KR20230166271A

KR20230166271A - 다중 유전점수를 활용한 체질 예측 방법 및 장치

Info

Publication number: KR20230166271A
Application number: KR1020220066015A
Authority: KR
Inventors: 반효정; 진희정; 이시우; 백영화
Original assignee: 한국 한의학 연구원
Priority date: 2022-05-30
Filing date: 2022-05-30
Publication date: 2023-12-07

Abstract

다중 유전점수를 활용한 체질 예측 방법 및 장치가 개시된다. 본 발명의 일실시예에 따른, 다중 유전점수를 활용한 체질 예측 방법은, 다중 유전점수 모델을 형성하는 단계; 체형, 성격, 및 한열과 관련한 n개(상기 n은 10 이상의 자연수)의 설문 항목에 대한 대상자로부터의 n개의 답변 데이터를, 상기 다중 유전점수 모델에 입력하는 단계; 및 상기 다중 유전점수 모델로부터 도출되는 유전적 영향력에 관한 유전점수에 기초하여, 상기 대상자의 체질을 예측하는 단계를 포함 할 수 있다.

Description

다중 유전점수를 활용한 체질 예측 방법 및 장치{METHOD AND DEVICE FOR PREDICTING CONSTITUTION USING MULTIPLE DIELECTRIC SCORES}

본 발명은, 체형, 성격, 한열에 대한 설문 항목 10가지에 대한 유전적 영향력을 측정하고, 10개의 항목의 다중 유전점수 모델을 적용하여 체질을 예측하는, 다중 유전점수를 활용한 체질 예측 방법 및 장치에 관한 것이다.

사상의학은, 사람의 체질을 태양, 소양, 태음 및 소음의 네 가지로 분류하고, 각 체질에 대한 생리, 병리, 진단 감별법, 치료와 약물, 식품 섭취에 이르기까지 서로 연계를 갖고 이를 임상에 응용할 수 있게 하는 임상적 방법으로 한의학 분야에서 널리 이용하고 있다.

전통적으로 사상체질의 판별은, 개인의 음성, 외모, 체형, 성격 및 다양한 외형적인 생물학적 지표를 종합적으로 이용하여 수행하여 왔으며, 숙련된 전문가에 의하여 주관적 판단을 바탕으로 진단이 행해지고 있다.

이러한 전문가에 의한 체질 판별은, 전문가의 주관에 의존 함으로, 판별된 체질의 정확성과 재현성에 심각한 문제가 존재할 수 있다.

종래에는 인체가 특정 물질에 접촉한 후 반응하는 신체의 변화를 읽어 체질을 판별하거나, 맥진 등을 기계적으로 측정하여 체질의 예측하는 기술들이 개발되었다.

그러나, 이러한 종래의 기술들은, 적용 원리에 있어서 과학적 근거가 부족하고 측정 정밀도가 낮으며, 체질의 판정 지표 중 극히 일부를 사용하여 판정함으로써 정확도와 재현성 및 신뢰도를 개선하지 못하였다.

최근에는, 체질문진표(Sasangin diagnosis questionnaire)를 고안하여, 다양한 체질의 판정지표를 체계적으로 종합하여 체질판정을 과학화하고 객관화하고자 하는 연구가 수행되고 있다.

그러나, 이러한 연구는 단순이 문진에 따른 결과를 사용자의 체질로 판정하는 것으로, 사용자의 체절을 정밀하게 밝히거나 이를 통해 사용자에 맞는 진단에 이용하는 데에는 여전히 한계를 가지고 있다.

따라서, 복수 항목에 대한 설문을 통해 획득한 답변을, 학습을 통해 유전적 영향력을 측정하여 체질을 판별/예측하는 개선된 모델의 등장이 절실히 요구되고 있는 실정이다.

본 발명의 실시예는, 다중 유전점수(multi-PRS)를 활용한 체질 예측 방법 및 장치를 제공하는 것을 목적으로 한다.

또한, 본 발명의 실시예는, 체형, 성격, 한열에 대한 문진 및 약물에 대한 반응으로 체질을 진단하는 것을 목적으로 한다.

본 발명의 일실시예에 따른, 다중 유전점수를 활용한 체질 예측 방법은, 다중 유전점수 모델을 형성하는 단계; 체형, 성격, 및 한열과 관련한 n개(상기 n은 10 이상의 자연수)의 설문 항목에 대한 대상자로부터의 n개의 답변 데이터를, 상기 다중 유전점수 모델에 입력하는 단계; 및 상기 다중 유전점수 모델로부터 도출되는 유전적 영향력에 관한 유전점수에 기초하여, 상기 대상자의 체질을 예측하는 단계를 포함할 수 있다.

