를 갖는다.
도 1은 본 발명의 실시예에 따른 생체 시료의 다중검출 분석 장치의 구성을 나타낸 도면이다.
도 1에 나타낸 것과 같이, 본 발명의 실시예에 따른 생체 시료의 다중검출 분석 장치(100)는 영상 획득부(110), 디코딩부(120), 검출부(130), 학습부(140), 출력부(150), 제어부(160)를 포함한다.
우선, 영상 획득부(110)는 서로 다른 유형의 인코딩 자성입자가 투입되어 준비된 분석대상 시료에 회전 자기장이 인가된 상태에서, 시료를 촬영한 영상을 획득한다. 이때 영상은 설정 시간(예: 10초, 1분) 동안 촬영된 영상에 해당할 수 있다.
영상 획득부(110)는 촬영 장치로부터 시료를 촬영한 영상을 수집할 수 있다. 여기서, 촬영 장치는 카메라(예: CCD 카메라), 현미경 중 적어도 하나를 포함할 수 있다.
영상 획득부(110)는 촬영 장치와 유무선 네트워크를 통해 연결되어 영상을 수신할 수 있다. 물론 영상 획득부(110)는 촬영 장치를 포함하여 구현될 수도 있다.
영상 획득부(110)는 시료를 촬영한 영상을 촬영 장치로부터 획득하고 이를 디코딩부(120)로 전달할 수 있다. 영상은 여러 프레임의 이미지들로 구성되는데, 예를 들어 초당 복수 프레임(예: 30 frames)의 이미지를 포함할 수 있다.
디코딩부(120)는 영상에 포함된 시계열 이미지를 기 학습된 딥러닝 알고리즘에 입력하고 딥러닝 알고리즘을 통해 영상 내 각 인코딩 자성입자의 시간에 따른 회전 패턴 특징을 분석하여 각각의 인코딩 자성입자를 분류한다.
디코딩부(120)는 설정 시간 길이(예: 10초, 1분) 단위의 영상을 영상 획득부(110)로부터 전달받고, 단위 영상을 구성한 복수 프레임의 이미지를 사전 학습된 딥러닝 기반의 분류 모델에 적용함으로써, 영상 내 각 인코딩 자성입자를 디코딩할 수 있다. 여기서, 딥러닝 기반의 디코딩이란 영상의 딥러닝 분석을 통하여 사전에 서로 다른 유형으로 암호화된 인코딩 자성입자들의 유형을 식별하는 것을 의미한다.
이와 같이, 본 발명의 실시예는, 영상에 포함된 각 인코딩 자성입자들의 시간에 따른 회전 패턴 특징을 기 학습된 딥러닝 기반의 분류 모델을 통하여 분석함으로써, 영상 내 서로 다른 유형의 인코딩 자성입자를 구분할 수 있게 된다.
여기서, 인코딩 자성입자의 회전 패턴 특징은, 인코딩 자성입자의 회전 속도, 회전 주기, 연속 회전 여부, 회전 중 간헐적 정지 구간 발생 여부, 정지 구간의 발생 주기, 정지 구간의 시간 길이 중 적어도 하나를 포함할 수 있다. 인코딩 자성입자의 회전 패턴 특징은 인코딩 유형 별로 고유하게 나타날 수 있다.
인코딩 유형에 따라, 인코딩 자성입자는 시간에 따라 멈춤 없이 연속하여 회전할 수도 있지만, 회전 중에 주기적으로 정지하는 패턴을 가질 수 있다. 아울러, 인코딩 유형에 따라 입자의 회전 속도나 주기, 정지 구간의 발생 유무, 정지 구간의 시간 길이 등이 달라질 수 있다.
본 발명의 실시예에서, 딥러닝 알고리즘은 이미지 분석 및 시간 변이 정보를 학습하기 위한 콘볼루셔널 장단기 메모리 신경망(Convolutional LSTM; 이하 ConvLSTM)을 포함하여 구현될 수 있다.
ConvLSTM 신경망은 입력 이미지로부터 인코딩 자성입자의 회전 패턴 특징을 분석하여, 각각의 인코딩 자성입자를 디코딩(분류)할 수 있다.
디코딩부(120)는 영상 내 해당하는 각 인코딩 자성입자를 분류한 결과를 검출부(130)로 제공할 수 있다. 여기서 디코딩부(120)는 이미지 내 각 객체 별로 분류 결과를 제공하며, 분류 결과를 객체 위치에 매핑하여 제공할 수도 있다.
딥러닝 알고리즘은 학습부(140)에서 사전 학습될 수 있다. 학습부(140)는 각각의 인코딩 유형 별로, 인코딩 자성입자에 대해 회전 자기장을 노출하여 촬영한 영상을 이용하여 인코딩 자성입자의 회전 패턴을 학습한다. 학습이 완료되면, 입력된 영상으로부터 영상에 존재한 각 인코딩 자성입자의 종류(인코딩 유형)를 분류할 수 있게 된다.
예를 들어, 학습부(140)는 이미지 내 각 객체 별로 인코딩 유형이 라벨링된 상태의 훈련용 영상의 시간 별 이미지를 입력받아, 영상 내 각 객체의 회전 패턴 특징을 학습하는 것을 통하여, 영상 내 각 객체의 종류(인코딩 유형)를 분류하도록 학습될 수 있다. 즉, 딥러닝 알고리즘은 이미지 내 인코딩 자성입자 별로 해당 인코딩 유형이 라벨링된 이미지를 입력받고 각 유형 별로 인코딩 자성입자의 회전 패턴 특징을 학습할 수 있다.
이처럼, 학습부(140)는 인코딩 자성입자에 회전 자기장을 노출하여 촬영한 영상을 딥러닝 알고리즘을 통해 분석하여, 서로 다른 인코딩 유형 별로 인코딩 자성입자의 회전 패턴 특징을 사전 학습함으로써, 딥러닝 기반의 분류 모델을 구축할 수 있다. 학습부(140)는 Convolutional LSTM 구조의 분류 모델을 구현할 수 있다.
여기서, 학습부(140)와 디코딩부(120)는 디코딩 프로세서에 포함 또는 내장될 수 있다. 디코딩 프로세서는 인공지능 기반의 분류 모델을 탑재하고, 관련 검출 결과를 제공할 수 있으며, 분류 모델을 업데이트 및 갱신할 수 있다.
검출부(130)는 영상 내 각 인코딩 자성입자의 분류 결과를 기반으로 생체 시료 내 서로 다른 종류의 타겟 물질들을 다중 검출하고, 검출 결과를 제공한다.
이때, 검출 결과는 생체시료를 촬영한 영상, 영상 내 타겟 물질의 검출 여부, 검출된 타겟 물질의 종류 및 가짓 수, 타겟 물질의 정량화 결과 등을 포함할 수 있다.
예를 들어, 서로 다른 유형으로 인코딩된 4개의 인코딩 자성입자를 시료에 모두 투입한 상태에서 회전 자기장을 인가하여 관측하게 되면, 해당 시료로부터 최대 4 종류의 타겟 물질을 검출할 수 있다. 여기서 타겟 물질은 질병과 관련한 엑소좀에 해당할 수 있다.
타겟 물질의 검출 원리를 간단히 설명하면 다음과 같다. 앞서 설명한 바와 같이, 서로 다른 유형으로 인코딩된 인코딩 자성입자 각각에는 서로 다른 종류의 포획 항체가 부착(접합)된다.
