KR20230088246A - 비타민 c를 포함하는 처방의 피부 밝기 변화 예측 방법 및 시스템 - Google Patents

비타민 c를 포함하는 처방의 피부 밝기 변화 예측 방법 및 시스템 Download PDF

Info

Publication number
KR20230088246A
KR20230088246A KR1020220154610A KR20220154610A KR20230088246A KR 20230088246 A KR20230088246 A KR 20230088246A KR 1020220154610 A KR1020220154610 A KR 1020220154610A KR 20220154610 A KR20220154610 A KR 20220154610A KR 20230088246 A KR20230088246 A KR 20230088246A
Authority
KR
South Korea
Prior art keywords
information
skin
vitamin
prescriptions
snp
Prior art date
Application number
KR1020220154610A
Other languages
English (en)
Inventor
임상섭
김진현
홍성헌
최선국
김윤관
Original Assignee
주식회사 엘지생활건강
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 주식회사 엘지생활건강 filed Critical 주식회사 엘지생활건강
Publication of KR20230088246A publication Critical patent/KR20230088246A/ko

Links

Images

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16CCOMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30Prediction of properties of chemical compounds, compositions or mixtures
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/44Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441Skin evaluation, e.g. for skin disorder diagnosis
    • CCHEMISTRY; METALLURGY
    • C12BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12QMEASURING 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
    • C12Q1/00Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6813Hybridisation assays
    • C12Q1/6827Hybridisation assays for detection of mutation or polymorphism
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16BBIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/20Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16BBIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/20Supervised data analysis
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16CCOMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/60In silico combinatorial chemistry
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16CCOMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70Machine learning, data mining or chemometrics
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • CCHEMISTRY; METALLURGY
    • C12BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12QMEASURING 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
    • C12Q2600/00Oligonucleotides characterized by their use
    • C12Q2600/156Polymorphic or mutational markers

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biotechnology (AREA)
  • Organic Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Zoology (AREA)
  • Genetics & Genomics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Wood Science & Technology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Immunology (AREA)
  • Medicinal Chemistry (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Pathology (AREA)

Abstract

본 발명은 비타민 C를 포함하는 처방의 미백 효능 예측, 그리고 예측된 미백 효능 정보에 기초한 처방 선정, 선정된 처방에 매칭되는 제품 추천 방법 및 시스템에 관한 것이다. 본 발명에 따르면, 개인의 유전자 정보에 따라 최적의 미백 효능을 달성할 수 있는 처방 및 제품 정보를 선정하여 제공하는 것이 가능하다.