또한, 본 발명의 실시예에 따른, 다중 유전점수를 활용한 체질 예측 장치는, 다중 유전점수 모델을 형성하는 모델부; 체형, 성격, 및 한열과 관련한 n개(상기 n은 10 이상의 자연수)의 설문 항목에 대한 대상자로부터의 n개의 답변 데이터를, 상기 다중 유전점수 모델에 입력하는 입력부; 및 상기 다중 유전점수 모델로부터 도출되는 유전적 영향력에 관한 유전점수에 기초하여, 상기 대상자의 체질을 예측하는 예측부를 포함하여 구성할 수 있다.

본 발명의 일실시예에 따르면, 다중 유전점수를 활용한 체질 예측 방법 및 장치를 제공 할 수 있다.

또한, 본 발명에 의해서는, 체형, 성격, 한열에 대한 문진 및 약물에 대한 반응으로 체질을 진단 할 수 있다.

도 1은 본 발명의 일실시예에 따른 다중 유전점수를 활용한 체질 예측 장치의 구성을 도시한 블록도이다.
도 2는 본 발명에 따른 체질 예측 절차를 설명하기 위한 도이다.
도 3은 SNP에 대한 유전적 방향성을 보여주는 도이다.
도 4는 체질별 분포 특성의 확인을 위한 PRS(Polygenic Risk Score) 분포도 이다.
도 5는 본 발명에 따라 생성한 다중 유전점수 모델의 AUC(area under the ROC curve)의 일례이다.
도 6은 본 발명의 일실시예에 따른, 다중 유전점수를 활용한 체질 예측 방법을 도시한 흐름도이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

도1은 본 발명의 일실시예에 따른 다중 유전점수를 활용한 체질 예측 장치의 구성을 도시한 블록도이다.

도 1을 참조하면, 본 발명의 일실시예에 따른, 다중 유전점수를 활용한 체질 예측 장치(이하, '체질 예측 장치'라 약칭함)(100)는, 모델부(110), 입력부(120), 및 예측부(130)를 포함하여 구성할 수 있다.

우선, 모델부(110)는 다중 유전점수 모델을 형성한다. 즉, 모델부(110)는 체계 체질을 특정하기 위한 설문이 배포되고, 상기 설문에 대한 다량의 답변 데이터를 입수하여 학습 함으로써, 후속하여 입력된 대상자의 답변 데이터에 대한 유전점수를 수치로 보여주는 학습 모델을 작성하는 역할을 할 수 있다.

다중 유전점수 모델의 형성에 있어, 모델부(110)는 사상체질 진단용 다중 SNP(Single Nucleotide Polymorphism)을 마커로 활용하여 학습 모델을 작성할 수 있다.

이를 위해, 모델부(110)는 복수의 코호트 유전체 자료를 통합하여 분석 데이터를 작성할 수 있다. 즉, 모델부(110)는 체질이 기특정된 다수의 개체로부터 체형, 성격, 및 한열에 관한 코호트 유전체 자료를 다량으로 수집하고, 수집된 코호트 유전체 자료를 체질 별로 분류, 합쳐 분석 데이터를 만들 수 있다.

또한, 모델부(110)는 상기 분석 데이터에 대해, QC(quality control) 및 필터링을 수행하여 노이즈를 제거할 수 있다. 즉, 모델부(110)는 작성된 분석 데이터 중에서, 불필요하거나 의미 없는 데이터를 제거하여, 유의한 분석 데이터 만을 선별할 수 있다.

QC는 분석 데이터의 품질이 규정된 수준 이상인 것 만을 선별하는 과정일 수 있다.

필터링은 분석 데이터의 품질이 규정된 수준 미만인 것을 배제시키는 과정일 수 있다.

실시예에 따라, 모델부(110)는 상기 분석 데이터 중, MAF(Minor Allele Frequency), HWE(Hardy-Weinberg Equilibrium), 및 GENO에 설정되는 임계값 미만의 유전체 자료를 필터 아웃(Filter out) 할 수 있다.

MAF(Minor Allele Frequency)은, 더 적은 비율로 나타나는 형질의 비율일 수 있다.

