KR20230064391A - System for providing biosignal visualization service using pan cancer diagnostic kit employing glucose metabolism-related gene microarray chip - Google Patents
System for providing biosignal visualization service using pan cancer diagnostic kit employing glucose metabolism-related gene microarray chip Download PDFInfo
- Publication number
- KR20230064391A KR20230064391A KR1020210149918A KR20210149918A KR20230064391A KR 20230064391 A KR20230064391 A KR 20230064391A KR 1020210149918 A KR1020210149918 A KR 1020210149918A KR 20210149918 A KR20210149918 A KR 20210149918A KR 20230064391 A KR20230064391 A KR 20230064391A
- Authority
- KR
- South Korea
- Prior art keywords
- bio
- data
- signal
- visualization
- glucose metabolism
- Prior art date
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 70
- 201000011510 cancer Diseases 0.000 title claims abstract description 65
- 238000012800 visualization Methods 0.000 title claims abstract description 63
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 56
- 230000004153 glucose metabolism Effects 0.000 title claims abstract description 45
- 238000002493 microarray Methods 0.000 title claims abstract description 21
- 238000009007 Diagnostic Kit Methods 0.000 title claims description 5
- 238000006243 chemical reaction Methods 0.000 claims abstract description 22
- 238000003745 diagnosis Methods 0.000 claims abstract description 13
- 230000014509 gene expression Effects 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 21
- 230000004083 survival effect Effects 0.000 claims description 17
- 238000000537 electroencephalography Methods 0.000 claims description 8
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 8
- 238000002582 magnetoencephalography Methods 0.000 claims description 8
- 108020004999 messenger RNA Proteins 0.000 claims description 8
- 238000013186 photoplethysmography Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000010195 expression analysis Methods 0.000 claims description 5
- 238000004445 quantitative analysis Methods 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000004497 NIR spectroscopy Methods 0.000 claims description 4
- 230000004424 eye movement Effects 0.000 claims description 4
- 239000012634 fragment Substances 0.000 claims description 4
- 230000011514 reflex Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000036387 respiratory rate Effects 0.000 claims description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims 4
- 229910052698 phosphorus Inorganic materials 0.000 claims 4
- 239000011574 phosphorus Substances 0.000 claims 4
- 210000004027 cell Anatomy 0.000 description 44
- 238000000034 method Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 17
- 206010009944 Colon cancer Diseases 0.000 description 11
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 11
- 238000004393 prognosis Methods 0.000 description 10
- 208000024891 symptom Diseases 0.000 description 9
- 102100023536 Solute carrier family 2, facilitated glucose transporter member 1 Human genes 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 101000906283 Homo sapiens Solute carrier family 2, facilitated glucose transporter member 1 Proteins 0.000 description 6
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 6
- 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 5
- 230000004913 activation Effects 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 5
- 239000008103 glucose Substances 0.000 description 5
- 206010006187 Breast cancer Diseases 0.000 description 4
- 208000026310 Breast neoplasm Diseases 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000034659 glycolysis Effects 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 201000009030 Carcinoma Diseases 0.000 description 3
- 102100023085 Serine/threonine-protein kinase mTOR Human genes 0.000 description 3
- 208000024770 Thyroid neoplasm Diseases 0.000 description 3
- 230000006536 aerobic glycolysis Effects 0.000 description 3
- 235000014655 lactic acid Nutrition 0.000 description 3
- 239000004310 lactic acid Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 208000002154 non-small cell lung carcinoma Diseases 0.000 description 3
- 230000002018 overexpression Effects 0.000 description 3
- 201000002510 thyroid cancer Diseases 0.000 description 3
- 238000011269 treatment regimen Methods 0.000 description 3
- 208000029729 tumor suppressor gene on chromosome 11 Diseases 0.000 description 3
- 206010005003 Bladder cancer Diseases 0.000 description 2
- 102100025064 Cellular tumor antigen p53 Human genes 0.000 description 2
- 108010027279 Facilitative Glucose Transport Proteins Proteins 0.000 description 2
- 206010062878 Gastrooesophageal cancer Diseases 0.000 description 2
- 208000032612 Glial tumor Diseases 0.000 description 2
- 206010018338 Glioma Diseases 0.000 description 2
- 108091052347 Glucose transporter family Proteins 0.000 description 2
- 102000042092 Glucose transporter family Human genes 0.000 description 2
- 206010021143 Hypoxia Diseases 0.000 description 2
- ACFIXJIJDZMPPO-NNYOXOHSSA-N NADPH Chemical compound C1=CCC(C(=O)N)=CN1[C@H]1[C@H](O)[C@H](O)[C@@H](COP(O)(=O)OP(O)(=O)OC[C@@H]2[C@H]([C@@H](OP(O)(O)=O)[C@@H](O2)N2C3=NC=NC(N)=C3N=C2)O)O1 ACFIXJIJDZMPPO-NNYOXOHSSA-N 0.000 description 2
- 208000034176 Neoplasms, Germ Cell and Embryonal Diseases 0.000 description 2
- 206010061902 Pancreatic neoplasm Diseases 0.000 description 2
- 206010060862 Prostate cancer Diseases 0.000 description 2
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 2
- 208000006265 Renal cell carcinoma Diseases 0.000 description 2
- 206010039491 Sarcoma Diseases 0.000 description 2
- 208000021712 Soft tissue sarcoma Diseases 0.000 description 2
- 108010065917 TOR Serine-Threonine Kinases Proteins 0.000 description 2
- 108010078814 Tumor Suppressor Protein p53 Proteins 0.000 description 2
- 208000007097 Urinary Bladder Neoplasms Diseases 0.000 description 2
- 230000006682 Warburg effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000036755 cellular response Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 201000006974 gastroesophageal cancer Diseases 0.000 description 2
- 201000003115 germ cell cancer Diseases 0.000 description 2
- 201000010536 head and neck cancer Diseases 0.000 description 2
- 208000014829 head and neck neoplasm Diseases 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 208000015486 malignant pancreatic neoplasm Diseases 0.000 description 2
- 201000001441 melanoma Diseases 0.000 description 2
- 238000001823 molecular biology technique Methods 0.000 description 2
- 229930027945 nicotinamide-adenine dinucleotide Natural products 0.000 description 2
- 201000002528 pancreatic cancer Diseases 0.000 description 2
- 208000008443 pancreatic carcinoma Diseases 0.000 description 2
- 238000010837 poor prognosis Methods 0.000 description 2
- 208000015347 renal cell adenocarcinoma Diseases 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000019491 signal transduction Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 201000005112 urinary bladder cancer Diseases 0.000 description 2
- 101150072531 10 gene Proteins 0.000 description 1
- 206010004593 Bile duct cancer Diseases 0.000 description 1
- 206010014733 Endometrial cancer Diseases 0.000 description 1
- 206010014759 Endometrial neoplasm Diseases 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 102000018711 Facilitative Glucose Transport Proteins Human genes 0.000 description 1
- 101000600756 Homo sapiens 3-phosphoinositide-dependent protein kinase 1 Proteins 0.000 description 1
- 101001046870 Homo sapiens Hypoxia-inducible factor 1-alpha Proteins 0.000 description 1
- 101001030211 Homo sapiens Myc proto-oncogene protein Proteins 0.000 description 1
- 101001000780 Homo sapiens POU domain, class 2, transcription factor 1 Proteins 0.000 description 1
- 101001120056 Homo sapiens Phosphatidylinositol 3-kinase regulatory subunit alpha Proteins 0.000 description 1
- 101001091538 Homo sapiens Pyruvate kinase PKM Proteins 0.000 description 1
- 101100087590 Homo sapiens RICTOR gene Proteins 0.000 description 1
- 101001117146 Homo sapiens [Pyruvate dehydrogenase (acetyl-transferring)] kinase isozyme 1, mitochondrial Proteins 0.000 description 1
- 101001117143 Homo sapiens [Pyruvate dehydrogenase (acetyl-transferring)] kinase isozyme 2, mitochondrial Proteins 0.000 description 1
- 101000734338 Homo sapiens [Pyruvate dehydrogenase (acetyl-transferring)] kinase isozyme 3, mitochondrial Proteins 0.000 description 1
- 101000734339 Homo sapiens [Pyruvate dehydrogenase (acetyl-transferring)] kinase isozyme 4, mitochondrial Proteins 0.000 description 1
- 102100022875 Hypoxia-inducible factor 1-alpha Human genes 0.000 description 1
- 108010052285 Membrane Proteins Proteins 0.000 description 1
- 101001066400 Mesocricetus auratus Homeodomain-interacting protein kinase 2 Proteins 0.000 description 1
- 101150097381 Mtor gene Proteins 0.000 description 1
- 102100038895 Myc proto-oncogene protein Human genes 0.000 description 1
- 102000043276 Oncogene Human genes 0.000 description 1
- 108700020796 Oncogene Proteins 0.000 description 1
- 206010033128 Ovarian cancer Diseases 0.000 description 1
- 206010061535 Ovarian neoplasm Diseases 0.000 description 1
- 102100035593 POU domain, class 2, transcription factor 1 Human genes 0.000 description 1
- 102100026169 Phosphatidylinositol 3-kinase regulatory subunit alpha Human genes 0.000 description 1
- 108091000080 Phosphotransferase Proteins 0.000 description 1
