WO2020138589A1 - 신약 후보 물질 발굴을 위한 멀티오믹스 데이터 처리 장치 및 방법 - Google Patents

신약 후보 물질 발굴을 위한 멀티오믹스 데이터 처리 장치 및 방법 Download PDF

Info

Publication number
WO2020138589A1
WO2020138589A1 PCT/KR2019/002919 KR2019002919W WO2020138589A1 WO 2020138589 A1 WO2020138589 A1 WO 2020138589A1 KR 2019002919 W KR2019002919 W KR 2019002919W WO 2020138589 A1 WO2020138589 A1 WO 2020138589A1
Authority
WO
WIPO (PCT)
Prior art keywords
ohmic
biological entities
level
correlation
levels
Prior art date
Application number
PCT/KR2019/002919
Other languages
English (en)
French (fr)
Inventor
배영우
진승현
Original Assignee
주식회사 메디리타
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 메디리타 filed Critical 주식회사 메디리타
Priority to US17/288,906 priority Critical patent/US11915832B2/en
Priority to KR1020190163398A priority patent/KR102181058B1/ko
Priority to US17/428,619 priority patent/US20220020454A1/en
Priority to PCT/KR2019/017793 priority patent/WO2020184816A1/ko
Publication of WO2020138589A1 publication Critical patent/WO2020138589A1/ko
Priority to KR1020200139362A priority patent/KR102379214B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B45/00—ICT specially adapted for bioinformatics-related data visualisation, e.g. displaying of maps or networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/40—Searching chemical structures or physicochemical data
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/50—Molecular design, e.g. of drugs
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies

Definitions

  • the present invention relates to a multi-ohmic data processing apparatus and method for discovering new drug candidate substances, and more specifically, a data processing apparatus for generating a multi-ohmic network having a hierarchical structure from an ohmic DB for discovering new drug candidate substances and It's about how.
  • omics is also called somatics ( ⁇ ), a term that refers to the entire collection of biological molecules, cells, tissues, organs, etc., including the genome, for example, genomics, proteomics And metabolomics. 1 shows the hierarchical structure of the body. Recently, the concept of multiomics, which means a holistic and integrated analysis between different ohmic levels, has been introduced, and it is necessary to utilize such a multi-omics network to develop a new drug with a high hit rate.
  • the technical problem to be solved by the present invention is to provide a data processing apparatus and method for discovering new drug candidate substances.
  • Another technical problem to be solved by the present invention relates to an apparatus and method for generating a multi-ohmic network from an ohmic DB (database).
  • a data processing method for discovering new drug candidate substances in a data processing apparatus includes receiving at least some of the ohmic levels of a plurality of ohmic levels constituting an ohmic through a user interface; Receiving, through a user interface, a type of at least a portion of a plurality of types of correlations forming the ohmic; Selecting a DB relating to the at least some of the ohmic levels and a DB relating to the at least some types of correlations from the ohmic DB including data for each ohmic level and data for each correlation type; Generating a first matrix consisting of a DB relating to the at least some of the ohmic levels and a DB relating to the at least some types of correlations; Receiving a predetermined search term through a user interface; Extracting a plurality of biological entities related to the predetermined search term and a correlation between the plurality of biological entities from the DB related to the at least some of the at least some of the
  • the method may further include extracting some paths having a connection relationship between different ohmic levels in the multi-ohmic network using some nodes extracted using the graph theory index among the plurality of nodes.
  • the method may further include displaying some paths having a connection relationship between different ohmic levels in the multi-ohmic network in a hierarchical structure.
  • the graph theory index may include at least one of a shortest path between nodes, a clustering coefficient for each node, a centrality coefficient for each node, and a hub characteristic for each node for a plurality of nodes constituting the multi-omics network.
  • the plurality of ohmic levels may include at least some of a gene level, a protein level, a metabolic level, a symptom level, a disease level, a compound level, a drug level, and a side effect level.
  • the first matrix may be generated such that the at least a portion of the ohmic level is disposed on each of the horizontal axis and the vertical axis, and the type of correlation is displayed at a point where the horizontal axis and the vertical axis intersect.
  • the generating of the multi-omics network may include: generating a second matrix composed of the plurality of biological entities and a correlation between the plurality of biological entities; And connecting the plurality of biological entities in a cross-correlation relationship between the plurality of biological entities, wherein the second matrix sequentially arranges the plurality of biological entities on each of the horizontal and vertical axes according to the hierarchical structure of the ohmic level.
  • a correlation between the plurality of biological entities may be displayed at a point where the horizontal axis and the vertical axis intersect.
  • the data processing apparatus for discovering a new drug candidate substance receives at least some of the ohmic levels among a plurality of ohmic levels constituting an ohmic, and among a plurality of types of correlations constituting the ohmic
  • a user interface unit that receives at least a portion of a correlation type; Select a DB for at least some of the ohmic levels and a DB for at least some of the correlation types from the ohmic DB including data for each ohmic level and data for each type of correlation, and select at least some of the errors.
  • a DB extraction unit for generating a first matrix consisting of a DB relating to the mix level and a DB relating to the at least a part of the correlation type; And a plurality of biological entities and a plurality of biological entities related to a predetermined search term input through the user interface unit from the DB regarding the at least some of the ohmic level and the DB regarding the at least some kind of correlation degree.
  • a data generating unit configured to generate a multi-omics network in which a plurality of nodes including the plurality of biological entities are connected according to a correlation degree between the plurality of biological entities, and some of the plurality of biological entities It is included in different ohmic levels with the rest of the biological entities.
  • a recording medium in which a computer readable program is recorded includes receiving at least some of the ohmic levels of a plurality of ohmic levels constituting an ohmic through a user interface; Receiving, through a user interface, a type of at least a portion of a plurality of types of correlations forming the ohmic; Selecting a DB relating to the at least some of the ohmic levels and a DB relating to the at least some types of correlations from the ohmic DB including data for each ohmic level and data for each correlation type; Generating a first matrix consisting of a DB relating to the at least some of the ohmic levels and a DB relating to the at least some types of correlations; Receiving a predetermined search term through a user interface; Extracting a plurality of biological entities related to the predetermined search term and a correlation between the plurality of biological entities from the DB related to the at least some of the ohmic
  • refined information on biological entities related to a predetermined search word and their correlations can be extracted in a short time without having to search for huge amounts of information individually for discovering new drug candidate substances.
  • a multi-omics network composed of only the user's desired ohmic level and correlation, and the correlation between biological entities located at different ohmic levels desired by the user can be obtained. It can be easily derived, and accordingly, it is possible to conveniently explore the hierarchical structure of the body and a connection relationship with states, diseases and symptoms expressed externally therefrom, and can easily understand the mechanism of disease and the mechanism of pharmacology.
  • FIG. 3 is a block diagram of a data processing apparatus for discovering new drug candidate substances according to an embodiment of the present invention.
  • FIG. 4 is a block diagram of an ohmic DB used by a data processing device for discovering new drug candidate substances according to an embodiment of the present invention.
  • FIG. 5 is a flowchart of a data processing method for discovering new drug candidate substances in a data processing apparatus according to an embodiment of the present invention.
  • step S100 shows an example in which the ohmic level is input in step S100 according to an embodiment of the present invention.
  • step S110 shows an example in which a type of correlation is input in step S110 according to an embodiment of the present invention.
  • step S130 shows an example of a first matrix generated in step S130 according to an embodiment of the present invention.
  • FIG. 10 is a part of an example of a second matrix showing biological entities extracted in step S150 and the correlation between them.
  • FIG. 11 is an example of a multi-ohmic network generated according to an embodiment of the present invention.
  • step S180 shows an example of some paths displayed in step S180 according to an embodiment of the present invention.
  • first and second may be used to describe various components, but the components are not limited by the terms. The terms are used only for the purpose of distinguishing one component from other components.
  • the second component may be referred to as the first component without departing from the scope of the present invention, and similarly, the first component may also be referred to as the second component.
  • the term and/or includes a combination of a plurality of related described items or any one of a plurality of related described items.
  • a network may be composed of a plurality of nodes, and two nodes may be connected by edges.
  • the network may be a knowledge network, a biological network, a multi-ohmic network, a node may represent a biological entity, and an edge may represent a correlation between two biological entities.
  • FIG. 3 is a block diagram of a data processing apparatus for discovering new drug candidate substances according to an embodiment of the present invention
  • FIG. 4 is an ohmic DB used by a data processing apparatus for discovering new drug candidate substances according to an embodiment of the present invention
  • 5 is a flowchart of a data processing method for discovering new drug candidate substances in a data processing apparatus according to an embodiment of the present invention.
  • the data processing apparatus 100 for discovering new drug candidate substances includes a user interface unit 110, a DB extraction unit 120, a data generation unit 130, a data processing unit 140, and a data purification unit ( 150), an output unit 160 and a storage unit 170.
  • the user interface 110 receives at least some of the ohmic levels of a plurality of levels constituting an ohmic (S100), and at least some of the plurality of types of interrelationships forming an ohmic
  • the correlation type is input (S110).
  • the omics (omics) is also referred to as somatic, for example, genetic physics, transcriptional physics, metabolic physics, epigenetics, geological physics, etc., in detail anatomical structure (anatomy), biological path (biological) process), a pathway, a pharmacological class, symptoms, diseases, compounds, drugs, side effects, and the like, but may not be limited thereto.
  • Omics levels include gene level, transcription level, protein level, metabolic level, epigene level, lipid level, anatomical structure level, biological pathway level, conduction pathway level, pharmacological hierarchical level, symptom level, disease level , Compound level, drug level and side effect level, but is not limited thereto.
  • the anatomical structure may refer to tissue, organ, and the like
  • the biological pathway is a series of molecular components extracted from gene ontology, such as cellular components, such as location at the level of the intracellular structure. It may be an event, and the pharmacological layer may be a pharmacological effect or a mechanism of action.
  • a plurality of types of correlations are “interact”, “participate”, “covariate”, “regulate”, “associate”, “bind” “, “upregulate”, “cause”, “resemble”, “treat”, “downregulates”, “palliate”, “expression (present)”, “localize (localize)”, “include (include)”, “expression (express)” can include, identification number or identification symbol for each type can be randomly assigned. The identification number or identification symbol for each type may be set by the user or may be set automatically. 6 shows an example in which an ohmic level is input in step S100 according to an embodiment of the present invention, and FIG.
  • FIG. 7 shows an example in which a correlation type is input in step S110 according to an embodiment of the present invention.
  • a screen through which the plurality of ohmic levels can be selected may be exposed through the output unit 160, and at least some of the ohmic levels may be displayed through the user interface 110 among the plurality of ohmic levels. Can be selected.
  • a screen through which a plurality of types of correlations can be selected may be exposed through the output unit 160, and at least a portion of the plurality of types of correlations may be exposed through the user interface unit 110.
  • the type of correlation can also be selected.
  • the DB extracting unit 120 extracts a DB regarding at least some of the ohmic levels selected in step S100 and a DB regarding at least some types of correlations selected in step S110 from the ohmic DB (database) (S120).
  • the O-MIX DB 200 may be a big data DB, a DB outside the data processing apparatus 100 according to an embodiment of the present invention, and accessible by anyone or an authorized person under certain conditions. It can be a public DB.
  • the ohmic DB 200 may store information about the ohmic level and information on the correlation between biological entities in the ohmic level in advance. For example, as shown in FIG.
  • the ohmic DB 200 may include a DB 210 for each ohmic level and a DB 220 for each correlation type.
  • Omics level DB (210) for example, gene DB, transcription DB, protein DB, metabolic DB, epigenetic DB, lipid DB, anatomical structure DB, biological pathway DB, conduction pathway DB, symptom DB, Disease DB, compound DB, drug DB, and side effects DB.
  • the DB 220 for each type of correlation is an interaction DB, a participation DB, a covariate DB, a regulation DB, an association DB, and a binding DB.
  • These DBs can be integrated and managed as one big data DB, or distributed and managed and operated.
  • the DB extracting unit 120 generates a first matrix consisting of a DB regarding at least some of the ohmic levels extracted in step S120 and a DB regarding at least some types of correlations (S130).
  • the first matrix may be referred to as a set of DBs extracted in step S120.
  • 8 shows an example of a first matrix generated in step S130 according to an embodiment of the present invention. Referring to FIG. 8, the ohmic levels selected in step S100 are disposed on each of the horizontal and vertical axes, and may be generated such that the types of correlations selected in step S110 are displayed at a point where the horizontal and vertical axes intersect.
  • the genetic level, protein level, metabolism level, anatomical structure level, conduction pathway level, biological pathway level, compound level, side effect level, disease level, pharmacological hierarchical level and symptom level are horizontal axis of the first matrix. And it may be disposed on each of the vertical axis, the horizontal axis and the vertical axis at the intersection of the types of interaction (interact, Int), participation (participate, P), covariate (Co), regulation (regulate, Reg) , Association (A), binding (bind, B), upregulate (U), cause (Cause, Ca), resemble (R), treat (T), downregulate (downregulates) , D), palliate (Pa), expression (present, Pr), location (localize, L), include (include, Inc) and at least one of expression (express, E) may be displayed.
  • the user interface unit 110 receives a predetermined search word (S140).
  • the predetermined search term may be a search term that a user desires to search for information, and one of a plurality of biological entities included for each ohmic level, for example, a gene name, a protein name, a metabolic name, a symptom name, a disease name, and a compound It can include one of the following: name, drug name, side effect name.
  • 9 shows an example in which a predetermined search word is input. Referring to FIG. 9, a screen for inputting a predetermined search word may be exposed through the output unit 160, and a predetermined search word may be input through the user interface 110. 9 shows an example in which the disease name is selected as a category, and epilepsy syndrome is input as a predetermined search term.
  • the data generating unit 130 extracts at least one biological entity related to the predetermined search term received in step S140 using the first matrix generated in step S130, and uses the first matrix generated in step S130 Then, a correlation between a predetermined search word and the extracted biological entity is extracted (S150).
  • the biological entity may include at least one of genes, proteins, metabolites, symptoms, diseases, compounds, and drugs, and the ohmic level to which a given search term belongs may be the same as the ohmic level to which the biological entity belongs. , May be different. For example, as illustrated in FIG.
  • biological entities extracted in step S150 include genes associated with epilepsy syndrome, proteins associated with epilepsy syndrome, and metabolites associated with epilepsy syndrome , symptoms associated with epilepsy syndrome, diseases associated with epilepsy syndrome, compounds associated with epilepsy syndrome, and drugs associated with epilepsy syndrome.
  • the data generation unit 130 comprises the gene DB, protein DB, metabolism DB, anatomical structure DB, conduction path DB, biological pathway DB, compound DB, side effects DB, disease constituting the first matrix in step S130
  • Biological entities associated with epilepsy syndrome can be extracted from each of the DB, pharmacological hierarchical DB, and symptom DB.
  • the biological entity extracted in step S150 includes multiple genes associated with epilepsy syndrome, multiple proteins associated with epilepsy syndrome, multiple metabolites associated with epilepsy syndrome, multiple symptoms associated with epilepsy syndrome, and multiple associated with epilepsy syndrome May include at least one of a plurality of compounds associated with a disease, epilepsy syndrome, and a plurality of drugs associated with epilepsy syndrome.
  • the amount of DB to be searched can be significantly reduced, and accordingly time and cost for searching for information It is possible to reduce, and it is possible to extract only the information desired by the user.
  • the data generation unit 130 is based on artificial intelligence technology including machine learning, Natural language processing algorithms can be used.
  • natural language processing refers to various techniques that mechanically analyze language phenomena spoken by humans to make them understandable by computers, and express the forms understandable by computers in languages understandable by humans.
  • the O-MIX DB 200 may be a language-based DB for each biological entity type, and may include information reflecting machine-learned results and feedback results.
  • the data generation unit 130 is based on artificial intelligence technology including machine learning, You can also use deep neural network algorithms.
  • the deep neural network is an artificial neural network composed of several hidden layers between an input layer and an output layer, and refers to various technologies used for classification, prediction, image recognition, and character recognition.
  • the O-MIX DB 200 may be an image-based DB for each biological entity type, and may include information reflecting machine-learned results and feedback results.
  • FIG. 10 is a part of an example of a second matrix showing biological entities extracted in step S150 and the correlation between them.
  • a plurality of biological entities are sequentially arranged on each of the horizontal and vertical axes according to the hierarchical structure of the ohmic level, and the correlation between the plurality of biological entities is at a point where the horizontal and vertical axes intersect. It can be created in any way that is displayed.
  • the ohmic level selected in step S100 is the gene level, the conduction level, the protein level, the metabolic level, the disease level, the side effect level and the compound level
  • the predetermined search term input in step S140 is one of the compounds
  • a plurality of genes associated with bupropion, a plurality of pathways, a plurality of proteins, a plurality of metabolites, a plurality of diseases, a plurality of diseases It can be seen that side effects, a plurality of compounds are extracted as biological entities, and these biological entities are sequentially arranged on each of the horizontal and vertical axes according to the hierarchical structure of the ohmic level.
  • the correlation between biological entities is displayed in different colors at the intersection of the horizontal axis and the vertical axis.
  • the form of the second matrix is exemplary, and is not limited thereto, and may be modified in various forms.
  • the data generation unit 130 generates a multi-ohmic network using the results extracted in step S150 (S160).
  • 11 is an example of a multi-ohmic network generated according to an embodiment of the present invention.
  • the multi-omics network is a predetermined search term received in step S140 and biological entities extracted in step S150 as nodes, and a correlation between a predetermined search term extracted in step S150 and a biological entity or a correlation between biological entities.
  • a plurality of nodes may be connected using a connection line.
  • the path from node A, one of the nodes in the multi-omics network, to node B, the other, may vary, and all possible paths may be connected by a connection line.
  • the multi-omics network is a network consisting of correlations between biological entities, and can be mixed with biological networks.
  • some of the plurality of biological entities that become nodes may be included in different ohmic levels from the rest of the biological entities. That is, as illustrated in FIG. 11, the multi-omics network includes a plurality of different ohmic levels included in gene levels, conduction pathway levels, protein levels, metabolic levels, compound levels, side effects levels and disease levels.
  • the biological entity is a node, and some of the plurality of biological entities included in the gene level may be connected to some of the plurality of biological entities included in the protein level or may be connected to some of the plurality of biological entities included in the conduction pathway level.
  • some of the plurality of biological entities included in the compound level are connected to some of the plurality of biological entities included in the protein level, connected to some of the plurality of biological entities included in the conduction level, or included in the side effect level It may be connected to some of the plurality of biological entities.
  • the DB and the name of the corresponding ohmic level Since the DB regarding the type of association is automatically extracted, the amount of information to be searched by the data processing apparatus 100 may be significantly reduced, and accordingly, the multi-ohmic network composed of the type of the desired ohmic level and the degree of correlation.
  • the data purification unit 150 extracts some paths in the multi-omics network generated in step S160 (S170), and the output unit 160 displays some paths extracted in step S170 (S180).
  • some paths may be paths connecting some nodes extracted from biological entities in the multi-omics network, which is relatively related to a given search term among a plurality of paths connecting biological entities in the multi-omics network. It may be a path judged to be high or a path judged to be relatively high in importance.
  • 12 shows an example of some paths displayed in step S180 according to an embodiment of the present invention. Referring to FIG. 12, some paths having a connection relationship between different ohmic levels in a multi-ohmic may be displayed in a hierarchical structure. According to this, it is possible to intuitively grasp the degree of correlation between a plurality of biological entities included in different ohmic levels.
  • the data processing unit 140 may generate graph theoretical indicators of the multi-ohmic network, and the data purification unit 150 may be configured to process the data processing unit 140.
  • the graph theory index generated in some nodes in the highly correlated multi-ohmic network can be extracted.
  • the graph theory index may include at least one of a shortest path between nodes, a clustering coefficient for each node, a centrality coefficient for each node, and a hub characteristic for each node for a plurality of nodes constituting a multi-ohmic network.
  • the shortest path between nodes may mean the shortest path among a large number of paths from Node A to Node B in a multiomic network.
  • a method of calculating a shortest path between a node A, which is one of biological entities, and a node B, which is another one of biological entities, will be described.
  • Node A There are various paths from Node A to Node B, and Node A and Node B may be directly connected, or at least one intermediate node may exist on each path between Node A and Node B.
  • the shortest path between node A and node B can be obtained by using the number of intermediate nodes per path. For example, among the various paths between the nodes A and B, the smaller the number of intermediate nodes, the shorter the path.
  • the shortest path between node A and node B is obtained by using the number of intermediate nodes for each path, but may reflect the type of interrelationship for each connection line. That is, the weights are set differently for each category of correlation, and weights can be applied to the correlations that exist for each route.
  • Equation 1 is an example of an equation for calculating the shortest path between nodes.
  • f is a weight transformation function
  • the value of Equation 1 is obtained for each path, and a path having the lowest value or the highest value may be selected as the shortest path.
  • the clustering coefficient for each node may be calculated by Equation 2 and Equation 3.
  • the clustering coefficient may be referred to as a grouping coefficient, and may mean a probability that a specific node and neighboring nodes are connected to each other or a connection density between a specific node and neighboring nodes.
  • I is each node of the multiomic network i
  • N is the total set of nodes in the multi-omics network
  • Means clustering coefficient, I is each node of the multiomic network i
  • the centrality index for each node is an index of whether a specific node has a hub function, (nodal degree) value, BC (betweenness centrality) value, (nodal efficiency) value.
  • the value is a measure of the degree of connectivity in each node's multi-omics network, i.e., how strong or weak connectivity i is in the multi-omics network.
  • the value is the value of the degree of efficiency in the multi-ohmic network of node i, that is, the value expressed as the inverse of the shortest path in Equation 1, and the shorter the path, the higher the efficiency, and the BC value is the path between the nodes in the multi-ohmic network. It is an index indicating the number of times the node i becomes a shortcut.
  • Equation 4 The value can be calculated by Equation 4.
  • I an index of correlation between two nodes i and j
  • N is the total set of nodes in the multiomic network.
  • Equation 5 The value can be calculated by Equation 5.
  • N is the entire node set of the multi-ohmic network
  • I is a value representing the shortest path calculated in equation (1).
  • the node h Wow j Means the shortest distance between, The node h passing i Wow j It means the shortest distance between.
  • the kinless hub means the hub having the highest influence, that is, a hub connected to nodes in many modules
  • the connector hub means a hub having the nature of connecting modules in the knowledge network
  • the civil hub is mainly a high influence within the module It means having a herb.
  • the module may be a structural configuration group that subdivides the entire multi-omics network.
  • the modularity in the multi-ohmic network can be calculated as in Equation 7.
  • the modularity refers to the number of module types of the entire multi-ohmic network.
  • the participation coefficient (PC) of the multi-ohmic network module may be calculated as shown in Equation 8.
  • M means a set of modules, Denotes the number of connections between node i and all other nodes in module m, and module m denotes a structural configuration group that subdivides the entire multi-omics network.
  • the z-score (within-module degree) of the multi-ohmic network module may be calculated as shown in Equation (9).
  • the node i means the connection degree in module m, , Denotes the mean and standard deviation of the degree distribution of connections within each module m.
  • Equation 9 it is possible to distinguish whether each node is a hub or not within a module. For example, if the Z score of the multi-ohmic network module is 2.5 or more, as described below, it may be determined as a hub.
  • the hub type when it is determined that the node is a hub in the module, the hub type may be classified as follows through the index calculation of Equation 8, and FIG. 7 shows an example of classifying the hub type according to the PC.
  • Connector hub 0.3 ⁇ PC ⁇ 0.75
  • the nodes constituting some paths extracted in step S170 are index values for the shortest path between nodes, index values for clustering coefficients for each node, and centrality for each node among a plurality of nodes constituting the multi-omics network of step S160. At least some of the index values for the coefficients may be some nodes that are greater than or equal to a threshold value. That is, some of the paths extracted in step S170 include at least one of an index value for the shortest path between nodes, an index value for clustering coefficients for each node, and an index value for centrality coefficients for each node among a plurality of nodes constituting a multi-omics network. It can be created by deleting a node whose part is below the threshold and deleting a connection associated with the deleted node.
  • the graph theoretical index to be compared with the threshold value may be an index value for a shortest path between nodes, an index value for a clustering coefficient for each node, and an index value for a centrality coefficient for each node.
  • the graph theoretical index compared to the threshold value may be a value calculated by combining at least two of an index value for a shortest path between nodes, an index value for a clustering coefficient for each node, and an index value for a centrality coefficient for each node. .
  • At this time, at least one of an index value for the shortest path between nodes, an index value for a clustering coefficient for each node, and an index value for a centrality coefficient for each node may be calculated as a standard score for each node, and the calculated standard score is a threshold value. Can be compared with.
  • the standard score may be a z score
  • a threshold value may mean significance of 95%.
  • the Z score can be calculated as in Equation 10.
  • z is a z-score
  • X is an index value of a predetermined graph theory index for a specific node in the multi-ohmic network
  • mean(x) is a graph theory index of a plurality of nodes in a multi-ohmic network.
  • the average index value, SE(x) is the standard error of the index value of a given graph theory index in the multi-ohmic network.
  • ⁇ is the standard deviation
  • n is the number of a plurality of nodes constituting the multi-ohmic network.
  • the z-score standardizes the difference between an index value of a predetermined graph theory index for each node constituting a multi-ohmic network and an average index value of a predetermined graph theory index for a plurality of nodes constituting a multi-ohmic network. It can be the value divided by the error.
  • the z score can be calculated through a permutation test.
  • the permutation test may be performed by randomly mixing the entire connecting lines constituting the multi-ohmic network, and then calculating a z score for each node.
  • the number of random mixing may be 1000 or more.
  • the nodes constituting some paths extracted in step S170 may be some nodes extracted by using an index value for a hub characteristic of each node among a plurality of nodes constituting a multi-ohmic network. That is, a node constituting some paths extracted in step S170 is a node determined to be a hub in a module through index calculation of Equation 9, preferably a node classified as one of a kinless hub, a connector hub, and a provincial hub, more preferably For example, it may be a node classified as one of a kinless hub and a connector hub, more preferably a node classified as a kinless hub.
  • the data processing apparatus 100 may include a data storage unit 170.
  • the data storage unit 170 may be connected to the data generation unit 130, the data processing unit 140, and the data purification unit 150, and the data generation unit 130, the data processing unit 140, and the data purification unit 150 You can save the results calculated from.
  • the data storage unit 170 may be wirelessly or wiredly connected to an external learning server, or may transmit the stored data to an external learning server.
  • the term' ⁇ unit' used in this embodiment means a software or hardware component such as a field-programmable gate array (FPGA) or an ASIC, and the' ⁇ unit' performs certain roles.
  • FPGA field-programmable gate array
  • ASIC application-specific integrated circuit
  • components and' ⁇ units' may be combined into a smaller number of components and' ⁇ units', or further separated into additional components and' ⁇ units'.
  • the components and' ⁇ unit' may be implemented to play one or more CPUs in the device or secure multimedia card.