Description

비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법 및 시스템{Method and System for Predicting Change of Skin Brightness in Prescriptions comprising Vitamin C}
본 발명은 비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법 및 시스템에 관한 것이다.
화장품은 피부에 도포하여 피부의 미용뿐만 아니라 노화를 지연시켜주는 데에 도움을 주는 제품이다.
일반적으로 화장품을 피부에 도포하는 경우 미용 또는 노화 측면에서 효능을 볼 수 있으나, 사용자에 따라 그 효능에 차이가 있으며, 동일한 효능을 보이더라도 사용자에 미치는 자극 정도가 다르다.
한편, 동일한 화장품이더라도 사용자에게 미치는 효능, 자극 정도는 유전적인 특성과 연관이 되어 있다는 것이 밝혀지고 있다(KR 10-2020-0027098).
비타민 C 또는 비타민 C 유도체가 포함된 화장품은 미백 효능이 있는 것으로 알려져 있는데, 미백 효능의 변화는 환경적 요인과 연령, 성별 및 유전자 변이와 같은 요인들에 의해 영향을 받을 수 있다.
하지만, 비타민 C 또는 비타민 C 유도체를 포함하는 화장품을 도포하였을 때 발생하는 미백 효능 변화에 어떠한 요인들이 영향을 미치는지에 대한 연구가 부족한 실정이다.
이러한 배경 하에 본 발명자들은 통계적 분석 방법, 머신 러닝 기법을 통해 비타민 C 또는 비타민 C 유도체를 포함하는 화장품을 도포하였을 때 발생하는 미백 효능과 유의적 상관관계를 갖는 특정 단일염기다형성 (SNP) 마커를 선별하고, 사용자의 유전자 정보를 입력하는 경우 미백 효능(피부 밝기 변화) 예측, 나아가 화장품 추천까지 가능한 본 발명을 완성하기에 이르렀다.
본 발명의 하나의 목적은 비타민 C 반응성 피부 밝기 변화 판단용 단일염기다형성(SNP) 마커를 제공하는 것이다.
본 발명의 또 하나의 목적은 비타민 C 반응성 피부 밝기 변화 판단용 단일염기다형성(SNP) 마커를 검출할 수 있는 프로브 또는 증폭할 수 있는 제제를 포함하는, 비타민 C 반응성 피부 밝기 변화 판단용 조성물을 제공하는 것이다.
본 발명의 또 하나의 목적은 상기 조성물을 포함하는 비타민 C 반응성 피부 밝기 변화 판단용 키트 또는 마이크로어레이를 제공하는 것이다.
본 발명의 또 하나의 목적은 상기 단일염기다형성 마커의 다형성 부위를 확인하는 단계를 포함하는 비타민 C 반응성 피부 밝기 변화에 대한 정보의 제공 방법을 제공하는 것이다.
본 발명의 또 하나의 목적은 비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법을 제공하는 것이다.
본 발명의 또 하나의 목적은 비타민 C를 포함하는 처방의 예측 피부 밝기 변화에 기초한 처방 선정 방법을 제공하는 것이다.
본 발명의 또 하나의 목적은 선정된 처방에 기초한 제품 추천 방법을 제공하는 것이다.
본 발명의 또 하나의 목적은 비타민 C를 포함하는 처방의 피부 밝기 변화 예측, 예측 피부 밝기 변화에 기초한 처방 선정, 그리고 선정된 처방에 기초한 제품 추천 시스템을 제공하는 것이다.
본 발명의 또 하나의 목적은 비타민 C를 포함하는 처방에 따른 물질 도포 시 피부 밝기 변화에 영향을 미치는 단일염기다형성(SNPs) 마커를 제공하는 것이다.
본 발명에서 개시된 각각의 설명 및 실시 형태는 각각의 다른 설명 및 실시 형태에도 적용될 수 있다. 즉, 본 발명에서 개시된 다양한 요소들의 모든 조합이 본 발명의 범주에 속한다. 또한, 하기 기술된 구체적인 서술에 의하여 본 발명의 범주가 제한된다고 볼 수 없다.
본 발명의 다른 하나의 양태는 비타민 C 반응성 피부 밝기 변화 판단용 단일염기다형성(SNP) 마커를 제공한다.
본 발명의 또 다른 하나의 양태는 비타민 C 반응성 피부 밝기 변화 판단용 단일염기다형성(SNP) 마커를 검출할 수 있는 프로브 또는 증폭할 수 있는 제제를 포함하는, 비타민 C 반응성 피부 밝기 변화 판단용 조성물을 제공한다.
본 발명에서 용어, "다형성(polymorphism)"이란 하나의 유전자 좌위(locus)에 두 가지 이상의 대립유전자(allele)가 존재하는 경우를 말하며 다형성 부위 중에서, 사람에 따라 단일 염기만이 다른 것을 단일염기다형성(single nucleotide polymorphism, SNP)이라 한다. 바람직한 다형성 마커는 선택된 집단에서 1% 이상, 더욱 구체적으로 10% 또는 20% 이상의 발생빈도를 나타내는 두 가지 이상의 대립유전자를 가진다.‘유전자 다형성 마커'는 일반적으로 동일한 유전자 위치(염기)에서 두 가지 이상의 대립유전자(allele)가 관찰되는 경우를 말하며, 일반적으로 개인에 따라서 상위 대립유전자(major allele)/상위 대립유전자(major allele), 상위 대립유전자(major allele)/하위 대립유전자(minor allele), 하위 대립유전자(minor allele)/하위 대립유전자(minor allele) 의 경우가 존재한다. 본 발명에서는 "다형성 마커"와 혼용될 수 있으며, 하위 대립 유전자의 염기와 염기 부위를 의미하거나, 염색체의 number와 base position과 함께 정의될 수 있으나, 이에 제한되지 않는다.
본 발명에서 용어, "대립유전자(allele)"는 상동염색체의 동일한 유전자좌위에 존재하는 한 유전자의 여러 타입을 말한다. 대립유전자는 다형성을 나타내는데 사용되기도 하며, 예컨대, SNP는 두 종류의 대립인자 (bi-allele)를 갖는다. 또한, 염색체의 number와 base position이 동일한 둘 이상의 염기의 조합을 의미하며, 상기 염기는 특정한 집단의 개체들에서 발생 빈도가 높은 상위 대립유전자(major allele)와 상기 상위 대립유전자 보다 발생 빈도가 낮은 하위 대립유전자(minor allele)를 포함한다.
구체적으로, 본 발명의 유전자 다형성 마커들은 비타민 C 반응성 피부 밝기 변화와 연관유의성이 있는 것으로, 두 가지 대립유전자(allele) 중에서 하위 대립유전자(minor allele)를 하나 이상 보유하고 있는 경우, 비타민 C 반응성 피부 밝기 변화 정도가 상위 대립유전자(major allele)/상위 대립유전자 (major allele)를 갖고 있는 개체에 비해 유의미성이 있다고 할 수 있다. 즉, 상위 대립유전자(major allele)/하위 대립유전자(minor allele), 하위 대립유전자(minor allele)/하위 대립유전자(minor allele)의 경우에는 상위 대립유전자(major allele)/상위 대립유전자 (major allele)를 보유하고 있는 경우와 비교하여 비타민 C 반응성 피부 밝기 변화 정도가 높거나 혹은 낮은 피부 특성을 가짐을 알 수 있다.
본 발명의 단일염기다형성 마커는 개인의 고유 비타민 C 반응성 피부 밝기 변화 정도를 예측 할 수 있도록 하므로, 개인의 맞춤형 피부 관리 제품 정보 및 생활 패턴 정보 등의 제공이 가능할 수 있으나, 이에 제한되지 않는다.
본 발명에서 용어, "rs_id"란 1998년부터 SNP 정보를 축적하기 시작한 NCBI가 초기에 등록되는 모든 SNP에 대하여 부여한 독립된 표지자인 rs-ID를 의미한다. 이와 같은 표에 기재된 rs_id는 본 발명의 다형성 마커인 SNP 마커를 의미한다.
상기 단일염기다형성 마커는 표 1에 표시된 단일염기다형성 마커들 중에서 선택된 1종 이상의 단일염기다형성 마커일 수 있다. 상기 표 1에 표시된 단일염기다형성 마커는 비타민 C 반응성 피부 밝기 변화 정도와 연관성이 있는지 정도를 판단하는 것일 수 있다.
구체적으로, 상기 단일염기다형성 마커는 비타민 C 반응성 피부 밝기 변화와 관련된 표 1에서 선택되는 하나 이상의 단일염기다형성 마커일 수 있다.
본 발명의 단일염기다형성 마커의 비타민 C 반응성 피부 밝기 변화와의 연관유의성은 0.05 미만, 0.01 미만, 0.001 미만, 0.0001 미만, 0.00001 미만, 0.000001 미만, 0.0000001 미만, 0.00000001 미만, 또는 0.000000001 미만의 p-value와 같은 p-값을 특징으로 하나 이에 제한되지는 않는다. 구체적으로 p-value가 0.01 미만일 수 있으며, 더 구체적으로 p-value가 0.1 미만일 수 있으나, 이에 제한되지 않는다.
본 발명의 단일염기다형성(SNP) 마커는 표 1에 표시된 마커 중 선택되는 어느 하나 이상일 수 있으나, 이에 제한되지 않는다. 상기 단일염기다형성 (SNP) 마커는 1개 이상일 수 있으며, 2개 이상, 3개 이상, 4개 이상 등 비타민 C 반응성 피부 밝기 변화 정도를 판단할 수 있는 개수의 조합으로 이용될 수 있으나, 이에 제한되지 않는다.
상기 마커는 SNP 그 자체, 또는 상기 SNP 위치를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드, 또는 이의 상보적인 서열로 구성되는 폴리뉴클레오티드일 수 있으나, 이에 제한되지 않는다.
하나의 구체 예로 단일염기다형성 마커는 비타민 C 반응성 피부 밝기 변화와 관련된 표 1에 표시된 마커 중 선택되는 어느 하나 이상일 수 있으나, 이에 제한되지 않는다.
표 1에 표시된 마커 중 선택되는 마커를 설명하면 다음과 같을 수 있다.
한 예로, SNP 아이디가 rs73470760의 경우, Chr.Position (GRCh ver. 37)이 "15:100950890"으로 기재되어 있고, Allele이 C>T 로 개시되어 있다면, 이는 인간의 15번 염색체의 100950890번째 염기가 C 또는 T 임을 나타내는 것이며, allele의 ">" 왼쪽에 위치하는 염기가 상위 대립유전자(major allele)를 오른쪽에 위치하는 염기가 하위 대립유전자(minor allele)를 의미하는 것일 수 있다.
하나의 구체 예로, 표 1에서 선택되는 마커는 인간의 1번 염색체의 236864829번째 염기가 T 또는 C인(rs3851908), 상기 236864829번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 2번 염색체의 215941620번째 염기가 C 또는 T인(rs6731654), 상기 215941620번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 3번 염색체의 119588245번째 염기가 T 또는 C인(rs144415302), 상기 119588245번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 4번 염색체의 1806381번째 염기가 C 또는 T인(rs17880574), 상기 1806381번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 5번 염색체의 147445012번째 염기가 T 또는 C인(rs2287771), 상기 147445012번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 6번 염색체의 12291112번째 염기가 C 또는 T인(rs2070698), 상기 12291112번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 9번 염색체의 113016885번째 염기가 C 또는 T인(rs4135168), 상기 113016885번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 10번 염색체의 77347385번째 염기가 T 또는 G인(rs16932385), 상기 77347385번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 11번 염색체의 34460711번째 염기가 G 또는 A인(rs12270780), 상기 34460711번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 12번 염색체의 52630866번째 염기가 T 또는 C인(rs7295280), 상기 52630866번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 14번 염색체의 96003574번째 염기가 A 또는 G인(rs8010978), 상기 96003574번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 15번 염색체의 100948487번째 염기가 C 또는 T인(rs73470752), 상기 100948487번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 16번 염색체의 69745145번째 염기가 A 또는 G인(rs1800566), 상기 69745145번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 17번 염색체의 64331957번째 염기가 G 또는 A인(rs12450534), 상기 64331957번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 18번 염색체의 28921297번째 염기가 T 또는 C인(rs10468901), 상기 28921297번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 19번 염색체의 49064855번째 염기가 A 또는 G인(rs12611119), 상기 49064855번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 20번 염색체의 4889609번째 염기가 G 또는 T인(rs1715387), 상기 4889609번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 22번 염색체의 19868218번째 염기가 G 또는 A인(rs1139793), 상기 19868218번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 및 이들의 상보적인 폴리뉴클레오티드로 이루어진 군에서 선택된 하나 이상의 폴리뉴클레오티드로 이루어진 것일 수 있으나, 이에 제한되지 않는다. 상기에 기재된 마커는 표 1에서 일부만을 예시로 기재한 것일 뿐이며, 다른 위치의 염색체에서도 상기와 동일한 방법으로 선택될 수 있다.
본 발명의 상기 대립유전자는 각각의 개체에서 염색체의 number가 동일하고, 그 중에서 SNP의 상위 대립유전자(major allele) 및 하위 대립유전자(minor allele)가 존재하고, 다형성 마커의 다형성 부위의 염기가 하위 대립유전자로 하나씩 늘어감에 따라 상위 대립유전자는 하나씩 줄어갈 수 있으며, 상위 대립유전자로 하나씩 늘어감에 따라 하위 대립유전자는 하나씩 줄어갈 수 있다. 다만, 하위대립유전자 및 상위대립유전자가 늘어나고 줄어들 수 있는 범위는 i) 상위 대립유전자(major allele)/상위 대립유전자(major allele), ii) 상위 대립유전자(major allele)/하위 대립유전자(minor allele), iii) 하위 대립유전자(minor allele)/하위 대립유전자(minor allele)의 3가지 타입 안에서 일 수 있으며, 상기 3가지 타입의 범위 내에서 대립 유전자가 줄어들거나, 늘어날 수 있으나, 이에 제한되지 않는다.
또한, 본 발명에서 상기 마커는 개체의 다형성 마커의 다형성 부위의 염기가 하위 대립유전자 (minor allele)가 하나씩 늘어감에 따라 비타민 C 작용 피부 미백 효능, 즉 비타민 C 반응성 피부 밝기 변화를 판단할 수 있는 마커이다. 구체적으로, 두 가지 대립유전자(allele) 중에서 하위 대립유전자(minor allele)를 하나 이상 보유하고 있는 (1) 상위 대립유전자(major allele)/하위 대립유전자(minor allele), (2) 하위 대립유전자(minor allele)/하위 대립유전자(minor allele)의 경우)를 갖는 개인은 일반적인 개인인 상위 대립유전자(major allele)/상위 대립유전자(major allele)를 보유하고 있는 사람과 비교하여, 비타민 C 반응성 피부 밝기 변화 정도가 높거나 혹은 낮은 피부 특성을 가진다고 판단할 수 있다.
더욱 구체적으로, 표 1에 표시된 마커 중 하위 대립유전자 (minor allele)가 하나씩 늘어감에 따라 비타민 C 반응성 피부 밝기 변화 정도를 판단할 수 있다. 일 예로, 표 1에 표시된 마커 중 개체의 15번 염색체의 100948487번째 염기에서 상위 대립유전자 C이고, 하위 대립 유전자가 T인 경우(rs73470752), C/C를 보유하고 있는 사람과 비교하여, C/T 또는 T/T를 보유하는 경우에 effect size가 플러스(+)이므로 비타민 C 작용에 의한 피부 밝기 변화가 증가하는 것으로 판단할 수 있고, 개체의 1번 염색체의 236893599번째 염기에서 상위 대립유전자 A이고, 하위 대립 유전자가 G인 경우(rs819639), A/A를 보유하고 있는 사람과 비교하여, A/G 또는 G/G를 보유하는 경우에 effect size가 마이너스(-)이므로 비타민 C 작용에 의해 피부 밝기의 변화 정도가 감소하는 것으로 판단할 수 있으나, 이에 제한되지 않는다.
상기 염기들은 표 1만을 일 예로 기재한 것이며, 구체적으로 기재하지는 않았으나, 상기에서 설명한 바와 같이 해석 및 도출될 수 있다.
본 발명에서 용어, "비타민 C 반응성 피부 밝기 변화 판단용 마커를 검출할 수 있는 프로브"는 상기와 같은 유전자의 다형성 부위와 특이적으로 혼성화 반응을 통해 확인하여 비타민 C 반응성 피부 밝기 변화 정도를 진단할 수 있는 조성물을 의미하며, 이와 같은 유전자 분석의 구체적 방법은 특별한 제한이 없으며, 이 발명이 속하는 기술분야에 알려진 모든 유전자 검출 방법에 의하는 것일 수 있다. 또한, 상기 용어는 '비타민 C 반응성 피부 밝기 변화 판단용 프로브'의 용어와 혼용되어 사용할 수 있다.
본 발명에서 용어, "비타민 C 반응성 피부 밝기 변화 판단용 마커를 증폭할 수 있는 제제"란 상기와 같은 유전자의 다형성 부위를 증폭을 통해 확인하여 피부 밝기 변화 정도를 진단할 수 있는 조성물을 의미하며, 구체적으로 상기 비타민 C 반응성 피부 밝기 변화 판단용 마커의 폴리뉴클레오티드를 특이적으로 증폭할 수 있는 프라이머를 의미한다. 또한, 상기 용어는 '비타민 C 반응성 피부 밝기 변화 진단용 제제', '비타민 C 반응성 피부 밝기 변화 정도 판단용 제제', 및 '비타민 C 반응성 피부 밝기 변화 정도 진단용 제제'의 용어와 혼용되어 사용할 수 있다.
본 발명에서 용어, "처방"은 특정한 성분의 조성을 갖는 물질일 수 있고, 단일 또는 복수의 물질과 함께 추천 사용방법 또는 추천 생활습관이 더 포함될 수 있는 개념이다.
본 발명에서 용어, "제품"은 특정한 성분의 조성을 갖는 물질을 일 성분으로 포함하는 화장품 등을 의미하나, 특정한 성분의 조성을 갖는 물질을 포함하는 것이면 특별히 이에 제한되지는 않는다.
상기 다형성 마커 증폭에 사용되는 프라이머는, 적절한 버퍼 중의 적절한 조건 (예를 들면, 4개의 다른 뉴클레오티드 트리포스페이트 및 DNA, RNA 폴리머라제 또는 역전사 효소와 같은 중합제) 및 적당한 온도 하에서 주형-지시 DNA 합성의 시작점으로서 작용할 수 있는 단일가닥 올리고뉴클레오티드를 말한다. 상기 프라이머의 적절한 길이는 사용 목적에 따라 달라질 수 있으나, 통상 15 내지 30 뉴클레오티드이다. 짧은 프라이머 분자는 일반적으로 주형과 안정한 혼성체를 형성하기 위해서는 더 낮은 온도를 필요로 한다. 프라이머 서열은 주형과 완전하게 상보적일 필요는 없으나, 주형과 혼성화 할 정도로 충분히 상보적이어야 한다.
본 발명에서 용어, "프라이머"는 짧은 자유 3' 말단 수산화기(free 3' hydroxyl group)를 가지는 염기 서열로 상보적인 템플레이트(template)와 염기쌍(base pair)을 형성할 수 있고 주형 가닥 복사를 위한 시작 지점으로 기능을 하는 짧은 서열을 의미한다. 프라이머는 적절한 완충용액 및 온도에서 중합반응(즉, DNA 폴리머레이즈 또는 역전사효소)을 위한 시약 및 상이한 4가지 뉴클레오티드 트리포스페이트의 존재 하에서 DNA 합성을 개시할 수 있다. PCR 증폭을 실시하여 원하는 생성물의 생성 정도를 통해 피부 타입을 예측할 수 있다. PCR 조건, 센스 및 안티센스 프라이머의 길이는 당업계에 공지된 것을 기초로 변형할 수 있다.
본 발명의 프로브 또는 프라이머는 포스포르아미다이트 고체 지지체 방법, 또는 기타 널리 공지된 방법을 사용하여 화학적으로 합성할 수 있다. 이러한 핵산 서열은 또한 당해 분야에 공지된 많은 수단을 이용하여 변형시킬 수 있다. 이러한 변형의 비-제한적인 예로는 메틸화, "캡화", 천연 뉴클레오티드 하나 이상의 동족체로의 치환, 및 뉴클레오티드 간의 변형, 예를 들면, 하전되지 않은 연결체(예: 메틸 포스포네이트, 포스포트리에스테르, 포스포로아미데이트, 카바메이트 등) 또는 하전된 연결체(예: 포스포로티오에이트, 포스포로디티오에이트 등)로의 변형이 있다.
본 발명의 다른 하나의 양태는 상기 비타민 C 반응성 피부 밝기 변화 판단용 조성물을 포함하는 비타민 C 반응성 피부 밝기 변화 판단용 키트를 제공한다. 상기 키트는 RT-PCR 키트 또는 DNA 칩 키트일 수 있으나, 이에 제한되지 않는다.
본 발명의 키트는 비타민 C 반응성 피부 밝기 변화 판단용 마커인 SNP 다형성 마커를 증폭을 통해 확인하거나, SNP 다형성 마커의 발현 수준을 mRNA의 발현 수준을 확인함으로써 비타민 C 반응성 피부 밝기 변화 정도를 진단할 수 있다. 구체적인 일례로서, 본 발명에서 비타민 C 반응성 피부 밝기 변화 판단용 마커의 mRNA 발현 수준을 측정하기 위한 키트는 RT-PCR을 수행하기 위해 필요한 필수 요소를 포함하는 키트일 수 있다. RT-PCR 키트는, 비타민 C 반응성 피부 밝기 변화 판단용 마커의 유전자에 대한 특이적인 각각의 프라이머 쌍 외에도 RT-PCR 키트는 테스트 튜브 또는 다른 적절한 컨테이너, 반응 완충액(pH 및 마그네슘 농도는 다양), 데옥시뉴클레오타이드(dNTPs), Taq-폴리머라아제 및 역전사효소와 같은 효소, DNase, RNase 억제제, DEPC-수(DEPC-water), 멸균수 등을 포함할 수 있다. 또한 정량 대조군으로 사용되는 유전자에 특이적인 프라이머 쌍을 포함할 수 있다. 또한 구체적으로, 본 발명의 키트는 DNA 칩을 수행하기 위해 필요한 필수 요소를 포함하는 비타민 C 반응성 피부 밝기 변화 판단용 키트일 수 있다. DNA 칩 키트는, 일반적으로 편평한 고체 지지판, 전형적으로는 현미경 용 슬라이드보다 크지 않은 유리 표면에 핵산 종을 격자형 배열(gridded array)로 부착한 것으로, 칩 표면에 핵산이 일정하게 배열되어, DNA 칩 상의 핵산과 칩 표면에 처리된 용액 내에 포함된 상보적인 핵산 간에 다중 혼성화(hybridization) 반응이 일어나 대량 병렬 분석이 가능하도록 하는 도구이다.
본 발명의 다른 하나의 양태는 상기 비타민 C 반응성 피부 밝기 변화 판단용 조성물을 포함하는 비타민 C 반응성 피부 밝기 변화 판단용 마이크로어레이를 제공한다.
상기 마이크로어레이는 DNA 또는 RNA 폴리뉴클레오티드를 포함하는 것일 수 있다. 상기 마이크로어레이는 프로브 폴리뉴클레오티드에 본 발명의 폴리뉴클레오티드를 포함하는 것을 제외하고는 통상적인 마이크로어레이로 이루어진다.
프로브 폴리뉴클레오티드를 기판상에 고정화하여 마이크로어레이를 제조하는 방법은 당업계에 잘 알려져 있다. 상기 프로브 폴리뉴클레오티드는 혼성화할 수 있는 폴리뉴클레오티드를 의미하는 것으로, 핵산의 상보성 가닥에 서열 특이적으로 결합할 수 있는 올리고뉴클레오티드를 의미한다. 본 발명의 프로브는 대립유전자 특이적 프로브로서, 같은 종의 두 구성원으로부터 유래한 핵산 단편 중에 다형성 부위가 존재하여, 한 구성원으로부터 유래한 DNA 단편에는 혼성화하나, 다른 구성원으로부터 유래한 단편에는 혼성화하지 않는다. 이 경우 혼성화 조건은 대립유전자간의 혼성화 강도에 있어서 유의한 차이를 보여, 대립유전자 중 하나에만 혼성화 하도록 충분히 엄격해야 한다. 이렇게 함으로써 다른 대립유전자 형태 간에 좋은 혼성화 차이를 유발할 수 있다. 본 발명의 상기 프로브는 대립유전자를 검출하여 피부 타입 진단 방법 등에 사용될 수 있다. 상기 진단 방법에는 서던 블롯트 등과 같은 핵산의 혼성화에 근거한 검출방법들이 포함되며, DNA 칩을 이용한 방법에서 DNA 칩의 기판에 미리 결합된 형태로 제공될 수도 있다. 상기 혼성화란 엄격한 조건, 예를 들면 1M 이하의 염 농도 및 25 ℃이상의 온도하에서 보통 수행될 수 있다. 예를 들면, 5x SSPE (750 mM NaCl, 50 mM Na Phosphate, 5 mM EDTA, pH 7.4) 및 25~30 ℃의 조건이 대립유전자 특이적 프로브 혼성화에 적합할 수 있다.
본 발명의 비타민 C 반응성 피부 밝기 변화 판단과 연관된 프로브 폴리뉴클레오티드의 기판상에 고정화하는 과정도 또한 이러한 종래 기술을 사용하여 용이하게 제조할 수 있다. 또한, 마이크로어레이 상에서의 핵산의 혼성화 및 혼성화 결과의 검출은 당업계에 잘 알려져 있다. 상기 검출은 예를 들면, 핵산 시료를 형광 물질 예를 들면 Cy3 및 Cy5와 같은 물질을 포함하는 검출 가능한 신호를 발생시킬 수 있는 표지 물질로 표지한 다음, 마이크로어레이 상에 혼성화하고 상기 표지 물질로부터 발생하는 신호를 검출함으로써 혼성화 결과를 검출할 수 있다.
본 발명의 다른 하나의 양태는 (a) 개체로부터 분리한 시료로부터 수득한 DNA에서 상기 단일염기다형성 마커의 다형성 부위를 증폭하거나 프로브와 혼성화하는 단계; 및 (b) 상기 (a) 단계의 증폭된 또는 혼성화된 다형성 부위의 염기를 확인하는 단계를 포함하는, 비타민 C 반응성 피부 밝기 변화에 대한 정보의 제공 방법을 제공한다.
본 발명의 용어, "개체"란 비타민 C 반응성 피부 밝기 변화에 대한 진단을 하기 위한 피험자를 의미한다. 상기 검체에서 머리카락, 뇨, 혈액, 각종 체액, 분리된 조직, 분리된 세포 또는 타액과 같은 시료 등으로부터 DNA를 수득할 수 있으나, 이에 제한되는 것은 아니다.
상기 (a) 단계의 게놈 DNA 수득 방법은 당업자에게 알려진 어떠한 방법이든 사용가능하다.