- LCTONWCANYUPML-UHFFFAOYSA-M Pyruvate Chemical compound CC(=O)C([O-])=O LCTONWCANYUPML-UHFFFAOYSA-M 0.000 description 1
- 102100034911 Pyruvate kinase PKM Human genes 0.000 description 1
- 108700019586 Rapamycin-Insensitive Companion of mTOR Proteins 0.000 description 1
- 102000046941 Rapamycin-Insensitive Companion of mTOR Human genes 0.000 description 1
- 108010029031 Regulatory-Associated Protein of mTOR Proteins 0.000 description 1
- 102100040969 Regulatory-associated protein of mTOR Human genes 0.000 description 1
- 108091006296 SLC2A1 Proteins 0.000 description 1
- 208000005718 Stomach Neoplasms Diseases 0.000 description 1
- 102000044209 Tumor Suppressor Genes Human genes 0.000 description 1
- 108700025716 Tumor Suppressor Genes Proteins 0.000 description 1
- 102000001742 Tumor Suppressor Proteins Human genes 0.000 description 1
- 108010040002 Tumor Suppressor Proteins Proteins 0.000 description 1
- 102100024148 [Pyruvate dehydrogenase (acetyl-transferring)] kinase isozyme 1, mitochondrial Human genes 0.000 description 1
- 102100024150 [Pyruvate dehydrogenase (acetyl-transferring)] kinase isozyme 2, mitochondrial Human genes 0.000 description 1
- 102100034824 [Pyruvate dehydrogenase (acetyl-transferring)] kinase isozyme 3, mitochondrial Human genes 0.000 description 1
- 102100034825 [Pyruvate dehydrogenase (acetyl-transferring)] kinase isozyme 4, mitochondrial Human genes 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 230000006907 apoptotic process Effects 0.000 description 1
- 208000026900 bile duct neoplasm Diseases 0.000 description 1
- 201000009036 biliary tract cancer Diseases 0.000 description 1
- 208000020790 biliary tract neoplasm Diseases 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000007475 c-index Methods 0.000 description 1
- 230000009702 cancer cell proliferation Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000020411 cell activation Effects 0.000 description 1
- 230000010261 cell growth Effects 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 230000004663 cell proliferation Effects 0.000 description 1
- 208000006990 cholangiocarcinoma Diseases 0.000 description 1
- 208000029742 colonic neoplasm Diseases 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008995 epigenetic change Effects 0.000 description 1
- 230000017188 evasion or tolerance of host immune response Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 150000004665 fatty acids Chemical class 0.000 description 1
- 206010017758 gastric cancer Diseases 0.000 description 1
- 150000002303 glucose derivatives Chemical class 0.000 description 1
- 230000004190 glucose uptake Effects 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 238000012744 immunostaining Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 201000007270 liver cancer Diseases 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000003470 mitochondria Anatomy 0.000 description 1
- 239000002773 nucleotide Substances 0.000 description 1
- 125000003729 nucleotide group Chemical group 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002611 ovarian Effects 0.000 description 1
- 201000004228 ovarian endometrial cancer Diseases 0.000 description 1
- 230000010627 oxidative phosphorylation Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 102000020233 phosphotransferase Human genes 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000003642 reactive oxygen metabolite Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008672 reprogramming Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 201000011549 stomach cancer Diseases 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 239000000107 tumor biomarker Substances 0.000 description 1
- 230000004614 tumor growth Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
- C12Q1/6883—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
- C12Q1/6886—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material for cancer
-
- 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
-
- 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
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biotechnology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- Organic Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Genetics & Genomics (AREA)
- Analytical Chemistry (AREA)
- Zoology (AREA)
- Immunology (AREA)
- Wood Science & Technology (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Microbiology (AREA)
- Molecular Biology (AREA)
- Oncology (AREA)
- Hospice & Palliative Care (AREA)
- Biochemistry (AREA)
- General Engineering & Computer Science (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
Description
본 발명은 포도당 대사 유전자 마이크로 어레이 칩 기반 PAN 암세포 진단 키트를 이용한 생체신호 시각화 서비스 시스템에 관한 것이다. The present invention relates to a bio-signal visualization service system using a glucose metabolism gene microarray chip-based PAN cancer cell diagnosis kit.
최근의 정보통신 기술의 발달과 더불어, 일상생활을 하면서 생체신호를 측정하여 건강상태를 점검하거나, 생체신호를 운동 능력 향상을 위한 파라미터로 사용하기 위해, 다양한 생체신호 측정기가 개발되어 사용되고 있다.With the recent development of information and communication technology, various bio-signal measuring devices have been developed and used to check health conditions by measuring bio-signals in daily life or to use bio-signals as parameters for improving exercise capacity.
종래 기술에 따른 생체신호 측정기는 측정된 신호를 관리하기 위하여, 별도의 정보처리 기기를 필요로 할 뿐만 아니라, 생체신호의 특성 및 관리에 적합한 소프트웨어의 설치를 필요로 하여, 많은 비용과 노력을 요하게 된다.The bio-signal measuring device according to the prior art not only requires a separate information processing device to manage the measured signal, but also requires a lot of cost and effort to install software suitable for the characteristics and management of the bio-signal. do.
종래 기술에 따르면(한국공개특허 제10-2012-0055273호), 생체 신호 관리 시스템은 사용자의 손가락에 채용되고, 맥박과 산소 포화도를 포함하는 생체 신호를 측정하고, 사용자의 움직임을 측정하며, 측정한 생체 신호가 기준 신호값 이상이고, 측정한 센싱값이 기준 센싱값 이하이면 응급신호를 생성하여 전송하는 생체 신호 측정 장치와, 생체 신호 측정 장치로부터 응급 신호를 수신하여 전송하는 무선 엑세스 포인터(AP), 무선 엑세스 포인터로부터 응급 신호를 수신하고 설정된 시간동안 생체 신호가 수신되지 않으면 생체 신호의 전송을 무선 엑세스 포인터로 요청하는 서버를 포함한다. According to the prior art (Korean Patent Publication No. 10-2012-0055273), the bio-signal management system is applied to the user's finger, measures bio-signals including pulse and oxygen saturation, and measures the user's movement. A bio-signal measuring device that generates and transmits an emergency signal when one bio-signal is greater than or equal to the reference signal value and the measured sensing value is less than or equal to the reference sensing value, and a wireless access point (AP) that receives and transmits the emergency signal from the bio-signal measuring device ), and a server that receives an emergency signal from the wireless access point and requests transmission of the biosignal to the wireless access pointer if the biosignal is not received for a set period of time.
종래 기술에 따르면, 생체 신호가 의미하는 바를 제대로 표현하지 못하여, 이를 만족시키기 위해서는 별도의 장치 및 소프트웨어를 필요로 하는 문제점이 있다. According to the prior art, there is a problem in that the meaning of the biosignal cannot be properly expressed, requiring a separate device and software to satisfy this.
또한, 여러 종류의 생체신호 측정기를 사용하는 경우, 각각의 생체 신호에 상응하는 소프트웨어를 구비해야 함에 따라 비용이 증가하고, 일회적이거나 단기간 생체신호 측정기를 사용함에도 생체신호의 의미를 나타내도록 하기 위한 장치 및 소프트웨어를 필요로 함으로써, 단기간 사용 정도에 비하여 고비용이 소요되는 문제점이 있다. In addition, when using several types of bio-signal measurers, the cost increases as software corresponding to each bio-signal must be provided, and a device for indicating the meaning of a bio-signal even when a one-time or short-term bio-signal measurer is used And by requiring software, there is a problem in that high cost is required compared to the degree of short-term use.
본 발명은 전술한 종래 기술에 문제점을 해결하기 위하여 제안된 것으로, 생체신호 측정기로부터 획득되는 생체신호를 전달받아 시각화하여 제공함으로써, 생체신호의 의미를 쉽고 정확하게 파악할 수 있도록 하고, 다양한 생체신호 측정기의 사용 편의성과 효율성을 높이며, 생체신호의 시각화에 따른 별도의 장치나 소프트웨어의 구입 및 운영 등에 소요되는 비용과 시간을 줄이는 것이 가능한 생체신호 시각화 서비스 시스템을 제공하는데 그 목적이 있다. The present invention has been proposed to solve the problems in the prior art described above. By receiving, visualizing, and providing bio-signals obtained from a bio-signal measurer, the meaning of the bio-signals can be grasped easily and accurately, and various bio-signal measurers can be used. Its purpose is to provide a bio-signal visualization service system that can increase usability and efficiency, and reduce the cost and time required for purchasing and operating a separate device or software for bio-signal visualization.
본 발명에 따른 포도당 대사 유전자 마이크로 어레이 칩 기반 PAN 암세포 진단 키트를 이용한 생체신호 시각화 서비스 시스템은 생체신호 측정기에 의해 측정된 생체신호의 데이터를 수신하는 웹서버와, 웹서버가 수신한 생체신호의 데이터를 종류 별로 분류하는 분류모듈과, 포도당 대사 유전자 마이크로 어레이 칩 기반의 PAN 암세포 진단 키트를 이용하고, 분류 모듈에 의해 분류된 상기 생체신호의 데이터를 시각화용 데이터로 변환하는 변환모듈과, 변환된 생체 신호의 데이터를 생체신호의 종류에 따라 시각화하여 시각화 데이터를 제공하는 시각화모듈 및 시각화 데이터를 저장하는 데이터베이스부를 포함한다 The bio-signal visualization service system using the glucose metabolism gene microarray chip-based PAN cancer cell diagnosis kit according to the present invention includes a web server for receiving bio-signal data measured by a bio-signal measurer, and bio-signal data received by the web server. A classification module for classifying by type, a conversion module for converting the bio-signal data classified by the classification module into data for visualization using a PAN cancer cell diagnosis kit based on a glucose metabolism gene microarray chip, and the converted living body It includes a visualization module that visualizes signal data according to the type of biosignal and provides visualization data, and a database unit that stores visualization data.