Abstract

본 발명의 한 실시예에 따른 신약 후보 물질 발굴을 위한 데이터 처리 방법은 오믹스를 이루는 복수의 오믹스 레벨 중 적어도 일부의 오믹스 레벨을 사용자 인터페이스를 통하여 입력 받는 단계; 상기 오믹스를 이루는 복수의 상호 연관도 종류 중 적어도 일부의 상호 연관도 종류를 사용자 인터페이스를 통하여 입력 받는 단계; 오믹스 레벨 별 데이터 및 상호 연관도 종류 별 데이터를 포함하는 오믹스 DB로부터 상기 적어도 일부의 오믹스 레벨에 관한 DB 및 상기 적어도 일부의 상호 연관도 종류에 관한 DB를 선택하는 단계; 상기 적어도 일부의 오믹스 레벨에 관한 DB 및 상기 적어도 일부의 상호 연관도 종류에 관한 DB로 이루어진 제1 매트릭스를 생성하는 단계; 사용자 인터페이스를 통하여 소정의 검색어를 입력 받는 단계; 상기 적어도 일부의 오믹스 레벨에 관한 DB 및 상기 적어도 일부의 상호 연관도 종류에 관한 DB로부터 상기 소정의 검색어와 관련된 복수의 생물학적 엔티티 및 상기 복수의 생물학적 엔티티 간 상호 연관도를 추출하는 단계; 그리고 상기 복수의 생물학적 엔티티를 포함하는 복수의 노드를 상기 복수의 생물학적 엔티티 간 상호 연관도에 따라 연결한 멀티오믹스 네트워크를 생성하는 단계를 포함한다.

