KR20230129760A - 유전체 기반 약물 선택 및 부작용 예측 시스템, 그리고 이를 통한 유전체 기반 약물 선택 및 위험성 예측 정보제공 방법 - Google Patents

Abstract

질환자, 특히 정신질환자를 대상으로 기계학습된 부작용 예측 모델을 이용하여 질환자의 유전체 정보 및 약물정보, 변이정보를 이용하여 사용자에게 사용하기 적합한 약물 및 부작용 예측정보를 제공할 수 있는 시스템 및 방법을 개시한다. 본 발명의 시스템은 서비스 제공자의 서버를 포함하고, 상기 서버는 한명 이상의 사용자에 대한 데이터를 포함하는 사용자 데이터베이스; 알려져 있는 약물의 정보가 하나 이상 포함되어 저장되어 있는 약물정보 데이터베이스; 알려져 있는 유전자 변이정보가 하나 이상 포함되어 저장되어 있는 변이정보 데이터베이스; 알려져 있는 약물과 유전자 변이상태에 대한 변이-약물 상관관계정보가 하나 이상 포함되어 있는 변이-약물반응 데이터베이스; 알려져 있는 둘 이상의 약물간 상관관계정보가 하나 이상 포함되어 있는 약물-약물반응 데이터베이스; 상기 한명 이상의 사용자 각각의 유전체 정보를 획득하는 분석부; 하나 이상의 운영 프로그램을 포함하는 관리부; 그리고 기계학습 알고리즘 내지는 모델이 적용되어 있는 부작용 예측 모델을 포함하며, 상기 한명 이상의 사용자 각각에 대한 약물 위험도 및 부작용을 예측하고 개인별 약물 점수를 산출하는 예측/학습부를 포함하여, 이를 통하여 적합한 약물 및 부작용에 대한 예측정보를 제공한다.

Description

유전체 기반 약물 선택 및 부작용 예측 시스템, 그리고 이를 통한 유전체 기반 약물 선택 및 위험성 예측 정보제공 방법{A GENOME-BASED DRUG SELECTION AND SIDE-EFFECTS PREDICTION SYSTEM, AND GENOME-BASED DRUG SELECTION AND SIDE-EFFECTS PREDICTED INFORMATION PROVIDING THEREOF}

본 발명은 유전체 기반 약물 선택 및 부작용 예측 시스템과 이를 통한 유전체 기반 약물 선택 및 위험성 예측 정보제공 방법에 관한 것으로, 보다 상세하게는 질환자, 특히 정신질환자를 대상으로 기계학습된 부작용 예측 모델을 이용하여 질환자의 유전체 정보 및 약물정보, 변이정보를 이용하여 사용자에게 사용하기 적합한 약물 및 부작용 예측정보를 제공할 수 있는 시스템 및 방법에 대한 것이다.

1953년 제임스 왓슨(James Watson)이 ‘네이처’지에 DNA 이중 나선에 대한 논문을 발표한 후, DNA 분석 방법은 극적으로 발전하고 있으며, 발견된 DNA를 토대로 종별로 유전자 전체를 연구하는 학문인 유전체학(Genomics)이 급부상하고 있어 이러한 학문을 토대로 다양한 활용 반응들 또한 연구 및 개발되고 있다.

개인에 대한 유전체 검사 비용이 초기에는 상당하여 연구 이상의 활용방안을 모색하기 어려웠지만, 지속적인 가격 하락으로 인하여 이제는 개인이 유전체 검사를 실시하고 이를 이용하여 개인이 모르고 있었던 유전자 변형 정도와 질환 유전자를 파악하여 유전 질환의 예측 및 파악을 비롯한 다양한 신체적, 정신적 건강에 활용될 수 있다.

하지만 이러한 유전체 검사 비용이 산업적으로 활용 가능한 정도로 낮춰진 것은 비교적 최근으로서, 아직 개발되지 않은 다양한 활용방안들이 있을 것으로 파악하고 있다. 현재 유전체 정보에 대한 활용 방안 중 약물과 유전자에 대한 상관관계에 대한 연구 및 활용의 경우, 약물과 유전체 변이에 대한 1대 1 관계쌍을 나타내어 유전체 변이에 대한 약물 부작용 가능성 및 효능, 효과 정보를 단편적으로 제공해 주는 수준으로서 둘 이상의 약물을 섭취하는 질환자의 경우 약물 간 상호작용이 어떻게 이루어지는지, 또한 다수의 약물이 질환자의 유전체와의 상관관계가 어떻게 되는지에 대하여는 아직 개발이 미흡한 수준이다.

특히 정신질환자의 경우, 다수의 약물을 장기적으로 복용하게 되는 경우가 많은데 이러한 경우에는 약물과 약물 간 상호작용이 예상치 못한 변수로 작용하여 약물과 유전자에 대한 상관관계를 정확하게 파악하기 어렵다.

정신신경계 약물은 1950년대 클로르프로마진(Chlorpromazine)을 시작으로 정신신경계 약물이 꾸준히 개발되고 있다. 애초에 정신질환은 약물이 도입되기 전까지는 전기 충격 요법을 행하거나 뇌절제 수술 및 이렇게도 치료가 되지 안되면 병동에 가둬놓는 방식으로 치료라고 부르기는 애매한 방식이었으나, 정신신경계 약물의 발견으로 정신질환 치료에 획기적인 지평을 열었고 이후로 클로로자핀, 리튬, 리스페리돈, 선택적 세르토닌 재흡수 억제제(Selective serotonin reuptake inhibitor, SSRI)로 불리는 올란자핀등과 같은 수많은 정신신경계약물이 개발 되었다.

그러나 많은 정신 신경계 약물들은 투여 후 예측하지 못한 부작용 또는 사람에 따라 효과가 전혀 나타나지 않거나 과하게 나타나는 등 개인에 따라 또는 약물에 따라 반응이 다르게 나타난다. 이러한 부분이 정신질환자에 대하여 일괄적인 약물 처방을 어렵게 하는 난점으로 지적되고 있다.

예를 들어 조현병 치료 효과가 높다고 여겨지는 클로자핀에 경우, 무과립구증이 부작용으로 나타날 수 있으며 이 경우 심각한 경우 사망을 초래할 수 있다. 또한, 리스페리돈, 올란자핀 등과 같은 약물의 경우 체증 증가 및 혈당증가가 나타날 수 있는데 상기 설명한 부작용의 경우 개인별로 전혀 나타나지 않거나 또는 여러 강도로 나타난다.

약물의 효과 또한 개인별로 다르게 나타나는데 이에 따라 단독 요법으로 투여하다가 개인에 따라 복합투여을 진행할 때 적게는 2개 이상, 많게는 5~7개까지도 같은 계열의 항정신약물을 섭취하게 된다. 조현병 환자들을 대상으로 약물치료 전략을 수립하기 위해 KMAP이라는 약물치료 지침서가 발간되었지만 이는 완벽하게 임상상황을 반영하지 못하여 모든 환자에게 적용할 수 없는 등의 한계가 존재한다.

이러한 한계를 극복하기 위해 약물과 유전자 내지는 유전체와의 상관관계를 연구하는 약물 유전학 또는 약물유전체학이 지속적으로 연구되고 있다. 약물 유전체학은 개인별 유전체 염기서열 차이에 따른 환자에게 적합한 약물과 용량을 선택할 수 있는 개인 맞춤 약물을 선택하는 것을 말하며, 특히 단일염기다형성(Single Nucleotide Polymorphism, SNP) 등의 유전체 정보를 기반으로 하는 데이터 연구가 이미 활발히 이루어 지고 있다.

약물유전체학에 따르면, 현재 약물의 대사와 관련된 유전자로는 ABCB1, ABCC2, ABCG2, CYP1A1, CYP1A2, CYP2A6, CYP2B6, CYP2C19, CYP2C8, CYP2C9, CYP2D6, CYP2E1, CYP3A4, CYP3A5, DPYD, GSTM1, GSTP1, GSTT1, HRT2A, HRT2B, NAT1, NAT2, SLC15A2, SLC22A1, SLC22A2, SLC22A6, SLCO1B1, SLCO1B3, SLCO2B1, SULT1A1, TPMT, UGT1A1, UGT2B15, UGT2B17, UGT2B7, VKORC1 등이 보고되어 있으며 조현병 및 우울증 등의 정신질환을 타겟으로 하는 약물 대사체의 경우 rsID라고 불리우는 SNP 정보에 따라, 독성 또는 효능을 판별하는 임상 연구가 지속적으로 진행되고 있다.

다만, 수없이 많은 SNP와 약물 간의 연계 연구에도 불구하고 약물유전체 기반의 약물대사에 대한 정확한 값을 추론하기에는 어려운 부분이 있다. 기본적으로 약물 대사 과정은 복합적인 약물 효소와 관계를 하고 있고, 대체하는 약물의 종류도 매우 다양하기 때문이다.