상기 (a) 단계의 수득한 DNA로부터 상기 단일염기다형성 마커의 다형성 부위를 증폭하거나 프로브와 혼성화하는 단계는 당업자에게 알려진 어떠한 방법이든 사용가능하다. 예를 들면, 표적 핵산을 PCR을 통하여 증폭하고 이를 정제하여 얻을 수 있다. 그 외 리가제 연쇄 반응(LCR) (Wu 및 Wallace, Genomics 4, 560(1989), Landegren 등, Science 241, 1077(1988)), 전사증폭(transcription amplification)(Kwoh 등, Proc. Natl.Acad. Sci. USA 86, 1173(1989)) 및 자가 유지 서열 복제 (Guatelli 등, Proc. Natl. Acad. Sci. USA 87, 1874(1990)) 및 핵산에 근거한 서열 증폭 (NASBA)이 사용될 수 있다.
상기 방법 중 (b)단계의 다형성 부위의 염기를 결정하는 것은 시퀀싱 분석, 마이크로어레이(microarray)에 의한 혼성화, 대립유전자 특이적인 PCR(allele specific PCR), 다이나믹 대립유전자 혼성화 기법(dynamic allele-specific hybridization, DASH), PCR 연장 분석, SSCP, PCR-RFLP 분석 또는 TaqMan 기법, SNPlex 플랫폼(Applied Biosystems), 질량 분석법(예를 들면, Sequenom의 MassARRAY 시스템), 미니-시퀀싱(mini-sequencing) 방법, Bio-Plex 시스템(BioRad), CEQ and SNPstream 시스템(Beckman), Molecular Inversion Probe 어레이 기술(예를 들면, Affymetrix GeneChip), 및 BeadArray Technologies(예를 들면, Illumina GoldenGate 및 Infinium 분석법)를 포함하나, 이에 한정되지 않는다. 상기 방법들 또는 본 발명이 속하는 기술분야의 당업자에게 이용 가능한 다른 방법에 의해, 마이크로새틀라이트, SNP 또는 다른 종류의 다형성 마커를 포함한, 다형성 마커에서의 하나 이상의 대립유전자가 확인될 수 있다. 이와 같은 다형성 부위의 염기를 결정하는 것은 구체적으로 SNP 칩을 통해 수행할 수 있다.
상기 방법은 추가적으로 (c) 증폭된 또는 혼성화된 다형성 부위의 염기가 상기 단일염기다형성 마커에 따른 하위 대립유전자(minor allele)인 염기를 하나 이상 포함하는 경우, 비타민 C 반응성 피부 밝기 변화 정도가 높거나 혹은 낮은 것으로 판단하는 것일 수 있으나, 이에 제한되지 않는다. 또한, 추가적으로 (c) 증폭된 또는 혼성화된 다형성 부위의 염기가 상기 단일염기다형성 마커에 따른 상위 대립유전자(major allele)인 염기를 하나 이상 포함하는 경우, 비타민 C 작용에 의한 피부색 변화 정도가 증가하거나 감소하는 것으로 판단하는 것일 수 있으나, 이에 제한되지 않는다.
본 발명에서 용어, "SNP 칩"은 수십 만개의 SNP의 각 염기를 한번에 확인할 수 있는 DNA 마이크로어레이의 하나를 의미한다.
TaqMan 방법은 (1) 원하는 DNA 단편을 증폭할 수 있도록 프라이머 및 TaqMan 탐침을 설계 및 제작하는 단계; (2) 서로 다른 대립유전자의 탐침을 FAM 염료 및 VIC 염료로 표지(Applied Biosystems)하는 단계; (3) 상기 DNA를 주형으로 하고, 상기의 프라이머 및 탐침을 이용하여 PCR을 수행하는 단계; (4) 상기의 PCR 반응이 완성된 후, TaqMan 분석 플레이트를 핵산 분석기로 분석 및 확인하는 단계; 및 (5) 상기 분석결과로부터 단계 (1)의 폴리뉴클레오티드 들의 유전자형을 결정하는 단계를 포함한다.
상기에서, 시퀀싱 분석은 염기서열 결정을 위한 통상적인 방법을 사용할 수 있으며, 자동화된 유전자분석기를 이용하여 수행될 수 있다. 또한, 대립유전자 특이적 PCR은 SNP가 위치하는 염기를 3' 말단으로 하여 고안한 프라이머를 포함한 프라이머 세트로 상기 SNP가 위치하는 DNA 단편을 증폭하는 PCR 방법을 의미한다. 상기 방법의 원리는, 예를 들어, 특정 염기가 A에서 G로 치환된 경우, 상기 A를 3' 말단 염기로 포함하는 프라이머 및 적당한 크기의 DNA 단편을 증폭할 수 있는 반대 방향 프라이머를 고안하여 PCR 반응을 수행할 경우, 상기 SNP 위치의 염기가 A인 경우에는 증폭 반응이 정상적으로 수행되어 원하는 위치의 밴드가 관찰되고, 상기 염기가 G로 치환된 경우에는 프라이머는 주형 DNA에 상보결합할 수 있으나, 3' 말단 쪽이 상보결합을 하지 못함으로써 증폭 반응이 제대로 수행되지 않는 점을 이용한 것이다. DASH는 통상적인 방법으로 수행될 수 있고, 구체적으로 프린스 등에 의한 방법에 의하여 수행될 수 있다.
한편, PCR 연장 분석은 먼저 단일염기다형성이 위치하는 염기를 포함하는 DNA 단편을 프라이머 쌍으로 증폭을 한 다음, 반응에 첨가된 모든 뉴클레오티드를 탈인산화 시킴으로써 불활성화 시키고, 여기에 SNP 특이적 연장 프라이머, dNTP 혼합물, 디디옥시뉴클레오티드, 반응 완충액 및 DNA 중합 효소를 첨가하여 프라이머 연장 반응을 수행함으로써 이루어진다. 이때, 연장 프라이머는 SNP가 위치하는 염기의 5' 방향의 바로 인접한 염기를 3' 말단으로 삼으며, dNTP 혼합물에는 디디옥시뉴클레오티드와 동일한 염기를 갖는 핵산이 제외되고, 상기 디디옥시뉴클레오티드는 SNP를 나타내는 염기 종류 중 하나에서 선택된다. 예를 들어, A에서 G로의 치환이 있는 경우, dGTP, dCTP 및 TTP 혼합물과 ddATP를 반응에 첨가할 경우, 상기 치환이 일어난 염기에서 프라이머는 DNA 중합효소에 의하여 연장되고, 몇 염기가 지난 후 A 염기가 최초로 나타나는 위치에서 ddATP에 의하여 프라이머 연장 반응이 종결된다. 만일 상기 치환이 일어나지 않았다면, 그 위치에서 연장 반응이 종결되므로, 상기 연장된 프라이머의 길이를 비교함으로써 SNP를 나타내는 염기 종류를 판별할 수 있게 된다.
이때, 검출방법으로는 연장 프라이머 또는 디디옥시뉴클레오티드를 형광 표지한 경우에는 일반적인 염기서열 결정에 사용되는 유전자 분석기(예를 들어, ABI사의 Model 3700 등)를 사용하여 형광을 검출함으로써 상기 SNP을 검출할 수 있으며, 무-표지된 연장 프라이머 및 디디옥시뉴클레오티드를 사용할 경우에는 MALDI-TOF(matrix assisted laser desorption ionization-time of flight) 기법을 이용하여 분자량을 측정함으로써 상기 SNP를 검출할 수 있다.
본 발명의 일 양태에 따른 방법은 예측 단말에 예측 대상 개체의 SNP 정보가 입력되는 단계 및 상기 예측 단말에 미리 저장된 피부 밝기 변화 예측 모델에 상기 SNP 정보를 질의하여 예측 피부 밝기 변화 정보를 연산하고, 연산된 예측 피부 밝기 변화 정보를 출력하는 단계를 포함하고, 상기 피부 밝기 변화 예측 모델은, 러닝 프로세서가 SNP 정보 및 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을 때 피부 밝기 변화 정보의 쌍으로 이루어진 제1 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제1 예측 피부 밝기 변화 정보를 출력하는 제1 피부 밝기 변화 예측 모델인, 비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법을 제공한다.
본 발명의 다른 양태에서, SNPs 마커 선정 장치가 상기 SNP 정보에 포함된 다수의 SNPs 중, 비타민 C 또는 비타민 C 유도체 도포 시 피부 밝기 변화와 관련 있는 하나 이상의 SNPs를 선정하는 단계를 더 포함하고, 상기 학습 데이터의 SNP 정보에는 상기 SNPs 마커 선정 장치에 의해 선정된 하나 이상의 SNPs 중 적어도 일부는 포함되고, 상기 SNPs 마커 선정 장치에 의해 선정되지 않은 SNPs는 포함되지 않을 수 있다.
본 발명의 다른 양태에서, 상기 피부 밝기 변화와 관련 있는 하나 이상의 SNPs는 표 1에서 선택된 어느 하나 이상인 것일 수 있다.
본 발명의 다른 양태에서, 상기 러닝 프로세스가 상기 학습 데이터들을 학습함에 따라 SNP 정보에 포함된 각각의 SNP마다, 비타민 C 또는 비타민 C 유도체를 포함하는 물질 도포 시 피부 밝기 변화에 영향을 미치는 가중치가 결정될 수 있으며, 상기 가중치는, 각각의 SNP에 포함된 상위 대립유전자(major allele) 및 하위 대립유전자(minor allele)의 개수에 따라 결정되는 제1 값 및 학습에 의해 그 값이 변화하는 제2 값;을 이용하여 연산되는 것일 수 있다.
본 발명의 다른 양태에서, 상기 제1 값은, 상위 대립유전자(major allele) - 상위 대립유전자, 상위 대립유전자 - 하위 대립유전자(minor allele) 및 하위 대립유전자의 SNPs 타입(type)마다 서로 다른 값이 부여될 수 있다.
본 발명의 다른 양태에서, 상기 제1 값은, 상기 SNPs 타입들 중 하위 대립유전자의 개수가 많은 타입일수록 더 높은 값을 가질 수 있다.
본 발명의 다른 양태에서, 상기 제1 값은 학습이 이루어지더라도 변화하지 않는 값일 수 있다.
본 발명의 다른 양태에서, 상기 가중치는 상기 제1 값과 상기 제2 값을 곱한 값이고, 상기 예측 피부 밝기 변화 정보는, 각각의 SNP마다의 가중치를 합산하여 연산될 수 있다.
본 발명의 다른 양태에서, 상기 가중치는, 상기 제1 값, 상기 제2 값 및 예측 대상 개체의 성별에 따라 서로 상이한 제3 값을 이용하여 연산되는 것일 수 있다.
본 발명의 다른 양태에서, 상기 피부 밝기 변화 예측 모델은, 상기 러닝 프로세서가 SNP 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보 및 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 피부 밝기 변화 정보의 쌍으로 이루어진 제2 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제2 예측 피부 밝기 변화 정보를 출력하는 제2 피부 밝기 변화 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 피부 밝기 변화 예측 모델은, 러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 그리고 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을때 피부 밝기 변화 정보의 쌍으로 이루어진 제3 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제3 예측 피부 밝기 변화 정보를 출력하는 제3 피부 밝기 변화 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 피부 밝기 변화 예측 모델은, 러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 바티만 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보, 그리고 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 피부 밝기 변화 정보의 쌍으로 이루어진 제4 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제4 예측 피부 밝기 변화 정보를 출력하는 제4 피부 밝기 변화 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 예측 단말이 상기 피부 밝기 변화 예측 모델에 상기 SNP 정보를 질의하여 다수의 처방 각각마다의 예측 피부 밝기 변화 정보를 연산하는 단계 및 처방 선정부가 상기 예측 피부 밝기 변화 정보를 이용하여, 다수의 처방 중 하나 이상의 처방을 선정하는 단계를 더 포함할 수 있다.
본 발명의 다른 양태에서, 처방 선정부가 상기 예측 피부 밝기 변화 정보를 이용하여, 다수의 처방 중 하나 이상의 처방을 선정하는 단계는, 상기 예측 피부 밝기 변화 정보의 값이 큰 하나 이상의 처방을 선정하는 단계를 포함할 수 있다.
본 발명의 다른 양태에서, 상기 다수의 처방은, 비타민 C 또는 비타민 C 유도체 처방 및 비타민 C 또는 비타민 C 유도체에 추가 물질이 더 포함된 처방을 포함하고, 상기 추가 물질은 마그네슘(Mg), 아연(Zn), 피부 밝기 증가 유도 물질, 피부 자극 완화제, 제재 안정화 물질 및 제재 질감 결정 물질로 이루어진 그룹 중 선택된 하나 이상일 수 있다.
본 발명의 다른 양태에서, 상기 예측 단말이 미리 저장된 피부 자극 예측 모델에 상기 SNP 정보를 질의하여 연산된 정보가 추가로 출력되는 단계를 더 포함하고, 상기 피부 자극 예측 모델은, 상기 러닝 프로세서가 SNP 정보 및 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제1 자극 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제1 예측 자극 정보를 연산하는 제1 자극 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 예측 단말이 미리 저장된 피부 자극 예측 모델에 상기 SNP 정보를 질의하여 연산된 정보가 추가로 출력되는 단계를 더 포함하고, 상기 피부 자극 예측 모델은, 상기 러닝 프로세서가 SNP 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보 및 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제2 자극 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제2 예측 자극 정보를 출력하는 제2 자극 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 예측 단말이 미리 저장된 피부 자극 예측 모델에 상기 SNP 정보를 질의하여 연산된 정보가 추가로 출력되는 단계를 더 포함하고, 피부 자극 예측 모델은, 러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 그리고 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을때 자극 정보의 쌍으로 이루어진 제3 자극 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제3 예측 자극 정보를 출력하는 제3 자극 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 예측 단말이 미리 저장된 피부 자극 예측 모델에 상기 SNP 정보를 질의하여 연산된 정보가 추가로 출력되는 단계를 더 포함하고, 피부 자극 예측 모델은, 러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보, 그리고 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제4 자극 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제4 예측 자극 정보를 출력하는 제4 자극 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 예측 단말이 상기 피부 자극 예측 모델에 상기 SNP 정보를 질의하여 다수의 처방 각각마다의 예측 자극 정보를 연산하는 단계 및 처방 선정부가 상기 예측 자극 정보를 이용하여, 하나 이상의 처방을 선정하는 단계를 더 포함할 수 있다.
본 발명의 다른 양태에서, 처방 선정부가 상기 예측 자극 정보를 이용하여, 하나 이상의 처방을 선정하는 단계는, 처방 선정부가 다수의 처방 중, 상기 예측 자극 정보의 값이 작은 하나 이상의 처방을 선정하는 단계를 더 포함할 수 있다.
본 발명의 일 양태는, SNP 정보 및 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을때 피부 밝기 변화 정보의 쌍으로 이루어진 제1 피부 밝기 변화 학습 데이터들을 학습하여 제1 피부 밝기 변화 예측 모델을 생성하는 서버로서, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 히드로퀴논을 포함하는 물질이 도포되었을 때의 제1 예측 피부 밝기 변화 정보를 출력하는 제1 피부 밝기 변화 예측 모델을 생성하는 서버 및 예측 대상 개체의 SNP 정보를 입력받고, 상기 서버에서 생성된 제1 피부 밝기 변화 예측 모델에 입력받은 SNP 정보를 질의하여 연산된 제1 예측 피부 밝기 변화 정보를 출력하는 예측 단말을 포함하는, 비타민 C를 포함하는 처방의 피부 밝기 변화 예측 시스템을 제공한다.
본 발명의 다른 양태에서, 상기 SNP 정보에 포함된 다수의 SNPs 중, 비타민 C 또는 비타민 C 유도체 도포 시 피부 밝기 변화와 관련 있는 하나 이상의 SNPs를 선정하는 SNPs 마커 선정 장치를 더 포함하고, 상기 학습 데이터의 SNP 정보에는 상기 SNPs 마커 선정 장치에 의해 선정된 하나 이상의 SNPs 중 적어도 일부는 포함되고, 상기 SNPs 마커 선정 장치에 의해 선정되지 않은 SNPs는 포함되지 않을 수 있다.
본 발명의 다른 양태에서, 상기 피부 밝기 변화와 관련 있는 하나 이상의 SNPs는 표 1에서 선택된 어느 하나 이상인 것일 수 있다.
본 발명의 다른 양태에서, 상기 서버의 러닝 프로세스가 상기 학습 데이터들을 학습함에 따라 SNP 정보에 포함된 각각의 SNP마다 비타민 C 또는 비타민 C 유도체를 포함하는 물질 도포 시 피부 밝기 변화에 영향을 미치는 가중치가 결정될 수 있으며, 상기 가중치는, 각각의 SNP에 포함된 상위 대립유전자(major allele) 및 하위 대립유전자(minor allele)의 개수에 따라 결정되는 제1 값 및 학습에 의해 그 값이 변화하는 제2 값을 이용하여 연산되는 것일 수 있다.
본 발명의 다른 양태에서, 상기 제1 값은, 상위 대립유전자(major allele) - 상위 대립유전자, 상위 대립유전자 - 하위 대립유전자(minor allele) 및 하위 대립유전자 - 하위 대립유전자의 SNPs 타입(type) 마다 서로 다른 값이 부여될 수 있다.
본 발명의 다른 양태에서, 상기 제1 값은, 상기 SNPs 타입들 중 하위 대립유전자의 개수가 많은 타입일수록 더 높은 값을 가질 수 있다.
본 발명의 다른 양태에서, 상기 제1 값은 학습이 이루어지더라도 변화하지 않는 값일 수 있다.
본 발명의 다른 양태에서, 상기 가중치는 상기 제1 값과 상기 제2 값을 곱한 값이고, 상기 예측 피부 밝기 변화 정보는, 각각의 SNP마다의 가중치를 합산하여 연산될 수 있다.
본 발명의 다른 양태에서, 상기 가중치는, 상기 제1 값, 상기 제2 값 및 예측 대상 개체의 성별에 따라 서로 상이한 제3 값을 이용하여 연산되는 것일 수 있다.
본 발명의 다른 양태에서, 상기 피부 밝기 변화 예측 모델은, 상기 러닝 프로세서가 SNP 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보 및 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 피부 밝기 변화 정보의 쌍으로 이루어진 제2 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제2 예측 피부 밝기 변화 정보를 출력하는 제2 피부 밝기 변화 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 피부 밝기 변화 예측 모델은, 러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 그리고 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을때 피부 밝기 변화 정보의 쌍으로 이루어진 제3 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제3 예측 피부 밝기 변화 정보를 출력하는 제3 피부 밝기 변화 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 피부 밝기 변화 예측 모델은, 러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보, 그리고 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 피부 밝기 변화 정보의 쌍으로 이루어진 제4 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제4 예측 피부 밝기 변화 정보를 출력하는 제4 피부 밝기 변화 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 예측 단말은 상기 피부 밝기 변화 예측 모델에 상기 SNP 정보를 질의하여 다수의 처방 각각마다의 예측 피부 밝기 변화 정보를 연산하고, 상기 시스템은, 상기 예측 피부 밝기 변화 정보를 이용하여, 다수의 처방 중 하나 이상의 처방을 선정하는 처방 선정부를 더 포함할 수 있다.
본 발명의 다른 양태에서, 상기 처방 선정부는 다수의 처방 중, 상기 예측 피부 밝기 변화 정보의 값이 큰 하나 이상의 처방을 선정할 수 있다.
본 발명의 다른 양태에서, 상기 다수의 처방은, 히드로퀴논 처방 및 히드로퀴논에 추가 물질이 더 포함된 처방을 포함하고, 상기 추가 물질은 마그네슘(Mg), 아연(Zn), 피부 밝기 증가 유도 물질, 피부 자극 완화제, 제재 안정화 물질 및 제재 질감 결정 물질로 이루어진 그룹 중 선택된 하나 이상일 수 있다.
본 발명의 다른 양태에서, 상기 예측 단말은, 상기 서버에서 생성된 피부 자극 예측 모델에 입력받은 SNP 정보를 질의함으로써 연산된 정보를 추가로 출력하고, 상기 피부 자극 예측 모델은, 상기 러닝 프로세서가 SNP 정보 및 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제1 자극 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제1 예측 자극 정보를 연산하는 제1 자극 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 예측 단말은, 상기 서버에서 생성된 피부 자극 예측 모델에 입력받은 SNP 정보를 질의함으로써 연산된 정보를 추가로 출력하고, 상기 피부 자극 예측 모델은, 상기 러닝 프로세서가 SNP 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보 및 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제2 자극 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제2 예측 자극 정보를 출력하는 제2 자극 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 예측 단말은, 상기 서버에서 생성된 피부 자극 예측 모델에 입력받은 SNP 정보를 질의함으로써 연산된 정보를 추가로 출력하고, 피부 자극 예측 모델은, 러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 그리고 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을때 자극 정보의 쌍으로 이루어진 제3 자극 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 히드로퀴논을 포함하는 물질이 도포되었을 때의 제3 예측 자극 정보를 출력하는 제3 자극 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 예측 단말은, 상기 서버에서 생성된 피부 자극 예측 모델에 입력받은 SNP 정보를 질의함으로써 연산된 정보를 추가로 출력하고, 피부 자극 예측 모델은, 러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보, 그리고 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제4 자극 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제4 예측 자극 정보를 출력하는 제4 자극 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 예측 단말은 상기 피부 자극 예측 모델에 상기 SNP 정보를 질의하여 다수의 처방 각각마다의 예측 자극 정보를 연산하고, 상기 시스템은, 상기 예측 자극 정보를 이용하여, 상기 다수의 처방 중 하나 이상의 처방을 선정하는 처방 선정부를 더 포함할 수 있다.
본 발명의 다른 양태에서, 상기 처방 선정부는, 다수의 처방 중 상기 예측 자극 정보의 값이 작은 하나 이상의 처방을 선정할 수 있다.
또한, 본 발명의 일 양태는 전술한 방법을 실행하도록 컴퓨터 판독 가능한 기록 매체에 저장된, 컴퓨터 프로그램을 제공한다.
본 발명의 다른 하나의 양태는 비타민 C 또는 비타민 C 유도체를 포함하는 처방의 피부 밝기 변화 및 자극 예측 시스템을 제공한다. 도 1 내지 5를 참조하여, 구체적으로 설명한다.
피부 밝기 변화 및/또는 자극 예측 시스템은 예측 단말(100) 및 서버(200)를 포함하고, 선택적으로 데이터 제공 서버(300)를 더 포함할 수 있다. 여기에서, 예측 단말(100)과 서버(200)는 별개의 구성일 수 있으며, 하나의 구성에 통합될 수도 있다.
예측 단말(100)은 예측 대상 개체에 비타민 C 또는 비타민 C를 포함하는 유도체를 포함하는 물질이 도포되었을 때, 해당 예측 대상 개체에서의 예측 피부 밝기 변화 정보 및/또는 자극 정보를 예측한다.
도 2를 참조하면, 예측 단말(100)은 통신부(110), 입력부(120), 메모리(130), 프로세서(140), 출력부(150), 제어부(160), 전원 공급부(170) 및 인터페이스부(180)를 포함한다.
통신부(110)는 외부 기기와의 통신을 위한 구성으로, 통신부(110)를 통해 외부 기기와의 데이터 송수신이 가능할 수 있다.
입력부(120)는 예측 단말(100)의 구성요소(예를 들어, 프로세서)에 사용될 명령 또는 데이터를 서버(100)의 외부(예를 들어, 사용자)로부터 수신할 수 있다. 입력부(120)는, 예를 들면, 마이크, 마우스, 키보드, 키(예를 들어, 버튼), 또는 디지털 펜(예를 들어, 스타일러스 펜)을 포함할 수 있다.
메모리(130)는 예측 단말(100)에서 사용되는 다양한 데이터를 저장할 수 있다. 메모리(130)에 저장되는 데이터는, 예를 들어, 서버(200)에서 생성된 예측 모델일 수 있으며, 또한 소프트웨어 및 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다.