상기 분류모듈은 상기 생체신호 측정기 또는 상기 생체신호의 데이터를 전달하는 단말기로부터 수신한 정보를 이용하여 상기 생체신호의 데이터를 분류한다. The classification module classifies the bio-signal data using information received from the bio-signal measurer or a terminal transmitting the bio-signal data.
상기 분류모듈은 안운동, EOG(Electrooculogram), fMRI(functional Magnetic Resonance Imaging), fNIRS(Functional Near-Infrared Spectroscopy), EEG(Electroencephalography), MEG(Magnetoencephalography), PPG(Photoplethysmography), GSR(Galvanic Skin Reflex) 및 호흡수에 대해 상기 생체신호의 데이터를 분류한다. The classification module includes eye movement, EOG (Electrooculogram), fMRI (functional Magnetic Resonance Imaging), fNIRS (Functional Near-Infrared Spectroscopy), EEG (Electroencephalography), MEG (Magnetoencephalography), PPG (Photoplethysmography), GSR (Galvanic Skin Reflex) and classify the data of the bio-signal with respect to the respiratory rate.
상기 변환모듈 및 시각화모듈은 상기 생체신호의 데이터의 종류에 대응되도록 복수개 구비되어, 해당되는 종류에 대한 변환 및 시각화를 전용으로 수행한다. The conversion module and the visualization module are provided in plurality to correspond to the type of data of the bio-signal, and exclusively perform conversion and visualization for the corresponding type.
본 발명에 따른 포도당 대사 유전자 마이크로 어레이 칩 기반 PAN 암세포 진단 키트를 이용한 생체신호 시각화 서비스 시스템은 상기 시각화 데이터를 기설정된 상기 생체신호 측정기 및 단말기 중 적어도 어느 하나에 파일 형태로 전송하는 전송모듈을 더 포함한다. The bio-signal visualization service system using the glucose metabolism gene microarray chip-based PAN cancer cell diagnosis kit according to the present invention further includes a transmission module for transmitting the visualization data in the form of a file to at least one of the predetermined bio-signal measurer and terminal. do.
본 발명에 따른 포도당 대사 유전자 마이크로 어레이 칩 기반 PAN 암세포 진단 키트를 이용한 생체신호 시각화 서비스 시스템은 상기 생체신호의 데이터, 시각화 데이터를 기설정된 분석자단말기로 전달하고, 상기 분석자단말기로부터 상기 생체신호 데이터에 대한 분석 리포트를 수신하여 상기 생체신호 측정기 및 단말기 중 적어도 어느 하나에 제공하는 분석 모듈을 더 포함한다. The bio-signal visualization service system using the glucose metabolism gene microarray chip-based PAN cancer cell diagnostic kit according to the present invention transfers the bio-signal data and visualization data to a predetermined analyzer terminal, and from the analyzer terminal to the bio-signal data An analysis module receiving the analysis report and providing the received analysis report to at least one of the bio-signal measurer and the terminal is further included.
상기 변환모듈은 RSEM으로 변환된 유전자 발현양 정보를 이용하여, 단편서열 수에 대한 정보와 RPKM 값을 산출하여 각 gene 의 mRNA expression count를 계산하여 정량적 분석을 시행하고, 차별발현분석 (Differential Expression Analysis)에 기반하여 통계분석을 시각화하고, Cox regression analysis를 통해 생존률과 유의한 연관관계를 가진 유전자들의 리스트를 가시화하고, 상기 리스트를 이용하여 각각의 암종에서 예후 예측력 값을 시각화하는 동시에, TCGA data에서 확인 가능한 임상적 요인의 데이터를 도출하고, 선별된 포도당 대사 유전자의 생존율 예측력 데이터를 도출하고 비교군 데이터를 입력하여 각각의 암종 환자군을 통해 외부 검증을 수행한다. The conversion module calculates information on the number of fragment sequences and RPKM value using the gene expression amount information converted to RSEM, calculates the mRNA expression count of each gene, performs quantitative analysis, and performs differential expression analysis ) Visualize statistical analysis based on, visualize a list of genes having a significant association with survival rate through Cox regression analysis, and visualize prognostic predictive power values in each cancer type using the list, while at the same time in TCGA data Data of clinical factors that can be confirmed are derived, survival rate predictive data of selected glucose metabolism genes are derived, and data of a comparison group is input to perform external verification through each cancer patient group.
본 발명에 따르면, 생체신호 측정기로부터 획득되는 생체신호를 전달받아 시각화하여 제공함으로써, 생체신호의 의미를 쉽고 정확하게 파악할 수 있도록 하고, 다양한 생체신호 측정기의 사용 편의성과 효율성을 높일 수 있으며, 생체신호의 시각화에 따른 별도의 장치나 소프트웨어의 구입 및 운영 등에 소요되는 비용과 시간을 줄이는 것이 가능한 효과가 있다. According to the present invention, by receiving and visualizing the biosignal obtained from the biosignal measurer, it is possible to easily and accurately grasp the meaning of the biosignal, increase the usability and efficiency of various biosignal measurers, and It is possible to reduce the cost and time required for the purchase and operation of a separate device or software according to visualization.
본 발명의 효과는 이상에서 언급한 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The effects of the present invention are not limited to those mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the description below.
도 1은 본 발명의 실시예에 따른 생체신호 시각화 서비스 시스템을 도시한다.
도 2는 본 발명의 실시예에 따른 변환모듈의 알고리즘 수행 과정을 도시한 순서도이다.
도 3은 본 발명의 실시예에 따른 symptom 별 분석 과정을 도시한다.
도 4는 본 발명의 실시예에 따른 ROC 커브를 도시한다.
도 5a 및 도 5b는 본 발명의 실시예에 따른 일반 그룹과 암 환자 그룹의 symptom 별 cell response strength를 도시한다.1 shows a bio-signal visualization service system according to an embodiment of the present invention.
2 is a flowchart illustrating a process of performing an algorithm of a conversion module according to an embodiment of the present invention.
3 illustrates an analysis process for each symptom according to an embodiment of the present invention.
4 shows a ROC curve according to an embodiment of the present invention.
5A and 5B show cell response strength for each symptom of a normal group and a cancer patient group according to an embodiment of the present invention.
본 발명의 전술한 목적 및 그 이외의 목적과 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. The foregoing and other objects, advantages and characteristics of the present invention, and a method of achieving them will become clear with reference to the detailed embodiments described below in conjunction with the accompanying drawings.
그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 목적, 구성 및 효과를 용이하게 알려주기 위해 제공되는 것일 뿐으로서, 본 발명의 권리범위는 청구항의 기재에 의해 정의된다. However, the present invention is not limited to the embodiments disclosed below and may be implemented in various different forms, and only the following embodiments provide the purpose of the invention, As only provided to easily inform the configuration and effect, the scope of the present invention is defined by the description of the claims.
한편, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성소자, 단계, 동작 및/또는 소자가 하나 이상의 다른 구성소자, 단계, 동작 및/또는 소자의 존재 또는 추가됨을 배제하지 않는다.Meanwhile, terms used in this specification are for describing the embodiments and are not intended to limit the present invention. In this specification, singular forms also include plural forms unless specifically stated otherwise in a phrase. As used herein, “comprises” and/or “comprising” means the presence of one or more other components, steps, operations, and/or elements in which a stated component, step, operation, and/or element is present. or added.
이하에서는, 당업자의 이해를 돕기 위하여 본 발명이 제안된 배경에 대하여 먼저 서술하고, 본 발명의 실시예에 대하여 서술하기로 한다. Hereinafter, in order to help the understanding of those skilled in the art, the background in which the present invention is proposed will be described first, and then the embodiments of the present invention will be described.
<암세포의 포도당대사><Glucose metabolism in cancer cells>
세포는 세포막에 존재하는 막단백질인 Glucose transporters(GLUTs)를 통해 포도당을 세포 내로 운반한다. Cells transport glucose into the cell through glucose transporters (GLUTs), which are membrane proteins present in the cell membrane.
정상세포는 산소가 충분히 있는 상태에서 포도당의 대사 산물인 pyruvate가 미토콘드리아 내에 섭취되어 ATP를 생성하여 에너지원을 얻는 산화적 인산화 과정을 선호한다. Normal cells prefer the oxidative phosphorylation process in which pyruvate, a metabolite of glucose, is taken up in the mitochondria to generate ATP in the presence of sufficient oxygen to obtain an energy source.
보통의 세포는 산소가 없는 상태에서 포도당을 혐기성으로 분해하여 젖산을 생성하는 반면에, 암세포는 산소의 존재여부와 상관없이 에너지 생산을 위해서 포도당을 젖산으로 전환하는 것을 선호한다(aerobic glycolysis). While normal cells produce lactic acid by anaerobic breakdown of glucose in the absence of oxygen, cancer cells prefer to convert glucose into lactic acid for energy production regardless of the presence of oxygen (aerobic glycolysis).
이런 암세포의 포도당 대사 현상을 Warburg effect라고 한다.This phenomenon of glucose metabolism in cancer cells is called the Warburg effect.
암세포는 aerobic glycolysis를 통해 에너지 생산 뿐 아니라, 빠르게 성장하는 암세포의 세포구성물질 합성에 필요한 뉴클레오티드, 지질, 아미노산 등과 같은 전구물질을 생산할 수 있고, 정상 세포보다 우세하게 생성되는 많은 양의 활성산소종(ROS, Reactive Oxygen Species)을 제거하기 위한 NADPH의 생산 역시 유리하다는 이점을 가지며, 생산된 NADPH는 지방산의 합성에도 활용될 수 있다. Cancer cells can not only produce energy through aerobic glycolysis, but also produce precursors such as nucleotides, lipids, amino acids, etc. necessary for the synthesis of cellular constituents of rapidly growing cancer cells. The production of NADPH to remove ROS, Reactive Oxygen Species) also has the advantage of being advantageous, and the produced NADPH can also be utilized for the synthesis of fatty acids.
aerobic glycolysis를 통해 생성된 젖산은 암세포의 주변 환경을 구성하는 중요한 요소이며 암의 침윤성이나 면역회피에 있어서도 중요한 역할을 한다.Lactic acid produced through aerobic glycolysis is an important component of the surrounding environment of cancer cells and plays an important role in cancer invasiveness and immune evasion.