특히, 임상 연구를 검토할 경우 SNP에 따른 약물 효과(Odds ratio 1.1~1.5)가 매우 낮게 나타나는 경우가 많다. 이에 따라 효과가 나지 않을 경우 복합 투여에 들어가게 되는데 가령 리스페리돈에 대한 반응을 하지 않는 경우 클로자핀을 사용할 수 있으며, 이 또한 반응이 보이지 않을 경우 복합투여를 하게 된다. 또한, 나타나는 부작용을 줄이기 위해 기분조절제와 항우울제 그리고 체중 증가가 심한 경우 체중조절제를 섭취할 수 있다. 이러한 현재의 치료 상황을 검토하지 않고 무작정 개인의 유전체만 가지고 약물을 선택한다면 치료 효과가 전혀 나타나지 않아 추론에 어려움을 겪을 수 있다.

따라서, 본 발명의 출원인은 개인 유전체 정보와 함께 약물간의 상호작용에 대한 데이터베이스 세트를 기반으로 정신약물에 대한 반응성을 신속하고 정확하게 처리할 수 있는 약물위험도를 예측할 수 있는 시스템을 개발하고자 한다.

KR공개특허 10-2020-0051108호 KR공개특허 10-2017-0058507호 KR등록특허 10-1540647호 KR등록특허 10-1524562호

본 발명은 상기와 같은 종래 기술과는 다른 방식으로 본 발명에서 이루고자 하는 정신약물군간 반응성, 그리고 유전체 기반 약물 및 약물군의 부작용을 신속하고 정확하게 예측하는 시스템과, 이를 이용한 정보제공 방법을 제공하는 데 그 목적이 있다.

본 발명은 상기와 같은 본 발명의 목적을 달성하기 위하여,

유전체 기반 약물 선택 및 부작용 예측 시스템으로서, 서비스 제공자의 서버를 포함하고, 상기 서버는 한명 이상의 사용자에 대한 데이터를 포함하는 사용자 데이터베이스; 알려져 있는 약물의 정보가 하나 이상 포함되어 저장되어 있는 약물정보 데이터베이스; 알려져 있는 유전자 변이정보가 하나 이상 포함되어 저장되어 있는 변이정보 데이터베이스; 알려져 있는 약물과 유전자 변이상태에 대한 변이-약물 상관관계정보가 하나 이상 포함되어 있는 변이-약물반응 데이터베이스; 알려져 있는 둘 이상의 약물간 상관관계정보가 하나 이상 포함되어 있는 약물-약물반응 데이터베이스; 상기 한명 이상의 사용자 각각의 유전체 정보를 획득하는 분석부; 하나 이상의 운영 프로그램을 포함하는 관리부; 그리고 기계학습 알고리즘 내지는 모델이 적용되어 있는 부작용 예측 모델을 포함하며, 상기 한명 이상의 사용자 각각에 대한 약물 위험도 및 부작용을 예측하고 개인별 약물 점수를 산출하는 예측/학습부를 포함하는 유전체 기반 약물 선택 및 부작용 예측 시스템을 제공한다.

상기에서, 상기 시스템은 상기 서버로부터 제공받은 정보를 전송받아 가시적으로 확인할 수 있는 하나 이상의 단말기를 더 포함하는 것이 바람직하다.

상기에서, 사용자 데이터베이스는 하나 이상의 개별 사용자 데이터베이스를 포함하고, 상기 하나 이상의 개별 사용자 데이터베이스는 각각 해당 사용자의 개인정보를 포함하는 사용자 개인정보 데이터; 해당 사용자의 유전정보가 하나 이상 포함되어 저장되는 유전정보 데이터; 해당 사용자가 현재 가지고 있는 하나 이상의 질환정보가 포함되어 저장되는 질환정보 데이터; 해당 사용자가 현재 복용하고 있는 하나 이상의 약물에 대한 데이터가 포함되어 저장되는 복용정보 데이터; 그리고 상기 예측/학습부에 의해 예측된 데이터가 하나 이상 포함되어 저장되는 예측정보 데이터를 포함한다.

상기에서, 약물정보 데이터베이스는 하나 이상의 개별 약물정보 데이터베이스를 포함하고, 상기 하나 이상의 개별 약물정보 데이터베이스는 각각 해당 약물의 일반적인 정보 데이터가 저장되어 있는 약물 일반정보 데이터; 해당 약물의 유효성분이 하나 이상 저장되어 있는 약물 유효성분 데이터; 그리고 해당 약물에 대하여 고유하게 부여된 ID 또는 고유번호를 포함하는 약물 ID를 포함한다.

상기에서, 변이정보 데이터베이스는 하나 이상의 개별 변이정보 데이터베이스를 포함하고, 상기 하나 이상의 개별 변이정보 데이터베이스는 각각 해당 변이에 있어서 관여하는 유전정보가 하나 이상 포함되는 관여 유전정보 데이터; 상기 관여 유전정보 데이터 내 유전정보의 변이된 내용, 변이수준, 변이로 인한 신체적 변화 특징, 변이로 인한 정신적 변화 특징 중 어느 하나 이상이 포함되는 변이내용 데이터; 그리고 해당 변이에 대하여 고유하게 부여된 ID 또는 고유번호를 포함하는 변이정보 ID를 포함한다.

상기에서, 변이-약물반응 데이터베이스는 하나 이상의 개별 변이-약물반응정보 데이터베이스를 포함하고, 상기 하나 이상의 개별 변이-약물반응정보 데이터베이스는 각각 해당 변이에 따른 약물반응에 있어서 관여하는 약물의 ID 또는 고유번호를 하나 이상 포함하고 있는 약물 ID 목록; 해당 변이에 따른 약물반응에 있어서 관여하는 변이정보의 ID 또는 고유번호를 하나 이상 포함하고 있는 변이정보 ID 목록; 그리고 해당 변이에 따른 약물반응의 기전, 임상반응, 투여 결과가 하나 이상 포함되어 있는 변이-약물 상관 데이터를 포함한다.

상기에서, 약물-약물반응 데이터베이스는 하나 이상의 개별 약물간 반응정보 데이터베이스를 포함하고, 상기 하나 이상의 개별 약물간 반응정보 데이터베이스는 각각 해당 약물 상호간 반응에 있어서 관여하는 약물의 ID 또는 고유번호를 둘 이상 포함하고 있는 관계약물 ID 목록; 그리고 해당 약물 상호간 반응의 기전, 임상반응, 투여 결과가 하나 이상 포함되어 있는 약물간 상관 데이터를 포함한다.

상기에서, 관리부는 외부 공중의 전기통신망에서 상기 데이터베이스 내 포함될 수 있는 정보 및 데이터 중 어느 하나 이상을 참조하여 저장시킬 수 있는 봇 프로그램을 포함하는 것이 바람직하다.

상기에서, 예측/학습부는 기계학습 알고리즘 내지는 모델이 적용되어 있는 점수화 모델을 더 포함할 수 있다.

상기의 유전체 기반 약물 선택 및 부작용 예측 시스템을 통한 약물 위험도 및 부작용 예측, 제공 방법으로서, 해당 사용자의 데이터베이스 내 질환정보 및 복용정보를 확인하는 사용자 데이터베이스 확인단계(S1); 상기 단계(S1)후, 해당 사용자가 제공하는 시료를 이용하여 상기 분석부가 해당 사용자에 대한 유전정보 데이터(D1)를 확보하는 유전정보데이터 확보단계(S2); 상기 단계(S2)를 통해 상기 사용자 유전정보 데이터(D1)를 확보한 뒤, 상기 예측/학습부(170)가 해당 사용자에 대하여 하나 이상의 약물 별 위험성과 부작용을 예측하고 사용자 위험예측 데이터(D2)를 생성하는 약물 위험도 및 부작용 예측단계(S3); 상기 단계(S3)를 통해 상기 사용자 위험예측 데이터(D2)를 생성한 후, 해당 사용자에 대한 약물의 위험도 및 부작용에 대하여 점수화하여 약물 점수를 산출하고 사용자 약물점수 데이터(D3)를 생성하는 개인별 약물점수 산출단계(S4); 상기 단계(S4) 후, 해당 사용자에게 통보하는 사용자 통보단계(S5); 상기 단계(S5) 후, 상기 예측/학습부에서 상기 사용자 위험예측 데이터(D2) 및 사용자 약물점수 데이터(D3)에 대하여 평가하는 모델 평가 및 최적화 단계(S6)를 실시한다.