서로 다른 포획 항체가 부착된 각 유형의 인코딩 자성입자는 시료 내에 투입된 후에 시료에 함유된 타겟 물질(엑소좀)과 설정 시간동안 반응하게 되고, 이에 따라 시료 내에는 인코딩 자성입자-엑소좀 반응물이 생성된다. 이때, 각 유형의 인코딩 자성입자에 부착된 서로 다른 포획 항체는 서로 다른 특정한 타겟 물질(엑소좀)과 반응하도록 동작한다.
이후에, 시료 내에 검출 항체가 투입되면, 타겟 물질인 엑소좀이 검출 항체와 결합하면서 인코딩 자성입자-엑소좀-검출항체 반응물이 생성된다. 그리고 시료 내에 형광물질이 투입되면, 검출항체가 형광물질과 반응하여 형광물질이 부착된다.
여기서 물론, 상술한 바와 같이 검출 항체와 형광 물질을 순차로 투입하여 반응시키는 방식 이외에도, 검출 항체와 형광 물질이 결합되어 있는 물질을 한 번에 투입하여 반응시키는 것도 가능하다.
최종 반응이 완료된 인코딩 자성입자는 외부의 회전 자기장에 노출되면, 자신의 인코딩 유형에 대응되는 고유의 회전 패턴으로 회전하게 된다.
디코딩부(120)는 영상 내 각각의 인코딩 자성입자의 회전 패턴 특징을 분석하는 것을 통하여 생체 시료 내에 투입된 각 인코딩 자성입자를 디코딩하여 인코딩 유형을 분류하게 된다.
검출부(130)는 디코딩부(120)로부터 받은 영상 내 각 인코딩 자성입자의 분류 결과를 기반으로 영상 내 각 인코딩 자성입자의 인코딩 유형을 식별하고, 식별된 유형 별로 인코딩 자성입자에 결합된 형광 물질의 세기를 분석하여 해당 유형에 대응하는 타겟 물질의 농도를 정량화한다.
검출부(130)는 영상 내에서 형광 물질에서 발생시키는 광의 세기를 검출하여 해당 타겟 물질의 농도를 추출할 수 있다.
이를 위해, 검출부(130)는 광의 세기 별로 그에 대응하는 타겟 물질의 농도를 정의한 함수 또는 정보 테이블을 활용하여, 현재 검출된 광의 세기에 대응한 농도 값을 추출 또는 연산할 수 있다. 여기서 함수나 정보 테이블은 타겟 물질 별로 구축될 수도 있다. 이때 정보 테이블은 일반적인 표 형태 이외에도 형광 세기와 농도 간의 관계를 정의한 그래프 형태를 가질 수 있다.
이와 같이, 검출부(130)는 영상 내에서 각 입자에서 발산하는 형광 세기를 검출 및 이용하여 타겟 물질의 농도를 정량 분석할 수 있다. 여기서 물론 특정 입자의 형광 세기가 0이면, 그에 대응되는 특정 타겟 물질이 시료에 존재하지 않음을 의미한다.
이처럼, 각 유형으로 인코딩된 인코딩 자성입자 각각의 형광 세기를 알면, 각 유형에 대응하는 타겟 물질 별로 시료 내 검출 유무 및 검출 농도를 확인할 수 있다.
검출부(130)는 촬영 장치를 통해 얻은 영상으로부터 형광 세기를 분석할 수 있다. 예를 들면, CCD 카메라가 장착된 현미경을 이용하여 영상 내 각 입자의 형광 세기를 획득할 수 있다. 물론 입자의 형광 세기 분석에는 기 공지된 다양한 기법과 장치가 활용 가능하다.
제어부(160)는 각 부(110~140)의 동작 및 각 부 간의 데이터 흐름을 제어한다. 아울러, 제어부(160)는 각종 제어, 연산 및 데이터 처리에 필요한 사전 프로그래밍된 프로세서를 내장할 수 있다.
이러한 제어부(160)는 장치의 입출력 데이터, 데이터 처리 결과 등을 메모리 등에 저장할 수 있다. 예를 들어, 제어부(160)는 생체시료 샘플을 촬영한 영상, 각 프레임의 이미지, 적어도 하나의 타겟 물질의 검출 여부, 타겟 물질의 정량 분석 결과 등을 해당 시료의 식별번호와 매칭하여 저장할 수 있고, 관련 내용을 출력부(150)를 통해 출력하여 제공할 수 있다.
이러한 본 발명의 다중검출 분석 장치(100)는 복수 유형의 인코딩 자성입자가 투입된 샘플을 촬영한 영상을 입력받아 딥러닝 분석하여 샘플 내 타겟 물질을 검출하고 검출 결과를 제공하기 위한 웹 서버 또는 앱 서버 등의 온오프라인 플랫폼으로 구현되거나, 사용자 단말 등에 응용 프로그램, 어플리케이션(Application) 등의 형태로 구현될 수 있다.
물론, 다중검출 분석 장치(100)는 컴퓨터 등의 사용자 단말의 형태로 구현될 수 있으며, 컴퓨터는 프로세서, 메모리, 유저 인터페이스 입출력 장치, 저장 장치 등을 포함할 수 있다.
이러한 본 발명에 따르면, 샘플 내 서로 다른 종류의 항원(타겟 물질)과 반응하는 서로 다른 유형의 인코딩 자성입자들에 대한 딥러닝 기반의 디코딩을 이용하여, 생체 시료에 존재한 타겟 물질의 종류, 타겟 물질의 정량화 결과 등을 종합적으로 제공한다.
아울러, 본 발명은 소량의 생체시료 샘플로부터 다양한 질병을 빠르고 정확하게 진단할 수 있다. 즉, 서로 다른 유형의 인코딩 자성입자들을 생체 시료 내에 투입한 상태에서 회전 자기장에 노출시켜 촬영한 영상을 설정 시간 동안 모니터링 및 분석하는 것만으로, 여러 가지 질병 혹은 질병 인자를 빠르고 용이하게 진단할 수 있다.
다음은 상술한 구성을 바탕으로 생체 시료의 다중검출 분석 방법에 관하여 구체적으로 설명한다.
도 2는 도 1을 이용한 생체 시료의 다중검출 분석 방법을 설명한 도면이다.
먼저, 서로 다른 유형으로 인코딩된 복수의 인코딩 자성입자를 준비하고 이들을 분석대상이 되는 생체시료(예: 혈액, 타액, 소변 등)에 투입한다(S210).
도 3은 본 발명의 실시예에서 인코딩 자성입자의 인코딩에 사용된 자기장 장치를 예시적으로 나타낸 도면이고, 도 4는 본 발명의 실시예에서 인코딩 자성입자를 광 경화하여 제조하는 원리를 설명한 도면이다.
도 3의 상단 그림은 자기장 발생 디바이스를 나타낸다. 인코딩 자성입자의 인코딩 시에는 정적 자기장이 활용된다. 이를 위해 자기장 발생 디바이스는 정적 자기장을 발생하도록 동작한다. 도 3의 경우 양단에 장착된 자석을 통하여 정적 자기장을 발생하는 것을 예시한다. 물론 자기장 발생 디바이스는 시간에 따라 자기장 방향이 가변하는 회전 자기장을 발생하도록 동작할 수도 있다.