또한, 메모리(130)에는 예측 단말(100)로 입력되는 정보 및 예측 단말(100)에서 생성되는 정보가 모두 저장될 수 있다.
프로세서(140)는, 데이터 처리 또는 연산 기능을 수행할 수 있으며, 데이터 처리 또는 연산 기능의 적어도 일부로서, 다른 구성요소로부터 수신된 명령 또는 데이터를 휘발성 메모리에 저장하고, 휘발성 메모리에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리에 저장할 수 있다. 프로세서(140)는 피부 밝기 변화 정보 연산부(141), 자극 정보 연산부(142) 및 처방 선정부(143)를 포함할 수 있다.
피부 밝기 변화 정보 연산부(141)는 후술할 서버(200)에 의해 생성된 예측 모델을 사용하여 예측 대상 개체에 비타민 C 또는 비타민 C 유도체가 포함된 물질 도포 시의 예측 피부 밝기 변화 정보를 연산한다.
자극 정보 연산부(142)는 후술할 서버(200)에 의해 생성된 예측 모델을 사용하여 예측 대상 개체에 비타민 C 또는 비타민 C 유도체가 포함된 물질 도포 시의 자극 정보를 연산한다. 여기에서, "자극 정보"란, 자극 정도(grade), 자극 유무, 자극 확률 등 자극과 관련된 정보를 포함하는 개념이며, 이들이 수치화된 정보일 수 있으나 특별히 이에 제한되는 것은 아니다.
처방 선정부(143)는 피부 밝기 변화 정보 연산부(141) 및/또는 자극 정보 연산부(142)에 의해 연산된 정보를 이용하여, 해당 예측 대상 개체에 처방되기에 적합한 하나 이상의 처방을 연산하여 선정한다.
출력부(150)는 예측 단말(100)에서 처리 또는 연산된 정보를 외부로 출력할 수 있으며, 디스플레이 및 스피커 등이 여기에 포함될 수 있다.
제어부(160)는, 예를 들면 소프트웨어를 실행하여 프로세서에 연결된 예측 단말(100)의 하나 이상의 다른 구성요소(예를 들어, 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있다. 제어부(160)는 예측 단말(100)의 통신부(110), 입력부(120), 메모리(130), 프로세서(140), 출력부(150), 전원 공급부(170) 및 인터페이스부(180)를 제어할 수 있다.
전원 공급부(170)는 예측 단말(100)에 전력을 공급한다. 전원 공급부(170)는 외부의 전원으로부터 전력을 공급받아, 예측 단말(100)에 전력을 공급할 수 있다.
인터페이스부(180)는 출력부(150)에서 출력된 정보를 인터페이스(interface)를 통해 가시할 수 있다.
이 때, 인터페이스부(180)는 특정한 종류나 형태에 제한되는 것은 아니다.
예측 단말(100)을 통해 피부 밝기 변화/자극 예측 명령이 입력되면, 프로세서(140)는 후술할 서버(200)에 의해 생성된 것이며 예측 단말(100)의 메모리(130)에 저장된 예측 모델을 사용하여, 예측 피부 밝기 변화 정보 및/또는 자극 정보를 연산하고, 연산된 정보를 출력하게 된다. 다른 양태에서는, 외부 입력부를 통해 피부 밝기 변화/자극 예측 명령이 입력되고, 입력된 명령이 서버(200)에 전송되어 서버(200)에서 피부 밝기 변화/자극 예측이 수행될 수도 있다.
본 발명의 다른 양태에서는, 예측 단말(100)을 통해 피부 밝기 변화/자극 예측 명령이 입력되면, 해당 명령이 서버(200)에 전송되고, 서버(200)에 저장된 예측 모델을 사용하여, 서버(200)에서 예측 피부 밝기 변화 정보 및/또는 자극 정보가 연산될 수 있으며, 예측 단말(100)은 서버(200)에서 연산된 정보를 수신하여, 수신된 정보를 출력할 수도 있다.
한편, 예측 단말(100)을 통해 출력되는 예측 피부 밝기 변화 정보 및/또는 자극 정보의 대상인 예측 대상 개체의 정보는 유전자 데이터(SNP 정보를 포함)의 형태로 입력될 수 있고, 다른 예에서는 예측 대상 개체의 식별 데이터의 형태로 입력될 수도 있다.
예측 대상 개체의 유전자 데이터가 예측 단말(100)에 입력되는 경우, 입력된 유전자 데이터가 예측 모델에 질의되어 해당 예측 대상 개체의 예측 피부 밝기 변화 정보 및/또는 자극 정보가 연산될 수 있다.
한편, 예측 대상 개체의 식별 데이터가 예측 단말(100)에 입력되는 경우, 입력된 식별 데이터가 데이터 제공 서버(300)에 전송되고, 데이터 제공 서버(300)는 전송된 식별 데이터에 상응하는 개체의 유전자 데이터를 다시 예측 단말(100)에 전송하게 된다. 즉, 데이터 제공 서버(300)에는 피험자/예측 대상 개체들의 유전자 데이터가 미리 저장되어 있으며, 예측 단말(100) 또는 후술할 서버(200)에서의 데이터 제공 요청(유전자 데이터 제공 요청)이 있으면, 전송된 식별 데이터에 상응하는 개체의 유전자 데이터를 예측 단말(100) 또는 서버(200)에 전송하는 것이 가능하다. 즉, 개인 정보인 유전자 데이터를 별도의 데이터 제공 서버(300)에 저장하고, 전송된 식별 데이터에 해당하는 개체의 유전자 데이터를 제공하는 구성을 통해, 개인 정보 보호가 가능하다.
한편, 서버(200)는 SNPs 마커 선정 장치(210), 측정 장치(220), 예측 모델 생성 장치(230) 및 데이터 처리 장치(240)를 포함할 수 있다.
SNPs 마커 선정 장치(210)는 다수의 SNPs 중 비타민 C 또는 비타민 C 유도체를 포함하는 물질 도포 시 피부 밝기 변화(다시 말해, '비타민 C 반응성 피부 밝기 변화) 및/또는 피부 자극(다시 말해, '비타민 C 반응성 피부 자극 정도')을 유발하는 하나 이상의 SNPs를 선정하도록 구성된다. 이하의 실시예에서 구체적으로 설명되겠지만, 예를 들면 SNPs 마커 선정 장치(210)에 의해 피부 밝기 변화에 영향을 미치는 103개 중 일부 또는 전체의 SNP, 그리고 피부 자극 정도에 영향을 미치는 SNP 중 일부 또는 전체의 SNP, 특별히 이에 제한되지는 않는다.
본원 명세서에서, '비타민 C 또는 비타민 C 유도체'란, 비타민 C 또는 비타민 C 유도체 원료 자체, 이의 용해물, 또는 베이스 처방에 비타민 C 또는 비타민 C 유도체를 포함시킨 처방을 의미할 수 있다.
측정 장치(220)는 특정 개체의 피부를 측정하는 것을 통해, 피부 측정 수치가 포함된 정보를 획득하도록 구성된다. 상기 피부 측정 수치에는 수분값, 피부 밝기값, 피부 자극값 등 피부 상태와 관련된 정보가 포함될 수 있으나, 피부와 관련된 정보이면 상기의 정보에 제한되는 것은 아니다.
한편, 데이터 처리 장치(240)는 측정 장치(220)에 의해 측정된 정보, 그리고 외부에서 입력되는 데이터를 처리하도록 구성된다. 예를 들어, 비타민 C 또는 비타민 C 유도체를 포함하는 물질 도포 전의 피험자의 피부 밝기 값(L0), 비타민 C 또는 비타민 C 유도체를 포함하는 물질 도포 후의 피험자의 피부 밝기 값(L)의 이용하여 피부 밝기 변화 값(△L = L - LO)을 연산할 수 있으며, 피험자(H)로부터 전송된 설문조사 결과/피부 이미지, 전문가(A)로부터 전송된 면담 결과를 소정의 방법으로 처리하여 자극 데이터를 연산할 수도 있다.
또한, 데이터 처리 장치(240)는 기존의 메모리에 저장되어 있는 정보에 신규 정보를 추가하여 예측 모델의 성능을 향상시킬 수도 있다.
메모리에는 소정의 포맷(형식)을 갖는 정보가 저장되어야, 이후 정보 추가 변환, 추가 전처리 등의 번잡한 절차가 생략될 수 있다.
데이터 처리 장치(240)는 정보의 종류마다 획일화된 포맷으로 각종 정보를 변환하는 역할을 수행할 수 있다. 예를 들어, 피험자로부터 수집된 정보는 개인 정보를 포함할 수 있기에 정보의 익명화를 수행할 수 있으며, 컴퓨터 연산에 최적화된 코드로의 변환, 관리번호 부여 등의 기능을 수행할 수 있다. 또한, 데이터 처리 장치(240)는 각 측정 장치(220) 마다의 오차를 보정하거나, 측정 정보 수치를 표준화(예를 들어, (측정치-표준)/표준편차의 방식으로 수치를 표준화할 수 있음)하여 정보의 일관성을 확보하는 것이 가능하다.
또한, 데이터 처리 장치(240)는 정보들의 이상치, 그리고 측정 장치(220)에 의해 측정된 정보들의 이상치를 소정의 방법으로 연산하고, 이상치가 미리 설정된 값 범위 밖인 경우 해당 정보를 노이즈 처리하여 메모리에 저장되지 않도록 하거나, 경고 신호가 출력되도록 하여 정보 재입력/재측정 등이 수행될 수 있도록 통지할 수도 있다.
예를 들어, 데이터 처리 장치(240)는 남성인 성별을 갖는 사용자의 폐경 응답, 평균치 대비 3배 이상의 표준편차 차이가 발생하는 경우 입력된 정보를 노이즈 처리하여 메모리에 저장되지 않도록 하거나, 경고 신호가 출력되도록 하여 정보 재입력/재측정 등이 수행될 수 있도록 통지할 수 있다.
예측 모델 생성 장치(230)는 비타민 C 또는 비타민 C 유도체를 포함하는 물질 도포 시 피부 밝기 변화 정보/자극 정보 예측을 위한 모델을 생성하도록 구성된다.
도 3을 참조하면, 예측 모델 생성 장치(230)는 통신부(231), 입력부(232), 프로세서(233), 메모리(234), 러닝 프로세서(235) 및 제어부(236)를 포함할 수 있는데, 예측 모델 생성 장치(230) 역시 연산이 가능한 컴퓨팅 장치의 형태로 구현되어, 전술한 예측 단말(100)의 통신부(110), 입력부(120), 메모리(130), 프로세서(140) 및 제어부(160)와 동일한 기능을 갖는 구성이 적용될 수 있다.
한편, 러닝 프로세서(235)는 프로세서(140)와 마찬가지로, 데이터 처리 또는 연산 기능을 수행할 수 있으나, 인공지능 모델의 처리에 특화된 하드웨어 구조를 더 포함할 수 있다.
예측 모델 생성 장치(230)의 메모리(234)는 피험자 통합 데이터베이스(234a) 및 처방 데이터베이스(234b)를 포함할 수 있다.
피험자 통합 데이터베이스(234a)에는 학습 데이터로 사용되기 위해, 피험자들로부터 수집된 정보들이 저장된다. 피험자 통합 데이터베이스(234a)에 저장되는 정보의 종류로는, 피부 밝기 변화 정보(△L), SNP 정보를 포함하는 유전자 정보, 피부 자극 정보, 환경 정보, 생활 습관 정보, 피부 특성 정보가 일부 또는 전부 포함될 수 있다. 여기서, 피부 밝기 변화 정보(△L)는 비타민 C 또는 비타민 C 유도체 단독 처방 또는 선택적으로 추가 물질이 더 포함된 처방에 따른 물질이 도포됨에 따라 발생하는 피부 밝기의 변화 정도를 의미하며, 피부 자극 정보는 상기 물질이 도포됨에 따라 발생하는 피부 자극의 정도(또는 자극 유무, 자극 확률)를 의미하고, 환경 정보는 키, 몸무게 정보를 포함할 수 있고, 생활 습관 정보는 햇빛 노출 정도, UV 차단제 사용 여부, 식습관 정보, 흡연 여부, 음주 정도를 포함할 수 있으며, 피부 특성 정보는 피부 색 정보 등을 포함할 수 있으나 특별히 이에 제한되는 것은 아니다.
처방 데이터베이스(234b)에는 비타민 C 또는 비타민 C 유도체를 포함하는 다수의 처방에 대한 정보가 저장된다. 예를 들어, 비타민 C 또는 비타민 C 유도체만을 포함하는 처방에 대한 정보가 처방 1로서 저장될 수 있으며, 비타민 C 또는 비타민 C 유도체와 마그네슘을 포함하는 처방에 대한 정보가 처방 2로서, 비타민 C 또는 비타민 C 유도체와 아연을 포함하는 처방에 대한 정보가 처방 3으로서, 비타민 C 또는 비타민 C 유도체와 자극 완화제를 포함하는 처방에 대한 정보가 처방 4로서 저장될 수 있다.
이하에서는, 도 4 내지 15를 참조하여, 예측 모델 생성 장치(230)에 의해 예측 모델을 생성하는 과정을 구체적으로 설명한다.
예측 모델의 생성은 러닝 프로세서(235)가 학습 데이터들을 학습함에 따라 생성될 수 있다.
또한, 여기에서 학습이란, 다수의 학습 데이터를 미리 설정된 인공신경망(artificial neural network, ANN) 모델에 학습시켜, 학습의 대상이 되는 다수의 데이터 간의 최적의 상관관계를 도출하는 개념이다. 여기에서, 인공신경망 모델은 DNN(Deep Neural Network), CNN(Convolutional Neural Network), DCNN(Deep Convolutional Neural Network), RNN(Recurrent Neural Network), RBM(Restricted Boltzmann Machine), DBN(Deep Belief Network), SSD(Single Shot Detector), MLP (Multi-layer Perceptron)을 기반으로 한 모델일 수 있으나, 이에 제한되지 않고 다양한 인공신경망 모델이 본 발명에 적용될 수 있다. 또한, 본 발명의 다른 양태에서는 다양한 통계 기법(선형 회귀 모델, random forest, lasso, ridge, elastic net, MDR, SVM 등)을 사용하여 학습의 대상이 되는 다수의 데이터 간의 상관관계를 도출할 수도 있다.
본 발명의 일 양태에서, 도 6을 참조하면 러닝 프로세서(235)는 SNP 정보 - 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을 때 피부 밝기 변화 정보(△L)의 쌍으로 이루어진 제1 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제1 예측 피부 밝기 변화 정보를 출력하는 제1 피부 밝기 변화 예측 모델을 생성할 수 있다.
여기에서, 예측 피부 밝기 변화 정도의 값이 클수록 해당 처방에 따른 물질이 해당 개체에 도포될 경우 높은 미백 효능을 보인다는 것을 의미할 수 있고, 값이 작을수록 낮은 미백 효능을 보인다는 것을 의미할 수 있다. 이하의 실시예에서, 예측 피부 밝기 변화의 정보의 값이 미리 설정된 값 이상인 경우 해당 처방에 따른 물질이 개체에 도포되는 경우 미백에 효능이 있다고 예측할 수 있으며, 미리 설정된 값 미만인 경우 미백에 효능이 없다고 예측하는 것도 가능하다. 하지만, 전술한 예에 제한되지 않고 예측 피부 밝기 변화의 정보를 이용하여 미백 효능 정도, 미백 효능 유무를 예측하는 것이라면 본 발명의 범주에 포함될 수 있다.
일 양태에서, 학습 데이터에 포함된 SNP 정보에는 SNPs 마커 선정 장치(210)에 의해 선정된 하나 이상의 SNPs 중 적어도 일부는 포함되고, 선정되지 않은 SNPs는 포함되지 않을 수 있다. 유전자에 포함된 SNP의 종류는 매우 다양하다. 따라서, 모든 SNP를 고려하여 학습을 수행한다면 학습의 효율이 저하되는 문제가 발생할 수 있다. 이에, 본 발명에서는 SNPs 마커 선정 장치(210)에 의해 미리 선정된 SNPs만을 고려하여 학습함으로써, 학습의 효율을 향상시킴과 함께 예측의 정확성 역시 향상시키는 방법을 채택하는 것이 바람직할 수 있다.
러닝 프로세서(235)에 의해 학습이 이루어지는 과정에서, SNP 정보에 포함된 각각의 SNP마다 비타민 C 또는 비타민 C 유도체를 포함하는 물질 도포 시 피부 밝기 변화에 영향을 미치는 가중치가 결정될 수 있다.
여기에서, 가중치는 제1 값과, SNPs 타입(type)에 따라 서로 다른 값을 갖는 제2 값에 의해 결정될 수 있으며, 보다 구체적으로는 제1 값과 제2 값을 곱한 값으로 결정될 수 있다.
제1 값은 각각의 SNP에 포함된 상위 대립유전자(major allele) 및 하위 대립유전자(minor allele)의 개수에 따라 결정되는 값이다. SNPs 타입은 하나의 SNP마다 상위 대립유전자(major allele)-상위 대립유전자, 상위 대립유전자-하위 대립유전자(minor allele) 및 하위 대립유전자-하위 대립유전자 총 3개가 존재할 수 있으며, 제1 값은 각각의 타입마다 서로 다른 값을 가질 수 있다. 보다 구체적으로는, 제1 값은 하위 대립유전자의 개수가 많은 타입일수록 더 높은 값을 가질 수 있으며, major allele-major allele의 경우 '1', major allele-minor allele의 경우 '2', minor allele-minor allele의 경우'3'의 값이 부여될 수 있으나, 특별히 이에 제한되는 것은 아니다.
제2 값은, 각각의 SNP가 피부 밝기 변화에 영향을 미치는 영향력 지수를 의미(보다 구체적으로는, 각각의 SNP의 minor allele가 피부 밝기에 영향을 미치는 영향력 지수를 의미)한다. 선정된 SNP마다 비타민 C 또는 비타민 C 유도체 처방에 따른 물질 도포시, 피부 밝기 변화에 영향을 미치는 정도가 다를 수 있으므로, 본 발명에서는 각각의 SNP의 영향력 지수인 제2 값을 연산함으로써, 추후 임의의 유전자 정보가 입력되는 경우 연산된 가중치를 이용하여 예측 피부 밝기 변화 정보를 연산할 수 있게 된다.
한편, 제1 값은 SNP에 포함된 상위 대립유전자-하위 대립유전자의 개수에 따라 그 값이 고정이고 학습에 의해 변화하지 않는 값이며, 제2 값이 학습에 의해 변화하는 값이다.
한편, 제1 값을 학습에 의해 변화하는 값으로 하고, 제2 값을 각 SNPs 이 가진 Effect Size로 고정할 수도 있다. 또 다른 실시 양태에 따르면, 제1 값을 상위 대립유전자-하위 대립유전자의 개수에 따라 그 값이 고정이고, 제2 값 또한 Effect Size로 고정할 수도 있다.
또한, 본 발명에서는 제1 값 및 제2 값과 더불어, 성별마다 서로 상이한 값을 갖는 제3 값을 더 이용하여 가중치가 연산될 수 있다.
러닝 프로세서(235)는 제1 피부 밝기 변화 학습 데이터들을 학습하는 과정에서 예측 정확도가 최대가 되도록, 각 SNP마다 피부 밝기 변화에 영향을 미치는 가중치를 조정함으로써(구체적으로는, 제2 값을 조정) 제1 피부 밝기 변화 예측 모델을 생성할 수 있다.
러닝 프로세서(235)에 의해 생성된 제1 피부 밝기 변화 예측 모델은, 예측 단말(100)에 전송되어 예측 단말(100)의 모델 저장부(131)에 저장될 수 있다. 예측 단말(100)의 입력부(120)를 통해 예측 대상 개체의 SNP 정보를 포함하는 유전자 데이터가 질의되면, 예측 단말(100)의 피부 밝기 변화 정보 연산부(141)는 제1 예측 모델을 사용하여 제1 예측 피부 밝기 변화 정보를 연산할 수 있으며, 연산된 정보는 출력부(150)를 통해 시스템 사용자에게 가시적인 정보의 형태로 출력될 수 있다.
한편, 본 발명의 다른 양태에서는 도 7에 도시된 것처럼 예측 단말(100)에 예측 대상 개체의 식별 데이터가 입력되고, 입력된 식별 데이터가 데이터 제공 서버(300)에 전송되며, 데이터 제공 서버(300)는 전송된 식별 데이터에 해당하는 개체의 유전자 데이터를 예측 단말(100)에 전송할 수도 있다.
본 발명의 일 양태에서, 도 8을 참조하면 러닝 프로세서(235)는 SNP 정보 - 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보 - 상기 SNP 정보를 갖는 개체에 상기 처방 중 어느 하나의 처방에 따른 물질을 도포하였을 때의 피부 밝기 변화 정보의 쌍으로 이루어진 제2 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제2 예측 피부 밝기 변화 정보를 출력하는 제2 피부 밝기 변화 예측 모델을 생성할 수 있다.
즉, 러닝 프로세서(235)가 제2 피부 밝기 변화 학습 데이터들을 학습하는 과정에서 예측 정확도가 최대가 되도록, 각각의 처방에서 각 SNP마다 피부 밝기 변화에 영향을 미치는 가중치를 조정함으로써(구체적으로는, 제2 값을 조정) 제2 피부 밝기 변화 예측 모델을 생성할 수 있다.
러닝 프로세서(235)에 의해 생성된 제2 피부 밝기 변화 예측 모델은, 예측 단말(100)에 전송되어 예측 단말(100)의 모델 저장부(131)에 저장될 수 있다. 예측 단말(100)의 입력부(120)를 통해 예측 대상 개체의 SNP 정보를 포함하는 유전자 데이터가 질의되면, 예측 단말(100)의 피부 밝기 변화 정보 연산부(141)는 제2 피부 밝기 변화 예측 모델을 사용하여 각각의 처방마다의 예측 피부 밝기 변화 정보를 연산할 수 있으며, 연산된 정보는 출력부(150)를 통해 시스템 사용자에게 가시적인 정보의 형태로 출력될 수 있다.
또한, 처방 선정부(143)는 피부 밝기 변화 정보 연산부(141)에 의해 연산된 예측 피부 밝기 변화 정보를 사용하여, 해당 예측 대상 개체에 처방되기에 적합한 하나 이상의 처방을 연산한다. 일 예로, 피부 밝기 변화 정보 연산부(141)에 의해 연산된 예측 피부 밝기 변화 정보의 값이 큰 처방이 예측 대상 개체에 처방되기에 적합한 처방으로서 연산될 수 있을 것이다.
한편, 도 8에서는 예측 단말(100)에 예측 대상 개체의 유전자 데이터가 직접 입력되는 모습이 도시되나, 도 7에 도시된 것처럼 예측 단말(100)에 예측 대상 개체의 식별 데이터가 입력되고, 입력된 식별 데이터가 데이터 제공 서버(300)에 전송되며, 데이터 제공 서버(300)는 전송된 식별 데이터에 해당하는 개체의 유전자 데이터를 예측 단말(100)에 전송하는 양태도 본 발명의 범주에 포함될 수 있다.
본 발명의 일 양태에서, 도 9를 참조하면 러닝 프로세서(235)는 SNP 정보 - 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상의 정보 - 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 피부 밝기 변화 정보의 쌍으로 이루어진 제3 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보 및 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제3 예측 피부 밝기 변화 정보를 출력하는 예측 모델을 생성할 수 있다.
즉, 러닝 프로세서(235)가 제3 피부 밝기 변화 학습 데이터들을 학습하는 과정에서 예측 정확도가 최대가 되도록, 각 SNP마다, 그리고 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상이 피부 밝기 변화에 영향을 미치는 가중치를 조정함으로써 제3 피부 밝기 변화 예측 모델을 생성할 수 있다.
러닝 프로세서(235)에 의해 생성된 제3 피부 밝기 변화 예측 모델은, 예측 단말(100)에 전송되어 예측 단말(100)의 모델 저장부(131)에 저장될 수 있다. 예측 단말(100)의 입력부(120)를 통해 예측 대상 개체의 SNP 정보를 포함하는 유전자 데이터 및 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상의 정보가 질의되면, 예측 단말(100)의 피부 밝기 변화 정보 연산부(141)는 제3 피부 밝기 변화 예측 모델을 사용하여 제3 예측 피부 밝기 변화 정보를 연산할 수 있으며, 연산된 정보는 출력부(150)를 통해 시스템 사용자에게 가시적인 정보의 형태로 출력될 수 있다.
본 발명의 일 양태에서, 도 10을 참조하면 러닝 프로세서(235)는 SNP 정보 - 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보 - 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상의 정보 - 상기 SNP 정보를 갖는 개체에 상기 처방 중 어느 하나의 처방에 따른 물질을 도포하였을 때의 피부 밝기 변화 정보의 쌍으로 이루어진 제4 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보 및 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제4 예측 피부 밝기 변화 정보를 출력하는 예측 모델을 생성할 수 있다.
즉, 러닝 프로세서(235)가 제4 피부 밝기 변화 학습 데이터들을 학습하는 과정에서 예측 정확도가 최대가 되도록, 각각의 처방에서 각 SNP마다, 그리고 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상이 피부 밝기 변화에 영향을 미치는 가중치를 조정함으로써 피부 밝기 변화에 영향을 미치는 가중치를 조정함으로써 제4 피부 밝기 변화 예측 모델을 생성할 수 있다.
러닝 프로세서(235)에 의해 생성된 제4 피부 밝기 변화 예측 모델은, 예측 단말(100)에 전송되어 예측 단말(100)의 모델 저장부(131)에 저장될 수 있다. 예측 단말(100)의 입력부(120)를 통해 예측 대상 개체의 SNP 정보를 포함하는 유전자 데이터 및 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상의 정보가 질의되면, 예측 단말(100)의 피부 밝기 변화 정보 연산부(141)는 제4 피부 밝기 변화 예측 모델을 사용하여 각각의 처방마다의 예측 피부 밝기 변화 정보를 연산할 수 있으며, 연산된 정보는 출력부(150)를 통해 시스템 사용자에게 가시적인 정보의 형태로 출력될 수 있다.
또한, 처방 선정부(143)는 피부 밝기 변화 정보 연산부(141)에 의해 연산된 예측 피부 밝기 변화 정보를 사용하여, 해당 예측 대상 개체에 처방되기에 적합한 하나 이상의 처방을 연산한다. 일 예로, 피부 밝기 변화 정보 연산부(141)에 의해 연산된 예측 피부 밝기 변화 정보의 값이 큰 처방이 예측 대상 개체에 처방되기에 적합한 처방으로서 연산될 수 있을 것이다.
한편, 도 10에서는 예측 단말(100)에 예측 대상 개체의 유전자 데이터가 직접 입력되는 모습이 도시되나, 도 11에 도시된 것처럼 예측 단말(100)에 예측 대상 개체의 식별 데이터가 입력되고, 입력된 식별 데이터가 데이터 제공 서버(300)에 전송되며, 데이터 제공 서버(300)는 전송된 식별 데이터에 해당하는 개체의 유전자 데이터를 예측 단말(100)에 전송하는 양태도 본 발명의 범주에 포함될 수 있다.
본 발명의 일 양태에서, 도 12를 참조하면 러닝 프로세서(235)는 SNP 정보 - 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을 때 자극 데이터(자극 유무 또는 자극 정도를 포함)의 쌍으로 이루어진 제1 자극 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제1 자극 정보를 출력하는 예측 모델을 생성할 수 있다.
한편, 자극 정보의 값이 클수록 입력된 처방에 따른 물질이 해당 개체에 도포될 경우 피부 자극 정도가 크고, 값이 작을수록 피부 자극 정도가 낮다는 것을 의미할 수 있다.
즉, 러닝 프로세서(235)가 제1 자극 학습 데이터들을 학습하는 과정에서 예측 정확도가 최대가 되도록, 각 SNP마다 피부 자극에 영향을 미치는 가중치를 조정함으로써(구체적으로는, 제2 값을 조정) 제1 자극 예측 모델을 생성할 수 있다.