상기 단계(S3, S4)에서 상기 데이터(D2, D3)를 생성하기 위하여, 상기 부작용 예측 모델은 해당 사용자의 개별 데이터베이스 중 개인정보 데이터, 유전정보 데이터, 질환정보 데이터 및 복용정보 데이터와, 약물정보 데이터베이스, 변이정보 데이터베이스, 변이-약물반응 데이터베이스, 그리고 약물-약물반응 데이터베이스를 데이터셋에 포함시켜 사용할 수 있다.

상기 사용자 위험 예측 데이터(D2)는, 약물의 정보(D21)와 약물 평가정보(D22)가 포함될 수 있다.

상기 사용자 약물점수 데이터(D3)는 약물 점수정보(D31), 약물간 반응등급 정보(D32), 약물간 반응수준 정보(D33) 및 약물간 상호작용점수(D34)가 포함될 수 있다.

상기 약물간 반응등급 정보(D32)는 상호간에 효과를 증가시키는 'Synergic(SYN)', 반응을 서로 경감시키는 'Antagonist(ANT)', 그리고 서로간에 반응하여 인체 내에서 독성이 나타나게 되는 'Toxicity(TOX)' 의 세 가지 분류를 포함할 수 있다.

상기 단계(S6)는 상기 데이터(D2, D3)와 해당 사용자의 질환정보 데이터(1013) 내 가장 최신의 데이터를 비교하는 데이터간 비교단계(S61); 상기 단계(S61) 후, 정확도를 계산하는 정확도 계산 단계(S62); 그리고 상기 단계(S62) 상기 예측/학습부 내 하나 이상의 모델의 변수를 조정하는 상관관계 모델 변수조정 단계(S63)를 포함하는 것이 바람직하다.

본 발명에 의하면, 유전정보를 고려한 질환과 약물간 상관관계, 특히 정신질환과 약물 및 약물군간 상관관계를 높은 수준으로 예측하여 정보를 제공할 수 있고, 또한 제공된 정보를 바탕으로 정확도를 보다 높임으로서 예측도를 더욱 높일 수 있다.

도 1은 본 발명의 시스템의 개략구조도.
도 2는 본 발명의 서버의 상세 구조도.
도 3은 본 발명의 개별 변이-약물반응정보, 약물간 반응정보의 예시 구조도.
도 4는 본 발명의 시스템 동작 순서도.
도 5는 본 발명의 순서 동작 구체화도.
도 6은 본 발명의 생성된 데이터의 구조도.
도 7은 본 발명의 순서 동작 구체화도.

이하에서는 첨부하는 도면을 참조하여 본 발명을 보다 상세히 설명한다. 하기의 설명은 본 발명의 이해와 실시를 돕기 위한 것이지 본 발명을 이에 한정하려는 것은 아니다. 본 발명이 속한 기술분야에서 통상의 지식을 가진 자들은 이하의 청구범위에 기재된 본 발명의 사상 내에서 다양한 변형이나 수정 또는 변경이 있을 수 있음을 이해할 것이다.

도 1은 본 발명의 시스템을 제공하는 서비스 제공자(S)와 사용자(P)간 관계에 대하여 간략하게 도시한 구조도이다. 이하에서는 도 1을 통하여 본 발명의 시스템의 구성 및 동작 방식에 대하여 간략하게 설명한다.

본 발명의 시스템은, 서비스를 제공자는 서비스 제공자(S)와 한 명 이상의 사용자(P)간의 시스템으로서, 상기 한 명 이상의 사용자(P)는 각각 질환자 자기 자신일 수도 있고, 또는 질환자를 보호하는 보호자 내지는 양육자, 후견인이 될 수도 있다.

또한 본 발명의 서비스 제공자(S)는 본 발명의 시스템을 수행하기 위한 하나 이상의 서버(10)를 포함한다.

여기서 상기 서버(10)는, CPU 등 하나 이상의 연산장치와 기억장치를 포함하고 프로그램 및 데이터베이스 설치 및 구축이 가능한 종래의 컴퓨터를 사용하면 된다. 이러한 컴퓨터는 서버 전용의 컴퓨터 또는 데스크탑 컴퓨터, 랩톱 컴퓨터 등 다양한 형태의 기기 중 하나를 선택하여 사용하면 되므로, 이에 대한 설명은 생략한다.

그리고 본 발명의 시스템은, 상기 서버(10)로부터 제공받은 정보를 전자적으로 전송받아 가시적으로 확인할 수 있는 하나 이상의 단말기(20)를 더 포함하여, 사용자(P)가 상기 하나 이상의 단말기(20)를 통해 상기 서버(10)가 전송하는 데이터를 유선 또는 무선 통신을 이용하여 제공받아 사용자(P)에게 제공할 수 있다.

여기서 상기 사용자 단말기(20) 또한, 하나 이상의 연산장치와 기억장치를 포함하고 프로그램을 설치할 수 있으며 디스플레이 등 입출력장치가 있는 종래의 스미트폰 내지는 랩톱 컴퓨터 등의 단말기를 사용하면 되므로 이에 대한 설명은 생략한다.

물론, 상기 단말기(20)는 본 발명의 시스템에서 필수적인 구성요소는 아니며, 서버(10)는 상기 사용자(P)에게 상기 단말기(20) 외의 방법으로도 정보를 제공할 수 있으며, 따라서 상기 서버(10)가 사용자(P)에게 정보를 제공하는 수단은 한정되지 않는다.

상기와 같은 구성요소들을 통하여 본 발명의 시스템이 사용자(P)에게 정보를 제공하는 방식에 대해 설명하면, 먼저 사용자는 자신의 유전체 정보를 제공하면 상기 서비스 제공자(S)는 자신의 데이터 및 제공받은 유전체 정보를 이용하여 예측정보 및 추천약물 정보를 사용자(P)에게 제공하게 된다.

그러면 사용자(P) 은 상기 추천받은 약물을 복용한 뒤의 피드백을 상기 서버(10)에 전달하면, 상기 서버(10)는 내부의 예측정보를 생성하는 기계학습 모델을 최적화하여 보다 정밀한 예측이 가능해지도록 하는 것이다.

도 2는 본 발명의 서버(10)의 구조도이다. 이하에서는 도 2를 통하여 본 발명의 서버(10)의 구조 및 구성, 기능에 대하여 자세히 설명한다.

상술한 바와 같이, 본 발명의 서버(10)는 일반적인 서버 컴퓨터 등을 사용하게 되며, 따라서 하나 이상의 연산장치와 기억장치를 포함한다. 따라서 이하의 서버(10) 내의 데이터베이스 및 기능부 또한 상기 서버(10) 내의 연산장치 및 기억장치 상에서 동작하는 하나 이상의 프로그램과 데이터 중 어느 하나 이상의 조합을 포함한다.

먼저 본 발명의 시스템에 포함되는 서버(10)는, 상기 사용자(P)의 데이터를 포함하는 사용자 데이터베이스(100), 알려져 있는 약물의 정보를 하나 이상 포함하여 저장하고 있는 약물정보 데이터베이스(110), 알려져 있는 유전자 변이정보가 하나 이상 포함되어 있는 변이정보 데이터베이스(120), 알려져 있는 약물과 유전자 변이상태에 따른 상관관계 내지는 신체 또는 정신의 상태변화정보(이하 변이-약물 상관관계정보)가 하나 이상 포함되어 있는 변이-약물반응 데이터베이스(130), 그리고 알려져 있는 둘 이상의 약물이 인체 내에 투입되었을 때의 상관관계 내지는 신체 또는 정신의 상태변화정보(이하 약물간 상관관계정보)가 하나 이상 포함되어 있는 약물-약물반응 데이터베이스(140)를 포함한다.

여기서, 상기 사용자 데이터베이스(100)는 상기 사용자(P)에 대하여 각각의 사용자들에 대한 데이터를 구분하여 저장하고 있는 하나 이상의 개별 사용자 데이터베이스(101, 102...), 상기 약물정보 데이터베이스(110)는 하나 이상의 약물에 대하여 약물 정보를 각각 포함하여 저장하는 개별 약물정보 데이터베이스(111, 112...), 그리고 상기 변이정보 데이터베이스(120)는 하나 이상의 알려져 있는 유전자 변이정보에 대하여 유전자 변이정보를 각각 포함하여 저장하는 개별 변이정보 데이터베이스(121, 122...)를 포함한다.

또한, 상기 변이-약물반응 데이터베이스(130)는 상기 하나 이상의 변이-약물 상관관계정보를 각각 구분하여 저장하고 있는 하나 이상의 개별 변이-약물반응정보 데이터베이스(131, 132...), 그리고 상기 약물-약물반응 데이터베이스(140)는 상기 하나 이상의 약물간 상관관계정보를 각각 구분하여 저장하고 있는 하나 이상의 개별 약물간 반응정보 데이터베이스(141, 142...)를 포함한다.