HWE(Hardy-Weinberg Equilibrium, 하디-와인버그 평형)는 대를 거듭하더라도 유전자 풀에서 대립 유전자의 빈도가 변하지 않고 평형상태를 유지하는 정도일 수 있다.

GENO는 코호트 유전자 자료의 각 항목 마다 규정되는 표준적인 수치일 수 있다.

모델부(110)는 이들 파라메터 각각에 따라 설정된 임계값을 만족하지 못하는 분석 데이터를, 노이즈로 판단하여 제거하는 과정을 수행하여, 유의한 분석 데이터 만을 선별할 수 있다.

또한, 모델부(110)는 노이즈가 제거된 상기 분석 데이터를 이용하여 구성되는 학습 데이터 세트 중에서 최종 SNP를 선정할 수 있다. 즉, 모델부(110)는 선별된 분석 데이터를 구성하여 학습 데이터 세트를 만들고, 만들어진 학습 데이터 세트로부터 사상체질 진단용으로 최적할 수 있는 SNP를 판별할 수 있다.

상기 최종 SNP로서 선정에 있어, 모델부(110)는, 상기 분석 데이터에 대해, GWAS(전체유전체 상관분석연구, Genome-Wide Association Study) 분석하여 학습 데이터 세트를 형성할 수 있다.

GWAS는 복합 질환에 영향을 주는 유전자를 확인하기 위해서 사용되는 방법일 수 있다.

유전학의 대표적인 연구 영역은, 표현형과 유전형의 관계를 연구하는 것일 수 있다. 표현형과 유전형의 관계를 연구하는 방법에는, Forward genetics와 Reverse genetics을 예시할 수 있다.

Forward genetics는 phenotype을 통해 genotype을 밝혀내는 방법으로, 특정 표현형을 가진 사람 혹은 질병을 가진 사람의 genotype을 일반인과 비교해서 차이점을 밝혀내는 방법이다.

그에 반해, Reverse genetics는 genotype을 통해 phenotype을 밝혀내는 방법으로, 관심이 있는 genotype에 변형을 인위적으로 주어 바뀐 표현형을 살펴보는 방법이다.

이러한 genotype은 궁극적으로 Genome으로 표현될 수 있고, 같은 종의 경우에는 전반적으로 유사한 Genome을 갖고 있다. 특히, Genome은 형질이 발현되는 부분에 대해 잘 보존되어 있다.

모든 개체에서 완전하게 동일한 Sequence를 갖고 있지 않으며, 전사와 번역을 통해 단백질이 발현되지 않는 서열의 경우에는 개체 별로 다른 부위가 존재하고, 심지어 번역되는 유전자도 다른 부위가 존재할 수 있다. GWAS는 이러한 유전자의 차이(Genetic Variant)로 개체 사이에 다르게 존재하는 염기인 SNP 에 대해 분석하는 기법일 수 있다.

모델부(110)는 GWAS를 통해 분석되는 SNP를 포함하여 학습 데이터 세트를 제작할 수 있다.

또한, 모델부(110)는 상기 학습 데이터 세트 중에서, 규정된 유전적 방향성을 갖는 SNP를, 상기 최종 SNP로서 선정할 수 있다. 즉, 모델부(110)는 학습 데이터 중에서, 체질 별로 규정되어 있는 SNP를 최대한으로 유사하게 포함하는 학습 데이터로부터 SNP를 추출하여, 이를 최종 SNP로서 선정할 수 있다.

이후, 모델부(110)는 상기 선정된 최종 SNP를 포함하여, 상기 다중 유전점수 모델을 형성할 수 있다. 즉, 모델부(110)는 최적한 것으로 판별되는 최종 SNP를 포함하여 학습 모델을 작성할 수 있다.

다중 유전점수 모델의 형성 후, 입력부(120)는 체형, 성격, 및 한열과 관련한 n개(상기 n은 10 이상의 자연수)의 설문 항목에 대한 대상자로부터의 n개의 답변 데이터를, 상기 다중 유전점수 모델에 입력한다. 즉, 입력부(120)는 체형, 성격, 및 한열에 대해 설문을 통해 조사된 복수의 답변 데이터를 앞서 작성한 학습 모델에 입력하는 역할을 할 수 있다.