도 3의 하단 그림과 같이, 인코딩 자성입자는 정적 자기장의 축 방향에 따라 서로 다른 유형으로 인코딩될 수 있다. 여기서, 인코딩 자성입자는 막대 형상(bar-type)을 가지며 서로 동일한 길이로 제작될 수 있다.
여기서, 인코딩 자성입자의 인코딩 유형은, 막대의 길이 방향인 가로 방향(0°)으로 입자가 정렬된 제1 유형, 세로 방향(90°)으로 입자가 정렬된 제2 유형, 대각 방향(45°)으로 입자가 정렬된 제3 유형, 45°를 제외한 0°와 90°사이의 방향으로 입자가 정렬된 제4 유형, 그리고 제1 내지 제4 유형 중 적어도 2가지 유형이 조합된 제5 유형을 포함할 수 있다, 이때. 제5 유형은 서로 다른 방향으로 입자가 정렬된 복수의 나노입자 블록이 길이 방향으로 순차 나열된 구조를 갖는다.
본 발명의 실시예에서 인코딩 자성입자는 마이크로 채널(PDMS 채널) 내에서 제조될 수 있다. 예를 들어, 고분자 물질과 초상자성 나노입자(superparamagnetic nanoparticles; SMNP)의 혼합 용액을 마이크로 채널 내에 주입하고, 이를 정적 자기장에 노출하여 초상자성 나노입자를 자기장(magnetic field)의 방향으로 정렬한 다음, 타겟 부위를 UV 경화하는 방식으로 제조할 수 있다.
즉, 초상자성 입자들은 고분자 물질, 경화제 등과 혼합물을 이루고, 외부 정적 자기장에 노출되어 자기장 방향에 따라 체인 형태로 정렬된 후, 광 경화와 같은 방법으로 고분자 중합반응에 의해 제작될 수 있다. 이때, 외부 정적 자기장의 방향을 변경함으로써 다양한 각도로 초상자성 입자를 정렬시킬 수 있으며, 자기장 방향에 대응하는 체인 방향을 각각 형성할 수 있다.
사용된 고분자 물질은 경화되어 입자를 형성할 수 있는 물질로 폴리에틸렌다이아크릴레이트(Poly-(ethylene glycol) diacrylate), 폴리스티렌(polystyrene), 폴리메틸메타크릴레이트(polymethyl-methacrylate:PMMA), 실리카(silica), 폴리비닐톨루엔(polyvinyltoluene:PVT), 스티렌/부타디엔(styrene/butadiene:S/B), 공중합체(copolymer), 그리고 스티렌/비닐톨루엔(styrene/vinyltoluene:S/VT) 중 적어도 어느 하나인 것이 바람직하다.
인코딩 자성입자의 인코딩 과정을 보다 구체적으로 설명하면 다음과 같다.
먼저, 고분자 물질의 단량체와 초상자성 나노입자의 혼합 용액을 마이크로 채널 내 주입하고, 자기장 발생 디비이스를 통하여 외부에서 인가되는 설정 방향의 자기장의 축 방향에 따라 혼합 용액 상의 초상자성 나노입자를 정렬한다.
도 4의 (a)는 외부 자기장에 의해 혼합 용액 상의 초상자성 나노입자들이 각기 다른 방향으로 정렬된 모습을 나타낸다.
다음, 도 4의 (a)와 같이, 개구면이 형성된 마스크(MASK)를 마이크로 채널(PDMS channel) 내 혼합 용액의 타겟 부위 상에 배치한 다음, 마스크의 개구면을 통해 UV 광(UV light)을 조사하여 타겟 부위를 UV 경화한다. 이후에, UV 경화된 블록 부분을 마이크로 채널에서 분리하면, 설정 방향(예: 0°, 90°, 45°방향)으로 인코딩된 인코딩 자성입자(MEMP)가 제조된다.
도 4의 (a)는 서로 다른 축 방향의 정적 자기장을 사용하여 각기 다른 방향으로 정렬된 상태의 혼합 용액의 일부면에 마스크를 적용하여 UV 경화하는 모습을 나타낸다. 이를 통해, 각각 0°, 90°, 45°방향으로 정렬된 제1, 제2, 제3 유형의 인코딩 자성입자(10-1,10-2,10-3)가 각각 제조된다. 제1 유형의 경우, 가로 패턴, 제2 유형은 세로 패턴, 제3 유형은 대각선 패턴을 가진다. 물론 제4 유형의 나노 입자 역시 단일 방향으로 인코딩된 인코딩 자성입자에 해당하므로 위와 동일한 원리로 제조된다.
도 4의 (b)는 제5 유형의 인코딩 자성입자를 제작하는 원리를 나타낸다. 도 4의 (b)와 같이, 제5 유형의 인코딩 자성입자(10-5)는 서로 다른 방향으로 입자가 정렬된 복수의 나노입자 블록이 길이 방향으로 순차 나열된 구조를 갖는다. 이는 다중 방향으로 인코딩된 인코딩 자성입자에 해당한다.
도 4의 (c)는 여러 타입으로 제조된 막대형 인코딩 자성입자의 모습을 나타낸다. 이와 같이 본 발명은 인코딩 자성입자를 여러 타입으로 인코딩하여 제작할 수 있다.
다음은 도 4의 (b)를 참조하여, 혼합 패턴을 가진 제5 유형의 인코딩 자성입자를 인코딩하는 방법을 설명한다. 이러한 도 4의 (b)는 제1 유형(0°)과 제2 유형(90°방향)이 혼합된 구조를 갖는 인코딩 자성입자 제조 방법을 예시한다.
먼저, 마이크로 채널 내에 상기 혼합 용액이 주입된 상태에서 제1 방향으로 외부 자기장을 인가하여 혼합 용액 상의 초상자성 나노입자를 제1 방향으로 정렬한 다음, 혼합 용액의 제1 타겟 부위에 마스크를 배치한 상태에서 UV 경화하여 제1 나노입자 블록을 형성한다(도 4(b)의 좌측 그림).
여기서, 자기장 인가 방향은 자기장 발생 디바이스에 대한 마이크로 채널의 배치를 변경하는 것을 통해 조정할 수도 있고, 자기장 발생 디바이스에서 자기장 인가 방향을 직접 변경하는 것도 가능하다.
다음, 제2 방향으로 외부 자기장을 인가하여 혼합 용액 상의 초상자성 나노입자를 제2 방향으로 정렬한 다음, 제1 타겟 부위와 이웃한 제2 타겟 부위에 마스크를 배치한 상태에서 UV 경화하여 제2 나노입자 블록을 형성한다. 이에 따르면 먼저 경화된 제1 나노입자 블록 옆에 제2 나노입자 블록이 경화되면서 접합된 구조가 된다.
이후, UV 경화된 전체 블록 부분을 마이크로 채널에서 분리하여 다중 방향으로 인코딩된 인코딩 자성입자(10-5)를 제조한다. 이와 같이, 제5 유형의 인코딩 자성입자의 경우 서로 다른 방향으로 입자가 정렬된 적어도 두 개의 나노입자 블록(서로 다른 적어도 두 가지 패턴)이 길이 방향으로 순차 나열된 구조를 갖는다.