따라서 Warburg effect는 끊임없이 변화하는 종양미세환경(Tumor microinvironment)내에서 빠른 성장과 생존을 위한 암세포의 전략적 움직임이라 할 수 있고, 이 때문에 악성 종양이 빨리 증식하면서 만들어지는 종양주변부의 허혈성 종양미세환경에서 발현하는 허혈관련유전자(hypoxia related gene, HRG)들은 종양의 급격한 증식 및 나쁜 예후와 연관이 있다고 알려져 있다. Therefore, the Warburg effect can be said to be the strategic movement of cancer cells for rapid growth and survival in the constantly changing tumor microenvironment, and because of this, it is expressed in the ischemic tumor microenvironment around the tumor, which is created while malignant tumors rapidly proliferate. It is known that hypoxia related genes (HRG) are associated with rapid tumor growth and poor prognosis.
세포 증식을 위해서는 포도당이 GLUT에 의해서 세포로 수송되기 때문에 많은 연구에서 그간 GLUT를 암의 바이오마커로 연구해왔고 GLUT 중에서 포도당 유입을 담당하는 GLUT1의 발현 이 유방암, 대장암에서 증가되었다. Since glucose is transported into cells by GLUT for cell proliferation, many studies have studied GLUT as a cancer biomarker, and the expression of GLUT1, which is responsible for glucose uptake among GLUT, has been increased in breast and colorectal cancers.
그러나 대부분의 GLUT 연구가 소수의 데이터를 면역염색기법을 통하여 주관적으로 분석한 연구들인 때문에 그 결과가 일관되지 못하였다. However, since most of the GLUT studies were studies that subjectively analyzed a small number of data through immunostaining techniques, the results were inconsistent.
최근에는 GLUT 단백질에 encode되어 있는 Solute carrier 2A (SLC2A) 유전자 분석을 통해, SLC2A 유전자의 과발현이 간암, 비소세포성폐암, 갑상선암등에서 나쁜 예후와 연관이 있다 는 연구 결과들이 보고되었다.Recently, through analysis of the Solute carrier 2A (SLC2A) gene encoded in the GLUT protein, studies have reported that overexpression of the SLC2A gene is associated with poor prognosis in liver cancer, non-small cell lung cancer, and thyroid cancer.
<분자생물학적 기법을 이용한 암 예후 인자 발굴의 당위성><The justification for discovering cancer prognostic factors using molecular biology techniques>
전통적으로 대장암, 위암, 유방암 등에서는 예후를 예측하는데 TNM 병기가 주로 이용되고 있는데, 최근에 빠르게 발달하는 분자생물학적 기법을 이용하여 다양한 유전자 발현량 분석을 예후 예측에 접목하는 결과들이 발표되고 있으며, 그 유효성이 여러 암종에서 증명되면서 이를 임상 가이드라인에 접목해야 할 당위성이 제시되고 있다.Traditionally, TNM staging has been mainly used to predict prognosis in colorectal cancer, gastric cancer, and breast cancer. Recently, results of grafting various gene expression analysis to prognosis prediction using rapidly developing molecular biology techniques have been published. As its effectiveness has been demonstrated in several cancer types, the justification for incorporating it into clinical guidelines is being suggested.
이미 다양한 종양 유형에서 발견되는 게놈과 세포 변화 사이의 유사성과 차이점을 확인하여 이를 수많은 암종의 이해와 치료 전략으로 이용하려는 시도가 이루어졌고, 현재 암 유전체 아틀라스(TCGA) 데이터가 공개되어 다양한 종양의 종류에 대한 공통점, 차이점등에 대한 통합그림을 개발할 수 있게 되었다.Attempts have been made to identify similarities and differences between genomes and cellular changes already found in various tumor types, and to use them as an understanding and treatment strategy for numerous cancer types. It is now possible to develop an integrated picture of commonalities and differences.
현재, TCGA 데이터뿐 아니라 Microarray, NGS와 같은 데이터를 보관, 관리하고 있는 GEO(Gene Expression Omnibus), ENA(European Nucelotide Archive)등의 유전체 데이터들이 공개되어 있기 때문에, 이런 데이터를 통합 분석함으로써 개인의 추가적인 실험 및 데이터 생산 없이도 종양의 genome, transcriptome, epigenome 같은 genome-wide 연구가 가능하게 되었다.Currently, genome data such as GEO (Gene Expression Omnibus) and ENA (European Nucelotide Archive), which store and manage data such as microarray and NGS, as well as TCGA data are open to the public. Genome-wide studies such as the tumor genome, transcriptome, and epigenome have become possible without experiments and data production.
<Pan암 분석의 필요성과 가능성><Necessity and Possibility of Pan Cancer Analysis>
체내의 서로 다른 부위에서 발생하는 다양한 세포형태의 유전자 변화, 변형은 수백 가지의 다른 형태의 암을 유발하며, 이는 서로 다른 생물학, 병리학을 가지고 있기 때문에 그에 따라 치료 전략도 다르다. Genetic changes and transformations of various cell types that occur in different parts of the body cause hundreds of different types of cancer, which have different biology and pathology, so treatment strategies are different accordingly.
암은 암유전자 또는 암억제유전자의 유전적 혹은 후생유전학적인 변화에 의해 발생하고, 이는 암세포의 신호전달경로에 교란을 일으켜 무한정으로 세포성장을 촉진하여 동시에 포도당 대사의 재프로그램화를 유도하기도 한다.Cancer is caused by genetic or epigenetic changes in oncogenes or cancer suppressor genes, which disturb the signal transduction pathway of cancer cells, promote cell growth indefinitely, and at the same time induce reprogramming of glucose metabolism.
따라서, 암세포 유전자의 불안정성에 의해서 암의 특정신호 전달 경로가 불활성화 되더라도 암세포는 이에 대해서 적응하고 저항성을 가지는 현상이 있다.Therefore, even if a specific signal transduction pathway of cancer is inactivated due to genetic instability of cancer cells, there is a phenomenon in which cancer cells adapt and have resistance to this.
그러므로, 암세포 증식에 필수적이면서도 중복되지 않는 프로세스를 억제하는 것이 암 치료의 중요한 전략이 될 수 있다는 점에서 암세포의 포도당대사 특이성 연구가 중요하다.Therefore, it is important to study the specificity of glucose metabolism in cancer cells in that inhibiting processes that are essential for cancer cell proliferation but are not redundant can be an important strategy for cancer treatment.
따라서 이런 공개된 데이터를 통해 Pan암에서 암세포의 포도당대사에 필수적인 프로세스와 연관된 유전체를 연구하는 것이 앞으로 Pan암의 치료 전략을 세우는데 있어서 매우 중요하다고 볼 수 있다.Therefore, through these published data, it can be seen that it is very important to study the genome related to the process essential for the glucose metabolism of cancer cells in Pan cancer in establishing a treatment strategy for Pan cancer in the future.
<대장암에서 HRG의 예후예측에 관한 연구><Study on prognosis of HRG in colorectal cancer>
본 발명의 제안과 관련하여, TCGA 데이터를 이용하여 대장암에서 포도당대사에 필수적인 프로세스인 SLC2A와 HRG의 예후예측에 관한 연구를 진행하고 GEO 데이터에서 외부 검증하였다.In relation to the proposal of the present invention, a study on the prognosis of SLC2A and HRG, which are essential processes for glucose metabolism in colorectal cancer, was conducted using TCGA data and externally verified using GEO data.
일차적으로 mRNA 발현량, 임상정보, 생존기간이 모두 확보된 TCGA에서 분석가능한 대장암 환자수 355명을 통계적으로 분석하였다. First, 355 colorectal cancer patients who could be analyzed in TCGA, in which mRNA expression level, clinical information, and survival period were all secured, were statistically analyzed.
HRG 발현량과 임상정보를 아울러 대장암의 예후를 예측하는 모델(노모그램)을 제시하고자, Cox regression analysis를 통해 가장 유의한 유전자들을 변수로 삼는 HRG genetic risk score 를 도출하고, HRG genetic risk score와 임상적 요인들을 univariate and multivariate Cox analysis, Harrell's concordance index를 이용하여 다양한 노모그램을 생성 후에 C-index를 이 용하여 각 노모그램의 예후예측력을 비교하고 최적화된 모델을 선별하였다.In order to present a model (nomogram) that predicts the prognosis of colorectal cancer along with HRG expression level and clinical information, an HRG genetic risk score that uses the most significant genes as variables was derived through Cox regression analysis, and the HRG genetic risk score and clinical After generating various nomograms using univariate and multivariate Cox analysis and Harrell's concordance index for the predictive factors, the prognostic power of each nomogram was compared using the C-index, and an optimized model was selected.
최종적으로 선별한 노모그램의 생존률 예측력을 GEO 환자군을 통해 외부검증한 결과, TCGA환자군과 GEO 환자군 모두에서 기존의 TNM stage 보다 대장암의 전체 생존률 예측력이 우수하여, 이 노모그램이 임상에서 활용될 수 있다. As a result of external verification of the survival rate predictive power of the finally selected nomogram through the GEO patient group, both the TCGA patient group and the GEO patient group showed better overall survival rate predictive power for colorectal cancer than the existing TNM stage, so this nomogram can be used in clinical practice. there is.