러닝 프로세서(235)에 의해 생성된 제1 자극 예측 모델은, 예측 단말(100)에 전송되어 예측 단말(100)의 모델 저장부(131)에 저장될 수 있다. 예측 단말(100)의 입력부(120)를 통해 예측 대상 개체의 SNP 정보를 포함하는 유전자 데이터가 질의되면, 예측 단말(100)의 자극 정보 연산부(142)는 제1 자극 예측 모델을 사용하여 제1 자극 정보(자극 유무 또는 자극 정도의 형태일 수 있음)를 연산할 수 있으며, 연산된 정보는 출력부(150)를 통해 시스템 사용자에게 가시적인 정보의 형태로 출력될 수 있다.
한편, 도 12에서는 예측 단말(100)에 예측 대상 개체의 유전자 데이터가 직접 입력되는 모습이 도시되나, 도 7에 도시된 것처럼 예측 단말(100)에 예측 대상 개체의 식별 데이터가 입력되고, 입력된 식별 데이터가 데이터 제공 서버(300)에 전송되며, 데이터 제공 서버(300)는 전송된 식별 데이터에 해당하는 개체의 유전자 데이터를 예측 단말(100)에 전송하는 양태도 본 발명의 범주에 포함될 수 있다.
본 발명의 일 양태에서, 도 13을 참조하면 러닝 프로세서(235)는 SNP 정보 - 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보 - 상기 SNP 정보를 갖는 개체에 상기 처방 중 어느 하나의 처방에 따른 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제2 자극 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제2 자극 정보를 출력하는 예측 모델을 생성할 수 있다.
즉, 러닝 프로세서(235)가 제2 자극 학습 데이터들을 학습하는 과정에서 예측 정확도가 최대가 되도록, 각각의 처방에서 각 SNP마다 피부 자극에 영향을 미치는 가중치를 조정함으로써(구체적으로는, 제2 값을 조정) 제2 자극 예측 모델을 생성할 수 있다.
러닝 프로세서(235)에 의해 생성된 제2 자극 예측 모델은, 예측 단말(100)에 전송되어 예측 단말(100)의 모델 저장부(131)에 저장될 수 있다. 예측 단말(100)의 입력부(120)를 통해 예측 대상 개체의 SNP 정보를 포함하는 유전자 데이터가 질의되면, 예측 단말(100)의 자극 정보 연산부(142)는 제2 자극 예측 모델을 사용하여 각각의 처방마다의 자극 정보를 연산할 수 있으며, 연산된 정보는 출력부(150)를 통해 시스템 사용자에게 가시적인 정보의 형태로 출력될 수 있다.
또한, 처방 선정부(143)는 자극 정보 연산부(142)에 의해 연산된 자극 정보를 사용하여, 해당 예측 대상 개체에 처방되기에 적합한 하나 이상의 처방을 연산한다. 일 예로, 자극 정보 연산부(142)에 의해 연산된 자극 정보의 값이 작은 처방이 예측 대상 개체에 처방되기에 적합한 처방으로서 연산될 수 있을 것이다.
한편, 도 13에서는 예측 단말(100)에 예측 대상 개체의 유전자 데이터가 직접 입력되는 모습이 도시되나, 도 7에 도시된 것처럼 예측 단말(100)에 예측 대상 개체의 식별 데이터가 입력되고, 입력된 식별 데이터가 데이터 제공 서버(300)에 전송되며, 데이터 제공 서버(300)는 전송된 식별 데이터에 해당하는 개체의 유전자 데이터를 예측 단말(100)에 전송하는 양태도 본 발명의 범주에 포함될 수 있다.
본 발명의 일 양태에서, 도 14를 참조하면 러닝 프로세서(235)는 SNP 정보 - 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상의 정보 - 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 자극 정보의 쌍으로 이루어진 제3 자극 학습 데이터들을 학습하여, SNP 정보 및 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체가 포함된 물질이 도포되었을 때의 제3 자극 정보를 출력하는 예측 모델을 생성할 수 있다.
즉, 러닝 프로세서(235)는 제3 자극 학습 데이터들을 학습하는 과정에서 예측 정확도가 최대가 되도록, 각 SNP마다, 그리고 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상이 피부 자극에 영향을 미치는 가중치를 조정함으로써 제3 자극 예측 모델을 생성할 수 있다.
러닝 프로세서(235)에 의해 생성된 제3 자극 예측 모델은, 예측 단말(100)에 전송되어 예측 단말(100)의 모델 저장부(131)에 저장될 수 있다. 예측 단말(100)의 입력부(120)를 통해 예측 대상 개체의 SNP 정보를 포함하는 유전자 데이터 및 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상의 정보가 질의되면, 예측 단말(100)의 자극 정보 연산부(142)가 제3 자극 예측 모델을 사용하여 제3 자극 정보를 연산할 수 있으며, 연산된 정보는 출력부(150)를 통해 시스템 사용자에게 가시적인 정보의 형태로 출력될 수 있다.
본 발명의 일 양태에서, 도 15를 참조하면 러닝 프로세서(235)는 SNP 정보 - 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보 - 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상의 정보 - 상기 SNP 정보를 갖는 개체에 상기 처방 중 어느 하나의 처방에 따른 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제4 자극 학습 데이터들을 학습하여, SNP 정보 및 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제4 자극 정보를 출력하는 예측 모델을 생성할 수 있다.
즉, 러닝 프로세서(235)가 제4 자극 학습 데이터들을 학습하는 과정에서 예측 정확도가 최대가 되도록, 각각의 처방에서 각 SNP마다 피부 자극에 영향을 미치는 가중치를 조정함으로써(구체적으로는, 제2 값을 조정) 제4 자극 예측 모델을 생성할 수 있다.
러닝 프로세서(235)에 의해 생성된 제4 자극 예측 모델은, 예측 단말(100)에 전송되어 예측 단말(100)의 모델 저장부(131)에 저장될 수 있다. 예측 단말(100)의 입력부(120)를 통해 예측 대상 개체의 SNP 정보를 포함하는 유전자 데이터가 질의되면, 예측 단말(100)의 자극 정보 연산부(142)는 제4 자극 예측 모델을 사용하여 각각의 처방마다의 자극 정보를 연산할 수 있으며, 연산된 정보는 출력부(150)를 통해 시스템 사용자에게 가시적인 정보의 형태로 출력될 수 있다.
또한, 처방 선정부(143)는 자극 정보 연산부(142)에 의해 연산된 자극 정보를 사용하여, 해당 예측 대상 개체에 처방되기에 적합한 하나 이상의 처방을 연산한다. 일 예로, 자극 정보 연산부(142)에 의해 연산된 자극 정보의 값이 작은 처방이 예측 대상 개체에 처방되기에 적합한 처방으로서 연산될 수 있을 것이다.
한편, 도 15에서는 예측 단말(100)에 예측 대상 개체의 유전자 데이터가 직접 입력되는 모습이 도시되나, 예측 단말(100)에 예측 대상 개체의 식별 데이터가 입력되고, 입력된 식별 데이터가 데이터 제공 서버(300)에 전송되며, 데이터 제공 서버(300)는 전송된 식별 데이터에 해당하는 개체의 유전자 데이터를 예측 단말(100)에 전송하는 양태도 본 발명의 범주에 포함될 수 있다.
본 발명의 양태에 따른 예측 단말(100)은 전술한 제1 내지 제4 피부 밝기 변화 예측 모델, 제1 내지 제4 자극 예측 모델 중, 적어도 하나의 피부 밝기 변화 예측 모델에 의한 피부 밝기 변화 예측을 위한 연산, 또는 적어도 하나의 자극 예측 모델에 의한 피부 자극 정보 예측을 위한 연산을 동시에 수행할 수도 있으며, 연산에 따른 출력을 수행할 수도 있다.
이와 같이, 피부 밝기 변화 예측 모델의 연산을 통해 출력되는 예측 피부 밝기 변화 정보에 더하여, 자극 예측 모델의 연산을 통해 출력되는 예측 자극 정보의 비교 연산을 통해 출력되는 자극 정보 중 하나 이상을 이용하여 아래의 정보를 사용자에게 더 제공할 수 있다.
다시 말하면, 예측 단말(100)은 예측 피부 밝기 변화 정보와 예측 자극 정보의 조합을 통해 질의가 이루어진 예측 대상 개체가 4개의 그룹 중 어느 하나의 그룹에 속하는지를 더 연산할 수 있다.
상기 4개의 그룹은 다음과 같다.
첫째는, 적합군이다. 예측 피부 밝기 변화 정보의 값이 제1 기준값보다 크고, 예측 자극 정보의 값이 제2 기준값보다 작을 때, 예측 단말(100)은 해당 예측 대상 개체를 "적합군"으로 연산하고, 처방 선정부(143)는 비타민 C 또는 비타민 C 유도체 단독 처방이라는 처방을 연산하여 사용자에게 제공할 수 있다.
둘째는, 고자극군이다. 예측 피부 밝기 변화 정보의 값이 제1 기준값보다 크고, 예측 자극 정보의 값이 제2 기준값보다 클 때, 예측 단말(100)은 해당 예측 대상 개체를 "고자극군"으로 연산하고, 처방 선정부(143)는 비타민 C 또는 비타민 C 유도체에 더하여 자극 완화 물질이 추가된 처방을 연산하여 사용자에게 제공할 수 있다.
셋째는, 저효능군이다. 예측 피부 밝기 변화 정보의 값이 제1 기준값보다 작고, 예측 자극 정보의 값이 제2 기준값보다 작을 때, 예측 단말(100)은 해당 예측 대상 개체를 "저효능군"으로 연산하고, 처방 선정부(143)는 비타민 C 또는 비타민 C 유도체에 더하여 피부 밝기 개선 효과를 갖는 효능 시너지 물질이 추가된 처방을 연산하여 사용자에게 제공할 수 있다.
넷째는, 비적합군이다. 예측 피부 밝기 변화 정보의 값이 제1 기준값보다 작고, 예측 자극 정보의 값이 제2 기준값보다 클 때, 예측 단말(100)은 해당 예측 대상 개체를 "비적합군"으로 연산하고, 처방 선정부(143)는 비타민 C 또는 비타민 C 유도체에 더하여 효능 시너지 물질 및 자극 완화 물질이 추가된 처방을 연산하여 사용자에게 제공할 수 있다.
또한, 본 발명은 제품 선정부를 더 포함할 수 있으며, 제품 선정부는 처방 선정부에 의해 선정된 처방에 매칭되는 제품을 선정하도록 구성된다. 처방 데이터베이스에는 다수의 처방 각각 제품이 매칭되어 함께 저장될 수 있다. 제품 선정부에 의해 제품이 선정됨으로써, 사용자는 단순히 적합한 처방뿐만 아니라, 해당 처방에 따른 제품까지 함께 추천 받는 것이 가능하다.
이하에서는, 도 16 내지 26을 참조하여 본 발명의 다른 양태에 따른 비타민 C 또는 비타민 C 유도체를 포함하는 처방의 피부 밝기 변화 및 자극 예측 방법을 구체적으로 설명한다. 본 발명의 양태에 따른 피부 밝기 변화 및 자극 예측 방법은 전술한 서버(200)에서 생성된 예측 모델을 사용하여 수행될 수 있다.
도 16을 참조하면, 피험자 표현형 데이터(피부 밝기 변화 정보, 자극 정보) 및 유전자형 데이터(SNP 정보)가 획득되고, 획득된 데이터를 사용하여 SNPs 마커 선정 장치(210)가 히드로퀴논 도포 시 피부 밝기 변화 및/또는 피부 자극에 영향을 미치는 하나 이상의 SNPs 마커를 선정한다. 다음, 서버(200)의 러닝 프로세서(235)가 표현형 데이터와 유전자형 데이터의 상관관계를 도출하도록, 학습 데이터들(제1 내지 제4 피부 밝기 변화 학습 데이터 및 제1 내지 제4 자극 학습 데이터 중 어느 하나)를 학습하여, 제1 내지 제4 피부 밝기 변화 예측 모델 및 제1 내지 제4 자극 예측 모델 중 어느 하나를 생성한다. 다음, 예측 대상 개체의 유전자 데이터 또는 식별 데이터가 입력되고, 유전자 데이터가 생성된 예측 모델에 질의되며, 예측 모델에서 예측 피부 밝기 변화 정보, 자극 정보 중 하나 이상이 연산된다. 다음, 연산된 정보를 이용하여 처방 선정부(143)가 해당 예측 대상 개체에 처방되기에 적합한 하나 이상의 처방을 연산하게 된다.
도 17을 참조하여, SNPs 마커 선정 장치(210)에 의해, 비타민 C 또는 비타민 C 유도체 도포 시 피부 밝기 변화에 영향을 미치는 하나 이상의 SNPs 마커를 선정하는 과정을 구체적으로 설명한다.
먼저, 비타민 C 또는 비타민 C 유도체 포함 제품 도포 이전 측정 장치(220)에 의해 피험자(H)의 피부가 측정되고, 데이터 처리 장치(240)에 의해 피험자(H)의 피부 밝기 값(L0)이 연산될 수 있다.
다음, 비타민 C 또는 비타민 C 유도체 포함 제품을 피험자(H)에게 도포한 후, 측정 장치(220)에 의해 피험자(H)의 피부가 측정되고, 데이터 처리 장치(240)에 의해 피험자(H)의 피부 밝기 값(L)이 연산될 수 있다.
다음, 데이터 처리 장치(240)는 해당 피험자에 비타민 C 또는 비타민 C 유도체 포함 물질이 도포되었을 때의 피부 밝기 변화 값(△L = L - L0)을 연산하고, 연산된 피부 밝기 변화 값을 SNPs 마커 선정 장치(210)에 전송한다.
한편, SNPs 마커 선정 장치(210)는 해당 피험자의 유전자 데이터(서버에 저장된 것일 수도 있으며, 피험자 식별정보를 데이터 제공 서버에 전송함으로써 획득한 것일 수 있음)와 피부 밝기 변화 값의 연관 분석을 수행하여, 비타민 C 또는 비타민 C 유도체를 포함하는 물질 도포 시 피부 밝기 변화에 영향을 미치는 하나 이상의 피부 밝기 변화 예측 SNPs 마커를 선정할 수 있다. 이렇게 선정된 피부 밝기 변화 예측 SNPs 마커는 예측 모델 생성 장치(230)에 전송될 수 있으며, 추후 예측 모델 생성에 학습 데이터의 일 요소로 사용될 수 있다.
도 18을 참조하여, SNPs 마커 선정 장치(210)에 의해, 비타민 C 또는 비타민 C 유도체 도포 시 피부 자극에 영향을 미치는 하나 이상의 SNPs 마커를 선정하는 과정을 구체적으로 설명한다.
피험자(H)에 비타민 C 또는 비타민 C 유도체 포함 제품이 도포된 이후, 전문가(A)에 의해 피험자 면담이 수행되거나, 피험자(H) 자체적으로 설문조사/피부 이미지를 촬영할 수 있다. 면담 결과 및/또는 설문조사 결과/피부 이미지는 데이터 처리 장치(240)에 전송되며, 데이터 처리 장치(240)는 전송된 데이터를 이용하여 자극 데이터(자극 정도 및/또는 자극 유무)를 연산할 수 있다.
한편, SNPs 마커 선정 장치(210)는 해당 피험자의 유전자 데이터(서버에 저장된 것일 수도 있으며, 피험자 식별정보를 데이터 제공 서버에 전송함으로써 획득한 것일 수 있음)와 피부 밝기 변화 값의 연관 분석을 수행하여, 비타민 C 또는 비타민 C 유도체를 포함하는 물질 도포 시 피부 자극에 영향을 미치는 하나 이상의 자극 예측 SNPs 마커를 선정할 수 있다. 이렇게 선정된 자극 예측 SNPs 마커는 예측 모델 생성 장치(230)에 전송될 수 있으며, 추후 예측 모델 생성에 학습 데이터의 일 요소로 사용될 수 있다.
도 19 내지 26을 참조하면, 서버(200)의 예측 모델 생성 장치(230)가 제1 내지 제4 피부 밝기 변화 학습 데이터 및 제1 내지 제4 자극 데이터들을 학습하여 제1 내지 제4 피부 밝기 변화 예측 모델 및 제1 내지 제4 자극 예측 모델을 생성하고, 생성된 예측 모델이 예측 단말(100)에 전송된다.
예측 단말(100)을 통해 피부 밝기 변화 및/또는 자극 예측 명령이 입력되고, 예측의 대상이 되는 예측 대상 개체의 유전자 데이터(직접 입력되거나 데이터 제공 서버를 통해 전송받을 수 있음) 및/또는 나이/성별/생활 습관/환경/피부 특성 정보 중 하나 이상의 데이터를 사용하여, 해당 예측 대상 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질 도포 시의 피부 밝기 변화 정보 및/또는 자극 정보가 연산될 수 있다.
이러한 정보는 다수의 처방 각각마다 연산될 수 있으며, 처방 선정부는 연산된 피부 밝기 변화 정보 및/또는 자극 정보를 이용하여 해당 예측 대상 개체에 처방되기에 적합한 하나 이상의 처방을 선정하여 출력하게 된다.
위 설명한 본 발명의 일 실시예에 따른 방법은, 다양한 컴퓨터 수단을 통하여 수행될 수 있는 컴퓨터 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명을 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
본 발명의 예측 방법 및 시스템을 통해, 비타민 C 처방을 포함하는 다수의 처방에 따른 물질 도포 시 각각의 피부 밝기 변화 정보, 그리고 자극 정보를 제공하는 것이 가능하다.
또한, 높은 효능 정보의 값, 낮은 자극 정보의 값을 갖는 처방을 선정하고, 선정된 처방에 매칭되는 제품 정보를 제공하는 것이 가능하다.
또한, 개인에게서 관찰되는 유전자 다형성 마커들의 정보에 따라 개인에게 가장 효과적인 처방, 그리고 제품 정보를 제공하는 것이 가능하면서도, 개인의 환경 정보/생활 습관 정보/피부 특성 정보를 더 고려한 최적의 처방을 선정하여 제공하는 것이 가능하다.
또한, 피부 밝기 변화 정보 및 자극 정보 연산이 기계 학습의 결과물을 사용하기 때문에, 예측의 정확성이 높다.
도 1은 본 발명에 따른 비타민 C를 포함하는 처방의 피부 밝기 변화 및/또는 피부 자극 예측 시스템의 일 양태를 설명하기 위한 개략적인 블록도이다.
도 2는 도 1의 시스템의 예측 단말의 일 양태를 설명하기 위한 개략적인 블록도이다.
도 3은 도 1의 시스템의 예측 모델 생성 장치의 일 양태를 설명하기 위한 개략적인 블록도이다.
도 4는 도 1의 시스템의 서버와 예측 단말 그리고 데이터 제공 서버 간에 송수신되는 데이터를 설명하기 위한 도면이다.
도 5는 본 발명의 일 양태에서 예측 단말에 입력된 데이터에 따라 예측 모델에서 정보가 연산되고, 연산된 정보가 출력되는 모습을 나타내는 것을 설명하기 위한 도면이다.
도 6은 본 발명의 일 양태에서 학습에 의해 제1 피부 밝기 변화 예측 모델이 생성되고, 예측 단말에 입력된 데이터에 따라 제1 피부 밝기 변화 예측 모델에서 연산된 정보가 출력되는 모습을 나타내는 것을 설명하기 위한 도면이다.
도 7은 예측 단말에 예측 대상 개체의 식별 데이터가 전송되고, 데이터 제공 서버로부터 식별 데이터에 해당하는 유전자 데이터를 전송받아 연산을 수행하는 도 6과 다른 양태를 설명하기 위한 도면이다.
도 8은 본 발명의 일 양태에서 학습에 의해 제2 피부 밝기 변화 예측 모델이 생성되고, 예측 단말에 입력된 데이터에 따라 제2 피부 밝기 변화 예측 모델에서 연산된 정보가 출력되는 모습을 나타내는 것을 설명하기 위한 도면이다.
도 9는 본 발명의 일 양태에서 학습에 의해 제3 피부 밝기 변화 예측 모델이 생성되고, 예측 단말에 입력된 데이터에 따라 제3 피부 밝기 변화 예측 모델에서 연산된 정보가 출력되는 모습을 나타내는 것을 설명하기 위한 도면이다.
도 10은 본 발명의 일 양태에서 학습에 의해 제4 피부 밝기 변화 예측 모델이 생성되고, 예측 단말에 입력된 데이터에 따라 제4 피부 밝기 변화 예측 모델에서 연산된 정보가 출력되는 모습을 나타내는 것을 설명하기 위한 도면이다.
도 11은 예측 단말에 예측 대상 개체의 식별 데이터가 전송되고, 데이터 제공 서버로부터 식별 데이터에 해당하는 유전자 데이터를 전송받아 연산을 수행하는 도 10과 다른 양태를 설명하기 위한 도면이다.
도 12는 본 발명의 일 양태에서 학습에 의해 제1 자극 예측 모델이 생성되고, 예측 단말에 입력된 데이터에 따라 제1 자극 예측 모델에서 연산된 정보가 출력되는 모습을 나타내는 것을 설명하기 위한 도면이다.
도 13은 본 발명의 일 양태에서 학습에 의해 제2 자극 예측 모델이 생성되고, 예측 단말에 입력된 데이터에 따라 제2 자극 예측 모델에서 연산된 정보가 출력되는 모습을 나타내는 것을 설명하기 위한 도면이다.
도 14는 본 발명의 일 양태에서 학습에 의해 제3 자극 예측 모델이 생성되고, 예측 단말에 입력된 데이터에 따라 연산된 자극 정보가 출력되는 모습을 나타내는 것을 설명하기 위한 도면이다.
도 15는 본 발명의 일 양태에서 학습에 의해 제4 자극 예측 모델이 생성되고, 예측 단말에 입력된 데이터에 따라 연산된 자극 정보가 출력되는 모습을 나타내는 것을 설명하기 위한 도면이다.
도 16은 비타민 C를 포함하는 처방의 피부 밝기 변화 및/또는 피부 자극 예측 방법의 일 양태를 설명하기 위한 개략적인 순서도이다.
도 17은 비타민 C를 포함하는 물질 도포 시 피부 밝기 변화에 영향을 미치는 SNPs를 선정하는 본 발명의 일 양태를 설명하기 위한 개략적인 순서도이다.
도 18은 비타민 C를 포함하는 물질 도포 시 피부 자극에 영향을 미치는 SNPs를 선정하는 본 발명의 일 양태를 설명하기 위한 개략적인 순서도이다.
도 19 내지 26은 예측 대상 개체의 유전자 데이터가 생성된 예측 모델에 질의됨에 따라, 예측 피부 밝기 변화 정보, 자극 정보 및/또는 선정 처방 정보가 출력되는 양태를 설명하기 위한 개략적인 순서도이다.
이하, 실시예를 통하여 본 발명을 더욱 상세하게 설명하기로 한다. 이들 실시예는 단지 본 발명을 예시하기 위한 것으로, 본 발명의 범위가 이들 실시예에 의해 제한되는 것으로 해석되지는 않는다.
실시예 1: 비타민C 미백 효능 정도 평가 및 유전자 채집
비타민C 미백 효능 정도를 설명할 수 있는 유전자 다형성 마커를 도출해내기 위하여, 20~50대의 건강한 한국인 45명을 모집하였다.
비타민 C 8% 제품 1종을 모집된 45명을 대상으로, 4주간 1일 1회(저녁), 얼굴 전면에 도포 후, 개인별 볼 부위 피부 밝기 값(L)의 변화(△L)(표현형 정보)를 측정하였다(△L = 4주차 L 값 - 0주차 L 값).
피부 측정을 위하여 모든 분석 대상자는 클렌징 제품을 사용하여 얼굴을 세안하고, 피부가 측정 환경에 적응할 수 있도록 어떠한 제품도 바르지 않고 30분간 대기한 후에 비타민C 미백 효능 정도를 평가하였다. 피부 평가에는 피부색 측정 전문 기기인 Chroma meter CR-400(KONICA MINOLTA, 일본)를 활용하였다.
유전자 채집은 타액 수집을 통하여 이루어졌으며, 효과적인 유전자 채집을 위해 모든 분석 대상은 채집 전 30분부터는 물을 포함한 어떠한 음식물 섭취를 금하였다.
분석 대상자 중 ① 임신, 수유 중 또는 6 개월 이내에 임신을 계획하고 있는 경우, ② 피부질환의 치료를 위해 스테로이드가 함유된 피부외형제를 1 개월 이상 사용한 경우, ③ 동일한 시험에 참가한 뒤 6 개월이 경과되지 않는 경우, ④ 민감성, 과민성 피부를 가진 경우, ⑤ 시험 부위에 점, 여드름, 홍반, 모세혈관확장 등의 피부 이상 소견이 있는 경우, ⑥ 시험 시작 3 개월 이내에 시험 부위에 동일 또는 유사한 화장품 또는 의약품을 사용한 경우, ⑦ 시험 부위에 시술(피부 박피술, 보톡스, 기타 피부관리)을 받거나 6 개월 이내 계획한 경우, ⑧ 만성 소모성 질환이 있는 경우 (천식, 당뇨, 고혈압 등), ⑨ 아토피 피부염을 가지는 경우, ⑩ 그 외 주 시험자의 판단으로 시험이 곤란하다고 판단되는 경우는 피험자에서 제외하였다.
실시예 2: 유전자형 분석
유전자 분석을 위한 타액에서 유전자 추출은 QIAamp mini prep kit (QIAGEN)을 이용하여 human genomic DNA를 추출하였으며, 그 품질은 흡광도 (OD 260/280) 또는 1.7, 농도 50ng/ul, 1x TAE 1% agarose gel을 통한 band 검사를 통해 확인하였으며 품질을 통과한 건에 한하여 유전자 분석을 수행하였다.
Illumina社 microarray genotyping chip을 이용하여 유전자 분석이 진행되었으며, 구체적으로는 동일 회사의 global screening array 제품을 이용하여 분석 대상자들의 유전자를 분석하였다.
Illumina社 microarray genotyping chip 유전자 분석 실험은 제공되는 매뉴얼에 따라 진행되었으며, 제공되는 시약을 사용하여 genomic DNA 증폭 (amplification), DNA 조각화 (fragmentation), 침전 (precipitation), 혼성화 (hybridization), 염색 (staining), 세척 (washing), 코팅 (coating), 스캐닝 (scanning)의 과정을 수행하였다.
실험이 완료된 microarray genotyping chip은 iScan Control Software (Illumina)를 이용하여 스캔하였으며, 스캔이 완료되면 idat 파일이 자동으로 생성되어 GenomeStudio (Illumina) 프로그램을 이용하여 데이터 품질관리 (sample call rate 98%, marker call rate 98%) 및 유전자정보 확인을 수행하였다.
본 실험에서는 유전자 분석 이후 데이터 품질관리를 통과한 데이터만 활용하였다.
실시예 3: 비타민C 미백 효능 정도 연관 유의성 유전자 다형성 마커 도출
비타민C 미백 효능 정도와 연관유의성을 갖는 유전자 다형성 마커들을 도출하기 위하여 분석대상들의 유전자 다형성 마커를 이용한 선형회귀분석을 진행하였으며, 분석을 위하여 R v 3.6.1 프로그램을 사용하였다.
실험을 통하여 확인된 유전자 다형성 마커들을 활용하여 추가적인 유전자 다형성 마커에 대한 정보를 확보하기 위하여 Imputation 분석을 Beagle v 5.1 프로그램을 사용하여 진행하였으며, 해당 분석을 진행하기 위하여 기준이 되는 참조데이터는 국제 공개 유전체데이터 database인 1000 Genomes project에 등록되어 있는 정보를 활용하였다.
Imputation은 실험으로 확보한 유전자 다형성 마커 정보를 토대로 분석되지 않은 유전자 다형성 마커 정보를 추론하는 통계학적 기법이다.
분석대상 유전자 다형성 마커들의 통계적 유의성 확보를 위하여, 피부 구성물질 생성, 멜라닌 생합성, 산화 물질 대사 등 피부 생리 활성에 관여하는 유전자 마커들로 한정하였다.
비타민C 미백 효능 정도와 연관성을 보이는 유전자 다형성 마커들의 유의성은 선형회귀분석 F-statistics 를 통해 평가하였으며, 그 기준은 P-value < 0. 1 로 설정하였다.
비타민C 미백 효능 정도에 영향을 줄 수 있는 외부효과를 최소화하고 유전자정보에 따른 효과를 도출하기 위하여 성별의 정보로 비타민C 미백 효능 정도를 보정하여 분석에 활용하였다(예: 선형회귀분석 수행). 이를 통해, 비타민C 미백 효능 정도 연관 유의성 유전자 다형성 마커들이 다수가 도출되었다.
구체적으로, Illumina社 microarray genotyping chip을 활용하여 피부 구성물질 생성, 멜라닌 생합성, 산화 물질 대사 등 피부 생리 활성에 관여하는 유전자 99종 내 SNP 1135개(총 2829개 중 QC 통과한 개수)를 탐색 pool로 선정하고, 피험자 45명의 SNP 데이터(유전자형 정보)를 확보하였다.
피험자 45명의 비타민 C 도포 전후의 피부 밝기 변화 값(L)과, SNP 데이터의 연관 분석법을 이용하여 p-value < 0.1 이하의 SNP 총 103개를 비타민 C 미백 효능 예측 마커로 발굴하였다(표 1).