예측부(130)는 상기 다중 유전점수 모델로부터 도출되는 유전적 영향력에 관한 유전점수에 기초하여, 상기 대상자의 체질을 예측 할 수 있다. 즉, 예측부(130)는 복수의 답변 데이터를 입력받은 다중 유전점수 모델로부터 수치화된 유전점수를 출력받고, 출력된 유전점수가 속하는 체질 영역을 확인하여, 대상자의 체질을 결정하는 역할을 할 수 있다.

상기 유전점수는 상기 체형, 성격, 및 한열 각각에 대해 도출될 수 있다.

예측부(130)는, 상기 체형의 유전점수(체형 PRS), 상기 성격의 유전점수(성격 PRS), 상기 한열의 유전점수(한열PRS)에 더해, 상기 대상자의 나이에 상당하는 나이점수를 합산한 최종점수가 속하는 체질 영역을 식별하여, 상기 대상자의 체질을 예측할 수 있다.

예컨대, 다중 유전점수 모델로부터 체형 PRS, 성격 PRS, 한열PRS가 출력되고, 이에 더해 나이점수를 합산한 값이 "AUC(95%Cl) : 0.598, PRV : 49.2 NPV : 65.7" 일 경우, 예측부(130)는 상기 "AUC(95%Cl) : 0.598, PRV : 49.2 NPV : 65.7" 이 속하는 체질 영역 'TE-All'을 확인하여, 대상자의 체질을 '태음 - 모든 성별'로 결정할 수 있다.

일실시예에 따라, 체질 예측 장치(100)는, 체질과 관계되는 10개의 항목에 대한 Polygenic Risk Score(multi-PRS)를 계산하고, 상기 10개의 Polygenic Risk Score(multi-PRS)를 이용하여 학습할 수 있는 모델을 구축하며, 대상자의 genotype을 입력값으로 하여, 상기 모델로부터 분석된 체질 판별값 및 상기 체질 판별값에 따른 건강관리 방법을 제공할 수 있다.

체질 예측 장치(100)는, 개인의 음성, 체형, 성격, 한열 등의 한의학적 특성 및 체질 약에 대한 반응들의 총합으로 체질을 판별 할 수 있다.

체질 예측 장치(100)는, 체질 진단이 완료된 사람들의 유전체 및 개인의 문진 정보들을 축적하고, 상기 축적된 유전체와 정보들을 이용하여, 변하지 않은 유전적 영향성을 반영한 모델을 구축하여 체질을 판별하는데 사용할 수 있다.

체질 예측 장치(100)는, 체질과 관계되어 있는 10개의 항목에 대해 각각 유전점수의 합으로 10개의 Polygenic Risk Score(multi-PRS)를 계산하고, 10개의 Polygenic Risk Score (multi-PRS) 를 이용해 학습할 수 있는 모델을 구축할 수 있다.

체질 예측 장치(100)는, 구축된 알고리즘을 이용하여, 유전검사를 통해 확인된 대상자의 genotype을 입력값으로 하여, 시스템 내의 모델을 통해 분석되어진 체질 판별 값들을 대상자에게 제공할 수 있다.

또한, 체질 예측 장치(100)는, 체질별 subtype에 따라 건강관리 방법을 함께 제공할 수 있다.

도 2는 본 발명에 따른 체질 예측 절차를 설명하기 위한 도이다.

단계 210에서, 체질 예측 장치(100)는, 약 1만명의 코호트 유전체 자료를 수집하여 분석 데이터로 통합할 수 있다.

분석 데이터인 코호트 유전체 자료는 예컨대, 한국인 약 만명에 대한 유전체 자료를 통합(3개의 지역에 대한 데이터 통합)하여 획득할 수 있다.

단계 220에서, 체질 예측 장치(100)는, 코호트 유전체 자료에 대해 QC(quality control) 및 필터링을 수행할 수 있다. 체질 예측 장치(100)는, 유전체 자료의 QC 및 필터링을 통해, 상이한 실험 플랫폼 및 genotyping 오류에 대한 체크를 수행할 수 있다.

예컨대, 체질 예측 장치(100)는, MAF < 0.05, HWE < 1E-6, GENO < 0.1 인 코호트 유전체 자료를 Filter out 하여 제거 할 수 있다.

여기서, MAF(Minor Allele Frequency)은, 더 적은 비율로 나타나는 형질의 비율일 수 있다.

단계 230에서, 체질 예측 장치(100)는, QC 및 필터링이 수행된 코호트 유전체 자료에 대해, 학습 데이터 세트 형성을 위한 GWAS를 분석한다.