<대장암에서 SLC2A 유전자 발현량과 예후 예측에 관한 연구><Study on SLC2A gene expression level and prediction of prognosis in colorectal cancer>
본 발명의 제안과 관련하여, mRNA 발현량, 임상정보, 생존기간이 모두 확보된 TCGA에서 분석가능 한 대장암 환자수 355명에서, 포도당을 세포로 수송하는 GLUT 단백질의 유전자인 SLC2A family 유전자의 발현 증가가 높은 사망률과 연관이 되어 있는 것을 확인하였고, 이 결과를 GEO 데이터를 이용해 외부 검증하였다.In relation to the proposal of the present invention, the expression of SLC2A family genes, which are GLUT protein genes that transport glucose into cells, in 355 colorectal cancer patients that can be analyzed in TCGA, in which mRNA expression level, clinical information, and survival period are all secured It was confirmed that the increase was associated with high mortality, and this result was externally verified using GEO data.
암세포의 포도당 대사는 GLUT 외에도 phophatidylinositol 3 kinase (PI3K)에 의한 AKT의 활성화에 의해 증가될
수 있고, Mammalian target of rapamycin (mTOR)과
hypoxia-inducible factor (HIF), Myc도 glycolysis와 관련된 효소들의 활성화에 기여한다. Glucose metabolism in cancer cells is increased by activation of AKT by
Tumor suppressor인 TP53은 TP53 inducing glycolysis and apoptosis regulator (TIGAR)의 발현을 조절하여 해당 작용에 관여하는데, TP35 소실로 인해 TIGAR의 발현이 증가하면 glycolysis가 억제된다.TP53, a tumor suppressor, is involved in glycolysis by regulating the expression of TP53 inducing glycolysis and apoptosis regulator (TIGAR), and when TP35 loss increases TIGAR expression, glycolysis is suppressed.
이와 관련된 MTOR, RICTOR, HIF1A, MYC, PDK1, PDK2, PDK3, PDK4, PIK3R1, PKM, POU2F1, RPTOR 모두 사망률과 연관을 보이지 않아 포도당대사와 관련된 유전자 중 SLC2A가 대장암의 예후 예측 인자로서 유력함을 확인하였다.MTOR, RICTOR, HIF1A, MYC, PDK1, PDK2, PDK3, PDK4, PIK3R1, PKM, POU2F1, and RPTOR were not associated with mortality, suggesting that SLC2A among genes related to glucose metabolism is a strong prognostic factor in colorectal cancer. Confirmed.
본 발명의 실시예에 따르면, 최종적으로 선택된 glucose metabolism-related gene들을 microarray chip형태로 개발하여 노모그램이 개발된 개별암 모두에 예후 예측 키트로 적용할 수 있고, Pan암에 이용할 수 있는 예후예측 키트의 제안에 따라, 현재 임상에서 제한적으로 이용되는 고가의 유전자패널을 대체할 수 있는 경제적 측면의 경쟁력을 기대할 수 있다. According to an embodiment of the present invention, finally selected glucose metabolism-related genes are developed in the form of a microarray chip, which can be applied as a prognostic prediction kit to all individual cancers for which nomograms have been developed, and a prognostic prediction kit that can be used for Pan cancer According to the proposal, we can expect economic competitiveness that can replace expensive gene panels that are currently limitedly used in clinical practice.
본 발명의 실시예에 따르면, PAN암에서 공통적으로 과발현된 포도당대사에 연관된 유전자의 예후 예측력을 밝히고, 다양한 암종에서 개별적으로 예후인자로 보고된 포도당대사에 연관된 유전자 리스트를 확보하며, TCGA와 GEO 데이터에서 공개된 PAN암의 데이터를 이용하여 예후의 인자가 되는 공통된 포도당대사에 연관된 유전자의 과발현을 분석하고, 추려진 유전자의 과발현 여부와 TCGA, GEO에서 공개된 데이터의 임상정보를 취합하여 예후 예측력을 갖는 유전자를 밝힌다.According to an embodiment of the present invention, the prognostic predictive power of genes related to glucose metabolism commonly overexpressed in PAN cancer is revealed, a list of genes related to glucose metabolism individually reported as prognostic factors in various cancer types is secured, and TCGA and GEO data Using the PAN cancer data published in , the overexpression of genes related to common glucose metabolism, which is a prognostic factor, was analyzed, and prognostic predictive power was improved by combining the overexpression of selected genes and the clinical information of the data published in TCGA and GEO. reveal the gene
본 발명의 실시예에 따른 포도당 대사 유전자 마이크로 어레이 칩 기반 PAN 암세포 진단 키트를 구성하기 위해, 데이터 취합 및 취득 단계, 데이터 분석 단계, 노모그램 및 통계 결과 도출 단계, 포도당 대사 유전자 및 개별 암 예후 예측 최종 결과값 도출 단계가 수행된다. In order to construct the glucose metabolism gene microarray chip-based PAN cancer cell diagnosis kit according to an embodiment of the present invention, data collection and acquisition steps, data analysis steps, nomogram and statistical result derivation steps, glucose metabolism gene and individual cancer prognosis prediction final A result value derivation step is performed.
본 발명의 실시예에 따르면, PAN 암에서 공통적으로 과발현된 포도당대사에 연관된 유전자의 candidate profiling을 수행하여 암 예후 예측력을 높이며 유전자 마이크로 어레이 칩을 경제성 있는 가격으로 구성할 수 있다. According to an embodiment of the present invention, candidate profiling of genes related to glucose metabolism commonly overexpressed in PAN cancer can be performed to increase cancer prognosis predictive power and construct a gene microarray chip at an economical price.
본 발명의 실시예에 따르면, 다양한 암종에서 예후인자로 보고된 포도당 대사 유전자 리스트를 입력하고, TCGA GEO 등 비교군 데이터를 이용하여 공통된 포도당 대사 과발현 유전자를 분석하고, 해당 유전자에 대한 데이터의 임상정보를 취합하여 예측력을 갖는 유전자를 결과값으로 도출한다. According to an embodiment of the present invention, a list of glucose metabolism genes reported as prognostic factors in various carcinomas is input, common glucose metabolism overexpressed genes are analyzed using comparative group data such as TCGA GEO, and clinical information of the data for the genes are combined to derive genes with predictive power as the result.
이하에서, 본 발명의 실시예에 따른 데이터 취합, 취득, 분석 과정을 설명한다. Hereinafter, data collection, acquisition, and analysis processes according to an embodiment of the present invention will be described.
1단계: 문헌 정보 취합Step 1: Collect literature information
기설정 기간(예: 최근 10년 간) 비소세포폐암, 유방암, 대장암, 전립선암, 신경교종, 췌장암, 연부조직육종, 방광암, 흑색종, 신세포암, 위식도암, 생식세포암, 담도암, 갑상선암, 난소암, 자궁내막암, 두경부암의 예후와 연관성이 있다고 알려진 GLUT(또는 SLC2A)를 포함한 Glucose metabolism-related gene을 보고한 논문 데이터를 검색하고, 개별 유전자를 취합한다. Non-small cell lung cancer, breast cancer, colorectal cancer, prostate cancer, glioma, pancreatic cancer, soft tissue sarcoma, bladder cancer, melanoma, renal cell cancer, gastroesophageal cancer, germ cell cancer, bile duct cancer , search paper data that reported Glucose metabolism-related genes including GLUT (or SLC2A) known to be associated with prognosis of thyroid cancer, ovarian cancer, endometrial cancer, and head and neck cancer, and collect individual genes.
2단계: 데이터 취득Step 2: Data Acquisition
취합한 Glucose metabolism-related gene들의 mRNA 발현양 정보, 각 환자들의 clinical data를 TCGA project 정보가 게시되어 있는 웹사이트로부터 다운로드한다. The collected mRNA expression information of glucose metabolism-related genes and the clinical data of each patient are downloaded from the website where the TCGA project information is posted.
비소세포폐암(1563례), 유방암(1237례), 대장암(978례), 전립선암(623례), 신경교종(512례), 췌 장암(490례), 연부조직육종(438례), 방광암(406례), 흑색종(350례), 신세포암(322례), 위식도암 (317례), 생식세포암(268례), 담도암(242례), 갑상선암(226례), 난소암(217례), 자궁내막암(211 례), 두경부암(179례) 총 17 암종 8479례의 공개된 정보를 이용할 수 있을 것으로 예상한다.Non-small cell lung cancer (1563 cases), breast cancer (1237 cases), colon cancer (978 cases), prostate cancer (623 cases), glioma (512 cases), pancreatic cancer (490 cases), soft tissue sarcoma (438 cases), Bladder cancer (406 cases), melanoma (350 cases), renal cell cancer (322 cases), gastroesophageal cancer (317 cases), germ cell cancer (268 cases), biliary tract cancer (242 cases), thyroid cancer (226 cases), ovarian It is expected that open information on a total of 8479 cases of 17 carcinomas including cancer (217 cases), endometrial cancer (211 cases), and head and neck cancer (179 cases) will be available.
3단계: 데이터 분석Step 3: Data analysis
본 단계는 후술하는 시각화용 데이터 변환 방법에서도 설명한다. This step will also be explained in the data conversion method for visualization described later.
RSEM으로 변환된 유전자 발현양 정보에 대한 통계 분석을 수행한다.Statistical analysis is performed on the gene expression information converted to RSEM.
mRNA expression count는 DEGseq 이라는 프로그램을 통하여, 단편서열 수에 대한 정보와 RPKM 값을 산출하여 각 gene 의 mRNA expression count를 계산하여 정량적 분석을 시행한다. For mRNA expression count, quantitative analysis is performed by calculating the mRNA expression count of each gene by calculating information on the number of fragment sequences and RPKM value through a program called DEGseq.