비타민C 효능 예측 유전자 다형성 마커 (P < 0.1)
번호 SNP1) Gene1) Chr:Position1) Allele2) MAF3) P-value4) Effect size (β)5) Type6)
1 rs73470760 CERS3 15:100950890 C>T 0.0575 1.69E-03 2.1455 Genotyped
2 rs17110439 PPARGC1B 5:149187457 C>T 0.1307 2.67E-03 -1.0196 Genotyped
3 rs8065601 PRKCA 17:64574258 C>A 0.4569 2.72E-03 -0.9057 Genotyped
4 rs7220007 PRKCA 17:64563520 A>G 0.4454 3.46E-03 -0.8650 Genotyped
5 rs1800572 SLC2A2 3:170732328 C>T 0.0172 5.22E-03 -3.6240 Genotyped
6 rs75222641 ACTN2 1:236910839 A>G 0.0273 5.22E-03 -3.6240 Genotyped
7 rs16932385 LRMDA 10:77347385 T>G 0.0589 5.22E-03 -3.6240 Genotyped
8 rs4778179 OCA2 15:28013600 C>T 0.3247 5.93E-03 0.8093 Genotyped
9 rs9416098 LRMDA 10:77661909 C>T 0.1063 6.17E-03 -1.2135 Genotyped
10 rs2290100 OCA2 15:28273350 C>T 0.3319 1.14E-02 0.6859 Genotyped
11 rs8071862 PRKCA 17:64569892 C>T 0.4124 1.19E-02 -0.7808 Genotyped
12 rs1715387 SLC23A2 20:4889609 G>T 0.0345 1.39E-02 -1.9420 Genotyped
13 rs2076302 DSP 6:7570963 G>A 0.1336 1.43E-02 0.8924 Genotyped
14 rs12173412 PNPLA1 6:36230078 G>T 0.0905 1.51E-02 -1.2489 Genotyped
15 rs7082211 LRMDA 10:77631656 A>G 0.2356 1.83E-02 0.7328 Genotyped
16 rs16950402 OCA2 15:28001858 T>C 0.0560 2.28E-02 1.2188 Genotyped
17 rs9296344 EDN1 6:12297028 T>C 0.0230 2.65E-02 -1.3793 Genotyped
18 rs9849766 TP63 3:189500313 T>C 0.1624 2.73E-02 1.0015 Genotyped
19 rs4830410 STS X:7082547 C>T 0.3376 3.07E-02 -0.5181 Genotyped
20 rs802898 STS X:7090343 C>T 0.3376 3.07E-02 -0.5181 Genotyped
21 rs809104 STS X:7109083 A>G 0.3376 3.07E-02 -0.5181 Genotyped
22 rs6639817 STS X:7225221 A>G 0.3391 3.07E-02 -0.5181 Genotyped
23 rs12450534 PRKCA 17:64331957 G>A 0.2672 3.33E-02 -0.6404 Genotyped
24 rs79155799 TP63 3:189428581 T>G 0.1408 3.36E-02 -0.9292 Genotyped
25 rs4135168 TXN 9:113016885 C>T 0.0747 3.38E-02 1.4343 Genotyped
26 rs117753395 CERS3 15:100971105 C>T 0.0474 3.40E-02 -0.9099 Genotyped
27 rs10415306 KLK5 19:51451046 C>T 0.4713 3.53E-02 0.5742 Genotyped
28 rs3773926 TP63 3:189583298 G>A 0.1782 3.64E-02 0.9036 Genotyped
29 rs8010978 GLRX5 14:96003574 A>G 0.2945 3.92E-02 0.6238 Genotyped
30 rs186350312 MITF 3:69910305 A>G 0.0129 3.97E-02 1.9667 Genotyped
31 rs144054131 PPARGC1B 5:149221858 G>T 0.0144 3.97E-02 1.9667 Genotyped
32 rs144415302 GSK3B 3:119588245 T>C 0.0043 4.01E-02 2.7200 Genotyped
33 rs73470752 CERS3 15:100948487 C>T 0.0072 4.01E-02 2.7200 Imputed
34 rs115595607 CERS3 15:100966911 G>A 0.0072 4.01E-02 2.7200 Imputed
35 rs8043210 CERS3 15:100968751 A>C 0.0072 4.01E-02 2.7200 Imputed
36 rs78804600 MITF 3:69897540 A>G 0.0072 4.01E-02 2.7200 Genotyped
37 rs7171529 CERS3 15:100998085 T>C 0.0187 4.01E-02 2.7200 Imputed
38 rs146534097 PRKCA 17:64366569 G>A 0.0216 4.01E-02 2.7200 Genotyped
39 rs114330433 ABHD5 3:43769037 G>A 0.0244 4.01E-02 2.7200 Genotyped
40 rs75900709 ABHD5 3:43757387 A>G 0.0273 4.01E-02 2.7200 Genotyped
41 rs77477585 TP63 3:189507261 T>G 0.0359 4.01E-02 2.7200 Genotyped
42 rs13321831 TP63 3:189504491 G>A 0.0388 4.01E-02 2.7200 Genotyped
43 rs819639 ACTN2 1:236893599 A>G 0.4296 4.06E-02 -0.5977 Genotyped
44 rs111228792 CERS3 15:100980116 T>C 0.0101 4.24E-02 2.7200 Imputed
45 rs75732492 PRKCA 17:64345656 T>C 0.0187 4.26E-02 -1.5772 Genotyped
46 rs75465608 PPARGC1B 5:149183256 G>T 0.0187 4.32E-02 1.5729 Genotyped
47 rs7179419 OCA2 15:28307179 C>T 0.3362 4.49E-02 0.5274 Genotyped
48 rs4705377 PPARGC1B 5:149163414 G>A 0.2457 4.49E-02 0.6284 Genotyped
49 rs4790903 PRKCA 17:64799578 C>T 0.1264 4.53E-02 0.8940 Genotyped
50 rs3851908 ACTN2 1:236864829 T>C 0.1178 4.69E-02 0.9729 Genotyped
51 rs16834213 ACTN2 1:236866836 C>T 0.1207 4.69E-02 0.9729 Genotyped
52 rs4778138 OCA2 15:28335820 A>G 0.2730 4.83E-02 -0.5364 Genotyped
53 rs71379971 PRKCA 17:64436614 T>G 0.2184 4.89E-02 0.8433 Genotyped
54 rs79149889 PLCL2 3:17125525 A>C 0.0575 4.91E-02 0.8126 Genotyped
55 rs13306758 SLC2A1 1:43392819 G>T 0.0359 5.11E-02 -0.9090 Imputed
56 rs2236574 SLC2A1 1:43393384 G>A 0.0359 5.11E-02 -0.9090 Imputed
57 rs3774791 ABHD5 3:43748755 A>G 0.1394 5.12E-02 0.8943 Genotyped
58 rs370831997 ABHD5 3:43758693 A>C 0.1422 5.12E-02 0.8943 Genotyped
59 rs2057440 LRMDA 10:77758013 A>C 0.4382 5.26E-02 0.4905 Genotyped
60 rs2303070 SPINK5 5:147499891 G>T 0.3103 5.35E-02 -0.5926 Genotyped
61 rs10468901 DSG1 18:28921297 T>C 0.2284 5.54E-02 -0.5464 Genotyped
62 rs17880574 FGFR3 4:1806381 C>T 0.0201 5.90E-02 2.5120 Genotyped
63 rs63750447 MLH1 3:37067240 T>A 0.0345 5.90E-02 2.5120 Genotyped
64 rs7899456 LRMDA 10:77865435 A>G 0.2759 6.00E-02 -0.5368 Genotyped
65 rs12611119 SULT2B1 19:49064855 A>G 0.4425 6.19E-02 0.4854 Genotyped
66 rs148954886 PLCL2 3:16982646 T>G 0.0201 6.28E-02 1.2799 Genotyped
67 rs7624251 TP63 3:189565689 A>G 0.2299 6.63E-02 0.6629 Genotyped
68 rs4074785 CDKN2A 9:21981583 A>G 0.1121 6.64E-02 0.8578 Genotyped
69 rs7174027 OCA2 15:28328765 A>G 0.2974 6.65E-02 0.4847 Genotyped
70 rs76344397 SLC23A2 20:4920025 C>T 0.0359 6.74E-02 1.4297 Genotyped
71 rs1776953 SLC23A2 20:4941291 C>T 0.0417 6.74E-02 1.4297 Genotyped
72 rs73893863 SLC23A2 20:4913904 C>A 0.0474 6.74E-02 1.4297 Genotyped
73 rs1800566 NQO1 16:69745145 A>G 0.4195 7.04E-02 0.4354 Genotyped
74 rs10812227 VLDLR-AS1 9:2548556 C>T 0.4368 7.11E-02 -0.4658 Genotyped
75 rs1597196 OCA2 15:28294922 G>T 0.2241 7.15E-02 0.6752 Genotyped
76 rs11001819 LRMDA 10:78315224 G>A 0.1437 7.27E-02 -0.5868 Genotyped
77 rs12765053 LRMDA 10:77555491 C>T 0.4210 7.51E-02 -0.4910 Genotyped
78 rs7619556 TP63 3:189552371 G>A 0.4425 7.56E-02 -0.5243 Genotyped
79 rs4659708 ACTN2 1:236899343 A>C 0.3994 7.66E-02 -0.5368 Genotyped
80 rs72830245 PPARGC1B 5:149175806 T>G 0.0460 7.87E-02 1.6651 Genotyped
81 rs6777363 MITF 3:69843971 G>T 0.0287 7.87E-02 -1.6651 Genotyped
82 rs12718444 SLC2A1 1:43409179 G>T 0.2313 7.97E-02 0.5937 Genotyped
83 rs7295280 KRT7 12:52630866 T>C 0.3103 7.99E-02 0.4618 Genotyped
84 rs2070698 EDN1 6:12291112 C>T 0.3233 8.10E-02 -0.4696 Genotyped
85 rs4687098 TP63 3:189554894 T>C 0.1121 8.16E-02 -0.9053 Genotyped
86 rs28763961 DSP 6:7569480 A>T 0.1106 8.18E-02 -1.1945 Genotyped
87 rs12572234 LRMDA 10:77683224 G>T 0.3204 8.22E-02 -0.4333 Genotyped
88 rs4533622 CTNNB1 3:41242338 C>A 0.2299 8.25E-02 0.6515 Imputed
89 rs1910412 CERS3 15:101080212 A>C 0.2687 8.54E-02 -0.5857 Genotyped
90 rs2287770 SPINK5 5:147491218 A>G 0.3118 8.66E-02 -0.4962 Genotyped
91 rs12270780 CAT 11:34460711 G>A 0.3103 8.87E-02 0.4969 Genotyped
92 rs3095298 CDSN 6:31082932 C>T 0.1968 8.91E-02 -0.5138 Genotyped
93 rs3094220 CDSN 6:31082987 A>G 0.1968 8.91E-02 -0.5138 Genotyped
94 rs3094216 CDSN 6:31084048 A>G 0.1983 8.91E-02 -0.5138 Genotyped
95 rs6731654 ABCA12 2:215941620 C>T 0.2672 9.01E-02 -0.4891 Genotyped
96 rs524154 CAT 11:34463760 G>A 0.3319 9.14E-02 0.5097 Genotyped
97 rs7901344 LRMDA 10:77971758 G>A 0.0129 9.51E-02 1.6353 Genotyped
98 rs2253798 KRT78 12:53242579 C>T 0.1839 9.51E-02 -0.6730 Imputed
99 rs12931267 FANCA 16:89818732 C>G 0.0273 9.55E-02 -1.6083 Genotyped
100 rs2287771 SPINK5 5:147445012 T>C 0.2543 9.71E-02 -0.4773 Genotyped
101 rs4411468 OCA2 15:28003335 A>G 0.2601 9.80E-02 0.6106 Genotyped
102 rs1907345 LRMDA 10:78175033 C>T 0.1078 9.81E-02 -0.6812 Genotyped
103 rs1139793 TXNRD2 22:19868218 G>A 0.3807 9.86E-02 -0.4646 Genotyped
1) 미국국립보건원 (NIH) ID, 해당 홈페이지에서 서열확인가능2) (major allele) > (minor allele) 의미
3) minor allele frequency = (2mm + Mm)/2(MM + Mm + mm) (M: major allele, m: minor allele)
4) 3가지의 유전형(M/M, M/m, m/m)에 대한 표현형 차이의 통계적 유의성
5) minor allele 이 하나씩 늘어감에 따라 표현형(얼굴 밝기 변화)의 증감 변화 정도 (- : 감소, + :증가)
얼굴 밝기 정도 = 색차계를 이용하여 볼 부위의 밝은 부분(점, 흉터 배제)의 피부색 측정 Lab 중 L 값, 시판기기 이용 (chromameter CR-400, KONIKA MINOLTA, Japan)
6) Beagle v5.1 사용하여 분석
실시예 4: 발굴한 유전자 다형성(SNP) 마커 활용한 비타민 C 효능 예측
발굴된 마커를 이용하여 피부 밝기 변화 예측 모델을 구축하였으며, 구축된 모델은 하기 식으로 나타낼 수 있다.
예측 △L = 성별 변수값 +
Figure pat00001
n: 예측 △L를 산출하는데 사용되는 마커의 개수
beta 값: 해당 SNP minor allele의 영향력 지수
allele 타입 값: Major Major = 1, Major Minor = 2, Minor Minor = 3
모집된 45명 중, 30명으로부터 획득된 데이터를 학습에 사용하고, 나머지 15명으로부터 획득된 데이터를 이용하여 예측 결과를 비교하였다.
구체적으로, 피부 밝기 변화 예측 모델에 사용되는 마커의 수를 증가시켜가면서 실제 △L과 예측 △L을 비교하여 R-square, 정확도, 민감도 및 특이도를 평가하였다(도 1, 표 2).
비타민C 효능 예측 모형 (성별 포함)
마커수 마커 조합(n) Adjusted R-square1) 정확도2) 민감도3) 특이도4)
1 rs73470760 0.1982 0.6667 0.8000 0.4000
2 Rs73470760, rs17110439 0.3246 0.6000 0.6000 0.6000
3 Rs73470760, rs17110439, rs8065601 0.3481 0.6667 0.7000 0.6000
7 Rs7220007, rs75465608, rs73893863, rs17110439, rs144054131, rs75465608, rs4705377 0.3372 0.8667 0.8000 1.0000
17 Rs73470760, rs117753395, rs10468901, rs10415306, rs7220007, rs12450534, rs75732492, rs4790903, rs71379971, rs4830410, rs9296344, rs2290100, rs16950402, rs7179419, rs4778138, rs17110439, rs144054131, rs75465608, rs4705377, rs1715387, rs73893863 0.7759 0.8000 0.8000 0.8000
1) Adjusted R-square은 예측 모델의 설명력을 의미하며, 0은 전혀 설명하지 못한다는 것을 의미하고, 1은 모두 설명한다는 것을 의미2) 정확도는 밝기 변화가 0.5 이상인 그룹을 효능군, 0.5 미만인 그룹을 비효능군으로 예측한 정확도를 의미
3) 민감도는 밝기 변화가 0.5 이상인 그룹을 효능군, 0.5 미만인 그룹을 비효능군이라고 할 때, 효능군을 효능군으로 예측한 정확도를 의미
4) 특이도는 밝기 변화가 0.5 이상인 그룹을 효능군, 0.5 미만인 그룹을 비효능군이라고 할 때, 비효능군을 비효능군으로 예측한 정확도를 의미
실시예 5: 발굴한 유전자 다형성 (SNP) 마커 타입에 선택적인 비타민C 효능 증진 효과 검증
표 1에서 유전자 조절 성분이 알려진 유전자 3종에서 각 유전자 내 최소 P- value값을 가진 SNP를 선별하여 검증용 마커로서 활용하였다(표 3).
SNP 마커 특이적 효능 개선 성분 제공 검증에 활용된 마커
SNP Gene 유전자 기능 Allele MAF P-value Effect size (β) 비타민C 효능 증진 시너지 성분
rs1715387 SLC23A2 세포 내 비타민C 흡수 촉진 pump
(단백질명 SVCT2)
G>T 0.0345 1.39E-02 -1.9420 - Magnesium (SVCT2의 펌프 기능 활성화)
- Zinc (SVCT2 발현 증가)
rs10415306 KLK5 각질세포 간 결합 단백질 분해 효소 C>T 0.4713 3.53E-02 0.5742 - Serine (각질세포 간 결합 단백질 DSG1-DSC1간 해리 유도)
rs10468901 DSG1 각질세포 간 결합 단백질 T>C 0.2284 5.54E-02 -0.5464
rs17110439 PPARGC1B 멜라닌 생성 촉진 유발 단백질 C>T 0.1307 2.67E-03 -1.0196 - Isostearic acid (PPARGC1B 발현 억제)
SNP 마커의 allele이 다른 피험자를 선별하여, 4주간 오른볼에는 비타민C 만 도포하고, 왼볼에는 비타민C와 해당 유전자의 기능 조절 성분을 함께 도포하고 피부 밝기 증가의 차이를 측정하여, 유전자 기능 조절 성분에 의한 비타민C 효능 증진 효과가 유전자 타입에 따라 선택적으로 다름을 증명하고자 하였다.
실시예 5-1: SLC23A2 rs1715387의 T allele 보유 그룹에서의 비타민C 효능 증진 효과 확인
rs1715387 SNP마커를 가지고 있는 피험자에게 오른볼에는 비타민C 10%를 도포하고, 왼볼에는 비타민C 10%와 Zn gluconate 1.8% (Zn 로서 0.25%)및 MgSO4 2%를 도포하였다. 구체적으로, major allele 염기인 G와 minor allele 염기인 T를 보유한 TT(0명), TG(3명), GG(3명) 피험자를 대상으로 하였다. 다만, T는 MAF가 0.0345로서 TT 서열 보유자 희소하여 피험자로 포함되지 못하였다.
그 결과, 하기 표 4에 나타낸 바와 같이, SLC23A2 rs1715387의 T allele 보유 그룹에서 선택적으로 Zn, Mg 추가 도포에 의한 비타민C 효능 증진 효과가 있음을 확인하였다.
마커 비타민C 효능 취약 allele 1) 유전자 서열 타입 모집 인원 Zn, Mg에 의한
효능 증진 효과 △△L 2)
rs1715387 T SLC23A2 TT 0명 -
TG 3명 +0.34
GG 3명 0
1) Effect size는 minor allele 기준이므로, effect size가 양수인 경우 major allele이 효능 취약 allele, effect size가 음수인 경우 minor allele이 효능 취약 allele 임
2) T allele 보유한 경우에 선택적으로, Zn와 Mg 추가 도포에 의한 △L 증가폭 (△△L)이 더 큼
△△L = [4주 후 왼볼 도포 부위 밝기 증가 △L] - [4주 후 오른볼 도포 부위 밝기 증가 △L]
* 측정기기 Chroma meter CR-400(KONICA MINOLTA社, 일본)
실시예 5-2: DSG1 rs10468901의 C allele 보유 그룹에서의 비타민C 효능 증진 효과 확인
rs10468901 SNP마커를 가지고 있는 피험자에게 오른볼에는 비타민C 10%를 도포하고, 왼볼에는 비타민C 10%와 serine 2%를 도포하였다. 구체적으로, major allele 염기인 C와 minor allele 염기인 T를 보유한 CC(3명), CT(5명), TT(7명) 피험자를 대상으로 하였다.
그 결과, 하기 표 5에 나타낸 바와 같이, DSG1 rs10468901의 C allele 보유 그룹에서 선택적으로 Serine 추가 도포에 의한 비타민C 효능 증진 효과가 있음을 확인하였다.
마커 비타민C 효능 취약 allele 2) 유전자 서열 타입 모집 인원 Serine에 의한
효능 증진 효과 △△L 3)
rs10468901 C DSG1 CC 3명 +0.68
CT 5명 +0.49
TT 7명 -0.08
1) Effect size는 minor allele 기준이므로, effect size가 양수인 경우 major allele이 효능 취약 allele, effect size가 음수인 경우 minor allele이 효능 취약 allele 임
2) C allele 보유한 경우에 선택적으로, Serine 추가 도포에 의한 △L 증가폭 (△△L)이 더 큼
△△L = [4주 후 왼볼 도포 부위 밝기 증가 △L] - [4주 후 오른볼 도포 부위 밝기 증가 △L]
* 측정기기 Janus 1 (PIE社, 한국)
실시예 5-3: KLK5 rs10415306의 C allele 보유 그룹에서의 비타민C 효능 증진 효과 확인
rs10415306 SNP마커를 가지고 있는 피험자에게 오른볼에는 비타민C 10%를 도포하고, 왼볼에는 비타민C 10%와 serine 2%를 도포하였다. 구체적으로, major allele 염기인 C와 minor allele 염기인 T를 보유한 CC(7명), CT(5명), TT(3명) 피험자를 대상으로 하였다.
그 결과, 하기 표 6에 나타낸 바와 같이, KLK5 rs10415306의 C allele 보유 그룹에서 선택적으로 Serine 추가 도포에 의한 비타민C 효능 증진 효과가 있음을 확인하였다.
마커 비타민C 효능 취약 allele 2) 유전자 서열 타입 모집 인원 Serine에 의한
효능 증진 효과 △△L 3)
rs10415306 C KLK5 CC 7명 +0.57
CT 5명 +0.46
TT 3명 -0.80
1) Effect size는 minor allele 기준이므로, effect size가 양수인 경우 major allele이 효능 취약 allele, effect size가 음수인 경우 minor allele이 효능 취약 allele 임
2) C allele 보유한 경우에 선택적으로, Serine 추가 도포에 의한 △L 증가폭 (△△L)이 더 큼
△△L = [4주 후 왼볼 도포 부위 밝기 증가 △L] - [4주 후 오른볼 도포 부위 밝기 증가 △L]
* 측정기기 Janus 1 (PIE社, 한국)
실시예 5-4: PPARGC1B rs17110439의 T allele 보유 그룹에서의 비타민C 효능 증진 효과 확인
rs17110439 SNP마커를 가지고 있는 피험자에게 오른볼에는 비타민C 10%를 도포하고, 왼볼에는 비타민C 10%와 Isostearic acid 21%를 도포하였다. 구체적으로, major allele 염기인 T와 minor allele 염기인 C를 보유한 TT(0명), TC(4명), CC(4명) 피험자를 대상으로 하였다. 다만, T는 MAF가 0.1307로서 TT 서열 보유자 희소하여 피험자로 포함되지 못하였다.
그 결과, 하기 표 7에 나 타낸 바와 같이, PPARGC1B rs17110439의 T allele 보유 그룹에서 선택적으로 Isostearic acid 추가 도포에 의한 비타민C 효능 증진 효과가 있음을 확인하였다.
마커 비타민C 효능 취약 allele 2) 유전자 서열 타입 모집 인원 Isostearic acid에 의한
효능 증진 효과 △△L 3)
rs17110439 T PPARGC1B TT 0명 -
TC 4명 +0.39
CC 4명 -0.24
1) Effect size는 minor allele 기준이므로, effect size가 양수인 경우 major allele이 효능 취약 allele, effect size가 음수인 경우 minor allele이 효능 취약 allele 임
2) T allele 보유한 경우에 선택적으로, Isostearic acid 추가 도포에 의한 △L 증가폭 (△△L)이 더 큼
△△L = [4주 후 왼볼 도포 부위 밝기 증가 △L] - [4주 후 오른볼 도포 부위 밝기 증가 △L]
* 측정기기 Janus 1 (PIE社, 한국)
이상의 설명으로부터, 본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 이와 관련하여, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허 청구범위의 의미 및 범위 그리고 그 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (43)