Description

신약 후보 물질 발굴을 위한 멀티오믹스 데이터 처리 장치 및 방법
본 발명은 신약 후보 물질 발굴을 위한 멀티오믹스 데이터 처리 장치 및 방법에 관한 것으로, 보다 상세하게는 신약 후보 물질 발굴을 위하여 오믹스 DB로부터 계층 구조를 가지는 멀티오믹스 네트워크를 생성하는 데이터 처리 장치 및 방법에 관한 것이다.
하나의 신약을 개발하기 위하여 평균적으로 총 15년의 기간이 소요되며, 2 내지 3조원의 비용이 발생하는 것으로 알려져 있다. 이 중에서도 전임상(preclinical trial) 이전의 신약 후보 물질을 발굴하기 위하여 약 6년의 기간이 소요되는 것으로 알려져 있다.
일반적으로, 신약을 개발하기 위한 파이프라인의 첫 단계인 신약 후보 물질을 발굴하기 위하여, 다수의 전문 연구 인력들이 막대한 양의 정보를 일일이 탐색하고, 이로부터 주요한 생물학적 엔티티(entity) 간의 연관성을 추론하는 과정을 거치고 있다.
최근 일본에서 출범된 라이프 인텔리전스 컨소시엄(Life Intelligence Consortium, 2017)에 따르면, 신약 개발에 인공지능 기술을 활용할 경우, 신약을 개발하기 위하여 소요되는 기간은 약 40% 수준으로 단축될 수 있고, 비용은 약 50% 수준으로 절감될 수 있는 것으로 예측되고 있다.
한편, 오믹스(omics)는 체학(體學)이라고도 하며, 유전체를 비롯한 망라적 생물 분자, 세포, 조직, 기관 등의 집합체 전부를 일컫는 용어로, 예컨데, 유전체학(genomics), 단백질체학(proteomics), 신진대사체학(metabolomics) 등이 있다. 도 1은 신체의 계층 구조를 나타낸다. 최근, 서로 다른 오믹스 레벨 간의 총체적이고 통합적인 분석을 의미하는 멀티오믹스(multiomics)에 관한 개념이 소개되고 있으며, 적중률이 높은 신약을 개발하기 위하여 이러한 멀티오믹스 네트워크를 활용할 필요가 있다.
다만, 오믹스 데이터를 이용하여 멀티오믹스 네트워크를 효율적으로 생성하기 위한 구체적인 방법은 개발되지 않은 실정이다.
본 발명이 해결하고자 하는 기술적 과제는 신약 후보 물질 발굴을 위한 데이터 처리 장치 및 방법을 제공하는 것이다.
본 발명이 해결하고자 하는 다른 기술적 과제는 오믹스 DB(database)로부터 멀티오믹스 네트워크를 생성하는 장치 및 방법에 관한 것이다.
본 발명의 한 실시예에 따른 데이터 처리 장치의 신약 후보 물질 발굴을 위한 데이터 처리 방법은 오믹스를 이루는 복수의 오믹스 레벨 중 적어도 일부의 오믹스 레벨을 사용자 인터페이스를 통하여 입력 받는 단계; 상기 오믹스를 이루는 복수의 상호 연관도 종류 중 적어도 일부의 상호 연관도 종류를 사용자 인터페이스를 통하여 입력 받는 단계; 오믹스 레벨 별 데이터 및 상호 연관도 종류 별 데이터를 포함하는 오믹스 DB로부터 상기 적어도 일부의 오믹스 레벨에 관한 DB 및 상기 적어도 일부의 상호 연관도 종류에 관한 DB를 선택하는 단계; 상기 적어도 일부의 오믹스 레벨에 관한 DB 및 상기 적어도 일부의 상호 연관도 종류에 관한 DB로 이루어진 제1 매트릭스를 생성하는 단계; 사용자 인터페이스를 통하여 소정의 검색어를 입력 받는 단계; 상기 적어도 일부의 오믹스 레벨에 관한 DB 및 상기 적어도 일부의 상호 연관도 종류에 관한 DB로부터 상기 소정의 검색어와 관련된 복수의 생물학적 엔티티 및 상기 복수의 생물학적 엔티티 간 상호 연관도를 추출하는 단계; 그리고 상기 복수의 생물학적 엔티티를 포함하는 복수의 노드를 상기 복수의 생물학적 엔티티 간 상호 연관도에 따라 연결한 멀티오믹스 네트워크를 생성하는 단계를 포함하고, 상기 복수의 생물학적 엔티티 중 일부는 나머지 생물학적 엔티티와 서로 다른 오믹스 레벨에 포함된다.
상기 멀티오믹스 네트워크의 그래프 이론 지표를 생성하는 단계; 그리고 상기 복수의 노드 중 상기 그래프 이론 지표를 이용하여 추출된 일부 노드를 이용하여 상기 멀티오믹스 네트워크 내 서로 다른 오믹스 레벨 간 연결 관계를 가지는 일부 경로를 추출하는 단계를 더 포함할 수 있다.
상기 멀티오믹스 네트워크 내 서로 다른 오믹스 레벨 간 연결 관계를 가지는 일부 경로를 계층 구조로 표시하는 단계를 더 포함할 수 있다.
상기 그래프 이론 지표는 상기 멀티오믹스 네트워크를 구성하는 복수의 노드에 대한 노드 간 최단 경로, 노드 별 클러스터링 계수, 노드 별 센트럴리티 계수 및 노드 별 허브 성격 중 적어도 하나를 포함할 수 있다.
상기 복수의 오믹스 레벨은 유전자 레벨, 단백질 레벨, 신진대사체 레벨, 증상 레벨, 질환 레벨, 화합물 레벨, 약품 레벨 및 부작용 레벨 중 적어도 일부를 포함할 수 있다.
상기 제1 매트릭스는 상기 적어도 일부의 오믹스 레벨이 가로축 및 세로축 각각에 배치되며, 가로축과 세로축이 교차하는 지점에 상기 상호 연관도 종류가 표시되도록 생성될 수 있다.
상기 멀티오믹스 네트워크를 생성하는 단계는, 상기 복수의 생물학적 엔티티 및 상기 복수의 생물학적 엔티티 간 상호 연관도로 이루어진 제2 매트릭스를 생성하는 단계; 그리고 상기 복수의 생물학적 엔티티를 상기 복수의 생물학적 엔티티 간 상호 연관도로 연결하는 단계를 포함하고, 상기 제2 매트릭스는 상기 복수의 생물학적 엔티티가 오믹스 레벨의 계층 구조에 따라 순차적으로 가로축 및 세로축 각각에 배치되며, 가로축 및 세로축이 교차하는 지점에 상기 복수의 생물학적 엔티티 간 상호 연관도가 표시될 수 있다.
본 발명의 한 실시예에 따른 신약 후보 물질 발굴을 위한 데이터 처리 장치는 오믹스를 이루는 복수의 오믹스 레벨 중 적어도 일부의 오믹스 레벨을 입력 받고, 상기 오믹스를 이루는 복수의 상호 연관도 종류 중 적어도 일부의 상호 연관도 종류를 입력 받는 사용자 인터페이스부; 오믹스 레벨 별 데이터 및 상호 연관도 종류 별 데이터를 포함하는 오믹스 DB로부터 상기 적어도 일부의 오믹스 레벨에 관한 DB 및 상기 적어도 일부의 상호 연관도 종류에 관한 DB를 선택하고, 상기 적어도 일부의 오믹스 레벨에 관한 DB 및 상기 적어도 일부의 상호 연관도 종류에 관한 DB로 이루어진 제1 매트릭스를 생성하는 DB 추출부; 그리고 상기 적어도 일부의 오믹스 레벨에 관한 DB 및 상기 적어도 일부의 상호 연관도 종류에 관한 DB로부터 상기 사용자 인터페이스부를 통하여 입력 받은 소정의 검색어와 관련된 복수의 생물학적 엔티티 및 상기 복수의 생물학적 엔티티 간 상호 연관도를 추출하고, 상기 복수의 생물학적 엔티티를 포함하는 복수의 노드를 상기 복수의 생물학적 엔티티 간 상호 연관도에 따라 연결한 멀티오믹스 네트워크를 생성하는 데이터 생성부를 포함하고, 상기 복수의 생물학적 엔티티 중 일부는 나머지 생물학적 엔티티와 서로 다른 오믹스 레벨에 포함된다.
본 발명의 한 실시예에 따른 컴퓨터로 읽을 수 있는 프로그램이 기록된 기록 매체는 오믹스를 이루는 복수의 오믹스 레벨 중 적어도 일부의 오믹스 레벨을 사용자 인터페이스를 통하여 입력 받는 단계; 상기 오믹스를 이루는 복수의 상호 연관도 종류 중 적어도 일부의 상호 연관도 종류를 사용자 인터페이스를 통하여 입력 받는 단계; 오믹스 레벨 별 데이터 및 상호 연관도 종류 별 데이터를 포함하는 오믹스 DB로부터 상기 적어도 일부의 오믹스 레벨에 관한 DB 및 상기 적어도 일부의 상호 연관도 종류에 관한 DB를 선택하는 단계; 상기 적어도 일부의 오믹스 레벨에 관한 DB 및 상기 적어도 일부의 상호 연관도 종류에 관한 DB로 이루어진 제1 매트릭스를 생성하는 단계; 사용자 인터페이스를 통하여 소정의 검색어를 입력 받는 단계; 상기 적어도 일부의 오믹스 레벨에 관한 DB 및 상기 적어도 일부의 상호 연관도 종류에 관한 DB로부터 상기 소정의 검색어와 관련된 복수의 생물학적 엔티티 및 상기 복수의 생물학적 엔티티 간 상호 연관도를 추출하는 단계; 그리고 상기 복수의 생물학적 엔티티를 포함하는 복수의 노드를 상기 복수의 생물학적 엔티티 간 상호 연관도에 따라 연결한 멀티오믹스 네트워크를 생성하는 단계를 포함하고, 상기 복수의 생물학적 엔티티 중 일부는 나머지 생물학적 엔티티와 서로 다른 오믹스 레벨에 포함되는 데이터 처리 방법을 실행시킨다.
본 발명의 실시예에 따르면, 신약 후보 물질 발굴을 위하여 막대한 양의 정보를 일일이 탐색하지 않고도, 소정의 검색어와 관련된 생물학적 엔티티 및 이들의 상호 연관도에 관한 정제된 정보를 단시간 내에 추출할 수 있다.
특히, 본 발명의 실시예에 따르면, 사용자가 원하는 오믹스 레벨 및 상호연관도만으로 구성된 멀티오믹스 네트워크를 얻을 수 있으며, 사용자가 원하는 서로 다른 오믹스 레벨에 위치하는 생물학적 엔티티들 간의 상호 연관도를 용이하게 도출할 수 있고, 이에 따라 신체의 계층 구조 및 이로부터 외부로 발현되는 상태, 질환 및 증상 등과의 연결 관계를 편리하게 탐색할 수 있고, 질병 기전 및 약리 기전을 쉽게 이해할 수 있다.
이에 따라, 적중률 높은 신약 후보 물질 또는 신약 후보 물질의 타겟을 발굴하는데 소요되는 비용 및 기간을 현저히 줄일 수 있다.
도 1은 신체의 계층 구조를 나타낸다.
도 2는 네트워크의 개념을 설명한다.
도 3은 본 발명의 한 실시예에 따른 신약 후보 물질 발굴을 위한 데이터 처리 장치의 블록도이다.
도 4는 본 발명의 한 실시예에 따른 신약 후보 물질 발굴을 위한 데이터 처리 장치가 이용하는 오믹스 DB의 블록도이다.
도 5는 본 발명의 한 실시예에 따른 데이터 처리 장치의 신약 후보 물질 발굴을 위한 데이터 처리 방법의 순서도이다.
도 6은 본 발명의 한 실시예에 따라 단계 S100에서 오믹스 레벨이 입력되는 예를 나타낸다.
도 7은 본 발명의 한 실시예에 따라 단계 S110에서 상호 연관도 종류가 입력되는 예를 나타낸다.
도 8은 본 발명의 한 실시예에 따라 단계 S130에서 생성된 제1 매트릭스의 예를 나타낸다.
도 9는 소정의 검색어가 입력되는 예를 나타낸다.
도 10은 단계 S150에서 추출된 생물학적 엔티티 및 이들 간 상호 연관도를 나타내는 제2 매트릭스의 일 예의 일부이다.
도 11은 본 발명의 실시예에 따라 생성된 멀티오믹스 네트워크의 일 예이다.
도 12는 본 발명의 한 실시예에 따라 단계 S180에서 표시된 일부 경로의 예를 나타낸다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제2, 제1 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제2 구성요소는 제1 구성요소로 명명될 수 있고, 유사하게 제1 구성요소도 제2 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 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 본 발명이 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.
이하, 첨부된 도면을 참조하여 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 대응하는 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 2는 네트워크의 개념을 설명한다.
도 2를 참조하면, 네트워크는 복수의 노드로 이루어질 수 있으며, 두 노드 사이는 에지에 의하여 연결될 수 있다. 본 명세서에서, 네트워크는 지식 네트워크, 생물학적 네트워크, 멀티오믹스 네트워크일 수 있으며, 노드는 생물학적 엔티티를 나타낼 수 있고, 에지는 두 생물학적 엔티티 간의 상호 연관도를 나타낼 수 있다.
도 3은 본 발명의 한 실시예에 따른 신약 후보 물질 발굴을 위한 데이터 처리 장치의 블록도이고, 도 4는 본 발명의 한 실시예에 따른 신약 후보 물질 발굴을 위한 데이터 처리 장치가 이용하는 오믹스 DB의 블록도이며, 도 5는 본 발명의 한 실시예에 따른 데이터 처리 장치의 신약 후보 물질 발굴을 위한 데이터 처리 방법의 순서도이다.
도 3을 참조하면, 신약 후보 물질 발굴을 위한 데이터 처리 장치(100)는 사용자 인터페이스부(110), DB 추출부(120), 데이터 생성부(130), 데이터 처리부(140), 데이터 정제부(150), 출력부(160) 및 저장부(170)를 포함한다.
도 3 내지 5를 참조하면, 사용자 인터페이스부(110)는 오믹스를 이루는 복수의 레벨 중 적어도 일부의 오믹스 레벨을 입력 받으며(S100), 오믹스를 이루는 복수의 상호 연관도 종류 중 적어도 일부의 상호 연관도 종류를 입력 받는다(S110). 여기서, 오믹스(omics)는 체학이라고도 하며, 예를 들어 유전자체학, 전사체학, 단백질체학, 신진대사체학, 후성유전체학, 지질체학 등이 있고, 세부적으로 해부학적 구조(anatomy), 생물학적경로(biological process), 전도경로(pathway), 약리학적 계층(pharmacological class), 증상, 질환, 화합물, 약물, 부작용 등에 관련된 내용을 포함할 수 있으나, 이로 제한되는 것은 아니다. 복수의 오믹스 레벨은 유전자 레벨, 전사 레벨, 단백질 레벨, 신진대사체 레벨, 후성유전자 레벨, 지질 레벨, 해부학적 구조 레벨, 생물학적 경로 레벨, 전도경로 레벨, 약리학적 계층레벨, 증상 레벨, 질환 레벨, 화합물 레벨, 약물 레벨 및 부작용 레벨 등을 포함할 수 있으나, 이로 제한되는 것은 아니다. 여기서, 해부학적 구조는 조직(tissue), 기관(organ) 등을 의미할 수 있고, 생물학적 경로는 세포 내 구조의 레벨에서의 위치와 같은 세포 구성성분, 유전자 온톨로지로부터 추출된 분자 기능을 포함하는 일련의 이벤트일 수 있으며, 약리학적 계층은 약리학적 효과, 작용의 메커니즘일 수 있다. 그리고, 복수의 상호 연관도 종류는 "상호작용(interact)", "참여(participate)", "공변(covariate)", "조절(regulate)", "연관(associate)", "결합(bind)", "업레귤레이트(upregulate)", "원인(cause)", "유사(resemble)", "치료(treat)", "다운레귤레이트(downregulates)", "완화(palliate)", "발현(present)", "위치(localize)", "포함(include)", "표출(express)"을 포함할 수 있으며, 종류 별로 식별 번호 또는 식별 기호가 임의로 부여될 수 있다. 종류 별 식별 번호 또는 식별 기호는 사용자에 의하여 설정되거나, 자동으로 설정될 수 있다. 도 6은 본 발명의 한 실시예에 따라 단계 S100에서 오믹스 레벨이 입력되는 예를 나타내고, 도 7은 본 발명의 한 실시예에 따라 단계 S110에서 상호 연관도 종류가 입력되는 예를 나타낸다. 도 6을 참조하면, 출력부(160)를 통하여 복수의 오믹스 레벨이 선택될 수 있는 화면이 노출될 수 있으며, 복수의 오믹스 레벨 중 사용자 인터페이스부(110)를 통하여 적어도 일부의 오믹스 레벨이 선택될 수 있다. 그리고, 도 7을 참조하면, 출력부(160)를 통하여 복수의 상호 연관도 종류가 선택될 수 있는 화면이 노출될 수 있으며, 복수의 상호 연관도 종류 중 사용자 인터페이스부(110)를 통하여 적어도 일부의 상호 연관도 종류가 선택될 수 있다.