정량적 분석은 차별발현분석 (Differential Expression Analysis)을 기본으로 이루어지며, R을 이용하여 통계 분석을 시행한다. Quantitative analysis is based on differential expression analysis, and statistical analysis is performed using R.
Cox regression analysis를 통해 생존률과 가장 유의한 연관관계를 가진 유전자들의 Top 10을 추출한다.Through Cox regression analysis, the
추출된 Top 10 gene을 각각의 암종에서 임상적 요인들과 univariate and multivariate Cox analyses를 이용하여 예후 예측력을 비교한다(TCGA data에서 확인 가능한 임상적 요인들:
나이, 성별, TNM stage, Overall survival, Disease free survival, 각각 암종에 예후 인자로 알려진 특이 유전자 등). The extracted
최종적으로 선별한 glucose metabolism-related gene의 생존율 예측력을 다른 database (Gene Expression Omnibus)의 각각의 암종 환자군을 통해 외부 검증(external validation)한다.Finally, the predicted survival rate of the selected glucose metabolism-related gene is externally verified through each cancer patient group in another database (Gene Expression Omnibus).
이하에서는 도 1 내지 도 5b를 참조하여, 본 발명의 실시예에 대해 설명한다. Hereinafter, embodiments of the present invention will be described with reference to FIGS. 1 to 5B.
도 1은 본 발명의 실시예에 따른 생체신호 시각화 서비스 시스템을 도시한다. 1 shows a bio-signal visualization service system according to an embodiment of the present invention.
본 발명의 실시예에 따른 생체신호 시각화 서비스 시스템(10)은 웹서버(11), 분류모듈(12), 변환모듈(13), 시각화모듈(14) 및 데이터베이스부(15)를 포함한다. The biological signal
웹서버(11)는 생체신호 측정기(1)가 통신 기능을 가질 경우 직접 통신망을 통해 접속하거나, 생체신호 측정기(2)가 통신 기능을 가지지 못할 경우 생체신호 측정기(2)로부터 생체신호를 전달받은 별도의 단말기(3)를 통해 접속하기 위한 웹페이지를 제공하고, 생체신호 측정기(1,2)에 의해 측정된 생체신호의 데이터를 통신망을 통해 수신한다. The
생체신호 측정기(1)는 안운동 측정기, EOG(Electrooculogram) 측정기, fMRI(functional Magnetic Resonance Imaging) 측정기, fNIRS(Functional Near-Infrared Spectroscopy) 측정기, EEG(Electroencephalography) 측정기, MEG(Magnetoencephalography) 측정기, PPG(Photoplethysmography) 측정기, GSR(Galvanic Skin Reflex) 측정기 및 호흡수 측정기 중 적어도 어느 하나를 포함한다. The bio-signal measuring device (1) includes an eye movement measuring device, an EOG (Electrooculogram) measuring device, an fMRI (functional Magnetic Resonance Imaging) measuring device, an fNIRS (Functional Near-Infrared Spectroscopy) measuring device, an EEG (Electroencephalography) measuring device, a MEG (Magnetoencephalography) measuring device, PPG ( It includes at least one of a photoplethysmography) measuring device, a galvanic skin reflex (GSR) measuring device, and a respiration rate measuring device.
단말기(3)는 PC, 노트북, 태블릿 PC, 스마트폰 중 적어도 어느 하나를 포함한다. The
웹서버(11)는 생체신호 측정기(1) 또는 단말기(3)의 접속 시 본인 인증을 위한 아이디 및 패스워드의 등록 절차를 수행하거나, 다른 수단(예: 신용카드, 휴대폰, 공인인증서, 마이핀 등)으로 본인 인증 절차를 수행한다. The
생체신호 측정기(1)의 경우, 명령 입력 등의 가능 범위 등을 고려하여, 이에 적합한 본인 인증 절차를 수행한다. In the case of the
또한 생체신호의 데이터는 생체신호를 통신망을 통해서 전송 가능한 형태로 변환시킨 것으로서, 신호 또는 파일 형태가 된다. In addition, bio-signal data is obtained by converting the bio-signal into a form that can be transmitted through a communication network, and is in the form of a signal or a file.
웹서버(11)는 생체신호 시각화 서비스에 대한 비용을 청구하며, 생체 신호 시각화 서비스 시스템(10)은 사용자가 자신의 단말기(3)를 통해서 금융기관이나 카드사 등의 결제시스템(4)과의 통신에 의해 비용의 결제를 수행하도록 매개하는 결제모듈(16)을 추가로 구비한다. The
분류모듈(12)은 웹서버(11)에 접속하여 전달받은 생체신호의 데이터를 종류별로 분류한다. The
분류모듈(120)은 생체신호의 데이터가 생체신호의 종류별로 기설정된 프로세스의 수행이 가능하도록 사전 분류를 수행한다. The classification module 120 pre-classifies bio-signal data so that a predetermined process can be performed for each type of bio-signal.
분류모듈(12)은 생체신호가 안운동, EOG(Electrooculogram), fMRI(functional Magnetic Resonance Imaging), fNIRS(Functional Near-Infrared Spectroscopy), EEG(Electroencephalography), MEG(Magnetoencephalography), PPG(Photoplethysmography), GSR(Galvanic Skin Reflex) 및 호흡수 중 어느 하나의 종류로 분류한다. The
이 때, 웹페이지에서 생체신호에 대한 종류를 대해서, 일례로 생체정보 측정기(1) 또는 단말기(3)로부터 입력받은 정보에 따라 생체신호의 데이터를 분류하거나, 생체신호의 데이터가 가지는 특성을 자체적으로 판단하여 분류한다. At this time, for the type of biosignal on the web page, for example, the biosignal data is classified according to the information received from the biometric
변환모듈(13)은 분류모듈(12)에 의해 분류된 생체신호의 데이터를 시각화를 위한 데이터로 변환시킨다. The
변환모듈(13)은 생체신호의 데이터를 시각화를 위한 사전 단계로서, 예컨대 시각화에 사용되는 변수를 기준으로 측정치가 매칭되도록 변환시키게 되는데, 이는 후술하게 될 시각화모듈(14)의 시각화 과정에 따라 달라질 수 있다. The
변환모듈(130)에서 시각화를 위한 데이터로 변환시키는 과정은 아래 단계에 따라 수행된다. The process of converting data into data for visualization in the conversion module 130 is performed according to the following steps.
RSEM으로 변환된 유전자 발현양 정보를 이용하여, 단편서열 수에 대한 정보와 RPKM 값을 산출하여 각 gene 의 mRNA expression count를 계산하여 정량적 분석을 시행한다. Quantitative analysis is performed by calculating the mRNA expression count of each gene by calculating the information on the number of fragment sequences and the RPKM value using the gene expression information converted to RSEM.
차별발현분석 (Differential Expression Analysis)에 기반하여, 통계분석을 시각화한다. Visualize statistical analysis based on Differential Expression Analysis.
Cox regression analysis를 통해 생존률과 가장 유의한 연관관계를 가진 유전자들의 Top 10 리스트를 가시화한다. Through Cox regression analysis, the
추출된 Top 10 gene리스트를 각각의 암종에서 임상적 요인들과 univariate and multivariate Cox analyses를 이용하여 예후 예측력 값을 시각화하는 동시에, TCGA data에서 확인 가능한 임상적 요인들(나이, 성별, TNM stage, Overall survival, Disease free survival, 각각 암종에 예후 인자로 알려진 특이 유전자 등)의 데이터를 tabular summarization한 데이터를 도출한다(예: 노모그램). The extracted
최종적으로 선별한 glucose metabolism-related gene의 생존율 예측력 데이터를 도출하고, 동시에 다른 Gene Expression Omnibus 비교군 데이터를 인풋으로 입력하여 각각의 암종 환자군을 통해 외부 검증(external validation)한다. Finally, the survival rate predictive power data of the selected glucose metabolism-related gene is derived, and at the same time, other Gene Expression Omnibus comparison group data is input as input to perform external validation through each cancer patient group.