  1. 예측 단말에 예측 대상 개체의 SNP 정보가 입력되는 단계; 및
    상기 예측 단말에 미리 저장된 피부 밝기 변화 예측 모델에 상기 SNP 정보를 질의하여 예측 피부 밝기 변화 정보를 연산하고, 연산된 예측 피부 밝기 변화 정보를 출력하는 단계;를 포함하고,
    상기 피부 밝기 변화 예측 모델은,
    러닝 프로세서가 SNP 정보 및 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을 때 피부 밝기 변화 정보의 쌍으로 이루어진 제1 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제1 예측 피부 밝기 변화 정보를 출력하는 제1 피부 밝기 변화 예측 모델인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  2. 제1항에 있어서,
    SNPs 마커 선정 장치가 상기 SNP 정보에 포함된 다수의 SNPs 중, 비타민 C 또는 비타민 C 유도체 도포 시 피부 밝기 변화와 관련 있는 하나 이상의 SNPs를 선정하는 단계;를 더 포함하고,
    상기 학습 데이터의 SNP 정보에는 상기 SNPs 마커 선정 장치에 의해 선정된 하나 이상의 SNPs 중 적어도 일부는 포함되고, 상기 SNPs 마커 선정 장치에 의해 선정되지 않은 SNPs는 포함되지 않는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  3. 제2항에 있어서,
    상기 피부 밝기 변화와 관련 있는 하나 이상의 SNPs는 표 1에서 선택된 어느 하나 이상인 것인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  4. 제1항에 있어서,
    상기 러닝 프로세스가 상기 학습 데이터들을 학습함에 따라 SNP 정보에 포함된 각각의 SNP마다, 비타민 C 또는 비타민 C 유도체를 포함하는 물질 도포 시 피부 밝기 변화에 영향을 미치는 가중치가 결정될 수 있으며,
    상기 가중치는,
    각각의 SNP에 포함된 상위 대립유전자(major allele) 및 하위 대립유전자(minor allele)의 개수에 따라 결정되는 제1 값; 및
    학습에 의해 그 값이 변화하는 제2 값;을 이용하여 연산되는 것인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  5. 제4항에 있어서,
    상기 제1 값은,
    상위 대립유전자(major allele) - 상위 대립유전자, 상위 대립유전자 - 하위 대립유전자(minor allele) 및 하위 대립유전자의 SNPs 타입(type)마다 서로 다른 값이 부여되는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  6. 제5항에 있어서,
    상기 제1 값은, 상기 SNPs 타입들 중 하위 대립유전자의 개수가 많은 타입일수록 더 높은 값을 갖는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  7. 제4항에 있어서,
    상기 제1 값은 학습이 이루어지더라도 변화하지 않는 값인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  8. 제4항에 있어서,
    상기 가중치는 상기 제1 값과 상기 제2 값을 곱한 값이고,
    상기 예측 피부 밝기 변화 정보는, 각각의 SNP마다의 가중치를 합산하여 연산되는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  9. 제4항에 있어서,
    상기 가중치는,
    상기 제1 값, 상기 제2 값 및 예측 대상 개체의 성별에 따라 서로 상이한 제3 값을 이용하여 연산되는 것인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  10. 제1항에 있어서,
    상기 피부 밝기 변화 예측 모델은,
    상기 러닝 프로세서가 SNP 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보 및 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 피부 밝기 변화 정보의 쌍으로 이루어진 제2 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제2 예측 피부 밝기 변화 정보를 출력하는 제2 피부 밝기 변화 예측 모델인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  11. 제1항에 있어서,
    상기 피부 밝기 변화 예측 모델은,
    러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 그리고 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을때 피부 밝기 변화 정보의 쌍으로 이루어진 제3 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제3 예측 피부 밝기 변화 정보를 출력하는 제3 피부 밝기 변화 예측 모델인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  12. 제1항에 있어서,
    상기 피부 밝기 변화 예측 모델은,
    러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 히드로퀴논을 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보, 그리고 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 피부 밝기 변화 정보의 쌍으로 이루어진 제4 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제4 예측 피부 밝기 변화 정보를 출력하는 제4 피부 밝기 변화 예측 모델인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  13. 제10항 또는 제12항에 있어서,
    상기 예측 단말이 상기 피부 밝기 변화 예측 모델에 상기 SNP 정보를 질의하여 다수의 처방 각각마다의 예측 피부 밝기 변화 정보를 연산하는 단계; 및
    처방 선정부가 상기 예측 피부 밝기 변화 정보를 이용하여, 다수의 처방 중 하나 이상의 처방을 선정하는 단계를 더 포함하는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  14. 제13항에 있어서,
    처방 선정부가 상기 예측 피부 밝기 변화 정보를 이용하여, 다수의 처방 중 하나 이상의 처방을 선정하는 단계는, 상기 예측 피부 밝기 변화 정보의 값이 큰 하나 이상의 처방을 선정하는 단계를 포함하는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  15. 제10항 또는 제12항에 있어서,
    상기 다수의 처방은, 비타민 C 또는 비타민 C 유도체 처방 및 비타민 C 또는 비타민 C 유도체에 추가 물질이 더 포함된 처방을 포함하고,
    상기 추가 물질은 마그네슘(Mg), 아연(Zn), 피부 밝기 증가 유도 물질, 피부 자극 완화제, 제재 안정화 물질 및 제재 질감 결정 물질로 이루어진 그룹 중 선택된 하나 이상인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  16. 제1항에 있어서,
    상기 예측 단말이 미리 저장된 피부 자극 예측 모델에 상기 SNP 정보를 질의하여 연산된 정보가 추가로 출력되는 단계를 더 포함하고,
    상기 피부 자극 예측 모델은, 상기 러닝 프로세서가 SNP 정보 및 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제1 자극 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제1 예측 자극 정보를 연산하는 제1 자극 예측 모델인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  17. 제1항에 있어서,
    상기 예측 단말이 미리 저장된 피부 자극 예측 모델에 상기 SNP 정보를 질의하여 연산된 정보가 추가로 출력되는 단계를 더 포함하고,
    상기 피부 자극 예측 모델은, 상기 러닝 프로세서가 SNP 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보 및 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제2 자극 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제2 예측 자극 정보를 출력하는 제2 자극 예측 모델인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  18. 제1항에 있어서,
    상기 예측 단말이 미리 저장된 피부 자극 예측 모델에 상기 SNP 정보를 질의하여 연산된 정보가 추가로 출력되는 단계를 더 포함하고,
    피부 자극 예측 모델은, 러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 그리고 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을때 자극 정보의 쌍으로 이루어진 제3 자극 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 히드로퀴논을 포함하는 물질이 도포되었을 때의 제3 예측 자극 정보를 출력하는 제3 자극 예측 모델인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  19. 제1항에 있어서,
    상기 예측 단말이 미리 저장된 피부 자극 예측 모델에 상기 SNP 정보를 질의하여 연산된 정보가 추가로 출력되는 단계를 더 포함하고,
    피부 자극 예측 모델은, 러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보, 그리고 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제4 자극 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제4 예측 자극 정보를 출력하는 제4 자극 예측 모델인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  20. 제16항 내지 제19항 중 어느 하 항에 있어서,
    상기 예측 단말이 상기 피부 자극 예측 모델에 상기 SNP 정보를 질의하여 다수의 처방 각각마다의 예측 자극 정보를 연산하는 단계; 및
    처방 선정부가 상기 예측 자극 정보를 이용하여, 하나 이상의 처방을 선정하는 단계;를 더 포함하는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  21. 제20항에 있어서,
    처방 선정부가 상기 예측 자극 정보를 이용하여, 하나 이상의 처방을 선정하는 단계는, 처방 선정부가 다수의 처방 중, 상기 예측 자극 정보의 값이 작은 하나 이상의 처방을 선정하는 단계를 더 포함하는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  22. SNP 정보 및 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을때 피부 밝기 변화 정보의 쌍으로 이루어진 제1 피부 밝기 변화 학습 데이터들을 학습하여 제1 피부 밝기 변화 예측 모델을 생성하는 서버로서, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 히드로퀴논을 포함하는 물질이 도포되었을 때의 제1 예측 피부 밝기 변화 정보를 출력하는 제1 피부 밝기 변화 예측 모델을 생성하는 서버; 및
    예측 대상 개체의 SNP 정보를 입력받고, 상기 서버에서 생성된 제1 피부 밝기 변화 예측 모델에 입력받은 SNP 정보를 질의하여 연산된 제1 예측 피부 밝기 변화 정보를 출력하는 예측 단말;을 포함하는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 시스템.
  23. 제22항에 있어서,
    상기 SNP 정보에 포함된 다수의 SNPs 중, 비타민 C 또는 비타민 C 유도체 도포 시 피부 밝기 변화와 관련 있는 하나 이상의 SNPs를 선정하는 SNPs 마커 선정 장치;를 더 포함하고,
    상기 학습 데이터의 SNP 정보에는 상기 SNPs 마커 선정 장치에 의해 선정된 하나 이상의 SNPs 중 적어도 일부는 포함되고, 상기 SNPs 마커 선정 장치에 의해 선정되지 않은 SNPs는 포함되지 않는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 시스템.
  24. 제23항에 있어서,
    상기 피부 밝기 변화와 관련 있는 하나 이상의 SNPs는 표 1에서 선택된 어느 하나 이상인 것인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 시스템.
  25. 제22항에 있어서,
    상기 서버의 러닝 프로세스가 상기 학습 데이터들을 학습함에 따라 SNP 정보에 포함된 각각의 SNP마다 비타민 C 또는 비타민 C 유도체를 포함하는 물질 도포 시 피부 밝기 변화에 영향을 미치는 가중치가 결정될 수 있으며,
    상기 가중치는,
    각각의 SNP에 포함된 상위 대립유전자(major allele) 및 하위 대립유전자(minor allele)의 개수에 따라 결정되는 제1 값; 및
    학습에 의해 그 값이 변화하는 제2 값;을 이용하여 연산되는 것인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 시스템.
  26. 제25항에 있어서,
    상기 제1 값은,
    상위 대립유전자(major allele) - 상위 대립유전자, 상위 대립유전자 - 하위 대립유전자(minor allele) 및 하위 대립유전자 - 하위 대립유전자의 SNPs 타입(type) 마다 서로 다른 값이 부여되는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 시스템.
  27. 제26항에 있어서,
    상기 제1 값은, 상기 SNPs 타입들 중 하위 대립유전자의 개수가 많은 타입일수록 더 높은 값을 갖는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 시스템.
  28. 제25항에 있어서,
    상기 제1 값은 학습이 이루어지더라도 변화하지 않는 값인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 시스템.
  29. 제25항에 있어서,
    상기 가중치는 상기 제1 값과 상기 제2 값을 곱한 값이고,
    상기 예측 피부 밝기 변화 정보는, 각각의 SNP마다의 가중치를 합산하여 연산되는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 시스템.
  30. 제25항에 있어서,
    상기 가중치는,
    상기 제1 값, 상기 제2 값 및 예측 대상 개체의 성별에 따라 서로 상이한 제3 값을 이용하여 연산되는 것인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 시스템.
  31. 제22항에 있어서,
    상기 피부 밝기 변화 예측 모델은,
    상기 러닝 프로세서가 SNP 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보 및 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 피부 밝기 변화 정보의 쌍으로 이루어진 제2 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제2 예측 피부 밝기 변화 정보를 출력하는 제2 피부 밝기 변화 예측 모델인,
    비타민 C를 포함하는 처방의 피부색 밝기 변화 예측 시스템.
  32. 제22항에 있어서,
    상기 피부 밝기 변화 예측 모델은,
    러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 그리고 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을때 피부 밝기 변화 정보의 쌍으로 이루어진 제3 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제3 예측 피부 밝기 변화 정보를 출력하는 제3 피부 밝기 변화 예측 모델인,
    비타민 C를 포함하는 처방의 피부색 밝기 변화 예측 시스템.
  33. 제22항에 있어서,
    상기 피부 밝기 변화 예측 모델은,
    러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 히드로퀴논을 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보, 그리고 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 피부 밝기 변화 정보의 쌍으로 이루어진 제4 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제4 예측 피부 밝기 변화 정보를 출력하는 제4 피부 밝기 변화 예측 모델인,
    비타민 C를 포함하는 처방의 피부색 밝기 변화 예측 시스템.
  34. 제31항 또는 제33항에 있어서,
    상기 예측 단말은 상기 피부 밝기 변화 예측 모델에 상기 SNP 정보를 질의하여 다수의 처방 각각마다의 예측 피부 밝기 변화 정보를 연산하고,
    상기 시스템은,
    상기 예측 피부 밝기 변화 정보를 이용하여, 다수의 처방 중 하나 이상의 처방을 선정하는 처방 선정부를 더 포함하는,
    비타민 C를 포함하는 처방의 피부색 밝기 변화 예측 시스템.
  35. 제34항에 있어서,
    상기 처방 선정부는 다수의 처방 중, 상기 예측 피부 밝기 변화 정보의 값이 큰 하나 이상의 처방을 선정하는,
    비타민 C를 포함하는 처방의 피부색 밝기 변화 예측 시스템.
  36. 제31항 또는 제33항에 있어서,
    상기 다수의 처방은, 히드로퀴논 처방 및 히드로퀴논에 추가 물질이 더 포함된 처방을 포함하고,
    상기 추가 물질은 마그네슘(Mg), 아연(Zn), 피부 밝기 증가 유도 물질, 피부 자극 완화제, 제재 안정화 물질 및 제재 질감 결정 물질로 이루어진 그룹 중 선택된 하나 이상인,
    비타민 C를 포함하는 처방의 피부색 밝기 변화 예측 시스템.
  37. 제22항에 있어서,
    상기 예측 단말은, 상기 서버에서 생성된 피부 자극 예측 모델에 입력받은 SNP 정보를 질의함으로써 연산된 정보를 추가로 출력하고,
    상기 피부 자극 예측 모델은, 상기 러닝 프로세서가 SNP 정보 및 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제1 자극 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제1 예측 자극 정보를 연산하는 제1 자극 예측 모델인,
    비타민 C를 포함하는 처방의 피부색 밝기 변화 예측 시스템.
  38. 제22항에 있어서,
    상기 예측 단말은, 상기 서버에서 생성된 피부 자극 예측 모델에 입력받은 SNP 정보를 질의함으로써 연산된 정보를 추가로 출력하고,
    상기 피부 자극 예측 모델은, 상기 러닝 프로세서가 SNP 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보 및 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제2 자극 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제2 예측 자극 정보를 출력하는 제2 자극 예측 모델인,
    비타민 C를 포함하는 처방의 피부색 밝기 변화 예측 시스템.
  39. 제22항에 있어서,
    상기 예측 단말은, 상기 서버에서 생성된 피부 자극 예측 모델에 입력받은 SNP 정보를 질의함으로써 연산된 정보를 추가로 출력하고,
    피부 자극 예측 모델은, 러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 그리고 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을때 자극 정보의 쌍으로 이루어진 제3 자극 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 히드로퀴논을 포함하는 물질이 도포되었을 때의 제3 예측 자극 정보를 출력하는 제3 자극 예측 모델인,
    비타민 C를 포함하는 처방의 피부색 밝기 변화 예측 시스템.
  40. 제22항에 있어서,
    상기 예측 단말은, 상기 서버에서 생성된 피부 자극 예측 모델에 입력받은 SNP 정보를 질의함으로써 연산된 정보를 추가로 출력하고,
    피부 자극 예측 모델은, 러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보, 그리고 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제4 자극 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제4 예측 자극 정보를 출력하는 제4 자극 예측 모델인,
    비타민 C를 포함하는 처방의 피부색 밝기 변화 예측 시스템.
  41. 제37항 내지 제40항 중 어느 한 항에 있어서,
    상기 예측 단말은 상기 피부 자극 예측 모델에 상기 SNP 정보를 질의하여 다수의 처방 각각마다의 예측 자극 정보를 연산하고,
    상기 시스템은,
    상기 예측 자극 정보를 이용하여, 상기 다수의 처방 중 하나 이상의 처방을 선정하는 처방 선정부를 더 포함하는,
    비타민 C를 포함하는 처방의 피부색 밝기 변화 예측 시스템.
  42. 제41항에 있어서,
    상기 처방 선정부는, 다수의 처방 중 상기 예측 자극 정보의 값이 작은 하나 이상의 처방을 선정하는,
    비타민 C를 포함하는 처방의 피부색 밝기 변화 예측 시스템.
  43. 제1항 내지 제12항 및 제16항 내지 제19항 중 어느 한 항에 따른 방법을 실행하도록 컴퓨터 판독 가능한 기록 매체에 저장된, 컴퓨터 프로그램.
KR1020220154610A 2021-12-10 2022-11-17 비타민 c를 포함하는 처방의 피부 밝기 변화 예측 방법 및 시스템 KR20230088246A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210176665 2021-12-10
KR20210176665 2021-12-10