다음으로, DB 추출부(120)는 오믹스 DB(database)로부터 단계 S100에서 선택된 적어도 일부의 오믹스 레벨에 관한 DB 및 단계 S110에서 선택된 적어도 일부의 상호 연관도 종류에 관한 DB를 추출한다(S120). 여기서, 오믹스 DB(200)는 빅데이터 DB일 수 있으며, 본 발명의 실시예에 따른 데이터 처리 장치(100) 외부의 DB일 수 있고, 누구나 접근 가능하거나 소정의 조건 하에 인증 받은 자가 접근 가능한 글로벌 공공 DB일 수 있다. 오믹스 DB(200)는 오믹스 레벨에 관한 정보 및 오믹스 레벨 내 생물학적 엔티티 간 상호 연관도에 관한 정보를 미리 저장할 수 있다. 예를 들어, 도 4에 도시된 바와 같이, 오믹스 DB(200)는 오믹스 레벨 별 DB(210) 및 상호 연관도 종류 별 DB(220)를 포함할 수 있다. 오믹스 레벨 별 DB(210)는, 예를 들어 유전자 DB, 전사 DB, 단백질 DB, 신진대사체 DB, 후성유전자 DB, 지질 DB, 해부학적 구조 DB, 생물학적 경로 DB, 전도경로 DB, 증상 DB, 질환 DB, 화합물 DB, 약물 DB 및 부작용 DB를 포함할 수 있다. 그리고, 상호 연관도 종류 별 DB(220)는 상호작용(interact) DB, 참여(participate) DB, 공변(covariate) DB, 조절(regulate) DB, 연관(associate) DB, 결합(bind) DB, 업레귤레이트(upregulate) DB, 원인(cause) DB, 유사(resemble) DB, 치료(treat) DB, 다운레귤레이트(downregulates) DB, 완화(palliate) DB, 발현(present) DB, 위치(localize) DB, 포함(include) DB 및 표출(express) DB를 포함할 수 있다. 이들 DB는 하나의 빅데이터 DB로 통합하여 관리 및 운영되거나, 분산되어 관리 및 운용될 수 있다.
그리고, DB 추출부(120)는 단계 S120에서 추출된 적어도 일부의 오믹스 레벨에 관한 DB 및 적어도 일부의 상호 연관도 종류에 관한 DB로 이루어진 제1 매트릭스를 생성한다(S130). 여기서, 제1 매트릭스는 단계 S120에서 추출된 DB들의 집합이라 할 수 있다. 도 8은 본 발명의 한 실시예에 따라 단계 S130에서 생성된 제1 매트릭스의 예를 나타낸다. 도 8을 참조하면, 단계 S100에서 선택된 오믹스 레벨들이 가로축 및 세로축 각각에 배치되며, 가로축 및 세로축이 교차하는 지점에 단계 S110에서 선택된 상호 연관도 종류들이 표시되도록 생성될 수 있다. 예를 들어, 유전자 레벨, 단백질 레벨, 신진대사체 레벨, 해부학적 구조 레벨, 전도경로 레벨, 생물학적 경로 레벨, 화합물 레벨, 부작용 레벨, 질병 레벨, 약리학적 계층 레벨 및 증상 레벨이 제1 매트릭스의 가로축 및 세로축 각각에 배치될 수 있으며, 가로축과 세로축이 교차하는 지점에 상호 연관도 종류인 상호작용(interact, Int), 참여(participate, P), 공변(covariate, Co), 조절(regulate, Reg), 연관(associate, A), 결합(bind, B), 업레귤레이트(upregulate, U), 원인(cause, Ca), 유사(resemble, R), 치료(treat, T), 다운레귤레이트(downregulates, D), 완화(palliate, Pa), 발현(present, Pr), 위치(localize, L), 포함(include, Inc) 및 표출(express, E) 중 적어도 하나가 표시될 수 있다.
한편, 사용자 인터페이스부(110)는 소정의 검색어를 수신한다(S140). 소정의 검색어는 사용자가 정보 탐색하기를 윈하는 검색어일 수 있고, 오믹스 레벨 별로 포함되는 복수의 생물학적 엔티티 중 하나, 예를 들어 유전자명, 단백질명, 신진대사체명, 증상명, 질환명, 화합물명, 약품명, 부작용명 중 하나를 포함할 수 있다. 도 9는 소정의 검색어가 입력되는 예를 나타낸다. 도 9를 참조하면, 출력부(160)를 통하여 소정의 검색어를 입력하기 위한 화면이 노출될 수 있으며, 사용자 인터페이스부(110)를 통하여 소정의 검색어가 입력될 수 있다. 도 9에서는 질환명을 범주로 선택하며, 소정의 검색어로 epilepsy syndrome를 입력하는 예를 나타낸다.
다음으로, 데이터 생성부(130)는 단계 S130에서 생성한 제1 매트릭스를 이용하여 단계 S140에서 수신된 소정의 검색어와 관련된 적어도 하나의 생물학적 엔티티를 추출하며, 단계 S130에서 생성한 제1 매트릭스를 이용하여 소정의 검색어와 추출한 생물학적 엔티티 간 상호 연관도를 추출한다(S150). 여기서, 생물학적 엔티티는 유전자, 단백질, 신진대사체, 증상, 질환, 화합물 및 약품 중 적어도 하나를 포함할 수 있으며, 소정의 검색어가 속한 오믹스 레벨은 생물학적 엔티티가 속한 오믹스 레벨과 동일할 수도 있고, 상이할 수도 있다. 예를 들어, 도 9에서 예시한 바와 같이, 소정의 검색어가 질환명인 epilepsy syndrome인 경우, 단계 S150에서 추출되는 생물학적 엔티티는 epilepsy syndrome과 연관된 유전자, epilepsy syndrome과 연관된 단백질, epilepsy syndrome과 연관된 신진대사체, epilepsy syndrome과 연관된 증상, epilepsy syndrome과 연관된 질환, epilepsy syndrome과 연관된 화합물 및 epilepsy syndrome과 연관된 약품 중 적어도 하나를 포함할 수 있다. 이를 위하여, 데이터 생성부(130)는 단계 S130에서 제1 매트릭스를 구성하는 유전자 DB, 단백질 DB, 신진대사체 DB, 해부학적 구조 DB, 전도경로 DB, 생물학적 경로 DB, 화합물 DB, 부작용 DB, 질병 DB, 약리학적 계층 DB 및 증상 DB 각각으로부터 epilepsy syndrome과 연관된 생물학적 엔티티를 추출할 수 있다. 이에 따라, 단계 S150에서 추출되는 생물학적 엔티티는 epilepsy syndrome과 연관된 복수의 유전자, epilepsy syndrome과 연관된 복수의 단백질, epilepsy syndrome과 연관된 복수의 신진대사체, epilepsy syndrome과 연관된 복수의 증상, epilepsy syndrome과 연관된 복수의 질환, epilepsy syndrome과 연관된 복수의 화합물 및 epilepsy syndrome과 연관된 복수의 약품 중 적어도 하나를 포함할 수도 있다.
이와 같이, 단계 S130의 제1 매트릭스를 이용하여 소정의 검색어와 연관된 생물학적 엔티티 및 상호 연관도를 추출할 경우, 탐색되어야 할 DB의 양을 현저히 줄일 수 있으며, 이에 따라 정보를 탐색하기 위한 시간 및 비용을 줄일 수 있으며, 사용자가 원하는 정보만을 추출하는 것이 가능하다.
이때, 데이터 생성부(130)가 소정의 검색어와 관련된 적어도 하나의 생물학적 엔티티 및 생물학적 엔티티 간 상호 연관도를 추출하기 위하여, 데이터 생성부(130)는 기계 학습을 포함하는 인공지능 기술에 기반하며, 자연어 처리 알고리즘을 이용할 수 있다. 여기서, 자연어 처리는 인간이 발화하는 언어 현상을 기계적으로 분석하여 컴퓨터가 이해할 수 있는 형태로 만들고, 컴퓨터가 이해할 수 있는 형태를 다시 인간이 이해할 수 있는 언어로 표현하는 제반 기술을 의미한다. 이를 위하여, 오믹스 DB(200)는 생물학적 엔티티 종류 별 언어 기반 DB일 수 있으며, 기계 학습된 결과 및 피드백 결과를 반영한 정보를 포함할 수 있다.
또는, 데이터 생성부(130)가 소정의 검색어와 관련된 적어도 하나의 생물학적 엔티티 및 생물학적 엔티티 간 상호 연관도를 추출하기 위하여, 데이터 생성부(130)는 기계 학습을 포함하는 인공지능 기술에 기반하며, 심층 신경망 알고리즘을 이용할 수도 있다. 여기서, 심층 신경망은 입력층과 출력층 사이의 여러 개의 은닉층들로 이루어진 인공 신경망(artificial neural network)으로, 분류, 예측, 이미지 인식, 문자 인식 등에 사용되는 제반 기술을 의미한다. 이를 위하여, 오믹스 DB(200)는 생물학적 엔티티 종류 별 이미지 기반 DB일 수 있으며, 기계 학습된 결과 및 피드백 결과를 반영한 정보를 포함할 수 있다.
도 10은 단계 S150에서 추출된 생물학적 엔티티 및 이들 간 상호 연관도를 나타내는 제2 매트릭스의 일 예의 일부이다. 도 10을 참조하면, 제2 매트릭스는 복수의 생물학적 엔티티가 오믹스 레벨의 계층 구조에 따라 순차적으로 가로축 및 세로축 각각에 배치되며, 가로축 및 세로축이 교차하는 지점에 복수의 생물학적 엔티티 간 상호 연관도가 표시되는 방법으로 생성될 수 있다. 예를 들어, 단계 S100에서 선택된 오믹스 레벨이 유전자 레벨, 전도경로 레벨, 단백질 레벨, 신진대사체 레벨, 질병 레벨, 부작용 레벨 및 화합물 레벨이고, 단계 S140에서 입력된 소정의 검색어가 화합물 중 하나인 bupropion인 경우, 단계 S150에서는 bupropion과 연관된 복수의 유전자(gene), 복수의 전도경로(pathway), 복수의 단백질(protein), 복수의 신진대사체(metabolite), 복수의 질병(disease), 복수의 부작용(side effect), 복수의 화합물(compound)이 생물학적 엔티티들로 추출되며, 이들 생물학적 엔티티들이 오믹스 레벨의 계층 구조에 따라 순차적으로 가로축 및 세로축 각각에 배치됨을 알 수 있다. 그리고, 가로축과 세로축이 교차하는 지점에 생물학적 엔티티 간 상호 연관도가 서로 다른 색깔로 표시됨을 알 수 있다.
이러한 제2 매트릭스의 형태는 예시적인 것으로, 이로 제한되는 것은 아니며, 다양한 형태로 변형될 수 있다.
다음으로, 데이터 생성부(130)는 단계 S150에서 추출한 결과를 이용하여 멀티오믹스 네트워크를 생성한다(S160). 도 11은 본 발명의 실시예에 따라 생성된 멀티오믹스 네트워크의 일 예이다. 여기서, 멀티오믹스 네트워크는 단계 S140에서 수신된 소정의 검색어와 단계 S150에서 추출된 생물학적 엔티티들을 노드로 하며, 단계 S150에서 추출한 소정의 검색어와 생물학적 엔티티 간의 상호 연관도 또는 생물학적 엔티티들 간의 상호 연관도에 따라 연결선을 이용하여 복수의 노드를 연결한 형태일 수 있다. 멀티오믹스 네트워크 내 노드 중 하나인 노드 A로부터 다른 하나인 노드 B로 가는 경로는 다양할 수 있으며, 가능한 모든 경로가 연결선에 의하여 연결될 수 있다. 여기서, 멀티오믹스 네트워크는 생물학적 엔티티 간의 상호 연관도로 이루어진 네트워크로, 생물학적 네트워크와 혼용될 수 있다. 멀티오믹스 네트워크에서, 노드가 되는 복수의 생물학적 엔티티 중 일부는 나머지 생물학적 엔티티와 서로 다른 오믹스 레벨에 포함될 수 있다. 즉, 도 11에 예시된 바와 같이, 멀티오믹스 네트워크는 유전자 레벨, 전도경로 레벨, 단백질 레벨, 신진대사체 레벨, 화합물 레벨, 부작용 레벨 및 질병 레벨과 같은 서로 다른 오믹스 레벨에 포함되는 복수의 생물학적 엔티티를 노드로 하며, 유전자 레벨에 포함된 복수의 생물학적 엔티티 중 일부는 단백질 레벨에 포함된 복수의 생물학적 엔티티 중 일부와 연결되거나 전도경로 레벨에 포함된 복수의 생물학적 엔티티 중 일부와 연결될 수 있다. 이와 마찬가지로, 화합물 레벨에 포함된 복수의 생물학적 엔티티 중 일부는 단백질 레벨에 포함된 복수의 생물학적 엔티티 중 일부와 연결되거나, 전도경로 레벨에 포함된 복수의 생물학적 엔티티 중 일부와 연결되거나, 부작용 레벨에 포함된 복수의 생물학적 엔티티 중 일부와 연결될 수도 있다.
이와 같이, 본 발명의 실시예에 따라, 복수의 오믹스 레벨 중 일부 및 복수의 상호연관도 종류 중 일부를 사용자 인터페이스부(110)를 통하여 입력 받을 경우, 해당하는 오믹스 레벨에 관한 DB 및 상호 연관도 종류에 관한 DB가 자동으로 추출되므로, 데이터 처리 장치(100)가 탐색 해야 할 정보의 양이 현저히 줄어들 수 있으며, 이에 따라 사용자가 원하는 오믹스 레벨 및 상호 연관도 종류로 구성된 멀티오믹스 네트워크를 얻을 수 있다. 또한, 본 발명의 실시예에 따라, 복수의 오믹스 레벨 중 일부 및 복수의 상호연관도 종류 중 일부를 사용자 인터페이스부(110)를 통하여 입력 받을 경우, 사용자가 원하는 오믹스 레벨 및 상호 연관도 종류로 구성된 멀티오믹스 네트워크를 얻을 수 있으며, 이에 따라 사용자가 원하는 오믹스 레벨 내에서 소정의 검색어와 연관된 복수의 생물학적 엔티티 간의 계층 구조를 용이하게 파악할 수도 있다.
다음으로, 데이터 정제부(150)는 단계 S160에서 생성한 멀티오믹스 네트워크 내의 일부 경로를 추출하며(S170), 출력부(160)는 단계 S170에서 추출된 일부 경로를 표시한다(S180). 여기서, 일부 경로는 멀티오믹스 네트워크 내 생물학적 엔티티들로부터 추출된 일부 노드를 연결하는 경로일 수 있으며, 이는 멀티오믹스 내 생물학적 엔티티들을 연결하는 다수의 경로 중 소정의 검색어와 상대적으로 연관도가 높은 것으로 판단되는 경로 또는 상대적으로 중요도가 높은 것으로 판단되는 경로일 수 있다. 도 12는 본 발명의 한 실시예에 따라 단계 S180에서 표시된 일부 경로의 예를 나타낸다. 도 12를 참조하면, 멀티오믹스 내 서로 다른 오믹스 레벨 간 연결 관계를 가지는 일부 경로가 계층 구조로 표시될 수 있다. 이에 따르면, 서로 다른 오믹스 레벨에 포함되는 복수의 생물학적 엔티티 간 상호 연관도를 직관적으로 파악할 수 있다.