시각화모듈(14)은 변환모듈(13)에 의해 변환된 생체신호의 데이터를 생체신호의 종류에 따라 정해진 프로세스에 의해 시각화하여 웹페이지를 통해서 제공한다. The
예컨대, 시각화모듈(14)은 변수에 따른 측정치의 변화를 정해진 프로세스에 따라 시각적으로 표현하도록 한다. For example, the
변환모듈(13) 및 시각화모듈(14)은 생체신호의 데이터 종류마다 각각 대응하도록 다수 개 포함되며, 각각의 생체신호의 데이터에 대해서 변환 및 시각화를 수행한다. A plurality of
생체신호마다 데이터의 변환 및 시각화가 상이한 프로세스를 따르므로, 변환모듈(13) 및 시각화모듈(14) 각각은 특정한 생체신호의 데이터에 대한 변환 및 시각화가 전용 수행되며, 이를 통해 처리 속도를 높이고 신뢰성을 확보하는 것이 가능하다. Since data conversion and visualization follow different processes for each bio-signal, conversion and visualization of specific bio-signal data are performed exclusively for each of the
데이터베이스부(15)는 시각화모듈(14)에 의해 시각화된 시각화 데이터를 저장함으로써, 웹서버(11), 전송모듈(17)의 요청 시 시각화 데이터를 제공하며, 그 외 시스템 동작에 필요한 데이터, 프로그램, 사용자 정보를 저장한다. The
전송모듈(17)은 시각화모듈(14)에 의해 시각화 데이터를 미리 정해진 생체신호 측정기(1) 또는 단말기(3)에 정해진 파일, 예컨대 JPG, TIF, PNG, BMP 등의 이미지 파일 뿐만 아니라, PDF, HWP, DOC 등의 각종 문서 파일 등의 형태로 제공한다. The
분석모듈(18)은 웹서버(11)를 통해서 제공되는 생체신호의 데이터와, 시각화모듈(14)에 의해 시각화된 데이터를 통신망을 통해 미리 정해진 분석자단말기(5)로 전송하고, 분석자단말기(5)로부터 시각화된 데이터에 대한 생체신호의 유의미한 분석을 리포트 형태로 제공받아, 생체신호 측정기(1) 또는 단말기(3)에 제공한다. The
분석자단말기(5)의 주체는 생체신호 별로 분석능력을 갖춘 전문가들로서 미리 선정되고, 분석에 따른 보수를 제공받을 수 있으며, 사용자는 분석에 따른 추가 비용을 지불한다. The subject of the
분석자는 분석자단말기(5)로부터 수신되는 시각화된 데이터와 이의 원본 데이터인 생체신호의 데이터를 수신하여 유의미한 분석을 정해진 포맷에 맞추어서 리포트 형태로(예: 워드파일 등으로) 분석모듈(18)에 전송한다, The analyst receives the visualized data received from the
도 2는 본 발명의 실시예에 따른 변환모듈의 알고리즘 수행 과정을 도시한 순서도이다. 2 is a flowchart illustrating a process of performing an algorithm of a conversion module according to an embodiment of the present invention.
암세포의 경우, 변환된 다차원 암세포 신호를 TSNE, UMAP 등을 이용해서 unsupervised learning의 일종인 클러스터링을 이용하여 가시화한다. In the case of cancer cells, the transformed multidimensional cancer cell signals are visualized using clustering, a kind of unsupervised learning using TSNE, UMAP, etc.
각 셀 마다의 일차원 신호를 여러 개 조합하여 변환모듈의 알고리즘 수행이 이루어지며, 본 발명의 실시예에 따르면, 포도당 대사가 일어나는 셀들을 소팅하는 단계(S210), 기준치를 이용하여 기설정된 이벤트가 일어나는지 여부를 감지하는 단계(S220), 디컨볼루션을 수행하는 단계(S230)가 수행된다. The algorithm of the conversion module is performed by combining several one-dimensional signals for each cell, and according to an embodiment of the present invention, the step of sorting the cells in which glucose metabolism occurs (S210), using a reference value to determine whether a preset event occurs A step of detecting whether or not (S220) and a step of performing deconvolution (S230) are performed.
포도당 대사가 일어나는 셀들에 대한 정보를 확인하기 위해, 본 발명의 실시예에 따르면 셀들을 시각화하여 구분하는 것이 필요하다. In order to check information on cells where glucose metabolism occurs, according to an embodiment of the present invention, it is necessary to visualize and classify cells.
예컨대 셀 타입 A, B, C 중, A와 B는 유사한 특성을 가지고 있어 명확히 분류가 되지 않고, C는 heterogeneous한 특성을 가지고 있다면, 이를 Glucose metabolism한 것으로 확인할 수 있다. For example, among cell types A, B, and C, if A and B have similar characteristics and are not clearly classified, and C has heterogeneous characteristics, this can be confirmed as glucose metabolism.
S220 단계는 셀들이 metabolism함에 따라 남겨지는 트레이스 시그널을 분석하여, 기설정 시간 내 기준치를 넘어가는 값을 감지하는 경우, 이벤트가 발생된 것으로 확인한다. Step S220 analyzes the trace signal left as the cells are metabolized, and if a value exceeding a reference value is detected within a predetermined time, it is confirmed that an event has occurred.
본 발명의 실시예에 따르면, 어느 셀이 heterogeneous한지 소팅하고, 기준치에 따라 값을 비교하여 특정 이벤트가 발생되었는지에 대해 바이너리한 시각화를 수행할 수 있다. According to an embodiment of the present invention, it is possible to perform binary visualization of whether a specific event has occurred by sorting which cells are heterogeneous and comparing values according to a reference value.
도 3은 본 발명의 실시예에 따른 symptom 별 분석 과정을 도시한다. 3 illustrates an analysis process for each symptom according to an embodiment of the present invention.
도 3의 (a)에 도시한 박스 안에 동그라미들을 heterogeneous한 셀 타입으로 도시하며, 각각의 동그라미로 도시된 것은 싱글 셀이 아니라 싱글 셀들의 종류(sort)로 도시된다. The circles in the box shown in FIG. 3(a) are shown as heterogeneous cell types, and each circle shown is not a single cell but a sort of single cells.
도 3의 (b)를 참조하면, 각각의 symptom별로 액티베이션이 증가되는 것에 대한 활성화 세포 수의 전체 비교를 수행한다. Referring to (b) of FIG. 3 , overall comparison of the number of activated cells with respect to increased activation for each symptom is performed.
도 3의 (c)를 참조하면, 개별 세포의 밝기 변화(컬러 코딩을 수행하며, 이를 통해 확인되는 밝기 변화)에 대해, 기준 밝기를 넘긴 시간 내 횟수, 기준 밝기를 넘긴 구간 내 길이를 이용하여 개별 세포의 액티베이션 특징을 분석할 수 있다. Referring to (c) of FIG. 3, for the change in brightness of individual cells (change in brightness confirmed by performing color coding), the number of times within the time exceeding the reference brightness and the length within the interval exceeding the reference brightness are used. The activation characteristics of individual cells can be analyzed.
도 3의 (c)를 참조하면, 각각의 symptom에 해당되는 액티베이션의 정도를 LDA, PCA를 통해 종합적으로 분석할 수 있다. Referring to (c) of FIG. 3 , the degree of activation corresponding to each symptom can be comprehensively analyzed through LDA and PCA.
본 발명의 실시예에 따르면, 개별 세포의 활성도, 세포 군 전체를 종합하였을 때의 활성도에 대해 LDA, PCA 분석을 수행할 수 있다. According to an embodiment of the present invention, LDA and PCA analysis can be performed on the activity of individual cells and the activity of the entire cell population.
도 4는 본 발명의 실시예에 따른 ROC 커브를 도시한다. 4 shows a ROC curve according to an embodiment of the present invention.
머신 러닝의 성능 평가를 위해, ROC(Receiver Operation Characteristic) 커브를 이용하여 모델의 퀄리티를 확인한다. To evaluate the performance of machine learning, the quality of the model is checked using the ROC (Receiver Operation Characteristic) curve.
TPR이 1이고, FPR이 0인 경우가 가장 이상적인데, 그래프에서의 면적을 계산하여 1에 가까울수록 높은 퀄리티인 것을 확인하고, 0에 가까울수록 낮은 퀄리티인 것을 확인한다. It is most ideal when TPR is 1 and FPR is 0. Calculate the area in the graph, and the closer to 1, the higher the quality, and the closer to 0, the lower the quality.
도 4의 (a)는 positive response strength, 도 4의 (b)는 negative response strength를 도시한 것으로, Glucose metabolism이 액티베이션 된 것인지, 인액티베이션 된 것인지, 스테이블 한 것인지에 대해 ROC 커브로 표현될 수 있다. Figure 4 (a) shows the positive response strength, Figure 4 (b) shows the negative response strength, and whether Glucose metabolism is activated, inactivated, or stable can be expressed as an ROC curve .
도 5a 및 오 5b는 본 발명의 실시예에 따른 일반 그룹과 암 환자 그룹의 symptom 별 cell response strength를 도시한다. 5A and 5B show cell response strength for each symptom of a general group and a cancer patient group according to an embodiment of the present invention.
그래프에서 y축은 암 세포의 symptom weight이고, z축은 symptom에 따른 Glucose metabolism의 strength이며, symptom 별로 컬러코딩된 셀의 활성화 정보를 시각화하는 것이 가능하다. In the graph, the y-axis is the symptom weight of cancer cells, the z-axis is the strength of glucose metabolism according to the symptom, and it is possible to visualize the color-coded cell activation information for each symptom.
Claims (7)
상기 웹서버가 수신한 상기 생체신호의 데이터를 종류 별로 분류하는 분류모듈;
포도당 대사 유전자 마이크로 어레이 칩 기반의 PAN 암세포 진단 키트를 이용하고, 상기 분류 모듈에 의해 분류된 상기 생체신호의 데이터를 시각화용 데이터로 변환하는 변환모듈;
상기 변환된 생체 신호의 데이터를 생체신호의 종류에 따라 시각화하여 시각화 데이터를 제공하는 시각화모듈; 및
상기 시각화 데이터를 저장하는 데이터베이스부
를 포함하는 포도당 대사 유전자 마이크로 어레이 칩 기반 PAN 암세포 진단 키트를 이용한 생체신호 시각화 서비스 시스템.
a web server that receives bio-signal data measured by the bio-signal measuring device;
a classification module for classifying the bio-signal data received by the web server by type;
a conversion module using a glucose metabolism gene microarray chip-based PAN cancer cell diagnosis kit and converting the bio-signal data classified by the classification module into data for visualization;
a visualization module that visualizes the converted bio-signal data according to the type of bio-signal and provides visualization data; and
A database unit for storing the visualization data
A bio-signal visualization service system using a glucose metabolism gene microarray chip-based PAN cancer cell diagnostic kit comprising a.
상기 분류모듈은 상기 생체신호 측정기 또는 상기 생체신호의 데이터를 전달하는 단말기로부터 수신한 정보를 이용하여 상기 생체신호의 데이터를 분류하는 것
인 포도당 대사 유전자 마이크로 어레이 칩 기반 PAN 암세포 진단 키트를 이용한 생체신호 시각화 서비스 시스템.