제5 유형은 N개(N은 2 이상)의 패턴이 직렬 연결된 구조이며, 제조 시 사용되는 마스크의 개구면 직경은 제1 유형에서 사용된 것과 대비하여 1/N의 크기를 가질 수 있다. 이를 통하여, 인코딩 자성입자의 제조 길이를 동일하게 할 수 있다.
도 5는 본 발명의 실시예에 따른 다양한 인코딩 유형을 도시한 도면이다. 도 5에는 0°, 90°, 45°, 30°, 60°방향으로 정렬된 제1 내지 제4 유형의 인코딩 자성입자뿐만 아니라, 이들의 조합으로 구성된 혼합형의 제5 유형의 인코딩 자성입자를 확인할 수 있다.
한편, 본 발명의 실시예에서, 서로 다른 유형으로 인코딩된 인코딩 자성입자 각각은 서로 다른 종류의 포획 항체가 접합된 상태에서 시료 내에 투입된다.
엑소좀 검출을 위해 인코딩 자성입자에 고정시키는 포획 항체는 Anti-PD-L1 (Anti-Programmed Death-Ligand 1), Anti-EpCAM (Anti-Epithelial cell adhesion molecule), Anti-EGFR (Anti- Epidermal growth factor receptor) 중에서 적어도 하나를 포함할 수 있다. 물론, 포획 항체는 반드시 이에 한정되지 않으며 그 밖의 다양한 항체들이 포함될 수 있다.
또한, 검출 항체는 Anti-CD63-Biotin, Anti-CD81-Biotin, Anti-CD9-Biotin 중에서 적어도 하나 또는 3가지 항체의 혼합 항체물을 사용할 수 있다. 물론, 검출 항체는 반드시 이에 한정되지 않으며 그 밖의 다양한 항체들이 포함될 수 있다.
여기서, 포획 항체가 부착된 인코딩 자성입자는 시료에 함유된 특정 타겟 물질(엑소좀)과 반응하게 된다.
이때, 인코딩 자성입자 표면에서는 생체물질 간의 특이적 반응에 의한 결합을 위해, 엑소좀(Exosome) 표면 단백질-항체반응, 항원-항체반응, 아비딘(Avidin), 뉴트라아비딘(NeutrAvidin) 또는 스트렙트아비딘(StreptAvidin)-바이오틴(Biotin) 반응, 상보적 관계에 있는 DNA(complementary DNA), 면역글로불린 G(Immunoglobulin G)-단백질 A(Protein A), 단백질 G, 단백질 A/G, 단백질 L 간의 반응 중 적어도 어느 하나가 이루어질 수 있다.
이러한 반응에 따라 시료 내에는 인코딩 자성입자-엑소좀 반응물이 생성된다. 또한, 각 유형의 인코딩 자성입자에 부착된 서로 다른 포획 항체는 서로 다른 특정한 타겟 물질(엑소좀)과 반응한다.
본 발명의 실시예에서 검출하고자 하는 타겟 물질은 세포로부터 유래한 엑소좀이 될 수 있다. 여기서, 엑소좀이 유래되는 세포는 normal embryonic kidney cell line (HEK293T), human breast cancer cell lines (MDA-MB231, MCF7), human colon cancer cell line (HCT 116), human melanoma cell line (SK-MEL-28) 중에서 적어도 하나를 포함할 수 있다. 물론, 엑소좀이 유래되는 세포는 반드시 이에 한정되지 않으며 그 밖의 다양한 세포들이 포함될 수 있다.
여기서, 인코딩 자성입자를 시료에 투입하는 S210 단계 이후에는, 시료 내에 검출 항체 및 형광 물질을 순차로 투입하여 반응시키는 단계를 포함한다. 이러한 반응이 모두 완료되면 시료를 회전 자기장에 노출시켜 관측하는 S220 단계를 진행한다.
구체적으로, S210 단계 이후, 시료 내에 검출 항체를 투입하여 반응시킨다. 이에 따르면, 타겟 물질인 엑소좀이 검출 항체와 결합하면서 인코딩 자성입자-엑소좀-검출항체 반응물이 생성된다.
다음으로 시료 내에 형광물질을 투입하여 반응시킨다. 이에 따르면, 검출항체가 형광물질과 반응하여 형광물질이 부착된다. 결과적으로는 인코딩 자성입자에 형광 물질이 결합되게 된다. 이때, 형광 물질은 형광 물질이 부착된 스트렙트아비딘에 해당할 수 있다. 즉, 형광 물질은 엑소좀의 정량 분석을 위해 검출 항체-바이오틴과 결합할 수 있는 StreptAvidin-FITC를 사용할 수 있다.
이후, 영상 획득부(110)는 최종 반응이 완료되어 준비된 시료를 회전 자기장에 노출시킨 상태에서 시료를 촬영한 영상을 획득한다(S220). 예를 들어, 시료가 담긴 플레이트를 회전 자기장을 제공하는 자기장 발생 디바이스에 배치하고 설정 강도 조건의 회전 자기장을 인가하는 상태에서 시료의 영상을 촬영하고 획득한다.
최종 반응이 완료된 인코딩 자성입자가 회전 자기장에 노출되면, 자신의 인코딩 유형에 대응되는 고유의 회전 패턴으로 회전하게 되며, 이러한 회전 패턴을 분석하면 각 인코딩 자성입자의 인코딩 유형을 판별할 수 있다. 영상 획득부(110)는 획득한 촬영 영상을 디코딩부(120)로 전달한다.
디코딩부(120)는 딥러닝 알고리즘을 기반으로 영상 내 각 인코딩 자성입자의 회전 패턴 특징을 분석하여 각 인코딩 자성입자를 디코딩한다(S230).
구체적으로는, 쵤영한 영상에 포함된 시계열 이미지를 기 학습된 딥러닝 알고리즘에 입력하고, 딥러닝 알고리즘을 통해 영상 내 각 인코딩 자성입자의 시간에 따른 회전 패턴 특징을 분석하여, 각각의 인코딩 자성입자를 분류한다. 디코딩부(120)는 디코딩한 결과를 검출부(130)로 전달한다.
본 발명의 실시예에서는 ConvLSTM 신경망으로 구현된 딥러닝 모델을 사용한다. ConvLSTM 신경망은 입력된 시계열 이미지로부터 분석되는 각 인코딩 자성입자의 회전 패턴 특징을 이용하여 각각의 인코딩 자성입자를 디코딩할 수 있다.
다음으로, 검출부(130)는 영상 내 각 인코딩 자성입자의 분류 결과를 기반으로 시료 내 복수 종류의 타겟 물질들을 다중 검출한다(S240).
이때, 검출부(130)는 디코딩 결과로부터 영상 내 각 인코딩 자성입자의 인코딩 유형을 식별하고, 식별된 유형 별로 각 인코딩 자성입자에 결합된 형광 물질의 세기를 분석하여 해당 유형에 대응하는 타겟 물질의 농도를 정량 분석한다. 이때, 농도와 형광 물질의 세기 간의 관계 테이블, 함수, 그래프 등을 활용할 수 있다.
출력부(150)는 생체시료를 촬영한 영상, 영상을 구성한 각 프레임의 이미지, 생체 시료로부터 타겟 물질의 검출 여부, 검출 종류, 타겟 물질의 정량 분석 결과 등을 디스플레이 또는 네트워크 연결된 사용자 단말기 등을 통하여 출력하여 제공할 수 있다. 여기서 사용자 단말기는 데스크탑, 태블릿 PC, 스마트폰, 스마트 패드, 노트북 등을 포함할 수 있다.