GWAS(전체유전체 상관분석연구, Genome-Wide Association Study)는 질병이 없는 사람들과 질병을 가진 사람의 전체 유전체를 대조하여 DNA 표지자를 비교하는 것으로, 이를 통해 암을 비롯하여 여러 질병의 예방, 진단 및 치료를 돕기 위한 단서를 제공 할 수 있다.

단계 240에서, 체질 예측 장치(100)는, GWAS 분석에 기초하여, 유전체 구조적 연결 SNP를 체크한 후, 최종 SNP를 선정할 수 있다.

체질 예측 장치(100)는, 측정된 다중 유전 점수를 이용하여 최종 SNP를 선정할 수 있다.

SNP(Single Nucleotide polymorphism, 단일 핵산염기 다형성)은 개개인마다 다른 매우 일부의 염기 서열로, DNA 염기서열에서 하나의 염기서열(A,T,G,C)의 차이를 보이는 유전적 변화 또는 변이를 지칭할 수 있다.

단계 250에서, 체질 예측 장치(100)는, 선정된 최종 SNP를 이용하여 다중 유전점수 모델을 형성할 수 있다.

단계 260에서, 체질 예측 장치(100)는, 형성된 다중 유전점수 모델을 통해, 대상자의 체질을 예측할 수 있다.

각 체질별 유전적 특성을 발굴하기 위한 학습 데이터 세트 선정에 있어, 체질 예측 장치(100)는, 약 1만명의 체질 설문을 통해 얻어진 체형, 성격, 한열 항목에 대한 결과를 이용하여 전장 유전체 분석을 실시할 수 있다.

도 3은 SNP에 대한 유전적 방향성을 보여주는 도이다.

도 3에서는, 항목 Height, cold, BMI, Weight 각각에 대해, Personality 1 내지 6이 갖는 SNP의 방향성을 예시한다.

도 3에서와 같이, Personality 1과 4는 SNP와 관련하여 유사한 유전적 방향성을 갖고 있고, Personality 5와는 특정 일부 영역에서 만 유전적 방향성을 공유할 수 있다.

또한, Personality 5는, Height, cold, BMI, Weight 에 대해, 다른 Personality와 구분되는 유전적 방향성을 가지고 있다.

도 3에 의해서는, 각 항목별 유전적 연관성 결과 중 유의미한 SNP 들의 유전적 방향성을 확인할 수 있다.

체질 예측 장치(100)는, 체질별 10개의 형질에 대한 유전점수를 확인 할 수 있다.

체질 예측 장치(100)는, 체질이 확인된 2000명을 대상으로 각 체질별 10개의 형질에 대한 유의미한 다중 유전 점수를 측정할 수 있다.

체질 예측 장치(100)는, 각 형질의 유전점수에 따라 체질의 분류가 가능함을 확인할 수 있다.

도 4는 체질별 분포 특성의 확인을 위한 PRS(Polygenic Risk Score) 분포도 이다.

도 4에서와 같이, 체질 예측 장치(100)는, 각 10개의 형질의 PRS 분포에서 상위 10% 를 가진 사람들의 체질별 특성을 확인하여, 체질별 분포 차이를 확인 할 수 있다.

예컨대, 다중 유전점수 모델로부터, 유전적 영향력에 관한 유전점수 '1'로 도출되는 대상자의 경우, 체질 예측 장치(100)는, TE(태양)의 분포 비율(SCtype Percentage)이 SE(소양) 또는 SY(소음) 보다 높게 나타나게 되어, 해당 대상자를 'TE(태양)'로 분류 할 수 있다.

반면, 유전점수 '6'으로 도출되는 대상자의 경우, 체질 예측 장치(100)는, TE(태양), SE(소양), SY(소음)의 분포 비율이 서로 큰 차이 없으나, SE(소양)이 상대적으로 높아, 해당 대상자를 'SE(소양) 우세'로 분류할 수 있다.

도 4에서, x축의 Top 10 PRS는 각 형질이름으로 변경할 수도 있다.

체질 예측 장치(100)는, 다중 유전점수를 활용한 체질분류 모델을 생성할 수 있다.

체질 예측 장치(100)는, 체질이 확인된 2000명을 대상으로 10개의 유전점수를 활용하여 체질을 예측하는 linear regression model을 생성하고 테스트 할 수 있다(training: test).

체질 예측 장치(100)는, "체형 PRS + 성격 PRS + 한열 PRS + 나이"에 의해 체질을 예측할 수 있다.