According to claim 1,
The classification module classifies the bio-signal data using information received from the bio-signal measurer or a terminal transmitting the bio-signal data.
Bio-signal visualization service system using phosphorus glucose metabolism gene microarray chip-based PAN cancer cell diagnosis kit.
상기 분류모듈은 안운동, EOG(Electrooculogram), fMRI(functional Magnetic Resonance Imaging), fNIRS(Functional Near-Infrared Spectroscopy), EEG(Electroencephalography), MEG(Magnetoencephalography), PPG(Photoplethysmography), GSR(Galvanic Skin Reflex) 및 호흡수에 대해 상기 생체신호의 데이터를 분류하는 것
인 포도당 대사 유전자 마이크로 어레이 칩 기반 PAN 암세포 진단 키트를 이용한 생체신호 시각화 서비스 시스템.
According to claim 2,
The classification module includes eye movement, EOG (Electrooculogram), fMRI (functional Magnetic Resonance Imaging), fNIRS (Functional Near-Infrared Spectroscopy), EEG (Electroencephalography), MEG (Magnetoencephalography), PPG (Photoplethysmography), GSR (Galvanic Skin Reflex) and classifying the bio-signal data with respect to respiratory rate.
Bio-signal visualization service system using phosphorus glucose metabolism gene microarray chip-based PAN cancer cell diagnosis kit.
상기 변환모듈 및 시각화모듈은 상기 생체신호의 데이터의 종류에 대응되도록 복수개 구비되어, 해당되는 종류에 대한 변환 및 시각화를 전용으로 수행하는 것
인 포도당 대사 유전자 마이크로 어레이 칩 기반 PAN 암세포 진단 키트를 이용한 생체신호 시각화 서비스 시스템.
According to claim 1,
The conversion module and the visualization module are provided in plurality to correspond to the type of data of the bio-signal, and exclusively perform conversion and visualization for the corresponding type.
Bio-signal visualization service system using phosphorus glucose metabolism gene microarray chip-based PAN cancer cell diagnosis kit.
상기 시각화 데이터를 기설정된 상기 생체신호 측정기 및 단말기 중 적어도 어느 하나에 파일 형태로 전송하는 전송모듈
을 더 포함하는 포도당 대사 유전자 마이크로 어레이 칩 기반 PAN 암세포 진단 키트를 이용한 생체신호 시각화 서비스 시스템.
According to claim 1,
A transmission module for transmitting the visualization data in the form of a file to at least one of the predetermined bio-signal measurer and terminal.
A bio-signal visualization service system using a glucose metabolism gene microarray chip-based PAN cancer cell diagnostic kit further comprising.
상기 생체신호의 데이터, 시각화 데이터를 기설정된 분석자단말기로 전달하고, 상기 분석자단말기로부터 상기 생체신호 데이터에 대한 분석 리포트를 수신하여 상기 생체신호 측정기 및 단말기 중 적어도 어느 하나에 제공하는 분석 모듈
을 더 포함하는 포도당 대사 유전자 마이크로 어레이 칩 기반 PAN 암세포 진단 키트를 이용한 생체신호 시각화 서비스 시스템.
According to claim 1,
An analysis module for transmitting the bio-signal data and visualization data to a predetermined analyzer terminal, receiving an analysis report on the bio-signal data from the analyzer terminal, and providing the analysis report to at least one of the bio-signal measurer and the terminal.
A bio-signal visualization service system using a glucose metabolism gene microarray chip-based PAN cancer cell diagnostic kit further comprising.
상기 변환모듈은 RSEM으로 변환된 유전자 발현양 정보를 이용하여, 단편서열 수에 대한 정보와 RPKM 값을 산출하여 각 gene 의 mRNA expression count를 계산하여 정량적 분석을 시행하고, 차별발현분석 (Differential Expression Analysis)에 기반하여 통계분석을 시각화하고, Cox regression analysis를 통해 생존률과 가장 유의한 연관관계를 가진 유전자들의 리스트를 가시화하고, 상기 리스트를 이용하여 각각의 암종에서 예후 예측력 값을 시각화하는 동시에, TCGA data에서 확인 가능한 임상적 요인의 데이터를 도출하고, 선별된 포도당 대사 유전자의 생존율 예측력 데이터를 도출하고 비교군 데이터를 입력하여 각각의 암종 환자군을 통해 외부 검증을 수행하는 것
인 포도당 대사 유전자 마이크로 어레이 칩 기반 PAN 암세포 진단 키트를 이용한 생체신호 시각화 서비스 시스템. According to claim 1,
The conversion module calculates information on the number of fragment sequences and RPKM value using the gene expression amount information converted to RSEM, calculates the mRNA expression count of each gene, performs quantitative analysis, and performs differential expression analysis ) Visualize statistical analysis based on Cox regression analysis, visualize a list of genes having the most significant association with survival rate, and visualize prognostic predictive power values in each cancer type using the list, while TCGA data Deriving data of clinical factors that can be confirmed in, deriving survival rate predictive data of selected glucose metabolism genes, and inputting control group data to perform external verification through each cancer patient group
Bio-signal visualization service system using phosphorus glucose metabolism gene microarray chip-based PAN cancer cell diagnosis kit.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210149918A KR20230064391A (en) | 2021-11-03 | 2021-11-03 | System for providing biosignal visualization service using pan cancer diagnostic kit employing glucose metabolism-related gene microarray chip |
| PCT/KR2021/016042 WO2023080288A1 (en) | 2021-11-03 | 2021-11-05 | Biosignal visualization service system using pan cancer cell diagnosis kit based on glucose metabolism gene microarray chip |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210149918A KR20230064391A (en) | 2021-11-03 | 2021-11-03 | System for providing biosignal visualization service using pan cancer diagnostic kit employing glucose metabolism-related gene microarray chip |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230064391A true KR20230064391A (en) | 2023-05-10 |
Family
ID=86241679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210149918A KR20230064391A (en) | 2021-11-03 | 2021-11-03 | System for providing biosignal visualization service using pan cancer diagnostic kit employing glucose metabolism-related gene microarray chip |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20230064391A (en) |
| WO (1) | WO2023080288A1 (en) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101827087B1 (en) * | 2016-02-19 | 2018-02-08 | 인제대학교 산학협력단 | System and method for analyzing bio-signal based on big data |
| KR20180096876A (en) * | 2017-02-21 | 2018-08-30 | 전자부품연구원 | Method for visualization of biological signal and service server thereof |
| JP2020042598A (en) * | 2018-09-12 | 2020-03-19 | 国立大学法人神戸大学 | State prediction method and device by individual characteristic separation from biological signal data |
| KR102186486B1 (en) * | 2019-12-20 | 2020-12-03 | 주식회사 슈파스 | Method, apparatus and computer program for detecting medical event generation using image analysis based on artificial intelligence |
-
2021
- 2021-11-03 KR KR1020210149918A patent/KR20230064391A/en unknown
- 2021-11-05 WO PCT/KR2021/016042 patent/WO2023080288A1/en unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023080288A1 (en) | 2023-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hajian-Tilaki | The choice of methods in determining the optimal cut-off value for quantitative diagnostic test evaluation | |
| Mencar et al. | Application of machine learning to predict obstructive sleep apnea syndrome severity | |
| US20190108915A1 (en) | Disease monitoring from insurance claims data | |
| Exarchos et al. | Artificial intelligence techniques in asthma: a systematic review and critical appraisal of the existing literature | |
| Eom et al. | AptaCDSS-E: A classifier ensemble-based clinical decision support system for cardiovascular disease level prediction | |
| Liu et al. | A min–max combination of biomarkers to improve diagnostic accuracy | |
| Boulesteix et al. | Optimal classifier selection and negative bias in error rate estimation: an empirical study on high-dimensional prediction | |
| Brisimi et al. | Predicting diabetes-related hospitalizations based on electronic health records | |
| Gumaei et al. | Feature selection with ensemble learning for prostate cancer diagnosis from microarray gene expression | |
| Sivakumar et al. | Phenotype algorithm based big data analytics for cancer diagnose | |
| Chia et al. | Looking beyond historical patient outcomes to improve clinical models | |
| Bzdok et al. | Prediction and inference diverge in biomedicine: Simulations and real-world data | |
| Bello et al. | Development and validation of a clinical risk-assessment tool predictive of all-cause mortality | |
| Kang et al. | A joint model for multivariate longitudinal and survival data to discover the conversion to Alzheimer's disease | |
| Pons et al. | Heart rhythm characterization through induced physiological variables | |
| Begg et al. | Genomic investigation of etiologic heterogeneity: methodologic challenges | |
| Shi et al. | Promoting sign consistency in the cure model estimation and selection | |
| Anaissi et al. | Case-based retrieval framework for gene expression data | |
| KR20230064391A (en) | System for providing biosignal visualization service using pan cancer diagnostic kit employing glucose metabolism-related gene microarray chip | |
| Lavikainen et al. | Data-Driven Identification of Long-Term Glycemia Clusters and Their Individualized Predictors in Finnish Patients with Type 2 Diabetes | |
| Van Calster et al. | Sensitivity and specificity can change in opposite directions when new predictive markers are added to risk models | |
| US20230368921A1 (en) | Systems and methods for exposomic clinical applications | |
| Todd et al. | Improving mortality models in the ICU with high-frequency data | |
| Gutiérrez-Tobal et al. | Conventional machine learning methods applied to the automatic diagnosis of sleep apnea | |
| Avdeenko et al. | Modified Correlation-Based Feature Selection for Intelligence Estimation Based on Resting State EEG Data |