이러한 본 발명의 실시예는 다중 엑소좀 검출 방법을 제공하며, 다중 엑소좀 검출 방법은, 인코딩 자성입자에 고정화된 포획 항체를 각각의 엑소좀과 반응시키는 단계, 인코딩 자성입자-엑소좀 반응물과 결합하도록, 바이오틴이 부착된 검출 항체를 시료에 투입하여 반응시키는 단계, 인코딩 자성입자-엑소좀-검출항체 반응물 상의 바이오틴과 반응하도록, 형광 물질이 부착된 스트렙트아비딘을 시료에 투입하여 반응시키는 단계, 최종 반응이 완성된 인코딩 자성입자를 외부 회전 자기장에 노출시켜 회전 영상을 획득하고 딥러닝 알고리즘으로 회전 패턴을 분석하여 디코딩하는 단계, 인코딩 자성입자에 결합된 형광물질의 세기를 검출하여 엑소좀의 농도를 정량 분석하는 단계를 포함한다.
도 6은 본 발명의 실시예에 따른 콘볼루션 특징의 시계열 분석 딥러닝 모델의 구조를 예시한 도면이다. 이러한 도 6은 딥러닝 기반의 인코딩 자성입자 분류 모델을 나타내며, 콘볼루션 신경망(Convolutional 신경망) 기반 인코딩 자성입자 특징 추출과 장단기 메모리 신경망(LSTM 신경망) 기반 시계열 분석이 결합된 구조로 구현된 것을 알 수 있다.
본 발명의 실시예에서 신경망의 학습에 사용되는 단위 영상의 길이는 5초이고, 5초 길이의 영상을 초당 30 프레임으로 샘플링하여 얻은 총 150개의 이미지를 ConvLSTM 신경망에 입력하여 학습하였다. 이때, H 760 × W 1200 크기의 원본 이미지를 H 244 × W 244 크기로 조정하여 신경망 학습에 적용하였다. 다음은 본 발명의 구체적인 실시예를 설명한다.
<실시예 1> 인코딩 자성입자 제작을 위한 칩 제작
초상자성 나노입자의 정렬에 의해 인코딩된 입자를 제조하기 위한 미세유체소자는 Poly(dimethylsiloxane) (PDMS) molding process로 제작되었다.
PDMS와 경화제를 10:1의 비율로 혼합하여 SU-8 포토레지스트리로 패터닝된 웨이퍼 몰드 위에 올리고, 80 ℃에서 40분간 가열하여 경화시켰다. 미세유체채널을 포함한 PDMS 소자를 떼어내 한 층의 PDMS가 깔린 커버글라스 위에 산소 플라즈마 처리를 통해 접합하였다.
<실시예 2> 인코딩 자성입자 제작
외부 정적 자기장 하에서 초상자성 나노입자는 자기장을 따라 사슬 모양의 구조를 형성하도록 정렬될 수 있다. 이러한 현상을 이용하여 여러 방향으로 정렬된 초상자성 나노입자 사슬로 인코딩된 입자를 제작하였다.
도 7은 본 발명의 실시예에서 인코딩 자성입자의 제조 과정을 보여주는 도면이다.
먼저, 마이크로 채널(PDMS channel) 하부에 포토 마스크(MASK)를 정렬하여 부착시키고, 고분자 물질의 단량체와 초상자성 나노입자의 혼합 용액을 마이크로 채널에 채운 후, 마이크로 채널을 외부 자기장에 노출시킨다. 마이크로 채널은 평행 자기장을 발생하는 디바이스(device)에 세팅될 수 있다.
이때 디바이스는 UV 광이 투과 가능하도록 중앙부가 관통된 형태로 제작될 수 있다. 물론 디바이스가 투명 재질로 구현되면 별도의 관통 구멍이 생략될 수 있다.
외부 자기장을 형성하기 위하여, 자기장 발생 디바이스(device)의 도 3 및 도 7과 같이 양쪽에 네오디늄 자석(Neodymium magnet)을 배치하여, 양쪽 자석 사이에 평행 자기장을 만들 수 있도록 하였다. 여기서 자기장 발생 디바이스에 대한 마이크로 채널의 설치 방향을 변경하면, 다양한 유형으로 인코딩된 서로 다른 종류의 인코딩 자성입자가 제조될 수 있다.
UV경화형 고분자의 광중합을 위한 광학 장비로는 UV광원을 사용할 수 있고, 대물 렌즈로 구성된 광학 장비를 설정하였다. 초상자성 나노입자가 마이크로 채널에 정렬된 후 UV 광에 노출시키면 포토마스크를 통해 투과된 UV광에 의해 초상자성 나노입자를 포함하는 단량체 용액은 1초 만에 UV광에 의해 중합된다.
본 발명을 이용하면, 각각의 방향 사슬을 가진 인코딩 자성입자를 만들 수 있는데, 본 발명의 실시예에서는 가로(0°), 대각선(45°), 세로(90°)를 포함한 세 가지 방향으로 인코딩된 입자를 제작하였다. 제작된 인코딩 자성입자는 막대 형상을 가지며, 300㎛ × 100㎛ × 100㎛ 크기를 가진다.
<실시예 3> 인코딩 자성입자와 엑소좀 검출 항체 고정화 방법
인코딩 자성입자(MEMPs)에 항체를 접합시키기 위해 Bz(benzylamine hydrochloride)를 링커로 사용하여 광경화 프로세스(photoimmobilization process)를 적용하였다. Bz의 링커 기능을 확인하기 위해 Biotin과 형광 표지된 Streptavidin을 사용하였다. Bz(100μg/ml)과 Biotin (100μg/ml)을 혼합하고 혼합용액 100μl를 인코딩 자성입자와 함께 넣고 반응시켰다. 반응하는 동안 18 mW/cm2의 강도에서 20분 동안 UV 광원(λ = 365nm)를 20분 조사하였다. 반응 후 인코딩 자성입자를 세척하고, 잉여의 활성화된 Bz를 blocking하기 위해 인코딩 자성입자를 5% 소혈청 알부민(bovine serum albumin; BSA)이 포함된 PBS 용액에서 1 시간 incubation 한 다음 인코딩 자성입자를 PBS로 세척하였다.
인코딩 자성입자를 형광 표지된 Streptavidin (100μg/ml)과 실온에서 30분 동안 반응시키고, PBS로 세척하였다. 결합된 biotin과 형광 표지된(fluorescence-labeled) Streptavidin의 형광 이미지는 CCD가 장착된 형광 현미경으로 얻어 확인하였다. 엑소좀 다중 분석을 위해, 광경화 과정을 적용하여 포획 항체(capture antibodies)를 인코딩 자성입자와 결합했다. 20μg/ml (in PBS) 포획 항체 및 500μg/ml (in PBS) Bz를 사용하고, 포획 항체와 Bz 용액 및 각각의 인코딩 자성입자를 혼합하여 20분 동안 UV 광에 노출시킨 후 PBS로 세척하였다. 반응을 마친 인코딩 자성입자는 4℃에서 PBS에 보관되었다.
<실시예 4> 엑소좀 추출을 위한 세포 준비 및 엑소좀 추출
Normal embryonic kidney cell line (HEK293T), human breast cancer cell lines (MDA-MB231, MCF7), human colon cancer cell line (HCT 116), human melanoma cell line (SK-MEL-28)를 포함한 5 개의 세포주를 사용하여 엑소좀을 추출하였다.