그리고 상기 서버(10)는, 시료에 대한 분석을 실시하여 유전체 정보를 획득하는 분석부(150), 상기 서버(10)의 데이터베이스 및 프로그램들을 운용하는 하나 이상의 운영 프로그램을 포함하는 관리부(160), 그리고 상기 서버(10) 내의 데이터를 이용하여 해당 사용자 각각에 대한 약물 위험도 및 부작용을 예측하고, 개인별 약물 점수를 산출하는 예측/학습부(170)를 포함한다.

상기의 구성요소(150, 160, 170)는 상기한 구성요소들의 목적을 달성하기 위한 하나 이상의 프로그램 및 저장공간, 그리고 필요한 하나 이상의 하드웨어적 구성요소들을 모두 포함할 수 있다.

특히 상기 예측/학습부(170)는, 상기 사용자에 대한 약물 위험도 및 부작용을 예측하기 위하여, 반복적 학습이 가능한 기계학습 알고리즘/모델이 적용 프로그램으로서, 해당 사용자의 이미 알려졌거나, 또는 측정되어 도출된 유전체의 변이사항 및 특이사항(이하 유전정보 데이터)과 상기 서버(10) 내의 데이터를 이용하여 해당 사용자의 유전정보 데이터와 이에 따라 약물 투입시의 위험도 및 부작용 발현간의 상관관계에 대하여 수정 가능하게 정의되어 있는 부작용 예측 모델(171)을 포함한다.

상기 부작용 예측 모델(171)은 사용자의 유전정보 데이터에 대하여 약물 투입 시의 위험도 및 부작용 발현과 관련하여 예측한 데이터가 얼마나 정확한지 비교하고 이를 참고하여 모델에 사용되는 변수를 최적화함으로서, 상기 부작용 예측 모델(171)의 예측 정확성을 높일 수 있다.

또한 상기 데이터베이스(100, 110, 120, 130, 140) 중 외부 공중의 전기통신망에서 참조하여 가져올 수 있는 데이터가 하나 이상 있을 수 있는데, 따라서 상기 관리부(160)는 외부 공중의 전기통신망에서 상기 데이터베이스(100~140) 내 정보 및 데이터 중 어느 하나 이상을 외부 공중의 전기통신망에서 참조하여 저장시킬 수 있는 하나 이상의 프로그램을 포함하게 된다. 따라서, 상기 관리부(160)는 하나 이상의 어느 특정 데이터를 외부 공중의 전기통신망을 이용하여 주기적으로 크롤링(Crawling)하여 구분 저장할 수 있는 봇(Bot) 프로그램(161)을 하나 이상 포함하는 것이 바람직하다.

또한 상기 봇 프로그램(161)이 참조하여 가져올 수 있는 외부 공중의 전기통신망의 데이터 중 본 시스템에 포함되는 내용은, 환자의 의료정보 및 유전정보, 진단기록 등 개인의료정보보호법에 의하여 암호화되어 있거나 또는 참조 및 데이터의 크롤링에 별도의 절차가 필요한 데이터가 포함될 수 있다. 따라서, 상기 봇 프로그램(161) 내지는 상기 관리부(160)는, 상기의 데이터를 참조하여 가져오기 위한 복호화 내지는 절차의 해소를 위한 별도의 알고리즘을 더 포함할 수 있으며, 이는 종래의 정해진 방식 및 절차를 따르면 된다.

그리고 만약 상기 사용자가 사용자 단말기(20)를 사용한다면, 상기 사용자 단말기(20)는 서버(10)로부터 전송되는 데이터를 사용자에게 가시적으로 디스플레이를 통해 제공할 수 있는 하나 이상의 응용 프로그램을 포함하는 것이 바람직하다. 상기 응용 프로그램은 상기 사용자 단말기(20)상에 내려받기 가능한 프로그램 내지는 어플리케이션 형태로 사용자에게 제공되어 사용자가 내려받아 설치하거나, 또는 서비스 제공자가 물리적 매체를 통헤 제공할 수도 있고, 또는 서비스 제공자가 상기 사용자 단말기(20)에 설치한 상태로 제공할 수도 있다.

또는 상기 응용 프로그램은 상기 서버(10)에서 제공하는 웹 페이지 형태로 제공될 수도 있다. 이럴 경우 상기 응용 프로그램은 인터넷 웹 브라우저가 될 수도 있다.

상기와 같은 응용 프로그램은 어떠한 형태로든, 컴퓨팅 시스템에서 종래에 규격화되어 개발 및 제공되는 프로그램 내지는 웹 페이지의 구성을 벗어나지 않으므로, 이에 대한 자세한 설명은 생략한다.

상기 서버(10)의 구성요소에 대하여 보다 상세하게 설명하자면, 상술한 바와 같이, 상기 사용자 데이터베이스(100)는, 한 명 이상의 사용자에 대한 정보를 개별적으로 구분 저장하기 위하여, 하나 이상의 개별 사용자에 대한 데이터베이스(101, 102...)를 포함하여 구분 저장한다.

그리고 각각의 개별 사용자 데이터베이스(101, 102...)는 각각 해당 사용자의 ID 및 비밀번호 등의 로그인정보와 인적사항 등의 일반적인 개인적 정보(이하 개인정보)를 포함하고 있는 사용자 개인정보 데이터(1011), 해당 사용자의 유전정보가 하나 이상 포함되어 저장되는 유전정보 데이터(1012), 사용자가 현재 가지고 있는 하나 이상의 질환정보가 포함되어 저장되는 질환정보 데이터(1013), 사용자가 현재 복용하고 있는 하나 이상의 약물에 대한 데이터가 포함되어 저장되는 복용정보 데이터(1014), 그리고 상기 예측/학습부(170)에 의하여 예측된 데이터가 하나 이상 포함되어 저장되는 예측정보 데이터(1015)를 포함한다.

여기서 상기 사용자 개인정보 데이터(1011)는 사용자가 직접 입력하여 갱신 저장하는 것이고, 상기 유전정보 데이터(1012)는 상기 분석부(150)가 해당 사용자에 대하여 시료를 분석하여 생성한 유전체의 변이 및 특징 등의 유전정보가 하나 이상 저장되는 것이며, 상기 질환정보 데이터(1013)는 사용자가 의원이나 병원 등의 의료기관 등에서 제공받은 사용자 본인의 질환정보를 직접 입력하여 갱신 저장할 수도 있고, 또는 해당 사용자의 질환정보를 상기 의료기관 등 사용자의 질환 상태가 저장되어 있는 다른 공중의 전기통신망에서 참조하여 가져와 구분 저장할 수도 있다.

이때 상기 공중의 전기통신망을 통해 해당 사용자의 질환정보를 참조하여 가져와 구분 저장하는 것은, 상기 봇 프로그램(161)이 진행하게 된다.

또한, 여기서 상기 질환정보는, 본 발명의 목적에 보다 부합하기 위하여 정신질환 정보인 것이 바람직하다. 따라서 상기 질환정보는, 조현병, 자폐, 간질, 우울증 및 조울증, ADHD 등의 DSM-5(Diagnostic and Statistical Manual of Mental Disorders, Fifth Edition) 또는 ICD-10 (The International Statistical Classification of Diseases and Related Health Problem)에 등재된 전반적인 정신질환 중 어느 하나 이상을 포함하는 것이 바람직하다.

그리고 상기 약물정보 데이터베이스(110)는, 하나 이상의 약물에 대한 정보를 개별적으로 구분 저장하기 위하여, 하나 이상의 개별 약물에 대한 데이터베이스(111, 112...)를 포함하여 구분 저장한다.

여기서 각각의 개별 약물정보 데이터베이스(111, 112...)는 각각 해당 약물의 이름, 제조사, 효능 등의 일반적인 정보 데이터가 저장되어 있는 약물 일반정보 데이터(1111), 해당 약물의 유효성분이 하나 이상 저장되어 있는 약물 유효성분 데이터(1112), 그리고 해당 약물에 대하여 다른 약물과 구분지을 수 있도록 고유하게 부여된 ID 또는 고유번호인 약물 ID(1113)를 포함한다.

여기서 상기 약물 유효성분 데이터(1112)는 예를 들어, 약물의 유효성분에 대한 화학적 구조를 특정화하기 위한 단순 분자입력 라인입력 시스템(Simplified molecular-input line-entry system; SMILES) 형태의 데이터나, 화학적 지문(Chemical fingerprint) 데이터, ECFP(Extened connectivity fingerprint) 데이터 중 선택된 어느 하나 이상을 포함할 수 있다.

그리고 상기 변이정보 데이터베이스(120)는, 하나 이상의 알려진 변이에 대한 정보를 개별적으로 구분 저장하기 위하여, 하나 이상의 개별 변이정보에 대한 데이터베이스(121, 122...)를 포함하여 구분 저장한다.