한편, 단계 S170과 같이 멀티오믹스 네트워크 내 일부 경로를 추출하기 위하여, 데이터 처리부(140)는 멀티오믹스 네트워크의 그래프 이론 지표를 생성할 수 있으며, 데이터 정제부(150)는 데이터 처리부(140)에서 생성된 그래프 이론 지표의 측면에서 상관성이 높은 멀티오믹스 네트워크 내 일부 노드를 추출할 수 있다.
이를 위하여, 여기서, 그래프 이론 지표는 멀티오믹스 네트워크를 구성하는 복수의 노드에 대한 노드 간 최단 경로, 노드 별 클러스터링 계수, 노드 별 센트럴리티 계수 및 노드 별 허브 성격 중 적어도 하나를 포함할 수 있다.
노드 간 최단 경로는 멀티오믹스 네트워크에서 노드 A로부터 노드 B로 가는 수 많은 경로 중 가장 짧은 경로를 의미할 수 있다. 이하, 생물학적 엔티티 중 하나인 노드 A와 생물학적 엔티티 중 다른 하나인 노드 B 간 최단 경로를 산출하는 방법을 설명하고자 한다.
노드 A로부터 노드 B로 가는 경로는 다양하며, 노드 A와 노드 B가 직접 연결되거나, 노드 A와 노드 B 간 각 경로 상에 적어도 하나의 중간 노드가 존재할 수도 있다.
노드 A와 노드 B 간 최단 경로는 경로 별 중간 노드의 개수를 이용하여 얻을 수 있다. 예를 들어, 노드 A와 노드 B 간 다양한 경로 중 중간 노드의 개수가 적을수록 짧은 경로인 것으로 판단할 수 있다.
또는, 노드 A와 노드 B 간 최단 경로는 경로 별 중간 노드의 개수를 이용하여 얻되, 연결선 별 상호 연관성의 종류를 반영할 수도 있다. 즉, 상호 연관성의 범주 별로 가중치를 다르게 설정하며, 경로 별로 존재하는 상호 연관성에 가중치를 적용할 수도 있다.
수학식 1은 노드 간 최단 경로를 산출하는 식의 한 예이다.
Figure PCTKR2019002919-appb-M000001
여기서,
Figure PCTKR2019002919-appb-I000001
는 두 노드 s와 t간의 상호 연관성 지표이며, f는 가중치 변환 함수이고,
Figure PCTKR2019002919-appb-I000002
는 두 노드 i와 j 사이의 최단 경로이다. 경로 별로 수학식 1의 값을 구하며, 가장 낮은 값 또는 가장 높은 값을 가지는 경로가 최단 경로로 선택될 수 있다.
다음으로, 노드 별 클러스터링 계수(clustering coefficient)는 수학식 2 및 수학식 3에 의하여 계산될 수 있다. 여기서, 클러스터링 계수는 집단화 계수라고 지칭될 수도 있으며, 특정 노드와 이웃한 노드들이 서로 연결되어 있을 확률 또는 특정 노드와 이웃한 노드들 간의 연결 밀도를 의미할 수 있다.
Figure PCTKR2019002919-appb-M000002
여기서,
Figure PCTKR2019002919-appb-I000003
는 멀티오믹스 네트워크의 각 노드 i 주변에 만들어지는 그래프 내의 삼각형의 개수를 의미하며, N은 멀티오믹스 네트워크의 전체 노드 집합이며,
Figure PCTKR2019002919-appb-I000004
는 두 노드 i와 j간 상호 연관성 지표이고,
Figure PCTKR2019002919-appb-I000005
는 두 노드 i와 h간 상호 연관성 지표이며,
Figure PCTKR2019002919-appb-I000006
는 두 노드 j와 h간 상호 연관성 지표이다.
Figure PCTKR2019002919-appb-M000003
여기서,
Figure PCTKR2019002919-appb-I000007
는 클러스터링 계수를 의미하며,
Figure PCTKR2019002919-appb-I000008
는 멀티오믹스 네트워크의 각 노드 i 주변에 만들어지는 그래프 내의 삼각형의 개수고,
Figure PCTKR2019002919-appb-I000009
는 노드 i의 degree, 즉 노드 i의 멀티오믹스 네트워크 내 연결성 정도 값을 의미한다.
다음으로, 노드 별 센트렐리티(centrality) 지표는 특정 노드가 허브의 기능을 가지는지에 대한 지표이며,
Figure PCTKR2019002919-appb-I000010
(nodal degree)값, BC(betweenness centrality)값,
Figure PCTKR2019002919-appb-I000011
(nodal efficiency) 값 등에 의하여 나타낼 수 있다. 여기서,
Figure PCTKR2019002919-appb-I000012
값은 각 노드의 멀티오믹스 네트워크 내 연결성 정도 값, 즉, 멀티오믹스 네트워크 내에서 노드 i가 얼마나 강한 또는 약한 연결성을 가지고 있는지를 나타내는 지표이고,
Figure PCTKR2019002919-appb-I000013
값은 노드 i의 멀티오믹스 네트워크 내 효율성 정도 값, 즉 수학식 1의 최단 경로의 역수로 표현된 값으로, 경로가 짧을수록 높은 효율성을 가지고, BC 값은 멀티오믹스 네트워크 내 노드 간 경로에서 노드 i가 지름길이 되는 횟수를 나타내는 지표이다.
먼저,
Figure PCTKR2019002919-appb-I000014
값은 수학식 4에 의하여 계산될 수 있다.
Figure PCTKR2019002919-appb-M000004
여기서,
Figure PCTKR2019002919-appb-I000015
는 두 노드 i와 j간 상호 연관성 지표이고, N은 멀티오믹스 네트워크의 전체 노드 집합이다.
그리고,
Figure PCTKR2019002919-appb-I000016
값은 수학식 5에 의하여 계산될 수 있다.
Figure PCTKR2019002919-appb-M000005
여기서, N은 멀티오믹스 네트워크의 전체 노드 집합이고,
Figure PCTKR2019002919-appb-I000017
는 수학식 1에서 계산한 최단 경로를 나타내는 값이다.
다음으로, Betweenness centrality(BC)는 수학식 6에 의하여 계산될 수 있다.
Figure PCTKR2019002919-appb-M000006
여기서,
Figure PCTKR2019002919-appb-I000018
는 노드 h 와 j 사이의 최단 거리를 의미하고,
Figure PCTKR2019002919-appb-I000019
는 노드 i를 통과하는 h 와 j 사이의 최단 거리를 의미한다.
다음으로, 소정의 노드가 허브의 기능을 가지는 것으로 판단되는 경우, 허브의 성격을 분류한다. 이때, 허브의 성격은 kinless 허브, connector 허브, provincial 허브 등으로 분류될 수 있다. 여기서, kinless 허브는 영향력이 가장 높은 허브, 즉 많은 모듈 내 노드들과 연결된 허브를 의미하고, connector 허브는 지식 네트워크 내 모듈을 연결하는 성격의 허브를 의미하며, provincial 허브는 주로 모듈 내에서 높은 영향력을 가지는 허브를 의미한다. 여기서, 모듈(module)은 전체 멀티오믹스 네트워크를 세분화한 구조적 구성 그룹일 수 있다.
이를 위하여, 멀티오믹스 네트워크 내의 모듈 지수(Modularity)는 수학식 7과 같이 계산될 수 있다. 모듈 지수(modularity)는 전체 멀티오믹스 네트워크의 구성 모듈 종류 수를 의미한다.
Figure PCTKR2019002919-appb-M000007
여기서,
Figure PCTKR2019002919-appb-I000020
는 노드 i에서의 가중치 합을 의미하고,
Figure PCTKR2019002919-appb-I000021
는 가중치 합을 의미한다.
Figure PCTKR2019002919-appb-I000022
는 크로네커의 델타(kronecker delta)이고, mi=mj인 경우 1이고, 나머지인 경우 0이다.
다음으로, 멀티오믹스 네트워크 모듈의 참여지수(participation coefficient, PC)는 수학식 8과 같이 계산될 수 있다.
Figure PCTKR2019002919-appb-M000008
여기서, M은 모듈의 집합을 의미하고,
Figure PCTKR2019002919-appb-I000023
는 모듈 m 내에서 노드 i와 나머지 모든 노드 간의 연결 수를 의미하고, 모듈 m은 전체 멀티오믹스 네트워크를 세분화한 구조적 구성 그룹을 의미한다.
그리고, 멀티오믹스 네트워크 모듈의 z스코어(within-module degree)는 수학식 9와 같이 계산될 수 있다.
Figure PCTKR2019002919-appb-M000009
여기서,
Figure PCTKR2019002919-appb-I000024
는 모듈 m 내의 노드 i를 의미하고,
Figure PCTKR2019002919-appb-I000025
는 노드 i의 모듈 m 내에서의 연결 정도(degree)를 의미하며,
Figure PCTKR2019002919-appb-I000026
,
Figure PCTKR2019002919-appb-I000027
는 각각 모듈 m내의 연결 정도 분포(degree distribution)의 평균과 표준 편차를 의미한다.
이상의 수학식 9의 지표 계산을 통해 각 노드가 모듈 내에서 허브인지 아닌지를 구분할 수 있다. 예를 들어, 다음과 같이, 멀티오믹스 네트워크 모듈의 Z 스코어가 2.5 이상인 경우 허브인 것으로 판정될 수 있다.
1.within-module z-score ≥ 2.5: 허브
2. within-module z-score < 2.5: 허브 아님
또한, 노드가 모듈 내 허브인 것으로 판정될 경우, 수학식 8의 지표 계산을 통해 다음과 같이 허브의 종류를 분류할 수 있으며, 도 7은 PC에 따라 허브의 종류를 구분하는 일례를 나타낸다.
1. Provincial 허브: PC ≤0.30
2. Connector 허브: 0.3 < PC ≤0.75
3. Kinless 허브: PC > 0.75
이때, 단계 S170에서 추출되는 일부 경로를 구성하는 노드는 단계 S160의 멀티오믹스 네트워크를 구성하는 복수의 노드 중 노드 간 최단 경로에 대한 지표값, 노드 별 클러스터링 계수에 대한 지표값 및 노드 별 센트럴리티 계수에 대한 지표값 중 적어도 일부가 임계 값 이상인 일부 노드일 수 있다. 즉, 단계 S170에서 추출되는 일부 경로는 멀티오믹스 네트워크를 구성하는 복수의 노드 중에서 노드 간 최단 경로에 대한 지표값, 노드 별 클러스터링 계수에 대한 지표값 및 노드 별 센트럴리티 계수에 대한 지표값 중 적어도 일부가 임계 값 미만인 노드를 삭제하고, 삭제된 노드에 연관된 연결을 삭제하는 방법으로 생성될 수 있다.
여기서, 임계 값과 비교되는 그래프 이론 지표는 노드 간 최단 경로에 대한 지표값, 노드 별 클러스터링 계수에 대한 지표값, 노드 별 센트럴리티 계수에 대한 지표값 각각일 수 있다. 또는, 임계 값과 비교되는 그래프 이론 지표는 노드 간 최단 경로에 대한 지표값, 노드 별 클러스터링 계수에 대한 지표값, 노드 별 센트럴리티 계수에 대한 지표값 중 적어도 두 개를 통합하여 산출된 값일 수 있다.
이때, 노드 간 최단 경로에 대한 지표값, 노드 별 클러스터링 계수에 대한 지표값 및 노드 별 센트럴리티 계수에 대한 지표값 중 적어도 하나는 노드 별 표준 점수로 계산될 수 있으며, 계산된 표준 점수가 임계 값과 비교될 수 있다.
여기서, 표준 점수는 z 스코어일 수 있으며, 임계 값은 95%의 유의성을 의미할 수 있다.
Z 스코어는 수학식 10과 같이 계산될 수 있다.
Figure PCTKR2019002919-appb-M000010
여기서, z는 z 스코어이고, X는 멀티오믹스 네트워크 내 특정 노드에 대한 소정의 그래프 이론 지표의 지표값이며, mean(x)는 멀티오믹스 네트워크 내 복수의 노드에 대한 소정의 그래프 이론 지표의 평균 지표값이고, SE(x)는 멀티오믹스 네트워크 내 소정의 그래프 이론 지표의 지표값의 표준 에러이다. 여기서,
Figure PCTKR2019002919-appb-I000028
로 나타낼 수 있으며, σ는 표준 편차이고, n은 멀티오믹스 네트워크를 구성하는 복수의 노드의 개수이다.
즉, z 스코어는 멀티오믹스 네트워크를 구성하는 각 노드에 대한 소정의 그래프 이론 지표의 지표값과 멀티오믹스 네트워크를 구성하는 복수의 노드에 대한 소정의 그래프 이론 지표의 평균 지표값 간의 차를 표준 에러로 나눈 값일 수 있다.
이때, z 스코어는 퍼뮤테이션 테스트(permutation test)를 통하여 계산될 수 있다. 퍼뮤테이션 테스트는 멀티오믹스 네트워크를 구성하는 전체 연결선을 임의로 섞은 다음, 각 노드에 대해 z 스코어를 계산하는 방법으로 행해질 수 있다. 이때, 임의로 섞는 횟수는 1000회 이상일 수 있다.
또는, 단계 S170에서 추출되는 일부 경로를 구성하는 노드는 멀티오믹스 네트워크를 구성하는 복수의 노드 중에서 노드 별 허브 성격에 대한 지표 값을 이용하여 추출한 일부 노드일 수도 있다. 즉, 단계 S170에서 추출되는 일부 경로를 구성하는 노드는 수학식 9의 지표 계산을 통해 모듈 내 허브인 것으로 판정된 노드, 바람직하게는 kinless 허브, connector 허브 및 provincial 허브 중 하나로 분류된 노드, 더욱 바람직하게는 kinless 허브 및 connector 허브 중 하나로 분류된 노드, 더욱 바람직하게는 kinless 허브로 분류된 노드일 수 있다.
한편, 본 발명의 실시예에 따른 데이터 처리 장치(100)는 데이터 저장부(170)를 포함할 수도 있다. 데이터 저장부(170)는 데이터 생성부(130), 데이터 처리부(140) 및 데이터 정제부(150)와 연결될 수 있으며, 데이터 생성부(130), 데이터 처리부(140) 및 데이터 정제부(150)로부터 산출된 결과를 저장할 수 있다. 이러한 데이터 저장부(170)는 외부의 학습 서버와 무선 또는 유선으로 연결될 수 있으며, 저장된 데이터를 외부의 학습 서버에 전달할 수도 있다.
본 실시예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-programmable gate array) 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