도 5는 본 발명에 따라 생성한 다중 유전점수 모델의 AUC(area under the ROC curve)의 일례이다.

도 5에서는, AUC에 기초하여, AUC가 속하는 체질 영역을 식별 함으로써, 대상자의 체질을 예측하는 것이 예시된다.

예컨대, 'AUC(95%Cl) : 0.598'에 대해, 체질 예측 장치(100)는, 상기 "AUC(95%Cl) : 0.598,"이 속하는 체질 영역 'TE-All'을 확인하여, 대상자의 체질을 '태음 - 모든 성별'로 결정할 수 있다.

반면, 최고치인 'AUC(95%Cl) : 0.603'에 대해, 체질 예측 장치(100)는, 상기 "AUC(95%Cl) : 0.603,"이 속하는 체질 영역 'SY-men'을 확인하여, 대상자의 체질을 '소양 - 남성'으로 결정할 수 있다.

이하, 도 6에서는 본 발명의 실시예들에 따른 체질 예측 장치(100)의 작업 흐름을 상세히 설명한다.

도 6은 본 발명의 일실시예에 따른, 다중 유전점수를 활용한 체질 예측 방법을 도시한 흐름도이다.

본 실시예에 따른 다중 유전점수를 활용한 체질 예측 방법은 체질 예측 장치(100)에 의해 수행될 수 있다.

우선, 체질 예측 장치(100)는 다중 유전점수 모델을 형성한다(610). 단계(610)는 체계 체질을 특정하기 위한 설문이 배포되고, 상기 설문에 대한 다량의 답변 데이터를 입수하여 학습 함으로써, 후속하여 입력된 대상자의 답변 데이터에 대한 유전점수를 수치로 보여주는 학습 모델을 작성하는 과정일 수 있다.

다중 유전점수 모델의 형성에 있어, 체질 예측 장치(100)는 사상체질 진단용 다중 SNP(Single Nucleotide Polymorphism)을 마커로 활용하여 학습 모델을 작성할 수 있다.

이를 위해, 체질 예측 장치(100)는 복수의 코호트 유전체 자료를 통합하여 분석 데이터를 작성할 수 있다. 즉, 체질 예측 장치(100)는 체질이 기특정된 다수의 개체로부터 체형, 성격, 및 한열에 관한 코호트 유전체 자료를 다량으로 수집하고, 수집된 코호트 유전체 자료를 체질 별로 분류, 합쳐 분석 데이터를 만들 수 있다.

또한, 체질 예측 장치(100)는 상기 분석 데이터에 대해, QC(quality control) 및 필터링을 수행하여 노이즈를 제거할 수 있다. 즉, 체질 예측 장치(100)는 작성된 분석 데이터 중에서, 불필요하거나 의미 없는 데이터를 제거하여, 유의한 분석 데이터 만을 선별할 수 있다.

실시예에 따라, 체질 예측 장치(100)는 상기 분석 데이터 중, MAF(Minor Allele Frequency), HWE(Hardy-Weinberg Equilibrium), 및 GENO에 설정되는 임계값 미만의 유전체 자료를 필터 아웃(Filter out) 할 수 있다.

체질 예측 장치(100)는 이들 파라메터 각각에 따라 설정된 임계값을 만족하지 못하는 분석 데이터를, 노이즈로 판단하여 제거하는 과정을 수행하여, 유의한 분석 데이터 만을 선별할 수 있다.

또한, 체질 예측 장치(100)는 노이즈가 제거된 상기 분석 데이터를 이용하여 구성되는 학습 데이터 세트 중에서 최종 SNP를 선정할 수 있다. 즉, 체질 예측 장치(100)는 선별된 분석 데이터를 구성하여 학습 데이터 세트를 만들고, 만들어진 학습 데이터 세트로부터 사상체질 진단용으로 최적할 수 있는 SNP를 판별할 수 있다.

상기 최종 SNP로서 선정에 있어, 체질 예측 장치(100)는, 상기 분석 데이터에 대해, GWAS(전체유전체 상관분석연구, Genome-Wide Association Study) 분석하여 학습 데이터 세트를 형성할 수 있다.

체질 예측 장치(100)는 GWAS를 통해 분석되는 SNP를 포함하여 학습 데이터 세트를 제작할 수 있다.

또한, 체질 예측 장치(100)는 상기 학습 데이터 세트 중에서, 규정된 유전적 방향성을 갖는 SNP를, 상기 최종 SNP로서 선정할 수 있다. 즉, 체질 예측 장치(100)는 학습 데이터 중에서, 체질 별로 규정되어 있는 SNP를 최대한으로 유사하게 포함하는 학습 데이터로부터 SNP를 추출하여, 이를 최종 SNP로서 선정할 수 있다.

이후, 체질 예측 장치(100)는 상기 선정된 최종 SNP를 포함하여, 상기 다중 유전점수 모델을 형성할 수 있다. 즉, 체질 예측 장치(100)는 최적한 것으로 판별되는 최종 SNP를 포함하여 학습 모델을 작성할 수 있다.

다중 유전점수 모델의 형성 후, 체질 예측 장치(100)는 체형, 성격, 및 한열과 관련한 n개(상기 n은 10 이상의 자연수)의 설문 항목에 대한 대상자로부터의 n개의 답변 데이터를, 상기 다중 유전점수 모델에 입력한다(620). 단계(620)는 체형, 성격, 및 한열에 대해 설문을 통해 조사된 복수의 답변 데이터를 앞서 작성한 학습 모델에 입력하는 과정일 수 있다.

또한, 체질 예측 장치(100)는 상기 다중 유전점수 모델로부터 도출되는 유전적 영향력에 관한 유전점수에 기초하여, 상기 대상자의 체질을 예측 할 수 있다(630). 단계(630)는 복수의 답변 데이터를 입력받은 다중 유전점수 모델로부터 수치화된 유전점수를 출력받고, 출력된 유전점수가 속하는 체질 영역을 확인하여, 대상자의 체질을 결정하는 과정일 수 있다.

체질 예측 장치(100)는, 상기 체형의 유전점수(체형 PRS), 상기 성격의 유전점수(성격 PRS), 상기 한열의 유전점수(한열PRS)에 더해, 상기 대상자의 나이에 상당하는 나이점수를 합산한 최종점수가 속하는 체질 영역을 식별하여, 상기 대상자의 체질을 예측할 수 있다.

예컨대, 다중 유전점수 모델로부터 체형 PRS, 성격 PRS, 한열PRS가 출력되고, 이에 더해 나이점수를 합산한 값이 "AUC(95%Cl) : 0.598, PRV : 49.2 NPV : 65.7" 일 경우, 체질 예측 장치(100)는 상기 "AUC(95%Cl) : 0.598, PRV : 49.2 NPV : 65.7" 이 속하는 체질 영역 'TE-All'을 확인하여, 대상자의 체질을 '태음 - 모든 성별'로 결정할 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 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 실시예를 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 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