Publications (1)

Publication Number Publication Date
KR20230088246A true KR20230088246A (ko) 2023-06-19

Family

ID=86730787

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220154610A KR20230088246A (ko) 2021-12-10 2022-11-17 비타민 c를 포함하는 처방의 피부 밝기 변화 예측 방법 및 시스템

Country Status (2)

Country Link
KR (1) KR20230088246A (ko)
WO (1) WO2023106680A1 (ko)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130016009A (ko) * 2011-08-03 2013-02-14 주식회사 엘지생활건강 피부 타입별 유전자 다형성 마커 및 이의 용도
KR20170049768A (ko) * 2015-10-28 2017-05-11 주식회사 엘지생활건강 피부 색상 및 흑화 민감도 진단용 단일염기다형성 마커 및 이의 용도
WO2018101449A1 (ja) * 2016-11-30 2018-06-07 株式会社資生堂 肌特性解析方法
KR102044356B1 (ko) * 2018-03-27 2019-11-13 (주)메디젠휴먼케어 단일염기다형성을 이용한 피부 표현형 예측 방법
JP7458063B2 (ja) * 2020-03-27 2024-03-29 日本メナード化粧品株式会社 肌状態評価装置及び肌状態改善アドバイス方法
CN112990540A (zh) * 2021-02-05 2021-06-18 杭州仙单科技有限公司 一种护肤品功效评价与预测系统及方法

Also Published As

Publication number Publication date
WO2023106680A1 (ko) 2023-06-15

Similar Documents

Publication Publication Date Title
KR101763949B1 (ko) 보습 피부 타입 유전자 다형성 마커 및 이의 용도
KR20230088246A (ko) 비타민 c를 포함하는 처방의 피부 밝기 변화 예측 방법 및 시스템
KR20230072354A (ko) 레티놀을 포함하는 처방의 자극 유무 예측 방법 및 시스템
KR20220141659A (ko) 피부색 판단용 유전자 다형성 마커 및 이의 용도
KR20220141658A (ko) 피부색 판단용 유전자 다형성 마커 및 이의 용도
KR20220137382A (ko) 주름 피부 타입 판단용 유전자 다형성 마커 및 이의 용도