HEK293T, MCF7 및 MDA-MB231 세포는 high-glucose Dulbecco's Modified Eagle's Medium에서 배양되었으며, SK-MEL-28 세포는 Minimum Essential Medium에서, HCT116 세포는 RPMI 1640 배지에서 배양되었다. 모든 배양 배지에는 10% 소 태아 혈청 (FBS, Hyclone) 및 1% 항생제 항균제 (Hyclone)를 포함하고, 5% CO2가 포함된 37 ℃ 환경에서 배양되었다. FBS로부터의 간섭을 줄이기 위해, 세포(5 x 106개)를 PBS로 2회 세척하고 엑소좀 분리 전에 24시간 동안 무 혈청 배지 (FBS 없음)에서 배양하였다. 엑소좀을 분리하기 위해 5개의 세포주에서 얻은 각각의 상층액을 300g에서 5분, 2,500g에서 15분, 10,000g에서 30분 동안 연속적으로 원심 분리하여 세포, 세포 파편 및 미세 소포체를 순차적으로 제거하였다. 원심 분리 후 얻어진 상층액을 0.22μm의 주사기 필터로 여과하고 120,000g에서 90분간 원심 분리하였다. 모든 과정은 4°C에서 수행하였고, 최종적으로 얻은 엑소좀은 이후 사용을 위해 PBS에 보관하였다.
<실시예 5> 인코딩 자성입자의 분류 알고리즘 구현을 위한 딥러닝 모델 학습
초상자성 나노입자의 정렬 방향에 따라 표적 엑소좀 표면 단백질과 반응하는 항체를 접합하고, 인코딩 자성입자를 세포 유래 엑소좀과 반응시킨 후, 회전 자기장에 노출시켜, 각 유형의 인코딩 자성입자에 따라 서로 다른 회전 패턴이 나타남을 확인하였다. 각각의 인코딩 자성입자의 회전 동영상을 이용하여 가로, 세로, 대각선으로 형성된 인코딩 자성입자를 디코딩하기 위해 Convolutional LSTM 딥러닝 모델을 사용하였다.
딥러닝 모델을 학습시키기 위해 가로, 세로, 대각선 세가지 방향으로 정렬된 인코딩 자성입자의 회전 패턴 영상을 1시간 촬영하였다. 각 영상의 초당 frame 수를 계산하여 324,000개의 영상 이미지로 분할하여 원래 H 760 x W 1200 크기의 영상을 H 224 x W 224로 조절하였다. 모든 이미지의 평균과 표준 편차 값을 이용하여 이미지를 정규화하였고, 정규화된 영상을 5초 단위로 영상을 분할하여 2,160개의 회전 영상을 얻었다. 획득한 이미지의 90%는 학습 세트로, 10%는 테스트 세트로 분할 사용하여 반복 훈련을 진행하였다. 그 결과, 우선적으로 학습시켜 최적화된 모델은 인코딩 자성입자의 디코딩에 있어 100%의 정확도를 보였다. 이후 다양한 조건에 대한 성능 검증을 위해 다수의 10분 단위의 회전 영상을 추가하여 학습시켰고 그 결과 분류 정확도는 약 75%로 나타났다.
<실시예 6> 딥러닝을 이용한 인코딩 자성입자의 디코딩
도 8은 인코딩 유형 별 인코딩 자성입자를 캡쳐한 이미지를 예시한 도면이다. 도 8은 가로(0°), 세로(90°), 대각선(45°)을 포함한 세 가지 방향으로 인코딩된 입자에 대한 시간 별 이미지를 위에서부터 나열한 것이다.
인코딩 자성입자는 인코딩 유형 즉, 정렬 방향에 따라 특정한 움직임을 보여준다. 회전 패턴은 인코딩 자성입자가 회전 자기장에 노출되었을 때 초상자성 나노입자(SMNP)의 정렬에 따라 다르게 나타난다. 이 원리를 이용하여, 도 6과 같은 형태의 딥러닝 기반의 분류 모델을 구축하였고, 분류 모델을 기반으로 회전 패턴을 분석하여 인코딩 자성입자(MEMP)를 해독하고, 외부 단백질 검출에 대한 다중 분석을 수행하였다.
기존에는 입자 디코딩을 위한 추가 탐지 프로그램 또는 복잡한 장비가 필요하였지만, 자기축이 있는 MEMP는 특정 장치 없이도 간단하게 디코딩이 가능하고 동시에 여러 대상에 대한 다중 분석이 가능하며, 인공지능 알고리즘을 통해 빠른 분석이 가능하다. 또한 디코딩에는 다중 색상 레이블이 필요하지 않으므로 탐지 프로세스가 더욱 간소화될 수 있다.
<실시예 7> 인코딩 자성입자를 이용한 엑소좀 검출 및 정량분석
엑소좀 표면 단백질과 반응할 수 있는 포획 항체 (PBS 내 20μg/ml, 80μl) anti-PD-L1, anti-EGFR, anti-EpCAM을 각각 가로 (0°), 대각선 (45°), 세로 (90°) 인코딩 자성입자에 접합시켰다. 각각의 포획 항체를 접합한 인코딩 자성입자를 실온에서 1시간 동안 엑소좀과 반응시킨 후, 엑소좀 표면의 CD63, CD81, CD9 마커와 반응할 수 있는 항체인 anti-CD63-biotin, anti-CD81-biotin, anti-CD9-biotin을 PBS 용액 내 20μg/ml의 농도로 제작한 혼합 용액에 실온에서 1시간 동안 반응하였다.
도 9는 서로 다른 포획 항체가 접합된 인코딩 자성입자 상의 엑소좀 농도별 형광 세기를 보여주는 도면이다. 이러한 도 9는 형광 현미경으로 촬영된 각 유형의 인코딩 자성입자에 대한 이미지로, MDA-MB231 세포에서의 anti-PD-L1, anti-EGFR, anti-EpCAM 항체를 사용하여 엑소좀 0 ~ 4.33 × 108 개/ml 농도 범위에서 인코딩 자성입자 상에서 반응한 형광 세기를 보여준다.
엑소좀 표면 단백질의 정량적 분석은 엑소좀 마커 단백질의 형광 신호 강도를 이용하여 계산하였고, 형광 강도와 각 노출 농도 사이에서 표준 곡선을 구했다. 이 표준 곡선은 엑소좀의 농도에 대한 형광 세기 사이의 관계로 얻어졌으며, 형광 세기는 인코딩 자성입자 크기에 대한 형광 세기 값으로 표준화하여 얻었다.
또한, 여러 세포주에서의 다중 분석을 위해 같은 방법으로 HEK293T, MCF7, SK-MEL-28, HCT116 세포에서 추출한 엑소좀을 이용하여 특정 농도의 엑소좀을 반응시켜 형광 세기 값을 얻었다.
도 10은 본 발명의 실시예에서 서로 다른 포획항체를 포함하고 있는 인코딩 자성입자와 반응한 엑소좀 농도와 형광 세기 간의 관계를 도시한 도면이다. 이러한 표준 곡선을 이용하면, 타겟 물질인 엑소좀의 종류 별로, 이미지 내 형광 세기에 대응하는 농도 값을 얻을 수 있다.