100 : 체질 예측 장치
110 : 모델부 120 : 입력부
130 : 예측부

Claims

다중 유전점수 모델을 형성하는 단계;
체형, 성격, 및 한열과 관련한 n개(상기 n은 10 이상의 자연수)의 설문 항목에 대한 대상자로부터의 n개의 답변 데이터를, 상기 다중 유전점수 모델에 입력하는 단계; 및
상기 다중 유전점수 모델로부터 도출되는 유전적 영향력에 관한 유전점수에 기초하여, 상기 대상자의 체질을 예측하는 단계
를 포함하는 다중 유전점수를 활용한 체질 예측 방법.
제1항에 있어서,
상기 다중 유전점수 모델을 형성하는 단계는,
복수의 코호트 유전체 자료를 통합하여 분석 데이터를 작성하는 단계;
상기 분석 데이터에 대해, QC(quality control) 및 필터링을 수행하여 노이즈를 제거하는 단계;
노이즈가 제거된 상기 분석 데이터를 이용하여 구성되는 학습 데이터 세트 중에서 최종 SNP를 선정하는 단계;
상기 선정된 최종 SNP를 포함하여, 상기 다중 유전점수 모델을 형성하는 단계
를 포함하는 다중 유전점수를 활용한 체질 예측 방법.
제2항에 있어서,
상기 노이즈를 제거하는 단계는,
상기 분석 데이터 중, MAF(Minor Allele Frequency), HWE(Hardy-Weinberg Equilibrium), 및 GENO에 설정되는 임계값 미만의 유전체 자료를 필터 아웃(Filter out)하는 단계
를 포함하는 다중 유전점수를 활용한 체질 예측 방법.
제2항에 있어서,
상기 최종 SNP를 선정하는 단계는,
상기 분석 데이터에 대해, GWAS(전체유전체 상관분석연구, Genome-Wide Association Study) 분석하여 학습 데이터 세트를 형성하는 단계; 및
상기 학습 데이터 세트 중에서, 규정된 유전적 방향성을 갖는 SNP를, 상기 최종 SNP로서 선정하는 단계
를 포함하는 다중 유전점수를 활용한 체질 예측 방법.
제1항에 있어서,
상기 유전점수는 상기 체형, 성격, 및 한열 각각에 대해 도출되며,
상기 대상자의 체질을 예측하는 단계는,
상기 체형의 유전점수(체형 PRS), 상기 성격의 유전점수(성격 PRS), 상기 한열의 유전점수(한열PRS)에 더해, 상기 대상자의 나이에 상당하는 나이점수를 합산한 최종점수가 속하는 체질 영역을 식별하여, 상기 대상자의 체질을 예측하는 단계
를 포함하는 다중 유전점수를 활용한 체질 예측 방법.
체질과 관계되는 10개의 항목에 대한 Polygenic Risk Score(multi-PRS)를 계산하고, 상기 10개의 Polygenic Risk Score(multi-PRS)를 이용하여 학습할 수 있는 모델을 구축하는 단계; 및
대상자의 genotype을 입력값으로 하여, 상기 모델로부터 분석된 체질 판별값 및 상기 체질 판별값에 따른 건강관리 방법을 제공하는 단계
를 포함하는 다중 유전점수를 활용한 체질 예측 방법.
다중 유전점수 모델을 형성하는 모델부;
체형, 성격, 및 한열과 관련한 n개(상기 n은 10 이상의 자연수)의 설문 항목에 대한 대상자로부터의 n개의 답변 데이터를, 상기 다중 유전점수 모델에 입력하는 입력부; 및
상기 다중 유전점수 모델로부터 도출되는 유전적 영향력에 관한 유전점수에 기초하여, 상기 대상자의 체질을 예측하는 예측부
를 포함하는 다중 유전점수를 활용한 체질 예측 장치.
제7항에 있어서,
상기 모델부는,
복수의 코호트 유전체 자료를 통합하여 분석 데이터를 작성하고,
상기 분석 데이터에 대해, QC(quality control) 및 필터링을 수행하여 노이즈를 제거하며,
노이즈가 제거된 상기 분석 데이터를 이용하여 구성되는 학습 데이터 세트 중에서 최종 SNP를 선정하고,
상기 선정된 최종 SNP를 포함하여, 상기 다중 유전점수 모델을 형성하는
다중 유전점수를 활용한 체질 예측 장치.
제8항에 있어서,
상기 모델부는,
상기 분석 데이터 중, MAF(Minor Allele Frequency), HWE(Hardy-Weinberg Equilibrium), 및 GENO에 설정되는 임계값 미만의 유전체 자료를 필터 아웃(Filter out)하는
다중 유전점수를 활용한 체질 예측 장치.
제8항에 있어서,
상기 모델부는,
상기 분석 데이터에 대해, GWAS(전체유전체 상관분석연구, Genome-Wide Association Study) 분석하여 학습 데이터 세트를 형성하고,
상기 학습 데이터 세트 중에서, 규정된 유전적 방향성을 갖는 SNP를, 상기 최종 SNP로서 선정하는
다중 유전점수를 활용한 체질 예측 장치.
제7항에 있어서,
상기 유전점수는 상기 체형, 성격, 및 한열 각각에 대해 도출되며,
상기 예측부는,
상기 체형의 유전점수(체형 PRS), 상기 성격의 유전점수(성격 PRS), 상기 한열의 유전점수(한열PRS)에 더해, 상기 대상자의 나이에 상당하는 나이점수를 합산한 최종점수가 속하는 체질 영역을 식별하여, 상기 대상자의 체질을 예측하는
다중 유전점수를 활용한 체질 예측 장치.
체질과 관계되는 10개의 항목에 대한 Polygenic Risk Score(multi-PRS)를 계산하고, 상기 10개의 Polygenic Risk Score(multi-PRS)를 이용하여 학습할 수 있는 모델을 구축하며,
대상자의 genotype을 입력값으로 하여, 상기 모델로부터 분석된 체질 판별값 및 상기 체질 판별값에 따른 건강관리 방법을 제공하는
다중 유전점수를 활용한 체질 예측 장치.
제1항 내지 제6항 중 어느 한 항의 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터 판독 가능한 기록매체.