Claims (15)

  1. 데이터 처리 장치의 신약 후보 물질 발굴을 위한 데이터 처리 방법에 있어서,
    오믹스를 이루는 복수의 오믹스 레벨 중 적어도 일부의 오믹스 레벨을 사용자 인터페이스를 통하여 입력 받는 단계;
    상기 오믹스를 이루는 복수의 상호 연관도 종류 중 적어도 일부의 상호 연관도 종류를 사용자 인터페이스를 통하여 입력 받는 단계;
    오믹스 레벨 별 데이터 및 상호 연관도 종류 별 데이터를 포함하는 오믹스 DB로부터 상기 적어도 일부의 오믹스 레벨에 관한 DB 및 상기 적어도 일부의 상호 연관도 종류에 관한 DB를 선택하는 단계;
    상기 적어도 일부의 오믹스 레벨에 관한 DB 및 상기 적어도 일부의 상호 연관도 종류에 관한 DB로 이루어진 제1 매트릭스를 생성하는 단계;
    사용자 인터페이스를 통하여 소정의 검색어를 입력 받는 단계;
    상기 적어도 일부의 오믹스 레벨에 관한 DB 및 상기 적어도 일부의 상호 연관도 종류에 관한 DB로부터 상기 소정의 검색어와 관련된 복수의 생물학적 엔티티 및 상기 복수의 생물학적 엔티티 간 상호 연관도를 추출하는 단계; 그리고
    상기 복수의 생물학적 엔티티를 포함하는 복수의 노드를 상기 복수의 생물학적 엔티티 간 상호 연관도에 따라 연결한 멀티오믹스 네트워크를 생성하는 단계를 포함하고,
    상기 복수의 생물학적 엔티티 중 일부는 나머지 생물학적 엔티티와 서로 다른 오믹스 레벨에 포함되는 데이터 처리 방법.
  2. 제1항에 있어서,
    상기 멀티오믹스 네트워크의 그래프 이론 지표를 생성하는 단계; 그리고
    상기 복수의 노드 중 상기 그래프 이론 지표를 이용하여 추출된 일부 노드를 이용하여 상기 멀티오믹스 네트워크 내 서로 다른 오믹스 레벨 간 연결 관계를 가지는 일부 경로를 추출하는 단계
    를 더 포함하는 데이터 처리 방법.
  3. 제2항에 있어서,
    상기 멀티오믹스 네트워크 내 서로 다른 오믹스 레벨 간 연결 관계를 가지는 일부 경로를 계층 구조로 표시하는 단계를 더 포함하는 데이터 처리 방법.
  4. 제2항에 있어서,
    상기 그래프 이론 지표는 상기 멀티오믹스 네트워크를 구성하는 복수의 노드에 대한 노드 간 최단 경로, 노드 별 클러스터링 계수, 노드 별 센트럴리티 계수 및 노드 별 허브 성격 중 적어도 하나를 포함하는 데이터 처리 방법.
  5. 제1항에 있어서,
    상기 복수의 오믹스 레벨은 유전자 레벨, 단백질 레벨, 신진대사체 레벨, 증상 레벨, 질환 레벨, 화합물 레벨, 약품 레벨 및 부작용 레벨 중 적어도 일부를 포함하는 데이터 처리 방법.
  6. 제1항에 있어서,
    상기 제1 매트릭스는 상기 적어도 일부의 오믹스 레벨이 가로축 및 세로축 각각에 배치되며, 가로축과 세로축이 교차하는 지점에 상기 상호 연관도 종류가 표시되도록 생성되는 데이터 처리 방법.
  7. 제5항에 있어서,
    상기 멀티오믹스 네트워크를 생성하는 단계는,
    상기 복수의 생물학적 엔티티 및 상기 복수의 생물학적 엔티티 간 상호 연관도로 이루어진 제2 매트릭스를 생성하는 단계; 그리고
    상기 복수의 생물학적 엔티티를 상기 복수의 생물학적 엔티티 간 상호 연관도로 연결하는 단계
    를 포함하고,
    상기 제2 매트릭스는 상기 복수의 생물학적 엔티티가 오믹스 레벨의 계층 구조에 따라 순차적으로 가로축 및 세로축 각각에 배치되며, 가로축 및 세로축이 교차하는 지점에 상기 복수의 생물학적 엔티티 간 상호 연관도가 표시되는 데이터 처리 방법.
  8. 신약 후보 물질 발굴을 위한 데이터 처리 장치에 있어서,
    오믹스를 이루는 복수의 오믹스 레벨 중 적어도 일부의 오믹스 레벨을 입력 받고, 상기 오믹스를 이루는 복수의 상호 연관도 종류 중 적어도 일부의 상호 연관도 종류를 입력 받는 사용자 인터페이스부;
    오믹스 레벨 별 데이터 및 상호 연관도 종류 별 데이터를 포함하는 오믹스 DB로부터 상기 적어도 일부의 오믹스 레벨에 관한 DB 및 상기 적어도 일부의 상호 연관도 종류에 관한 DB를 선택하고, 상기 적어도 일부의 오믹스 레벨에 관한 DB 및 상기 적어도 일부의 상호 연관도 종류에 관한 DB로 이루어진 제1 매트릭스를 생성하는 DB 추출부; 그리고
    상기 적어도 일부의 오믹스 레벨에 관한 DB 및 상기 적어도 일부의 상호 연관도 종류에 관한 DB로부터 상기 사용자 인터페이스부를 통하여 입력 받은 소정의 검색어와 관련된 복수의 생물학적 엔티티 및 상기 복수의 생물학적 엔티티 간 상호 연관도를 추출하고, 상기 복수의 생물학적 엔티티를 포함하는 복수의 노드를 상기 복수의 생물학적 엔티티 간 상호 연관도에 따라 연결한 멀티오믹스 네트워크를 생성하는 데이터 생성부를 포함하고,
    상기 복수의 생물학적 엔티티 중 일부는 나머지 생물학적 엔티티와 서로 다른 오믹스 레벨에 포함되는 데이터 처리 장치.
  9. 제8항에 있어서,
    상기 멀티오믹스 네트워크의 그래프 이론 지표를 생성하는 데이터 처리부; 그리고,
    상기 복수의 노드 중 상기 그래프 이론 지표를 이용하여 추출된 일부 노드를 이용하여 상기 멀티오믹스 네트워크 내 서로 다른 오믹스 레벨 간 연결 관계를 가지는 일부 경로를 추출하는 데이터 정제부를 더 포함하는 데이터 처리 장치.
  10. 제9항에 있어서,
    상기 멀티오믹스 네트워크 내 서로 다른 오믹스 레벨 간 연결 관계를 가지는 일부 경로를 계층 구조로 표시하는 출력부를 더 포함하는 데이터 처리 장치.
  11. 제9항에 있어서,
    상기 그래프 이론 지표는 상기 멀티오믹스 네트워크를 구성하는 복수의 노드에 대한 노드 간 최단 경로, 노드 별 클러스터링 계수, 노드 별 센트럴리티 계수 및 노드 별 허브 성격 중 적어도 하나를 포함하는 데이터 처리 장치.
  12. 제8항에 있어서,
    상기 복수의 오믹스 레벨은 유전자 레벨, 단백질 레벨, 신진대사체 레벨, 증상 레벨, 질환 레벨, 화합물 레벨, 약품 레벨 및 부작용 레벨 중 적어도 일부를 포함하는 데이터 처리 장치.
  13. 제8항에 있어서,
    상기 제1 매트릭스는 상기 적어도 일부의 오믹스 레벨이 가로축 및 세로축 각각에 배치되며, 가로축과 세로축이 교차하는 지점에 상기 상호 연관도 종류가 표시되도록 생성되는 데이터 처리 장치.
  14. 제13항에 있어서,
    상기 데이터 생성부는 상기 복수의 생물학적 엔티티 및 상기 복수의 생물학적 엔티티 간 상호 연관도로 이루어진 제2 매트릭스를 생성하고, 상기 복수의 생물학적 엔티티를 상기 복수의 생물학적 엔티티 간 상호 연관도로 연결하며,
    상기 제2 매트릭스는 상기 복수의 생물학적 엔티티가 오믹스 레벨의 계층 구조에 따라 순차적으로 가로축 및 세로축 각각에 배치되며, 가로축 및 세로축이 교차하는 지점에 상기 복수의 생물학적 엔티티 간 상호 연관도가 표시되는 데이터 처리 장치.
  15. 오믹스를 이루는 복수의 오믹스 레벨 중 적어도 일부의 오믹스 레벨을 사용자 인터페이스를 통하여 입력 받는 단계;
    상기 오믹스를 이루는 복수의 상호 연관도 종류 중 적어도 일부의 상호 연관도 종류를 사용자 인터페이스를 통하여 입력 받는 단계;
    오믹스 레벨 별 데이터 및 상호 연관도 종류 별 데이터를 포함하는 오믹스 DB로부터 상기 적어도 일부의 오믹스 레벨에 관한 DB 및 상기 적어도 일부의 상호 연관도 종류에 관한 DB를 선택하는 단계;
    상기 적어도 일부의 오믹스 레벨에 관한 DB 및 상기 적어도 일부의 상호 연관도 종류에 관한 DB로 이루어진 제1 매트릭스를 생성하는 단계;
    사용자 인터페이스를 통하여 소정의 검색어를 입력 받는 단계;
    상기 적어도 일부의 오믹스 레벨에 관한 DB 및 상기 적어도 일부의 상호 연관도 종류에 관한 DB로부터 상기 소정의 검색어와 관련된 복수의 생물학적 엔티티 및 상기 복수의 생물학적 엔티티 간 상호 연관도를 추출하는 단계; 그리고
    상기 복수의 생물학적 엔티티를 포함하는 복수의 노드를 상기 복수의 생물학적 엔티티 간 상호 연관도에 따라 연결한 멀티오믹스 네트워크를 생성하는 단계를 포함하고,
    상기 복수의 생물학적 엔티티 중 일부는 나머지 생물학적 엔티티와 서로 다른 오믹스 레벨에 포함되는 데이터 처리 방법을 실행시키기 위하여 컴퓨터로 읽을 수 있는 프로그램이 기록된 기록 매체.
PCT/KR2019/002919 2018-12-24 2019-03-13 신약 후보 물질 발굴을 위한 멀티오믹스 데이터 처리 장치 및 방법 WO2020138589A1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
US17/288,906 US11915832B2 (en) 2018-12-24 2019-03-13 Apparatus and method for processing multi-omics data for discovering new drug candidate substance
KR1020190163398A KR102181058B1 (ko) 2019-03-13 2019-12-10 신약 후보 물질 도출을 위한 데이터 처리 방법
US17/428,619 US20220020454A1 (en) 2019-03-13 2019-12-16 Method for data processing to derive new drug candidate substance
PCT/KR2019/017793 WO2020184816A1 (ko) 2019-03-13 2019-12-16 신약 후보 물질 도출을 위한 데이터 처리 방법
KR1020200139362A KR102379214B1 (ko) 2019-03-13 2020-10-26 멀티오믹스 네트워크 기반 신약 후보 물질 탐색 방법