<실시예 8> 엑소좀 다중 검출
다중 검출을 하기 위해서는 표적 단백질에 대한 높은 특이성 입증이 필요하다. 다중 분석 능력 확인을 위해, 하나의 생체시료 샘플에 대해 세 가지 유형의 인코딩 자성입자를 반응시켜 엑소좀 표면 단백질 PD-L1, EGFR, EpCAM의 동시 검출과 함께, 특정 포획 항체와 비 대응 엑소좀 간의 교차 반응을 조사하였다.
단백질 특이적 검출 신호는 인코딩 자성입자의 회전 패턴 분석과 형광 세기를 측정하여 분석하였다. 모든 인코딩 자성입자를 한꺼번에 엑소좀과 반응시킨 경우와 각각의 인코딩 자성입자를 개별적으로 엑소좀과 반응시킨 경우를 비교 분석한 결과, 3가지 인코딩 자성입자 간의 형광 세기에 있어 큰 차이가 없음을 확인하였고, 이를 통해 엑소좀 표면 단백질과 각각의 포획 항체 간의 교차 반응성이 없어 all-in-one 반응이 가능함을 확인하였다.
이상과 같은 본 발명에 따르면, 서로 다른 유형으로 인코딩된 인코딩 자성입자를 회전 자기장에 노출하여 촬영한 영상에서 각 인코딩 자성입자의 회전 패턴을 딥러닝 분석하여 서로 다른 유형의 인코딩 자성입자를 빠르고 정확하게 식별할 수 있고 식별 결과를 이용하여 영상에서 생체 시료 내의 서로 다른 종류의 타겟 물질을 동시 검출하고 정량 분석할 수 있다.
이러한 본 발명은 영상 내 검출되는 각 인코딩 자성입자의 종류를 딥러닝 기반의 디코딩을 통하여 식별하므로 암호화된 입자를 디코딩하기 위한 복잡한 특수 광학 장비를 전혀 필요로 하지 않음은 물론, 시료 분석 시간을 줄여서 질병과 관련한 엑소좀을 빠르게 검출하고 질병 진단 시간을 크게 단축할 수 있다.
본 발명은 도면에 도시된 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100: 생체 시료의 다중검출 분석 장치
110: 영상 획득부 120: 디코딩부
130: 검출부 140: 학습부
150: 출력부 160: 제어부

Claims (14)

  1. 딥러닝 기반 디코딩을 이용한 다중검출 분석 장치를 이용한 생체 시료의 다중검출 분석 방법에 있어서,
    서로 다른 유형으로 인코딩된 복수의 인코딩 자성입자를 준비하여 분석대상 시료 내에 투입하는 단계;
    상기 시료를 회전 자기장에 노출시킨 상태에서 상기 시료를 촬영한 영상을 획득하는 단계;
    상기 영상에 포함된 시계열 이미지를 기 학습된 딥러닝 알고리즘에 입력하고 상기 딥러닝 알고리즘을 통해 상기 영상 내 각 인코딩 자성입자의 시간에 따른 회전 패턴 특징을 분석하여 각각의 인코딩 자성입자를 분류하는 단계; 및
    영상 내 각 인코딩 자성입자의 분류 결과를 기반으로 상기 시료 내 복수 종류의 타겟 물질들을 다중 검출하는 단계를 포함하는 생체 시료의 다중검출 분석 방법.
  2. 청구항 1에 있어서,
    상기 복수의 인코딩 자성입자는 인코딩 유형 별로 서로 다른 종류의 타겟 물질과 반응하기 위한 서로 다른 포획 항체가 각각 부착되며,
    상기 다중검출 분석 방법은,
    상기 복수의 인코딩 자성입자가 투입된 시료 내에 상기 타겟 물질을 검출하기 위한 검출 항체 및 상기 검출 항체에 붙는 형광 물질을 순차로 투입하여 반응시키는 단계를 더 포함하는 생체 시료의 다중검출 분석 방법.
  3. 청구항 2에 있어서,
    상기 다중 검출하는 단계는,
    영상 내 각 인코딩 자성입자의 분류 결과를 기반으로 영상 내 각 인코딩 자성입자의 인코딩 유형을 식별하고, 상기 식별된 유형 별로 상기 인코딩 자성입자에 결합된 상기 형광 물질의 세기를 분석하여 해당 유형에 대응하는 타겟 물질의 농도를 정량화하는 생체 시료의 다중검출 분석 방법.
  4. 청구항 1에 있어서,
    상기 인코딩 자성입자의 회전 패턴 특징은,
    상기 인코딩 자성입자의 회전 속도, 회전 주기, 연속 회전 여부, 회전 중 간헐적 정지 구간 발생 여부, 정지 구간의 발생 주기, 정지 구간의 시간 길이 중 적어도 하나를 포함하는 생체 시료의 다중검출 분석 방법.
  5. 청구항 1에 있어서,
    상기 딥러닝 알고리즘은,
    이미지 분석 및 시간 변이 정보를 학습하기 위한 콘볼루셔널 장단기 메모리 신경망(Convolutional LSTM)을 포함하여 구현된 생체 시료의 다중검출 분석 방법.
  6. 청구항 1에 있어서,
    상기 인코딩 자성입자는,
    마이크로 채널 내에서 광경화 고분자 물질에 혼합된 초상자성 나노입자들이 외부 자기장에 따라 설정 방향으로 정렬된 상태에서 광 경화되어 막대 형상으로 제조되고,
    정렬 방향에 따라 서로 다른 유형으로 인코딩되는 생체 시료의 다중검출 분석 방법.
  7. 청구항 6에 있어서
    상기 인코딩 자성입자의 인코딩 유형은,
    상기 막대의 길이 방향인 가로 방향(0°)으로 입자가 정렬된 제1 유형,
    세로 방향(90°)으로 입자가 정렬된 제2 유형,
    대각 방향(45°)으로 입자가 정렬된 제3 유형,
    45°를 제외한 0°와 90°사이의 방향으로 입자가 정렬된 제4 유형, 그리고
    서로 다른 방향으로 입자가 정렬된 복수의 나노입자 블록이 길이 방향으로 순차 나열된 구조의 제5 유형을 포함하는 생체 시료의 다중검출 분석 방법.
  8. 서로 다른 유형으로 인코딩된 복수의 인코딩 자성입자가 투입되어 준비된 분석대상 시료에 회전 자기장이 인가된 상태에서 상기 시료를 촬영한 영상을 획득하는 영상 획득부;
    상기 영상에 포함된 시계열 이미지를 기 학습된 딥러닝 알고리즘에 입력하고 상기 딥러닝 알고리즘을 통해 상기 영상 내 각 인코딩 자성입자의 시간에 따른 회전 패턴 특징을 분석하여 각각의 인코딩 자성입자를 분류하는 디코딩부; 및
    영상 내 각 인코딩 자성입자의 분류 결과를 기반으로 상기 시료 내 복수 종류의 타겟 물질들을 다중 검출하는 검출부를 포함하는 생체 시료의 다중검출 분석 장치.
  9. 청구항 8에 있어서,
    상기 복수의 인코딩 자성입자는 인코딩 유형 별로 서로 다른 종류의 타겟 물질과 반응하기 위한 서로 다른 포획 항체가 각각 부착되며,
    상기 복수의 인코딩 자성입자가 투입된 시료 내에는 상기 회전 자기장 인가 전에 상기 타겟 물질을 검출하기 위한 검출 항체 및 상기 검출 항체에 붙는 형광 물질이 순차로 투입되어 반응이 이루어지는 생체 시료의 다중검출 분석 장치.
  10. 청구항 9에 있어서,
    상기 검출부는,
    영상 내 각 인코딩 자성입자의 분류 결과를 기반으로 영상 내 각 인코딩 자성입자의 인코딩 유형을 식별하고, 상기 식별된 유형 별로 상기 인코딩 자성입자에 결합된 상기 형광 물질의 세기를 분석하여 해당 유형에 대응하는 타겟 물질의 농도를 정량화하는 생체 시료의 다중검출 분석 장치.
  11. 청구항 8에 있어서,
    상기 인코딩 자성입자의 회전 패턴 특징은,
    상기 인코딩 자성입자의 회전 속도, 회전 주기, 연속 회전 여부, 회전 중 간헐적 정지 구간 발생 여부, 정지 구간의 발생 주기, 정지 구간의 시간 길이 중 적어도 하나를 포함하는 생체 시료의 다중검출 분석 장치.
  12. 청구항 8에 있어서,
    상기 딥러닝 알고리즘은,
    이미지 분석 및 시간 변이 정보를 학습하기 위한 콘볼루셔널 장단기 메모리 신경망(Convolutional LSTM)을 포함하여 구현된 생체 시료의 다중검출 분석 장치.
  13. 청구항 8에 있어서,
    상기 인코딩 자성입자는,
    마이크로 채널 내에서 광경화 고분자 물질에 혼합된 초상자성 나노입자들이 외부 자기장에 따라 설정 방향으로 정렬된 상태에서 광 경화되어 막대 형상으로 제조되고,
    정렬 방향에 따라 서로 다른 유형으로 인코딩되는 생체 시료의 다중검출 분석 장치.
  14. 청구항 13에 있어서
    상기 인코딩 자성입자의 인코딩 유형은,
    상기 막대의 길이 방향인 가로 방향(0°)으로 입자가 정렬된 제1 유형,
    세로 방향(90°)으로 입자가 정렬된 제2 유형,
    대각 방향(45°)으로 입자가 정렬된 제3 유형,
    45°를 제외한 0°와 90°사이의 방향으로 입자가 정렬된 제4 유형, 그리고
    서로 다른 방향으로 입자가 정렬된 복수의 나노입자 블록이 길이 방향으로 순차 나열된 구조의 제5 유형을 포함하는 생체 시료의 다중검출 분석 장치.
KR1020210110739A 2021-08-23 2021-08-23 인코딩 자성입자의 딥러닝 기반 디코딩을 이용한 시료의 다중검출 분석 장치 및 그 방법 KR20230028896A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210110739A KR20230028896A (ko) 2021-08-23 2021-08-23 인코딩 자성입자의 딥러닝 기반 디코딩을 이용한 시료의 다중검출 분석 장치 및 그 방법
PCT/KR2022/012223 WO2023027408A1 (ko) 2021-08-23 2022-08-17 인코딩 자성입자의 딥러닝 기반 디코딩을 이용한 시료의 다중검출 분석 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210110739A KR20230028896A (ko) 2021-08-23 2021-08-23 인코딩 자성입자의 딥러닝 기반 디코딩을 이용한 시료의 다중검출 분석 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR20230028896A true KR20230028896A (ko) 2023-03-03

Family

ID=85323303

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210110739A KR20230028896A (ko) 2021-08-23 2021-08-23 인코딩 자성입자의 딥러닝 기반 디코딩을 이용한 시료의 다중검출 분석 장치 및 그 방법

Country Status (2)

Country Link
KR (1) KR20230028896A (ko)
WO (1) WO2023027408A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118072149B (zh) * 2024-04-18 2024-08-06 武汉互创联合科技有限公司 胚胎细胞滑面内质网目标检测方法及终端

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7060431B2 (en) * 1998-06-24 2006-06-13 Illumina, Inc. Method of making and decoding of array sensors with microspheres
KR20130117145A (ko) * 2012-04-17 2013-10-25 삼성전자주식회사 인코딩 가능한 자기 기록층을 포함하는 표적 물질 포획 입자 및 이를 이용한 시료 분석 방법
KR102036434B1 (ko) * 2018-01-23 2019-11-26 고려대학교 산학협력단 초상자성 나노입자 패턴을 가진 마이크로 입자의 다중화 방법
KR102095959B1 (ko) * 2018-07-11 2020-04-01 주식회사 아이센스 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법

Also Published As

Publication number Publication date
WO2023027408A1 (ko) 2023-03-02

Similar Documents

Publication Publication Date Title
CN101334406B (zh) 采用磁阵列的生物分子制备和检测的方法及装置
Lee et al. Nanowire substrate-based laser scanning cytometry for quantitation of circulating tumor cells
Xu et al. Hybrid hydrogel photonic barcodes for multiplex detection of tumor markers
Jin et al. Fluorescence analysis of circulating exosomes for breast cancer diagnosis using a sensor array and deep learning
US20220187184A1 (en) Microfluidic device for single cell processing and method and system for single cell biophysical phenotyping using the microfluidic device
Zhi et al. Micromachining microcarrier-based biomolecular encoding for miniaturized and multiplexed immunoassay
Roh et al. Microfluidic fabrication of encoded hydrogel microparticles for application in multiplex immunoassay
Li et al. Molecularly imprinted ratiometric fluorescence nanosensors
Yang et al. Dielectrophoresis assisted high-throughput detection system for multiplexed immunoassays
KR20230028896A (ko) 인코딩 자성입자의 딥러닝 기반 디코딩을 이용한 시료의 다중검출 분석 장치 및 그 방법
Saberi-Bosari et al. Affordable microfluidic bead-sorting platform for automated selection of porous particles functionalized with bioactive compounds
CN101303348B (zh) 珠体组、珠体组的制造方法和珠体组的使用方法
Weber et al. Single-color barcoding for multiplexed hydrogel bead-based immunoassays
CN113167718A (zh) 多路复用的测定系统和方法
Zhang et al. Transferrin-navigation nano artificial antibody fluorescence recognition of circulating tumor cells
Sun et al. Additive nanomanufacturing of lab-on-a-chip fluorescent peptide nanoparticle arrays for Alzheimer’s disease diagnosis
Yu et al. High-performance UV-curable epoxy resin-based microarray and microfluidic immunoassay devices
US20080206894A1 (en) Bioresponsive Hydrogels
JP6713601B2 (ja) 分析デバイス
KR102036434B1 (ko) 초상자성 나노입자 패턴을 가진 마이크로 입자의 다중화 방법
US20210394182A1 (en) Microfluidic antibody microarray with an electronic sensor array
KR100952194B1 (ko) 자기영동 기반의 생체 분자 다중검출 미세 유체 칩 및 이를이용한 생체 분자 분석장치 및 분석방법
Wang et al. Simple patterned nanofiber scaffolds and its enhanced performance in immunoassay
Toudeshkchouei et al. Magnetic nanoparticles fabricated/integrated with microfluidics for biological applications: A review
CN115047177A (zh) 一种基于微流控芯片的多目标物单元化检测方法及其配套设备

Legal Events

Date Code Title Description
E902 Notification of reason for refusal