여기서 각각의 개별 변이정보 데이터베이스(111, 112...)는 각각 해당 변이에 있어서 관여하는 유전체 내지는 유전자의 코드명 등의 유전정보가 하나 이상 포함되는 관여 유전정보 데이터(1211), 상기 관여 유전정보 데이터(1211) 내 유전정보의 변이된 내용 및 변이수준, 변이로 인한 신체적 내지는 정신적 변화 특징 등의 내용이 하나 이상 포함되는 변이내용 데이터(1212), 그리고 해당 변이정보에 대하여 다른 변이정보와 구분 지을 수 있도록 고유하게 부여된 ID 또는 고유번호인 변이정보 ID(1213)를 포함한다.

이때 상기 변이내용 데이터(1212)는 유전체의 변이에 관한 모든 내용이 제한 없이 포함될 수 있는데, 예를 들어 하나 이상의 코돈(Codon) 돌연변이, 엑손 결실(Exon Deletion), 치환, 유전자 재배열과 같이 현재 잘 알려져 있는 변이정보들이 포함될 수 있다.

또한 상기 변이내용 데이터(1212)는 유전체의 변이 뿐 아니라 유전체의 고유한 특징들 역시 더 포함될 수 있는데, 예를 들어 구조 RNA, 조절 RNA, 전령 RNA, 단백질 및 펩타이드와 관련된 정보를 하나 이상 포함할 수 있다.

그리고 상기 변이-약물정보 데이터베이스(130)는, 하나 이상의 이미 잘 알려진 변이에 따른 약물의 반응에 대한 정보를 개별적으로 구분 저장하기 위하여, 하나 이상의 개별 변이-약물반응정보에 대한 데이터베이스(131, 132...)를 포함하여 구분 저장한다.

여기서 각각의 개별 변이-약물정보 데이터베이스(131, 132...)는 각각 해당 변이에 따른 약물반응에 있어서 관여하는, 상기 약물 ID(1113)에 저장된 약물의 고유하게 부여된 ID 또는 고유번호를 하나 이상 참조 가능하게 포함하고 있는 약물 ID 목록(1311), 해당 변이에 따른 약물반응에 있어서 관여하는, 상기 변이정보 ID(1213)에 저장된 변이정보의 고유하게 부여된 ID 또는 고유번호를 하나 이상 참조 가능하게 포함하고 있는 변이정보 ID 목록(1312), 그리고 해당 변이에 따른 약물반응의 구체적인 기전 및 임상반응, 투여 결과 등이 하나 이상 포함되어 있는 변이-약물 상관 데이터(1313)를 포함한다.

그리고 상기 약물간 데이터베이스(140)는, 하나 이상의 이미 잘 알려진 둘 이상의 약물간 상효작용 반응에 대한 정보를 개별적으로 구분 저장하기 위하여, 하나 이상의 개별 약물간 반응정보에 대한 데이터베이스(141, 142...)를 포함하여 구분 저장한다.

여기서 각각의 개별 약물간 반응정보 데이터베이스(141, 142...)는 각각 해당 약물 상호간 반응에 있어서 관여하는 약물의, 상기 약물 ID(1113)에 저장된 약물의 고유하게 부여된 ID 또는 고유번호를 둘 이상 참조 가능하게 포함하고 있는 관계약물 ID 목록(1411), 그리고 해당 약물간 상호반응의 구체적인 기전 및 임상반응, 투여 결과 등이 하나 이상 포함되어 있는 약물간 상관 데이터(1412)를 포함한다.

이러한 상기 개별 변이-약물정보 데이터베이스(131, 132...)와 개별 약물간 반응정보 데이터베이스(141, 142...)의 구성은 도 3에 도시된 바와 같이 서로 참조 가능하게 연결된다.

또한 만약 상기 변이-약물 상관 데이터(1313), 그리고 약물간 상관 데이터(1412)는 모두 그 상관 데이터(1313, 1412)에 해당 약물 및 변이정보에 대한 유효성분 및 관여 유전정보가 하나 이상 표시되어 작성되는데, 이에 따라 해당 유효성분 또는 관여 유전정보를 자신의 약물 유효성분 데이터(1112) 또는 관여 유전정보 데이터(1211)에 포함하고 있는 특정 개별 약물정보 데이터베이스 내지는 변이정보 데이터베이스와 참조관계로 연결될 수도 있다.

도 3은 본 발명의 사용자에 대한 약물 위험도 및 부작용을 예측하고 이를 정보화하여 제공하는 과정을 나타낸 순서도이다. 이하에서는 도 3을 통하여 본 발명의 시스템이 사용자에 대하여 약물 위험도 및 부작용을 예측하여 예측정보를 생성하고 이를 제공하는 방법에 대하여 설명한다.

먼저, 사용자에 대한 유전정보데이터를 확보하기 전에, 해당 사용자의 개별 데이터베이스(101) 내 질환정보 데이터(1013) 및 복용정보 데이터(1014)가 너무 오래되었는지 먼저 확인하는 사용자 데이터베이스 확인단계(S1)를 실시할 수 있다.

만약 상기 단계(S1)에서 해당 사용자에 대한 데이터가 너무 오래되었다면, 해당 사용자에 대한 현 시점에서의 정확한 예측을 하는 것이 어려우므로 먼저 해당 사용자에 대하여 데이터의 최신화를 요청하는 단계를 실시한 다음 단계를 마무리하는 것이 바람직하다.

그리고 상기 단계(S1)에서의 해당 사용자에 대한 데이터에 대하여, 진행 여부의 기준이 되는 기간은 서비스 제공자가 필요에 따라 설정하면 되며, 예를 들어 최소 6개월 전으로 설정하여 6개월 이전 데이터가 상기 질환정보 데이터(1013) 및 복용정보 데이터(1014)에 가장 최신의 데이터로 저장되어 있는 상태라면, 데이터의 최신화를 요청하고 단계를 마무리할 수 있다.

또한 상기 단계(S1)는 진행에 필수적인 단계는 아니며, 서비스 제공자는 필요에 따라 진행 여부를 생략할 수도 있다.

그리고 상기 단계(S1)에서 해당 사용자에 대한 데이터가 진행 가능할 정도로 최신의 데이터인 것이 확인되었다면, 해당 사용자가 제공하는 시료를 이용하여 상기 분석부(150)를 통하여 해당 사용자에 대한 유전정보 데이터(D1)를 확보하는 유전정보데이터 확보단계(S2)를 실시한다.

상기 단계(S2)에서 사용자가 제공하는 시료는 종래의 유전자 분석에 사용되는 시료는 모두 가능하며 예를 들어 혈액이나 타액, 세포조직 등이 있을 수 있다.

또한 상기 단계(S2)에서의 유전정보 데이터를 확보하기 위한 유전체 분석 방법 또한 구애받지 않고 종래의 유전체 및 유전자 분석 방법 중 어느 하나 이상을 서비스 제공자가 상기 분석부(150)에 포함시켜 사용할 수 있다.

따라서 상기 단계(S2)에서 산출되는 사용자 유전정보 데이터(D1)는 상기 유전체 및 유전자 분석 방법에 따라 도출되는 통상의 유전체 및 유전자 정보 데이터가 된다. 다만, 바람직하게는 상기 단계(S2)를 통해 도출되는 상기 사용자 유전정보 데이터(D1)는 단일염기다형성(SNP) 유전체 데이터를 포함하는 것이 바람직하다.

상기 단계(S2)를 통해 산출되는 사용자 유전정보 데이터(D1)는 상기 사용자의 개별 데이터베이스(101) 내 유전정보 데이터(1011) 내에 구분되어 저장된다.

그리고 상기 단계(S2)를 통해 유전정보 데이터를 산출한 뒤, 상기 예측/학습부(170)를 통해 해당 사용자에 대하여 하나 이상의 약물 별 위험성과 부작용을 예측하고 사용자 위험예측 데이터(D2)를 생성하는 약물 위험도 및 부작용 예측단계(S3)가 실시된다.

상기 단계(S3)를 통해 생성된 해당 사용자에 대한 위험도 및 부작용 예측정보를 포함하는 상기 사용자 위험예측 데이터(D2)는 상기 사용자의 개별 데이터베이스(101) 내 예측정보 데이터(1015)에 구분되어 저장된다.

그리고 상기 단계(S3)를 통해 생성된 해당 사용자에 대한 약물의 위험도 및 부작용에 대하여 점수화하여 약물 점수를 산출하고 사용자 약물점수 데이터(D3)를 생성하는 개인별 약물 점수 산출단계(S4)가 실시된다.

상기 단계(S4)에서 생성된 사용자 약물점수 데이터(D3)는 상기 예측정보 데이터(1015)에 구분되어 저장된다.

상기 단계(S4)가 완료된 후, 해당 사용자에게 통보하는 사용자 통보단계(S5)를 실시한다

상기 사용자 통보단계(S5)에서의 통보는 사용자가 자신의 단말기(20)를 사용할 경우, 사용자의 단말기(20)에 상기 위험 예측 데이터(D2) 및 약물점수 데이터(D3)가 생성되었음을 알리는 알림 신호를 송신함으로서 달성될 수 있다.

또는 상기 사용자 통보단계(S5)는 사용자에게 우편 등의 다른 매체를 통해 통보할 수도 있으며, 이러한 통보 수단은 종래의 방식 중 서비스 제공자가 편리한 방법으로 구성하여 사용하면 된다.

그리고 상기 단계(S5) 이후, 사용자는 자신의 예측정보 데이터(1015)를 통해 생성된 정보를 확인한 뒤 이 정보가 얼마나 정확하였는지 평가정보를 입력하거나, 또는 다음 자신의 질환정보 데이터(1013) 및 복용정보 데이터(1014)를 갱신함으로서 자신의 최신 질환정보와 약 복용정보를 입력할 수 있다.

그렇다면, 상기 예측/학습부(170)에서 상기 사용자 위험예측 데이터(D2) 및 사용자 약물점수 데이터(D3)를 생성하는데 사용한 부작용 예측 모델(171)이 얼마나 정확하게 실제에 가깝게 예측하였는지를 비교할 수 있다. 그리고 이를 토대로 정확도를 보다 높이기 위하여 상기 부작용 예측 모델(171)의 변수를 조정함으로서 보다 정확도를 높일 수 있도록 최적화시킬 수 있다.

따라서, 상기 단계(S5) 이후, 상기 부작용 예측 모델(171)의 변수를 조정화여 최적화시키는 모델 평가 및 최적화 단계(S6)가 실시될 수 있다.

도 5는 상기 위험 예측 데이터(D2) 및 약물점수 데이터(D3)의 생성에 대하여 보다 상세하게 도시한 구조도이다. 이하에서는 도 5를 통하여 상기 데이터(D2, D3)의 생성 과정에 대하여 자세히 설명한다.

상술한 바와 같이, 상기 단계(S3, S4)를 수행하면서 생성되는 상기 데이터(D2, D3)는 상기 예측/학습부(170)를 통해 생성된다. 이때 상술한 바와 같이, 상기 예측/학습부(170)는 상기한 해당 사용자가 복용할 하나 이상의 약물들에 대한 위험을 예측할 수 있으며, 기계학습을 통하여 반복적으로 변수를 최적화할 수 있는 부작용 예측 모델(171)이 포함되어 상기의 단계(171)를 수행한다.

이때 상기 부작용 예측 모델(171)은, 상기 단계(S3)를 수행할 수 있는 기능, 즉 해당 사용자의 질환에 대하여 복용 대상이 되는 하나 이상의 약물에 대한 위험 내지는 부작용을 예측할 수 있는 부작용 예측 기능과 더불어, 상기 단계(S4)를 수행할 수 있는, 상기 부작용을 맞춰진 등급 및 점수화할 수 있는 기능을 포함해야 한다.

따라서 상기 부작용 예측 모델(171)은 상기한 둘 이상의 기능을 포함하거나, 아니면 추가적으로 후자의 기능을 수행할 점수화 모델(172)이 상기 예측/학습부(170)에 더 포함되어, 상기 단계(S4)를 수행할 수 있다. 이하에서는 도 5를 통하여, 상기 부작용 예측 모델(171)과 점수화 모델(172)이 구분되어 있는 것을 일예시로 하여 설명하기로 한다.

상술한 바와 같이, 상기 부작용 예측 모델(171) 및 점수화 모델(172)은 상기 단계(S3, S4)를 수행하기 위한 데이터셋으로서 해당 사용자의 개별 데이터베이스(101) 중 개인정보 데이터(1011), 유전정보 데이터(1012), 질환정보 데이터(1013) 및 복용정보 데이터(1014)와, 약물정보 데이터베이스(110) 전체 내용, 변이정보 데이터베이스(120) 전체 내용, 변이-약물반응 데이터베이스(130) 전체 내용, 그리고 약물-약물반응 데이터베이스(140) 전체 내용을 사용하는 것이 바람직하다.

상기 데이터셋을 바탕으로, 해당 사용자에 대하여 상기 부작용 예측 모델(171)을 통하여 해당 사용자가 가지고 있는 질환에 대응할 하나 이상의 약물을 결정하고, 해당 약물에 대한 위험성 및 부작용을 평가하여 사용자 위험 예측 데이터(D2)를 만들게 된다.

이때 상기 사용자 위험 예측 데이터(D2) 내 포함되어 있는 하나 이상의 약물에 대한 정보는, 각각 복용대상이 되는 약물의 정보(D21)와, 해당 약물에 대한 위험성 및 부작용을 평가한 약물 평가정보(D22)가 포함된다.

상기 위험 예측 데이터(D2)가 만들어진 상태에서, 상기 데이터(D2)를 이용하여 상기 점수화 모델(172)은 사용자 약물점수 데이터(D3)를 만든다.

여기서 상기 사용자 약물점수 데이터(D3)는, 상기 위험 예측 데이터(D2)에 포함되어 있는 하나 이상의 약물에 대하여, 각각 점수화한 약물 점수정보(D31)를 포함한다.

따라서, 상기 예측정보 데이터(1015)에 저장되는 하나 이상의 약물정보는, 각각의 약물에 대하여 상기 복용대상 약물정보(D21), 약물 평가정보(D22) 및 약물 점수정보(D31)를 포함하게 되는 것이다.

여기서 상기 복용대상 약물정보(D21)는 해당 약물에 대한 약물 ID와 약물 일반정보, 그리고 약물의 유효성분을 포함한다.

그리고 상기 약물 평가정보(D22)는 해당 약물의 하나 이상의 유효성분에 대하여, 해당 개인에 대한 위험성 및 부작용에 대해 각각 평가한 내용을 하나 이상 포함한다.

그리고 상기 약물 점수정보(D31)는, 해당 약물의 하나 이상의 유효성분에 대하여, 반응점수를 측정한 내용을 각각 포함한다.

여기서 상기 반응등급은, 해당 약물의 해당 유효성분이 해당 사용자의 체내에서 어떠한 반응을 낼 것인지 100점을 기준 점수로 하여 평가한 것이다. 물론 상기 기준 점수는 사용자가 변경할 수 있으며, 점수의 계산 방식 또한 사용자가 정할 수 있다.

예를 들어, 도 5에 도시된 바와 같이, 100점을 만점으로 하여, 점수가 높으면 해당 유효성분이 해당 사용자에게 적합하게 유효한 작용을 할 수 있고, 점수가 낮으면 해당 사용자에게 적합하지 않는다는 것을 표시할 수 있다.

도 6은 상기 사용자 예측 데이터(D2) 및 사용자 약물점수 데이터(D3)의 또 다른 형태를 나타낸 구조도이다. 이하에서는 도 7을 통하여 상기 사용자 예측 데이터(D2) 및 사용자 약물점수 데이터(D3)의 또 다른 형태에 대하여 설명한다.

상술한 바와 같이, 상기 정보(D2, D3)를 생성함에 있어서 각각의 약물 하나와 해당 사용자간의 영향에 대하여 작성될 수도 있지만, 해당 사용자의 인체 내에서 둘 이상의 약물을 동시 또는 일정 시간차를 두고 투여하였을 때 약물 상호간의 정보, 또는 약물군 상호간의 정보가 더 표기될 수도 있다.

이럴 경우, 상기 정보 중 상기 사용자 약물점수 데이터(D3)가 생성될 때 추가적으로 약물간 반응등급 정보(D32), 약물간 반응수준 정보(D33) 및 약물간 상호작용점수(D34)가 더 포함되어 생성될 수 있다.

이때 상기 약물간 반응등급 정보(D32)는 둘 이상의 약물이 투여되었을때, 해당 약물간의 반응이 어떠한 방향으로 발현되는지를 표시한 것이다.

상기와 같이 둘 이상의 약물 내지는 약물군이 인체내에 동시 내지는 일정 시차를 두고 투여되었을 때 상호간에 효과를 증가시키는 'Synergic(SYN)', 반응을 서로 경감시키는 'Antagonist(ANT)', 그리고 서로간에 반응하여 인체 내에서 독성이 나타나게 되는 'Toxicity(TOX)' 의 세 가지 분류를 사용할 수 있다. 따라서 상기 약물간 반응등급 정보(D32)에는 상기 세 효과 중 어느 하나가 발현될 지 예상되는 효과 정보가 포함된다.

그리고 상기 약물간 반응수준 정보(D33)는 상기 약물간 반응등급 정보(D32)에 표시된 효과가 어느 정도의 강도로 나타나는지를 구분하여 표시한 효과 정보가 포함된다.

상기와 같은 강도는 예를 들어, 높은 수준인 'High(H)', 중간 수준인 'Moderate(M)' 및 약한 수준인 'Low(L)' 의 세 단계로 구분하여, 상기 세 단계 중 예상되는 어느 하나를 상기 약물간 반응수준 정보(D33)에 포함시킨다.

그리고 상기 상호작용점수(D34)는 상기 약물간 반응등급 정보(D32)에 표시된 효과가 어느 정도의 강도로 나타내는지 수치화한 정보로서, 상기 반응수준(D33)과 연동될 수도 있다.

예를 들어, 도 6에 도시된 바와 같이, 100점을 만점으로 하여, 점수가 높으면 해당 유효성분이 해당 사용자에게 적합하게 유효한 작용을 할 수 있고, 점수가 낮으면 해당 사용자에게 적합하지 않는다는 것을 표시할 수 있다.

도 7은 본 발명의 예측/학습부(170)에서, 모델(171, 172)의 최적화 과정을 도시한 구조도이다. 이하에서는, 도 7을 통하여 상기 모델(171, 172)의 최적화 과정에 대하여 설명한다.

상술한 바와 같이, 본 발명의 예측/학습부(170)는 기계학습에 의하여 반복 최적화되는 하나 이상의 모델(171, 172)을 포함한다. 상기 하나 이상의 모델(171, 172)은 상술한 바와 같이 상기 단계(S3)를 수행할 수 있는 기능, 즉 해당 사용자의 질환에 대하여 복용 대상이 되는 하나 이상의 약물에 대한 위험 내지는 부작용을 예측할 수 있는 부작용 예측 기능과 더불어, 상기 단계(S4)를 수행할 수 있는, 상기 부작용을 맞춰진 등급 및 점수화할 수 있는 기능을 포함하며, 또한 다양한 종래의 알려진 기계학습적 방법, 예를 들어 지도학습, 비지도 학습, 반지도 학습, 강화학습 등의 방식을 사용하거나 또는 전혀 새로운 학습방식을 사용한 모델일 수도 있다.

또한 사용되는 알고리즘 역시 종래의 알려진 경사하강법, 단층 인공신경망 기법, 다층 인공신경망(딥러닝 네트워크) 기법 등 여러 기법을 사용할 수 있다. 이러한 상기 상관관계 모델(151)의 구체적인 동작 방식 및 구성은 그 자세한 설명을 생략하기로 하며, 여기서는 상기 모델(171, 172)이 서버 내 데이터베이스를 이용하여 변수를 수정하는 관계에 대하여 설명한다.

상술한 바와 같이, 본 발명의 예측/학습부(170)는 상기 모델(171, 172)을 이용하여 해당 사용자의 질환에 대하여 복용 대상이 되는 하나 이상의 약물에 대한 위험 내지는 부작용을 예측할 수 있는 단계(S3)와, 상기 부작용을 맞춰진 등급 및 점수화할 수 있는 단계(S4)를 수행한다.

이에 따라 사용자 위험예측 데이터(D2) 및 사용자 약물점수 데이터(D3)가 만들어지고, 이는 해당 사용자의 예측정보 데이터(1015)에 구분되어 저장된다.

한편, 해당 사용자는 상기 예측정보 데이터(1015)와는 별개로, 사용자는 자신의 단말기(20)를 통하여 자신의 현재 질환정보 데이터(1013)를 입력 저장하거나, 또는 상기한 바와 같이 관리부(160) 내 봇 프로그램(161) 등에 의하여 공중의 전기통신망(I)에서 해당 사용자의 건강상태 데이터를 가져와 구분 저장할 수도 있다.

그렇게 되면, 상기 데이터(D2, D3)가 해당 사용자의 객관적으로 측정된 건강상태 및 위험수준, 부작용 정도와 비교하여 볼 때 얼마나 정확한 지 그 정확도를 알아볼 수 있다. 따라서, 상기 데이터(D2, D3)가 생성되어 상기 예측정보 데이터(1015)에 구분 저장되면 상기 단계(S6)가 실시되는데, 상기 단계(S6)에 포함되는 단계에 대하여 구체적으로 살펴보면, 우선 상기 예측/학습부(170)는 상기 데이터(D2, D3)와 해당 사용자의 질환정보 데이터(1013) 내 가장 최신의 데이터를 비교하는 데이터간 비교단계(S61)를 실시한다.

상기 단계(S61)에서, 상기 질환정보 데이터(1013) 내 가장 최신의 데이터가 갱신이 되지 않아 너무 오래될 경우 비교 시 정확도가 불완전하므로, 서비스 제공자가 미리 입력한 일정 기간 내에 해당하는 상기 가장 최신의 데이터가 있을 경우 상기 단계(S61)를 실행하고, 그렇지 않을 경우 사용자 단말기(20)를 통하여 사용자에게 상기 질환정보 데이터(1013)의 갱신을 요청하거나, 상기 관리부(160)를 통하여 최신의 데이터를 상기 전기통신망(I)으로부터 가져오려는 시도를 한다.

상기 단계(S61)가 실시된 후, 상기 질환정보 데이터(1013) 내 가장 최신의 데이터 대비 상기 데이터(D2, D3)가 얼마나 정확하였는지 계산하는 정확도 계산 단계(S62)가 실시된다.

그리고 상기 단계(S62) 결과에 따라, 상기 하나 이상의 모델(171, 172)의 변수를 조정하는 상관관계 모델 변수조정 단계(S63)를 실시한다.

여기서 상기 상관관계 모델(151)은 변수 조정시의 강도 및 임계값(threshold) 등은 모두 서비스 제공자가 미리 입력한 상기 모델(171, 172)의 규칙 및 정책에 따르면 된다.

상기 단계(S63)를 실시함으로서 상기 모델(171, 172)이 보다 실제 사용자 약물 또는 약물군 섭취 시 발생하는 위험성 및 부작용 정도에 근접하게 변화할 수 있고, 이러한 절차가 다수 진행됨으로서 상기 모델(171, 172)이 실제 사용자가 약물 또는 약물군을 섭취하였을 때의 위험성 및 부작용 정도를 정밀하게 예측할 수 있게 최적화될 수 있다.

10 : 서버. 100 : 사용자 데이터베이스.
1011 : 개인정보 데이터. 1012 : 유전정보 데이터.
1013 : 질환정보 데이터. 1014 : 복용정보 데이터.
1015 : 예측정보 데이터. 110 : 약물정보 데이터베이스.
1111 : 약물 일반정보 데이터. 1112 : 약물 유효성분 데이터.
1113 : 약물 ID. 120 : 변이정보 데이터베이스.
1211 : 관여 유전정보 데이터. 1212 : 변이내용 데이터.
1213 : 변이정보 ID. 130 : 변이-약물반응 데이터베이스.
1311 : 약물 ID 목록. 1312 : 변이정보 ID 목록.
1313 : 변이-약물 상관 데이터. 140 : 약물-약물반응 데이터베이스.
1411 : 관계약물 ID 목록. 1412 : 약물간 상관 데이터.
150 : 분석부. 160 : 관리부.
161 : 봇 프로그램. 170 : 예측/학습부.
171 : 부작용 예측 모델. 172 : 점수화 모델.

Claims (15)

1. 유전체 기반 약물 선택 및 부작용 예측 시스템으로서,
   서비스 제공자의 서버를 포함하고, 상기 서버는
   한명 이상의 사용자에 대한 데이터를 포함하는 사용자 데이터베이스;
   알려져 있는 약물의 정보가 하나 이상 포함되어 저장되어 있는 약물정보 데이터베이스;
   알려져 있는 유전자 변이정보가 하나 이상 포함되어 저장되어 있는 변이정보 데이터베이스;
   알려져 있는 약물과 유전자 변이상태에 대한 변이-약물 상관관계정보가 하나 이상 포함되어 있는 변이-약물반응 데이터베이스;
   알려져 있는 둘 이상의 약물간 상관관계정보가 하나 이상 포함되어 있는 약물-약물반응 데이터베이스;
   상기 한명 이상의 사용자 각각의 유전체 정보를 획득하는 분석부;
   하나 이상의 운영 프로그램을 포함하는 관리부;
   그리고 기계학습 알고리즘 내지는 모델이 적용되어 있는 부작용 예측 모델을 포함하며, 상기 한명 이상의 사용자 각각에 대한 약물 위험도 및 부작용을 예측하고 개인별 약물 점수를 산출하는 예측/학습부를 포함하는 것을 특징으로 하는, 유전체 기반 약물 선택 및 부작용 예측 시스템.
2. 제 1항에 있어서,
   상기 시스템은 상기 서버로부터 제공받은 정보를 전송받아 가시적으로 확인할 수 있는 하나 이상의 단말기를 더 포함하는 것을 특징으로 하는, 유전체 기반 약물 선택 및 부작용 예측 시스템.
3. 제 1항에 있어서,
   상기 사용자 데이터베이스는 하나 이상의 개별 사용자 데이터베이스를 포함하고, 상기 하나 이상의 개별 사용자 데이터베이스는 각각
   해당 사용자의 개인정보를 포함하는 사용자 개인정보 데이터;
   해당 사용자의 유전정보가 하나 이상 포함되어 저장되는 유전정보 데이터;
   해당 사용자가 현재 가지고 있는 하나 이상의 질환정보가 포함되어 저장되는 질환정보 데이터;
   해당 사용자가 현재 복용하고 있는 하나 이상의 약물에 대한 데이터가 포함되어 저장되는 복용정보 데이터;
   그리고 상기 예측/학습부에 의해 예측된 데이터가 하나 이상 포함되어 저장되는 예측정보 데이터를 포함하는 것을 특징으로 하는, 유전체 기반 약물 선택 및 부작용 예측 시스템.
4. 제 1항에 있어서,
   상기 약물정보 데이터베이스는 하나 이상의 개별 약물정보 데이터베이스를 포함하고, 상기 하나 이상의 개별 약물정보 데이터베이스는 각각
   해당 약물의 일반적인 정보 데이터가 저장되어 있는 약물 일반정보 데이터;
   해당 약물의 유효성분이 하나 이상 저장되어 있는 약물 유효성분 데이터;
   그리고 해당 약물에 대하여 고유하게 부여된 ID 또는 고유번호를 포함하는 약물 ID를 포함하는 것을 특징으로 하는, 유전체 기반 약물 선택 및 부작용 예측 시스템.
5. 제 1항에 있어서,
   상기 변이정보 데이터베이스는 하나 이상의 개별 변이정보 데이터베이스를 포함하고, 상기 하나 이상의 개별 변이정보 데이터베이스는 각각
   해당 변이에 있어서 관여하는 유전정보가 하나 이상 포함되는 관여 유전정보 데이터;
   상기 관여 유전정보 데이터 내 유전정보의 변이된 내용, 변이수준, 변이로 인한 신체적 변화 특징, 변이로 인한 정신적 변화 특징 중 어느 하나 이상이 포함되는 변이내용 데이터;
   그리고 해당 변이에 대하여 고유하게 부여된 ID 또는 고유번호를 포함하는 변이정보 ID를 포함하는 것을 특징으로 하는, 유전체 기반 약물 선택 및 부작용 예측 시스템.
6. 제 1항에 있어서,
   상기 변이-약물반응 데이터베이스는 하나 이상의 개별 변이-약물반응정보 데이터베이스를 포함하고, 상기 하나 이상의 개별 변이-약물반응정보 데이터베이스는 각각
   해당 변이에 따른 약물반응에 있어서 관여하는 약물의 ID 또는 고유번호를 하나 이상 포함하고 있는 약물 ID 목록;
   해당 변이에 따른 약물반응에 있어서 관여하는 변이정보의 ID 또는 고유번호를 하나 이상 포함하고 있는 변이정보 ID 목록;
   그리고 해당 변이에 따른 약물반응의 기전, 임상반응, 투여 결과가 하나 이상 포함되어 있는 변이-약물 상관 데이터를 포함하는 것을 특징으로 하는, 유전체 기반 약물 선택 및 부작용 예측 시스템.
7. 제 1항에 있어서,
   상기 약물-약물반응 데이터베이스는 하나 이상의 개별 약물간 반응정보 데이터베이스를 포함하고, 상기 하나 이상의 개별 약물간 반응정보 데이터베이스는 각각
   해당 약물 상호간 반응에 있어서 관여하는 약물의 ID 또는 고유번호를 둘 이상 포함하고 있는 관계약물 ID 목록;
   그리고 해당 약물 상호간 반응의 기전, 임상반응, 투여 결과가 하나 이상 포함되어 있는 약물간 상관 데이터를 포함하는 것을 특징으로 하는, 유전체 기반 약물 선택 및 부작용 예측 시스템.
8. 제 1항에 있어서,
   상기 관리부는 외부 공중의 전기통신망에서 상기 데이터베이스 내 포함될 수 있는 정보 및 데이터 중 어느 하나 이상을 참조하여 저장시킬 수 있는 봇 프로그램을 포함하는 것을 특징으로 하는, 유전체 기반 약물 선택 및 부작용 예측 시스템.
9. 제 1항에 있어서,
   상기 예측/학습부는 기계학습 알고리즘 내지는 모델이 적용되어 있는 점수화 모델을 더 포함하는 것을 특징으로 하는, 유전체 기반 약물 선택 및 부작용 예측 시스템.
10. 제 1항 내지 9항의 유전체 기반 약물 선택 및 부작용 예측 시스템을 통한 약물 위험도 및 부작용 예측, 제공 방법으로서
    해당 사용자의 데이터베이스 내 질환정보 및 복용정보를 확인하는 사용자 데이터베이스 확인단계(S1);
    상기 단계(S1)후, 해당 사용자가 제공하는 시료를 이용하여 상기 분석부가 해당 사용자에 대한 유전정보 데이터(D1)를 확보하는 유전정보데이터 확보단계(S2);
    상기 단계(S2)를 통해 상기 사용자 유전정보 데이터(D1)를 확보한 뒤, 상기 예측/학습부(170)가 해당 사용자에 대하여 하나 이상의 약물 별 위험성과 부작용을 예측하고 사용자 위험예측 데이터(D2)를 생성하는 약물 위험도 및 부작용 예측단계(S3);
    상기 단계(S3)를 통해 상기 사용자 위험예측 데이터(D2)를 생성한 후, 해당 사용자에 대한 약물의 위험도 및 부작용에 대하여 점수화하여 약물 점수를 산출하고 사용자 약물점수 데이터(D3)를 생성하는 개인별 약물점수 산출단계(S4);
    상기 단계(S4) 후, 해당 사용자에게 통보하는 사용자 통보단계(S5);
    상기 단계(S5) 후, 상기 예측/학습부에서 상기 사용자 위험예측 데이터(D2) 및 사용자 약물점수 데이터(D3)에 대하여 평가하는 모델 평가 및 최적화 단계(S6)를 실시하는 것을 특징으로 하는, 약물 위험도 및 부작용 예측, 제공 방법.
11. 제 10항에 있어서,
    상기 단계(S3, S4)에서 상기 데이터(D2, D3)를 생성하기 위하여, 상기 부작용 예측 모델은 해당 사용자의 개별 데이터베이스 중 개인정보 데이터, 유전정보 데이터, 질환정보 데이터 및 복용정보 데이터와, 약물정보 데이터베이스, 변이정보 데이터베이스, 변이-약물반응 데이터베이스, 그리고 약물-약물반응 데이터베이스를 데이터셋에 포함시켜 사용하는 것을 특징으로 하는, 약물 위험도 및 부작용 예측, 제공 방법.
12. 제 10항에 있어서,
    상기 사용자 위험 예측 데이터(D2)는, 약물의 정보(D21)와 약물 평가정보(D22)가 포함되는 것을 특징으로 하는, 약물 위험도 및 부작용 예측, 제공 방법.
13. 제 10항에 있어서,
    상기 사용자 약물점수 데이터(D3)는 약물 점수정보(D31), 약물간 반응등급 정보(D32), 약물간 반응수준 정보(D33) 및 약물간 상호작용점수(D34)가 포함되는 것을 특징으로 하는, 약물 위험도 및 부작용 예측, 제공 방법.
14. 제 13항에 있어서,
    상기 약물간 반응등급 정보(D32)는 상호간에 효과를 증가시키는 'Synergic(SYN)', 반응을 서로 경감시키는 'Antagonist(ANT)', 그리고 서로간에 반응하여 인체 내에서 독성이 나타나게 되는 'Toxicity(TOX)' 의 세 가지 분류를 포함하는 것을 특징으로 하는, 약물 위험도 및 부작용 예측, 제공 방법.
15. 제 10항에 있어서,
    상기 단계(S6)는 상기 데이터(D2, D3)와 해당 사용자의 질환정보 데이터(1013) 내 가장 최신의 데이터를 비교하는 데이터간 비교단계(S61);
    상기 단계(S61) 후, 정확도를 계산하는 정확도 계산 단계(S62);
    그리고 상기 단계(S62) 상기 예측/학습부 내 하나 이상의 모델의 변수를 조정하는 상관관계 모델 변수조정 단계(S63)를 포함하는 것을 특징으로 하는, 약물 위험도 및 부작용 예측, 제공 방법.