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR20180168656 2018-12-24
KR10-2018-0168656 2018-12-24
KR1020190028789 2019-03-13
KR10-2019-0028789 2019-03-13

Publications (1)

Publication Number Publication Date
WO2020138589A1 true WO2020138589A1 (ko) 2020-07-02

Family

ID=71129833

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/002919 WO2020138589A1 (ko) 2018-12-24 2019-03-13 신약 후보 물질 발굴을 위한 멀티오믹스 데이터 처리 장치 및 방법

Country Status (2)

Country Link
US (1) US11915832B2 (ko)
WO (1) WO2020138589A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113088359A (zh) * 2021-03-30 2021-07-09 重庆大学 一种工艺参数驱动的三甘醇脱水装置三甘醇损耗量在线预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160072842A (ko) * 2012-10-09 2016-06-23 파이브3 제노믹스, 엘엘씨 생물학적 경로 내의 조절 상호작용의 학습 및 확인을 위한 시스템 및 방법
KR20160084363A (ko) * 2013-06-28 2016-07-13 난토믹스, 엘엘씨 진단 검사의 확인을 위한 경로 분석
KR20180109421A (ko) * 2017-03-28 2018-10-08 가천대학교 산학협력단 약물의 유사도 판단장치, 방법, 및 컴퓨터-판독가능매체

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016205377A1 (en) * 2015-06-15 2016-12-22 Nantomics, Llc Systems and methods for patient-specific prediction of drug responses from cell line genomics
US11657895B2 (en) * 2016-05-03 2023-05-23 Institute For Systems Biology Methods for identifying treatment targets based on multiomics data
US20180166170A1 (en) * 2016-12-12 2018-06-14 Konstantinos Theofilatos Generalized computational framework and system for integrative prediction of biomarkers
US11164657B2 (en) * 2017-11-30 2021-11-02 International Business Machines Corporation Accelerated pharmaceutical repurposing by finding anticorrelations and by text mining
US10877979B2 (en) * 2018-01-16 2020-12-29 Accenture Global Solutions Limited Determining explanations for predicted links in knowledge graphs
US11929171B2 (en) * 2018-10-18 2024-03-12 The Board Of Trustees Of The Leland Stanford Junior University Methods for evaluation and treatment of glycemic dysregulation and atherosclerotic cardiovascular disease and applications thereof

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160072842A (ko) * 2012-10-09 2016-06-23 파이브3 제노믹스, 엘엘씨 생물학적 경로 내의 조절 상호작용의 학습 및 확인을 위한 시스템 및 방법
KR20160084363A (ko) * 2013-06-28 2016-07-13 난토믹스, 엘엘씨 진단 검사의 확인을 위한 경로 분석
KR20180109421A (ko) * 2017-03-28 2018-10-08 가천대학교 산학협력단 약물의 유사도 판단장치, 방법, 및 컴퓨터-판독가능매체

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ARRELL, D. K.: "Network systems biology for drug discovery", CLINICAL PHARMACOLOGY & THERAPEUTICS, 12 July 2010 (2010-07-12), pages 0 - 125 *
YU , Y.: "PreMedKB: an integrated precision medicine knowledgebase for interpreting relationships between diseases, genes, variants and drugs", NUCLEIC ACIDS RESEARCH, 8 November 2018 (2018-11-08), XP055723297 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113088359A (zh) * 2021-03-30 2021-07-09 重庆大学 一种工艺参数驱动的三甘醇脱水装置三甘醇损耗量在线预测方法

Also Published As

Publication number Publication date
US11915832B2 (en) 2024-02-27
US20210398688A1 (en) 2021-12-23

Similar Documents

Publication Publication Date Title
Flynn et al. RepeatModeler2 for automated genomic discovery of transposable element families
WO2020138590A1 (ko) 신약 후보 물질의 효과 및 안전성 예측을 위한 데이터 처리 장치 및 방법
Hahne et al. Hypergeometric testing used for gene set enrichment analysis
KR20200110141A (ko) 신약 후보 물질 도출을 위한 데이터 처리 방법
WO2021149913A1 (ko) Ngs 분석에서의 질병 관련 유전자 선별 방법 및 장치
WO2018212396A1 (ko) 데이터를 분석하는 방법, 장치 및 컴퓨터 프로그램
Ma et al. Extracting stage-specific and dynamic modules through analyzing multiple networks associated with cancer progression
WO2021137359A1 (ko) 임상시험 데이터 매칭 방법 및 장치
WO2020138589A1 (ko) 신약 후보 물질 발굴을 위한 멀티오믹스 데이터 처리 장치 및 방법
Celebi et al. Evaluation of knowledge graph embedding approaches for drug-drug interaction prediction using linked open data
Huang et al. GOMA: functional enrichment analysis tool based on GO modules
Costa et al. Virtual Fly Brain—An interactive atlas of the Drosophila nervous system
WO2020138588A1 (ko) 신약 후보 물질 발굴을 위한 데이터 처리 장치 및 방법
WO2020184816A1 (ko) 신약 후보 물질 도출을 위한 데이터 처리 방법
Mihai et al. Representing and extracting knowledge from single-cell data
KR102187594B1 (ko) 신약 후보 물질 발굴을 위한 멀티오믹스 데이터 처리 장치 및 방법
Newaz et al. Inference of a dynamic aging-related biological subnetwork via network propagation
WO2022163996A1 (ko) 자기주의 기반 심층 신경망 모델을 이용한 약물-표적 상호작용 예측 장치 및 그 방법
KR102187586B1 (ko) 신약 후보 물질 발굴을 위한 데이터 처리 장치 및 방법
Dursun et al. PhenoGeneRanker: Gene and phenotype prioritization using multiplex heterogeneous networks
Tuggle et al. Introduction to systems biology for animal scientists
Famili et al. Data mining: understanding data and disease modeling
WO2022060139A1 (ko) 인공지능을 이용한 타겟 발굴 방법 및 시스템
WO2023229142A1 (ko) 전사체 데이터 기반의 합성치사 예측 장치, 합성치사 예측 방법 및 컴퓨터 프로그램
WO2023013867A1 (ko) 헬스 스페이스 모델을 이용한 건강 상태 정보 시각화 장치 및 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19901502

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19901502

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC