WO2020180003A1 - 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법 및 시스템 - Google Patents

엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법 및 시스템 Download PDF

Info

Publication number
WO2020180003A1
WO2020180003A1 PCT/KR2020/000568 KR2020000568W WO2020180003A1 WO 2020180003 A1 WO2020180003 A1 WO 2020180003A1 KR 2020000568 W KR2020000568 W KR 2020000568W WO 2020180003 A1 WO2020180003 A1 WO 2020180003A1
Authority
WO
WIPO (PCT)
Prior art keywords
exosome
data
blood
exosomes
deep learning
Prior art date
Application number
PCT/KR2020/000568
Other languages
English (en)
French (fr)
Inventor
최연호
신현구
박재나
홍순우
Original Assignee
주식회사 엑소퍼트
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 엑소퍼트 filed Critical 주식회사 엑소퍼트
Priority to US17/311,718 priority Critical patent/US20220022816A1/en
Priority to EP20767392.2A priority patent/EP3936031A4/en
Priority to CN202080007009.9A priority patent/CN113194820A/zh
Publication of WO2020180003A1 publication Critical patent/WO2020180003A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/65—Raman scattering
    • G01N21/658—Raman scattering enhancement Raman, e.g. surface plasmons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G16B40/10—Signal processing, e.g. from mass spectrometry [MS] or from PCR
    • 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
    • G16B40/20—Supervised data analysis
    • 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

Definitions

  • the present application relates to a method and system for providing cancer diagnosis information using liquid biopsy based on artificial intelligence by exosomes.
  • Exosomes are extracellular vesicles that are abundantly present in body fluids such as blood, urine, and saliva, and are secreted from all cells and are involved in various biological mechanisms such as intercellular interactions and metastasis of cancer. Since exosomes are 30 to 200 nm in size, they are produced by making multifocal soaps inside the cell due to the cell's enclosing action, and then leaving the cells by the exosome action, so they contain substances that can represent the characteristics of the parent cell, such as proteins and miRNAs. Are doing. Therefore, exosomes can exist in body fluids with the characteristics of diseased cells, and based on these characteristics, they can be applied as biomarkers for cancer diagnosis.
  • inelastic scattering which can exhibit the characteristics of the vibrational mode of the coupler, occurs within the molecule, which is called Raman scattering. Since the vibration mode of a molecule appears according to the characteristics of the coupling groups in the molecule, the Raman scattered light signal that appears in the molecule can be used as fingerprint information of the molecule.
  • the frequency of Raman scattering has a disadvantage that the signal sensitivity is very low enough to appear as 1 out of 1 million photons.
  • SERS Surface Enhanced Raman Spectroscopy
  • exosomes contain abundant parental information
  • interest is focused to be applied as a biomarker for liquid biopsy in the field of diagnostic medicine.
  • biomaterial detection techniques have been applied to detect information on disease exosomes present in body fluids to diagnose or monitor disease early.
  • problems such as invasive diagnosis, high false positive, and excessive radiation exposure of existing cancer diagnosis techniques can be solved through the exosome-based liquid biopsy technique.
  • SERS is a technology that can acquire Raman spectroscopy signals appearing on the surface of exosomes with ultra-high sensitivity, it is effective in detecting the characteristics of disease-specific exosomes.
  • SERS is a non-labeled detection technique, the pre-processing process for collecting only the target marker can be omitted, and it has high signal sensitivity even in a small concentration sample.
  • the SERS signal of exosomes has a limitation in that the signal is complex because a heterogeneous signal is detected due to the composition of heterogeneous components between single exosomes, interaction with plasmonic nanoparticles, and distribution of substances on the adhesion surface.
  • PCA principal component analysis
  • PLS-DA partial least squares
  • an embodiment of the present invention provides a method of providing cancer diagnosis information using an artificial intelligence-based liquid biopsy by exosomes.
  • the method of providing cancer diagnosis information using an artificial intelligence-based liquid biopsy by the exosome includes: measuring a cultured cell exosome Surface Enhanced Raman Spectroscopy (SERS) signal; Learning a deep learning model through the cultured cell exosome SERS signal; Measuring exosome SERS signal in blood; Analyzing the exosome SERS signal in the blood through a deep learning model learned from the cultured cell exosome SERS signal; And analyzing the similarity between the blood exosome data and the cultured cell exosome data analyzed through the deep learning model.
  • SERS Surface Enhanced Raman Spectroscopy
  • another embodiment of the present invention provides a system for providing cancer diagnosis information using liquid biopsy based on artificial intelligence by exosomes.
  • the system for providing cancer diagnosis information using liquid biopsy based on artificial intelligence by exosomes includes: a learning data input unit receiving a cultured cell exosome SERS (Surface Enhanced Raman Spectroscopy) signal used for learning a deep learning model; A patient data input unit for receiving data of an exosome SERS signal in the patient's blood; A deep learning model that is learned by using the cultured cell exosome SERS signal input through the learning data input unit, and analyzes the blood exosome SERS signal data input through the patient data input unit; And a similarity analysis unit for analyzing a similarity between the blood exosome data and the cultured cell exosome data analyzed through the deep learning model.
  • a similarity analysis unit for analyzing a similarity between the blood exosome data and the cultured cell exosome data analyzed through the deep learning model.
  • the present invention by analyzing the SERS signal of a complex exosome through artificial intelligence, it is possible to overcome the limitation of conventional signal heterogeneity. Through this, non-invasive liquid biopsy of cancer by exosomes may be possible.
  • cancer can be diagnosed only with blood without risk of radiation exposure such as X-ray, CT, or invasive tissue biopsy, and can be used not only for diagnosis of cancer, but also for treatment monitoring of patients.
  • FIG. 1 is a flow chart of a method for providing cancer diagnosis information using an artificial intelligence-based liquid biopsy by exosomes according to an embodiment of the present invention.
  • FIG. 2 is a diagram for explaining a deep learning model according to an embodiment of the present invention.
  • FIG. 3 is a diagram illustrating a data analysis step according to an embodiment of the present invention.
  • FIG. 4 is a diagram for describing a similarity analysis step according to an embodiment of the present invention.
  • FIG. 5 is a diagram showing a normal cell and lung cancer cell exosome Raman signal obtained according to an embodiment of the present invention.
  • FIG. 6 is a diagram showing a result of classifying normal cell and lung cancer cell exosome Raman signals through a deep learning model according to an embodiment of the present invention.
  • FIG. 7 is a diagram showing accuracy after data learning according to an embodiment of the present invention.
  • FIG. 8 is a diagram showing an exosome Raman signal in blood of a normal person and a lung cancer patient obtained according to an embodiment of the present invention.
  • FIG. 9 is a diagram showing the results of analyzing the exosome Raman signal in the blood of normal and lung cancer patients according to an embodiment of the present invention.
  • FIG. 10 is a diagram showing an ROC curve for a method of providing cancer diagnosis information using an artificial intelligence-based liquid biopsy by exosomes according to an embodiment of the present invention.
  • FIG. 11 is a diagram showing sensitivity and specificity by a method of providing cancer diagnosis information using an artificial intelligence-based liquid biopsy by exosomes according to an embodiment of the present invention.
  • FIG. 12 is a diagram showing a result of performing a lung cancer diagnosis using a method of providing cancer diagnosis information using liquid biopsy based on artificial intelligence by exosomes according to an embodiment of the present invention.
  • FIG. 13 is a block diagram of a system for providing cancer diagnosis information using liquid biopsy based on artificial intelligence by exosomes according to another embodiment of the present invention.
  • FIG. 1 is a flow chart of a method for providing cancer diagnosis information using an artificial intelligence-based liquid biopsy by exosomes according to an embodiment of the present invention.
  • a method of providing cancer diagnosis information using an artificial intelligence-based liquid biopsy by exosomes includes measuring a cultured cell exosome SERS signal (S110), cultured cell exo Learning a deep learning model through a little SERS signal (S120), measuring an exosome SERS signal in blood (S130), an exosome SERS signal in blood through a deep learning model learned from a cultured cell exosome SERS signal Analyzing (S140) and analyzing the similarity between the blood exosome data and the cultured cell exosome data analyzed through the deep learning model (S150).
  • S110 cultured cell exosome SERS signal
  • S120 cultured cell exo Learning a deep learning model through a little SERS signal
  • S130 measuring an exosome SERS signal in blood
  • S140 an exosome SERS signal in blood through a deep learning model learned from a cultured cell exosome SERS signal Analyzing
  • S150 analyzing the similarity between the blood exosome data and the cultured cell exosome data analyzed through
  • the SERS signal of the exosome derived from the cultured cell may be measured.
  • the cultured cells may include cultured normal cells and cancer cells.
  • a structure in which 80 nm spherical gold nanoparticles are aggregated with each other using a salt may be used to measure the SERS signal of exosomes.
  • the structure may be produced by sprinkling concentrated gold nanoparticles on the washed cover glass, adding a CuSO 4 based salt solution to cause aggregation of the gold nanoparticles, and drying. After the exosome solution having a concentration of 10 7 ⁇ 10 9 (particles/ml) is applied to the prepared substrate and dried completely, the SERS signal can be measured.
  • the measured cultured cell exosome SERS signal that is, the SERS signal of the normal cell exosomes derived from cultured normal cells and cancer cells, respectively, and cancer cell exosomes Deep learning model can be trained using SERS signal of.
  • a model to which a ResNet model is applied may be used as a deep learning model.
  • Figure 2 is a diagram for explaining a deep learning model according to an embodiment of the present invention
  • Figure 2 (a) shows a ResNet model
  • (b) is a ResNet model applied according to an embodiment of the present invention. Shows the model.
  • the ResNet model shown in (a) of FIG. 2 was proposed in 2015 (He, Kaiming, et al. "Deep residual learning for image recognition.” Proceedings of the IEEE conference on computer vision and pattern recognition. 2016.) It was basically developed for two-dimensional image analysis.
  • the ResNet model as shown in (a) of FIG. 2 is modified as shown in (b) of FIG. 2 to be used to analyze SERS signal data, which is one-dimensional data.
  • the ResNet model shown in (a) of FIG. 2 is a 34-layer ResNet model, which is sequentially connected to the first convolutional layer (conv, 64, /2) into which data is input, and the first convolutional layer.
  • the deep learning model according to the embodiment of the present invention shown in (b) of FIG. 2 simplifies the convolutional layer, so that the first convolutional layer (conv, 64) into which data is input, and the first convolutional layer are Four second convolution layers (conv, 64) sequentially connected, four third convolution layers (conv, 128), four fourth convolution layers (conv, 256), and four fifth convolution layers (conv, 512). ), and two complete connection layers (FCL 4096 and FCL 10), and the second to fifth convolutional layers add a skip connection to every two convolutional layers.
  • the number of convolutional layers included in the second to fifth convolutional layers is not limited thereto and may be changed as necessary.
  • the fully connected layer (FCL) located at the end of the deep learning model includes a first fully connected layer (FCL 4096) having a value of 4096 and a second fully connected layer (FCL 10) having a value of 10 at the output terminal thereof. It is configured to have this linking structure, and finally, the data can be classified into normal exosomes and lung cancer exosomes.
  • the SERS signal data was preprocessed through, for example, min-max normalization before the deep learning model was trained, and a Raman spectrum in the range of 475 to 2000 cm -1 was used as data.
  • the SERS signal of the exosomes present in the blood of the patient may be measured.
  • the exosome SERS signal in the blood can be measured in the same manner as described above, and a redundant description thereof will be omitted.
  • the exosome SERS signal in the blood can be analyzed using the deep learning model learned in step S120. I can.
  • exosomes present in the patient's blood are in a state in which normal cell-derived exosomes and cancer cell-derived exosomes are mixed, so it is difficult to classify them by binary classification as cultured cell exosomes are classified.
  • FCL 10 the second fully connected layer
  • FIG. 3 is a diagram illustrating a data analysis step according to an embodiment of the present invention.
  • FCL 10 is a value derived after passing through all the layers of the front end, and has 10 numerical values, and when the exosome SERS signal in blood is classified using the learned deep learning model, FCL You can derive 10 to 10 values.
  • the FCL 10 values derived by classifying the exosome SERS signal in the blood are cultured cells, that is, normal cells and cancer cell exosome SERS signals. By comparing each of the FCL 10 values derived by classifying them, it is possible to analyze which data of the exosome data in the patient's blood is similar to the data of the exosomes from normal cells and cancer cells.
  • FIG. 4 is a diagram for explaining a similarity analysis step according to an embodiment of the present invention, and for convenience, 10 values derived from FCL 10 are shown in a two-dimensional diagram.
  • the similarity between the blood exosome data and the cultured cell exosome data may be calculated through the Mahalanobis distance (Mahalanobis distance).
  • Mahalanobis distance Mahalanobis distance
  • the method of calculating the similarity according to the present invention is not necessarily limited thereto, and various methods for quantifying the similarity between data may be applied.
  • Mahalanobis between human exosome data, Mean of normal exosomes, and Mean of cancer exosomes When the distance is calculated, it can indicate de-similarity between each data.
  • the method of calculating the Mahalanobis distance is known to those of ordinary skill in the art, a detailed description thereof will be omitted.
  • a relative similarity to cancer exosome of exosome data in blood can be calculated according to the following equation.
  • Relative similarity scale Mahalanobis distance from normal cell exosome data of blood exosome data (D normal ) / Mahalanobis distance from cancer exosome data of blood exosome data (D cancer )
  • the present invention by providing a measure of the relative similarity of the exosome data in blood derived through the above-described process with the exosome data of cancer cells, it can be utilized for cancer diagnosis.
  • the present invention is not necessarily limited thereto, and for example, it may be equally applied to patients with pancreatic cancer, breast cancer, and blood cancer in addition to lung cancer.
  • FIG. 5 is a view showing the normal cell and lung cancer cell exosome Raman signals obtained according to an embodiment of the present invention, normal lung cells (HPAEC; human pulmonary alveolar epithelial cells) and three types of lung cancer cells (PC9, H522 , H1299) shows that 340 SERS signals were obtained from each derived exosome.
  • HPAEC human pulmonary alveolar epithelial cells
  • PC9, H522 , H1299 three types of lung cancer cells
  • FIG. 6 is a diagram showing a result of classifying normal cell and lung cancer cell exosome Raman signals through a deep learning model according to an embodiment of the present invention.
  • Table 1 below shows the results of verifying a deep learning model according to an embodiment of the present invention through a 10-CV (10 cross validation) method.
  • the deep learning model according to the embodiment of the present invention classifies the learned exosomes with an average of 96% accuracy, and classifies the untrained exosome data with an average of 80% accuracy.
  • FIG. 7 is a diagram showing accuracy after data learning according to an embodiment of the present invention. When all of the total data is used for learning, it can be seen that the classification accuracy is 98%.
  • FIG. 8 is a diagram showing exosome Raman signals in the blood of normal and lung cancer patients obtained according to an embodiment of the present invention. SERS of exosomes obtained from 24 healthy controls and 18 NSCLS patients Shows the average of the signal data.
  • the similarity to the cultured cell exosome data can be analyzed through analysis through a deep learning model.
  • FIG. 9 is a diagram showing the results of analyzing the exosome Raman signal in the blood of normal and lung cancer patients according to an embodiment of the present invention.
  • 9A and 9B show the results of analyzing data of 50 exosomes per person for 24 normal people and 18 lung cancer patients, respectively, as a heatmap. The closer to red, the more lung cancer cell exo It indicates that the relative similarity with moth is large.
  • FIG. 9(c) shows the average of 50 exosome data obtained from one person, and statistically shows the average data. Compared to normal subjects, lung cancer patients showed higher similarity with lung cancer cell exosomes, and the p-value was 0.000036, indicating that the statistical difference was very significant.
  • FIG. 10 is a diagram showing an ROC curve for a method of providing cancer diagnosis information using an artificial intelligence-based liquid biopsy by exosomes according to an embodiment of the present invention.
  • ROC curve receiver operation characteristic curve
  • AUC area under the ROC curve
  • Table 2 shows the results of comparing AUC values between the deep learning model according to an embodiment of the present invention and other research results.
  • FIG. 11 is a diagram showing sensitivity and specificity by a method of providing cancer diagnosis information using an artificial intelligence-based liquid biopsy by exosomes according to an embodiment of the present invention.
  • the diagnostic cutoff line is set to 0.85 based on the value derived from the above-described ROC curve, the sensitivity and specificity were found to be about 89% and 88%, respectively. That is, it can be seen that a normal person and a lung cancer patient can be clearly distinguished according to an embodiment of the present invention.
  • FIG. 12 is a diagram showing a result of a radix diagnosis of lung cancer using a method of providing cancer diagnosis information using an artificial intelligence-based liquid biopsy by exosomes according to an embodiment of the present invention. FIG. It gets higher.
  • the similarity with the cancer cell exosomes increases as the cancer base increases, and from this, it can be seen that the above-described embodiments of the present invention can be used for the diagnosis of the radix of cancer.
  • it can be utilized in a manner in which a reference value for similarity in each stage is determined for each radix of the arm, and information on the radix of the arm is provided according to an area to which the similarity derived according to the process described above with reference to FIG. 1 belongs.
  • FIG. 13 is a block diagram of a system for providing cancer diagnosis information using liquid biopsy based on artificial intelligence by exosomes according to another embodiment of the present invention.
  • a system 1000 for providing cancer diagnosis information using liquid biopsy based on artificial intelligence by exosomes includes a learning data input unit 1100, a patient data input unit 1200, and a deep It may be configured to include a running model 1300 and a similarity analysis unit 1400.
  • the training data input unit 1100 may receive exosome SERS signal data used for training the deep learning model 1300.
  • the learning data input unit 1100 may receive SERS signals of exosomes derived from normal cells and cancer cells, which are culture cells, respectively.
  • the patient data input unit 1200 may receive an exosome SERS signal in the blood of a patient who wishes to provide cancer diagnosis information.
  • the deep learning model 1300 may first perform learning using the normal cell and cancer cell exosome SERS signals input through the training data input unit 1100.
  • the deep learning model 1300 can analyze the exosome SERS signal in the blood input through the patient data input unit 1200. have.
  • the similarity analysis unit 1400 may analyze the similarity between the blood exosome data and the cultured cell exosome data analyzed through the deep learning model 1300.
  • the cancer diagnosis information providing system illustrated in FIG. 13 may be implemented as a computing device capable of deep learning operation.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Epidemiology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Databases & Information Systems (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Fuzzy Systems (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)

Abstract

본 발명의 일 실시예에 따른 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법은, 배양세포 엑소좀 SERS(Surface Enhanced Raman Spectroscopy) 신호를 측정하는 단계; 상기 배양세포 엑소좀 SERS 신호를 통해 딥러닝 모델을 학습하는 단계; 혈액내 엑소좀 SERS 신호를 측정하는 단계; 상기 배양세포 엑소좀 SERS 신호로 학습된 딥러닝 모델을 통해 상기 혈액내 엑소좀 SERS 신호를 분석하는 단계; 및 상기 딥러닝 모델을 통해 분석된 혈액내 엑소좀 데이터와 배양세포 엑소좀 데이터 간 유사도를 분석하는 단계를 포함할 수 있다.

Description

엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법 및 시스템
본 출원은 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법 및 시스템에 관한 것이다.
엑소좀(Exosome)은 혈액, 소변, 침 등 체액 내 풍부하게 존재하는 미세 소포체(Extracellular vesicles)로서, 모든 세포로부터 분비되어 세포 간 상호작용, 암의 전이 등 다양한 생물학적 기작에 관여되는 물질이다. 엑소좀은 30 ~ 200 nm 크기로 세포의 내포 작용으로 인해 세포 내부에 다소성소페를 만든 뒤, 이들이 외포 작용에 의해 나감으로써 생성된 것이므로 단백질과 miRNA 등 모세포의 특성을 대표할 수 있는 물질을 포함하고 있다. 따라서 엑소좀은 질병 세포의 특성을 지닌 상태로 체액 내에 존재할 수 있으며, 이러한 특성을 기반으로 암 진단을 위한 바이오마커로 응용 가능하다.
한편, 빛이 분자에 조사되는 상황에서 분자 내에서는 결합기의 진동모드(vibrational mode)의 특성을 나타낼 수 있는 비탄성 산란(inelastic scattering)이 일어나는데 이를 라만 산란광(Raman scattering)이라고 한다. 분자의 진동모드는 분자 내 결합기들의 특성에 따라 나타나므로 분자에서 나타나는 라만 산란광 신호는 분자의 지문 정보로 사용될 수 있다. 하지만 라만 산란의 빈도는 100만개의 광자 중 1개 꼴로 나타날 정도로 신호 감도가 매우 낮은 단점이 있다.
표면 증강 라만 분광법(SERS; Surface Enhanced Raman Spectroscopy)은 일반적인 라만 분광법의 약한 신호세기 문제를 해결한 방법으로, 플라즈모닉 나노구조체 사이의 나노갭에서 나타나는 강한 전자기장을 기반으로 분자의 라만 신호를 약 107-108배 이상 증폭할 수 있다. 기술적으로 이 방법은 펨토(Femto) 몰 농도 수준의 분자에서 단일 분자 수준의 검출까지도 가능하다고 소개되고 있다.
상술한 바와 같이, 엑소좀은 모세포의 정보를 풍부하게 함유하고 있어 진단 의학 분야에서 액체생검을 위한 바이오마커로 응용하고자 관심이 집중되고 있다. 현재까지 다양한 생체물질 검출 기술을 응용하여 체액 내 존재하는 질병 엑소좀의 정보를 검출하여 질병을 조기 진단하거나 모니터링하는 연구가 진행되어 왔다. 특히 기존의 암 진단 기법이 가진 침습적 진단, 높은 위양성(false positive), 과도한 방사선 노출 등의 문제점을 엑소좀 기반 액체생검 기법을 통해 해결할 수 있을 것이라고 기대되고 있다.
SERS는 엑소좀 표면에서 나타나는 라만 분광학 신호를 초고감도로 획득할 수 있는 기술이기 때문에 질병 특이적 엑소좀의 특성을 검출하는데 효과적이다. 또한, SERS는 비표지식 검출 기법이기 때문에 표적 마커 만을 포집하기 위한 전처리 과정이 생략될 수 있고 적은 농도의 시료에서도 높은 신호감도를 가지고 있다.
하지만 엑소좀의 SERS 신호는 단일 엑소좀 간의 이질적인 성분 구성, 프로브인 플라즈모닉 나노입자와의 상호작용, 부착면의 물질 분포 등의 이유로 이질적인 신호가 검출되며 신호가 복잡하다는 한계점을 내포하고 있다.
이러한 한계점을 해결하기 위해 주성분분석법(PCA), 부분최소제곱법(PLS-DA) 등의 방법이 응용되었지만 환자 체액 내에 존재하는 암 엑소좀은 정상 세포에서 유래된 엑소좀과 혼재되어 있는 상태로 분석이 용이하지 않다.
따라서, 당해 기술분야에서는 엑소좀의 SERS 신호를 이용하여 보다 정확하게 암 진단 정보를 제공하기 위한 방안이 요구되고 있다.
상기 과제를 해결하기 위해서, 본 발명의 일 실시예는 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법을 제공한다.
상기 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법은, 배양세포 엑소좀 SERS(Surface Enhanced Raman Spectroscopy) 신호를 측정하는 단계; 상기 배양세포 엑소좀 SERS 신호를 통해 딥러닝 모델을 학습하는 단계; 혈액내 엑소좀 SERS 신호를 측정하는 단계; 상기 배양세포 엑소좀 SERS 신호로 학습된 딥러닝 모델을 통해 상기 혈액내 엑소좀 SERS 신호를 분석하는 단계; 및 상기 딥러닝 모델을 통해 분석된 혈액내 엑소좀 데이터와 배양세포 엑소좀 데이터 간 유사도를 분석하는 단계를 포함할 수 있다.
또한, 본 발명의 다른 실시예는 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 시스템을 제공한다.
상기 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 시스템은, 딥러닝 모델의 학습을 위해 사용되는 배양세포 엑소좀 SERS(Surface Enhanced Raman Spectroscopy) 신호를 입력받는 학습데이터 입력부; 환자의 혈액내 엑소좀 SERS 신호 데이터를 입력받는 환자데이터 입력부; 상기 학습데이터 입력부를 통해 입력된 배양세포 엑소좀 SERS 신호를 이용하여 학습되며, 상기 환자데이터 입력부를 통해 입력된 혈액내 엑소좀 SERS 신호 데이터를 분석하는 딥러닝 모델; 및 상기 딥러닝 모델을 통해 분석된 혈액내 엑소좀 데이터와 배양세포 엑소좀 데이터 간 유사도를 분석하는 유사도 분석부를 포함할 수 있다.
덧붙여 상기한 과제의 해결수단은, 본 발명의 특징을 모두 열거한 것이 아니다. 본 발명의 다양한 특징과 그에 따른 장점과 효과는 아래의 구체적인 실시형태를 참조하여 보다 상세하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따르면, 복잡한 엑소좀의 SERS 신호를 인공지능을 통해 분석함으로써, 종래의 신호 이질성의 한계를 극복할 수 있다. 이를 통해 엑소좀에 의한 암의 비침습적인 액체생검이 가능해 질 수 있다. 또한, X-ray, CT 등과 같이 방사선 피폭의 위험이 있거나 침습적인 조직생검 없이, 혈액 만으로 암 진단이 가능해질 수 있으며, 암의 진단 뿐만 아니라 환자의 치료 모니터링에도 활용될 수 있다.
도 1은 본 발명의 일 실시예에 따른 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법의 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 딥러닝 모델을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 데이터 분석 단계를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 유사도 분석 단계를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따라 획득한 정상세포 및 폐암세포 엑소좀 라만신호를 도시하는 도면이다.
도 6은 본 발명의 일 실시예에 따라 딥러닝 모델을 통해 정상세포 및 폐암세포 엑소좀 라만신호를 분류한 결과를 도시하는 도면이다.
도 7은 본 발명의 일 실시예에 따른 데이터 학습 후의 정확도를 도시하는 도면이다.
도 8은 본 발명의 일 실시예에 따라 획득한 정상인 및 폐암환자 혈액내 엑소좀 라만신호를 도시하는 도면이다.
도 9는 본 발명의 일 실시예에 따라 정상인 및 폐암환자 혈액내 엑소좀 라만신호를 분석한 결과를 도시하는 도면이다.
도 10은 본 발명의 일 실시예에 따른 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법에 대한 ROC 곡선을 도시하는 도면이다.
도 11은 본 발명의 일 실시예에 따른 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법에 의한 민감도 및 특이도를 도시하는 도면이다.
도 12는 본 발명의 일 실시예에 따른 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법을 이용하여 폐암 기수 진단을 한 결과를 도시하는 도면이다.
도 13은 본 발명의 다른 실시예에 따른 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 시스템의 블록 구성도이다.
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 '연결'되어 있다고 할 때, 이는 '직접적으로 연결'되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 '간접적으로 연결'되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 '포함'한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
도 1은 본 발명의 일 실시예에 따른 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법의 흐름도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법은, 배양세포 엑소좀 SERS 신호를 측정하는 단계(S110), 배양세포 엑소좀 SERS 신호를 통해 딥러닝 모델을 학습하는 단계(S120), 혈액내 엑소좀 SERS 신호를 측정하는 단계(S130), 배양세포 엑소좀 SERS 신호로 학습된 딥러닝 모델을 통해 혈액내 엑소좀 SERS 신호를 분석하는 단계(S140) 및 딥러닝 모델을 통해 분석된 혈액내 엑소좀 데이터와 배양세포 엑소좀 데이터 간 유사도를 분석하는 단계(S150)를 포함할 수 있다.
우선, 배양세포 엑소좀 SERS 신호를 측정하는 단계(S110)에서는 배양세포에서 유래된 엑소좀의 SERS 신호를 측정할 수 있다. 여기서, 배양세포는 배양된 정상세포 및 암세포를 포함할 수 있다.
일 실시예에 따르면, 엑소좀의 SERS 신호 측정을 위해 80 nm의 구형 금 나노입자를 염을 이용하여 서로 응집시킨 구조를 이용할 수 있다. 여기서, 해당 구조는 세척된 커버글라스에 농축된 금 나노입자를 뿌리고 CuSO4 기반의 염 용액을 넣어 금 나노입자의 응집을 일으킨 후 건조하여 제작된 것일 수 있다. 이와 같이 제작된 기판에 107~109 (particles/ml) 농도의 엑소좀 용액을 도포하고 완전히 건조된 이후 SERS 신호 측정을 진행할 수 있다.
배양세포 엑소좀 SERS 신호를 통해 딥러닝 모델을 학습하는 단계(S120)에서는 측정된 배양세포 엑소좀 SERS 신호, 즉 배양된 정상세포와 암세포에서 각각 유래된 정상세포 엑소좀의 SERS 신호 및 암세포 엑소좀의 SERS 신호를 이용하여 딥러닝 모델을 학습할 수 있다.
일 실시예에 따르면, 딥러닝 모델로서 ResNet 모델을 응용한 모델을 사용할 수 있다.
도 2는 본 발명의 일 실시예에 따른 딥러닝 모델을 설명하기 위한 도면으로, 도 2의 (a)는 ResNet 모델을 도시하고, (b)는 본 발명의 실시예에 따른 ResNet 모델을 응용한 모델을 도시한다.
도 2의 (a)에 도시된 ResNet 모델은 2015년에 제안된 것으로(He, Kaiming, et al. "Deep residual learning for image recognition." Proceedings of the IEEE conference on computer vision and pattern recognition. 2016.) 기본적으로 2차원의 이미지 분석을 위해 개발된 것이다.
본 발명의 실시예에 따르면, 도 2의 (a)에 도시된 바와 같은 ResNet 모델을 도 2의 (b)에 도시된 바와 같이 수정하여 1차원 데이터인 SERS 신호 데이터를 분석하는데 사용한다.
구체적으로 살펴보면, 도 2의 (a)에 도시된 ResNet 모델은 34-layer의 ResNet 모델로서 데이터가 입력되는 제1 컨벌루션층(conv, 64, /2)과, 제1 컨벌루션층에 순차로 연결되는 복수의 제2 컨벌루션층(conv, 64), 제3 컨벌루션층(conv, 128), 제4 컨벌루션층(conv, 256), 제5 컨벌루션층(conv, 512), 그리고 1개의 완전연결층(FLC; fully connected layer)을 포함하며, 제2 내지 제5 컨벌루션층은 매 2개의 컨벌루션층(convolutional layer) 마다 스킵 연결(skip connection)을 추가하여 잔차 학습(residual learning)을 수행하도록 구성된다.
이와 대비하여, 도 2의 (b)에 도시된 본 발명의 실시예에 따른 딥러닝 모델은 컨벌루션층을 단순화하여, 데이터가 입력되는 제1 컨벌루션층(conv, 64)과, 제1 컨벌루션층에 순차로 연결되는 4개의 제2 컨벌루션층(conv, 64), 4개의 제3 컨벌루션층(conv, 128), 4개의 제4 컨벌루션층(conv, 256), 4개의 제5 컨벌루션층(conv, 512), 그리고 2개의 완전연결층(FCL 4096, FCL 10)을 포함하고, 제2 내지 제5 컨벌루션층은 매 2개의 컨벌루션층(convolutional layer) 마다 스킵 연결(skip connection)을 추가한다. 여기서, 제2 컨벌루션층 내지 제5 컨벌루션층에 포함되는 컨벌루션층의 개수는 이로 한정되지 않으며 필요에 따라 변경될 수 있다. 또한, 딥러닝 모델의 말단에 위치하는 완전연결층(FCL)은 4096개의 값을 가지는 제1 완전연결층(FCL 4096)과, 이의 출력단에 10개의 값을 가지는 제2 완전연결층(FCL 10)이 연결되는 구조를 가지도록 구성되어, 최종적으로 정상 엑소좀과 폐암 엑소좀으로 데이터를 분류할 수 있다.
후술하는 실시예에서는 딥러닝 모델을 학습하기 전에 SERS 신호 데이터는 예를 들어 최소최대 정규화(min-max normalization)를 통해 전처리되었으며, 475~2000 cm-1 범위의 라만 스펙트럼을 데이터로 사용하였다.
이처럼 본 발명의 실시예에서는 배양세포, 즉 정상세포와 암세포 엑소좀 SERS 신호를 이용하여 딥러닝 모델을 학습함으로써 보다 정확하게 정상세포와 암세포의 특성을 분류할 수 있게 된다.
혈액내 엑소좀 SERS 신호를 측정하는 단계(S130)에서는 환자의 혈액내에 존재하는 엑소좀의 SERS 신호를 측정할 수 있다. 이 경우, 배양세포 엑소좀 SERS 신호를 측정하는 단계(S110)에서 상술한 바와 동일한 방식으로 혈액내 엑소좀 SERS 신호를 측정할 수 있는 바, 이에 대한 중복적인 설명은 생략한다.
배양세포 엑소좀 SERS 신호로 학습된 딥러닝 모델을 통해 혈액내 엑소좀 SERS 신호를 분석하는 단계(S140)에서는 상술한 S120 단계에서 학습한 딥러닝 모델을 이용하여 혈액내 엑소좀 SERS 신호를 분석할 수 있다.
환자의 혈액내에 존재하는 엑소좀은 정상세포 유래 엑소좀과 암세포 유래 엑소좀이 혼재되어 있는 상태이므로 배양세포 엑소좀을 분류하듯이 이진 분류(binary classification)로 분류하기 어렵다.
따라서, 본 발명의 실시예에 따르면 후술하는 바와 같이 최종적인 이진 출력층이 아니라 바로 전 층인 제2 완전연결층(FCL 10)의 정보를 이용하는 방법을 제시한다.
도 3은 본 발명의 일 실시예에 따른 데이터 분석 단계를 설명하기 위한 도면이다.
도 3에 도시된 바와 같이, FCL 10은 전단의 층(layer)들을 모두 지난 뒤 도출되는 값으로서 10개의 숫자값을 가지며, 학습한 딥러닝 모델을 이용하여 혈액내 엑소좀 SERS 신호를 분류하면 FCL 10에서 10개의 값을 도출할 수 있다.
분석된 혈액내 엑소좀 데이터와 배양세포 엑소좀 데이터 간 유사도를 분석하는 단계(S150)에서는 혈액내 엑소좀 SERS 신호를 분류하여 도출한 FCL 10 값들을 배양세포, 즉 정상세포 및 암세포 엑소좀 SERS 신호를 분류하여 도출한 FCL 10 값들과 각각 비교하여 환자 혈액내 엑소좀 데이터가 정상세포와 암세포 엑소좀 데이터 중 어느 데이터와 유사한지를 분석할 수 있다.
도 4는 본 발명의 일 실시예에 따른 유사도 분석 단계를 설명하기 위한 도면으로, 편의를 위해 FCL 10에서 도출된 10개의 값을 2차원상에 모식도로 나타낸 것이다.
일 실시예에 따르면, 혈액내 엑소좀 데이터와 배양세포 엑소좀 데이터 간 유사도는 마할라노비스 거리(Mahalanobis distance)를 통해 계산될 수 있다. 그러나, 본 발명에 따른 유사도 계산 방법이 반드시 이로 제한되는 것은 아니며, 데이터 간의 유사도를 정량화하기 위한 다양한 방법이 적용될 수 있다.
구체적으로, 도 4의 좌측에 도시된 그림에서 혈액내 엑소좀 데이터(Human exosome data)와 정상세포 엑소좀 데이터(Mean of normal exosomes) 및 암세포 엑소좀 데이터(Mean of cancer exosomes) 사이의 마할라노비스 거리를 계산하면, 이는 각 데이터간의 비유사성(De-similarity)를 나타낼 수 있다. 여기서, 마할라노비스 거리를 계산하는 방법은 통상의 기술자에게 공지된 사항이므로, 이에 대한 구체적인 설명은 생략한다.
본 발명의 실시예에 따르면, 혈액내 엑소좀 데이터의 암세포 엑소좀 데이터와의 상대적 유사성 척도(Relative similarity to cancer exosome)을 다음 수식에 따라 산출할 수 있다.
상대적 유사성 척도 = 혈액내 엑소좀 데이터의 정상세포 엑소좀 데이터와의 마할라노비스 거리(Dnormal)/혈액내 엑소좀 데이터의 암세포 엑소좀 데이터와의 마할라노비스 거리(Dcancer)
따라서, 본 발명의 실시예에 따르면, 상술한 과정을 거쳐서 도출된 혈액내 엑소좀 데이터의 암세포 엑소좀 데이터와의 상대적 유사성 척도를 제공함으로써, 이를 암 진단에 활용할 수 있도록 할 수 있다.
이하에서는, 본 발명을 폐암 환자에 적용한 실시예를 중심으로 설명한다. 그러나, 본 발명이 반드시 이로 제한되는 것은 아니며, 예를 들어, 폐암 이외에 췌장암, 유방암, 혈액암 환자 등에도 동일하게 적용될 수 있다.
도 5는 본 발명의 일 실시예에 따라 획득한 정상세포 및 폐암세포 엑소좀 라만신호를 도시하는 도면으로, 정상폐세포(HPAEC; human pulmonary alveolar epithelial cells) 및 3종의 폐암세포(PC9, H522, H1299) 유래 엑소좀에서 각각 340개의 SERS 신호를 획득한 것을 도시한다.
도 6은 본 발명의 일 실시예에 따라 딥러닝 모델을 통해 정상세포 및 폐암세포 엑소좀 라만신호를 분류한 결과를 도시하는 도면이다.
본 발명의 실시예에 따른 딥러닝 모델을 통해 정상세포 및 폐암세포 엑소좀 라만신호를 분류하면 도 6에 도시된 바와 같이 정상세포 엑소좀(Normal exosome) 및 폐암세포 엑소좀(Lung cancer exosome)이 분류됨을 확인할 수 있다.
하기의 표 1은 10-CV(10 cross validation) 방식을 통해 본 발명의 실시예에 따른 딥러닝 모델을 검증한 결과를 나타낸다.
CV 훈련 정확도(%) 테스트 정확도(%)
1 95 64
2 98 83
3 98 85
4 95 88
5 95 83
6 96 77
7 98 51
8 96 70
9 95 94
10 95 91
평균 96 80
검증 결과, 본 발명의 실시예에 따른 딥러닝 모델은 평균 96%의 정확도로 학습된 엑소좀을 분류하며, 학습되지 않은 엑소좀 데이터는 평균 80%의 정확도로 분류하는 것을 확인할 수 있다.
도 7은 본 발명의 일 실시예에 따른 데이터 학습 후의 정확도를 도시하는 도면으로, 총 데이터를 모두 학습에 사용한 경우에는 98%의 분류 정확도를 나타냄을 확인할 수 있다.
도 8은 본 발명의 일 실시예에 따라 획득한 정상인 및 폐암환자 혈액내 엑소좀 라만신호를 도시하는 도면으로, 정상인(Healthy control) 24명과 폐암환자(NSCLS patients) 18명으로부터 얻은 엑소좀의 SERS 신호 데이터의 평균을 도시한다.
각 단일 데이터들을 대상으로 상술한 바와 같이 딥러닝 모델을 통한 분석을 거쳐 배양세포 엑소좀 데이터와의 유사도를 분석할 수 있다.
도 9는 본 발명의 일 실시예에 따라 정상인 및 폐암환자 혈액내 엑소좀 라만신호를 분석한 결과를 도시하는 도면이다.
도 9의 (a) 및 (b)는 각각 정상인 24명과 폐암환자 18명을 대상으로 한 사람당 50개의 엑소좀 데이터를 분석한 결과를 히트맵(Heatmap)으로 나타낸 것으로, 빨간색에 가까울수록 폐암세포 엑소좀과의 상대적 유사성이 크다는 것을 나타낸다.
도 9의 (a) 및 (b)를 참조하면, 폐암환자의 혈액 내에도 정상세포에서 유래된 엑소좀이 다수 존재하므로 대다수의 엑소좀 데이터는 폐암세포 엑소좀과 상이하게 나타나지만, 정상인 대비 폐암환자 엑소좀 데이터에서 더 많은 비율의 엑소좀이 폐암세포 엑소좀과 유사하다고 나타남을 확인할 수 있다.
도 9의 (c)는 한 사람에서 얻은 50개의 엑소좀 데이터의 평균을 구하고, 이 평균 데이터들을 통계적으로 나타낸 것이다. 정상인 대비 폐암환자에서 폐암세포 엑소좀과의 유사도가 더 높게 나타났으며, p-value는 0.000036으로 통계적인 차이가 매우 유의함을 알 수 있다.
도 10은 본 발명의 일 실시예에 따른 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법에 대한 ROC 곡선을 도시하는 도면이다.
본 발명의 상술한 실시예에 따른 딥러닝 모델의 효과 검증을 위해 수신자 판단 특성 곡선(ROC curve; Receiver operation characteristic curve)을 나타내었다. ROC 커브 밑의 면적(AUC; Area under curve)이 1에 가까울수록 유용성이 커짐을 나타내며, 본 발명의 실시예에 따른 딥러닝 모델은 0.89의 값을 나타낸다.
하기의 표 2는 본 발명의 실시예에 따른 딥러닝 모델과 타 연구 결과와의 AUC 값 비교 결과를 나타낸다.
저자 방법 AUC
A. Hulbert, et. Al. PCR based DNA methylation detection 0.77~0.89
M. Aslam, et. Al. RCR based ctDNA detection 0.81
Y. Ni, et. Al. ELISA based apelin detection 0.81
W. Wang, et. Al. Circulating miRNA detecton 0.71~0.87
본 발명 - 0.89
표 2를 참조하면, 본 발명의 실시예에 따르면 액체생검 기반의 폐암 진단 방법 중에서는 최상위의 유용성을 가짐을 알 수 있다. 결과적으로 본 발명의 실시예에 따르면 매우 정확한 수준의 진단이 가능할 수 있다.
도 11은 본 발명의 일 실시예에 따른 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법에 의한 민감도 및 특이도를 도시하는 도면이다.
상술한 ROC 커브에서 도출한 값을 기반으로 진단 컷오프 지점(Cutoff line)을 0.85로 설정할 경우, 민감도와 특이도는 각각 약 89% 및 88%로 나타났다. 즉, 본 발명의 실시예에 따라 정상인과 폐암환자가 명확하게 구분 가능함을 알 수 있다.
도 12는 본 발명의 일 실시예에 따른 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법을 이용하여 폐암 기수 진단을 한 결과를 도시하는 도면으로, 그래프에서 우측으로 갈수록 기수가 높아진다.
도 12를 참조하면, 암 기수가 높아짐에 따라 암세포 엑소좀과의 유사도가 높아짐을 알 수 있으며, 이로부터 상술한 본 발명의 실시예는 암의 기수 진단을 위해서도 사용될 수 있음을 확인할 수 있다. 예를 들어, 암의 기수별로 단계별 유사도 기준값을 정하고, 도 1을 참조하여 상술한 과정에 따라 도출한 유사도가 속하는 영역에 따라 암의 기수 정보를 제공하는 방식으로 활용 가능하다.
도 13은 본 발명의 다른 실시예에 따른 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 시스템의 블록 구성도이다.
도 13을 참조하면, 본 발명의 다른 실시예에 따른 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 시스템(1000)은 학습데이터 입력부(1100), 환자데이터 입력부(1200), 딥러닝 모델(1300) 및 유사도 분석부(1400)를 포함하여 구성될 수 있다.
학습데이터 입력부(1100)는 딥러닝 모델(1300)의 학습을 위해 사용되는 엑소좀 SERS 신호 데이터를 입력받을 수 있다.
일 실시예에 따르면, 학습데이터 입력부(1100)는 배양세포인 정상세포 및 암세포에서 각각 유래된 엑소좀의 SERS 신호를 입력받을 수 있다.
환자데이터 입력부(1200)는 암 진단 정보를 제공하고자 하는 환자의 혈액내 엑소좀 SERS 신호를 입력받을 수 있다.
딥러닝 모델(1300)는 우선 학습데이터 입력부(1100)를 통해 입력된 정상세포 및 암세포 엑소좀 SERS 신호를 이용하여 학습을 수행할 수 있다.
또한, 배양세포 엑소좀 SERS 신호를 통해 딥러닝 모델(1300)의 학습을 수행한 후, 딥러닝 모델(1300)은 환자데이터 입력부(1200)를 통해 입력된 혈액내 엑소좀 SERS 신호를 분석할 수 있다.
유사도 분석부(1400)는 딥러닝 모델(1300)을 통해 분석된 혈액내 엑소좀 데이터와 배양세포 엑소좀 데이터간의 유사도를 분석할 수 있다.
여기서, 상술한 각 구성요소의 구체적인 구성 및/또는 동작 방법은 상술한 바와 동일하므로 이에 대한 중복적인 설명은 생략한다.
도 13에 도시된 암 진단 정보 제공 시스템은 딥러닝 연산이 가능한 컴퓨팅 디바이스로 구현될 수 있다.
본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 본 발명에 따른 구성요소를 치환, 변형 및 변경할 수 있다는 것이 명백할 것이다.

Claims (7)

  1. 배양세포 엑소좀 SERS(Surface Enhanced Raman Spectroscopy) 신호를 측정하는 단계;
    상기 배양세포 엑소좀 SERS 신호를 통해 딥러닝 모델을 학습하는 단계;
    혈액내 엑소좀 SERS 신호를 측정하는 단계;
    상기 배양세포 엑소좀 SERS 신호로 학습된 딥러닝 모델을 통해 상기 혈액내 엑소좀 SERS 신호를 분석하는 단계; 및
    상기 딥러닝 모델을 통해 분석된 혈액내 엑소좀 데이터와 배양세포 엑소좀 데이터 간 유사도를 분석하는 단계를 포함하는 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법.
  2. 제 1 항에 있어서,
    상기 배양세포 엑소좀 SERS 신호는 배양된 정상세포 및 암세포에서 각각 유래된 정상세포 엑소좀의 SERS 신호 및 암세포 엑소좀의 SERS 신호를 포함하는 것을 특징으로 하는 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법.
  3. 제 2 항에 있어서,
    상기 딥러닝 모델은 데이터가 입력되는 제1 컨벌루션층과, 상기 제1 컨벌루션층에 순차로 연결되는 제2 컨벌루션층, 제3 컨벌루션층, 제4 컨벌루션층, 제5 컨벌루션층 및 완전연결층(FCL; fully connected layer)을 포함하며,
    상기 제2 컨벌루션층, 제3 컨벌루션층, 제4 컨벌루션층, 제5 컨벌루션층 및 완전연결층은 각각 복수의 컨벌루션층을 포함하고,
    상기 제2 내지 제5 컨벌루션층은 매 2개의 컨벌루션층 마다 스킵 연결(skip connection)이 추가된 것을 특징으로 하는 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법.
  4. 제 3 항에 있어서,
    상기 완전연결층은 4096개의 값을 가지는 제1 완전연결층과, 상기 제1 완전연결층의 출력단에 연결되는 10개의 값을 가지는 제2 완전연결층을 포함하는 것을 특징으로 하는 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법.
  5. 제 4 항에 있어서,
    상기 유사도를 분석하는 단계는,
    상기 혈액내 엑소좀 SERS 신호를 분석하여 도출한 상기 제2 완전연결층의 값과, 상기 배양세포 엑소좀 SERS 신호를 분석하여 도출한 상기 제2 완전연결층의 값을 비교하여 혈액내 엑소좀 데이터와 암세포 엑소좀 데이터 간의 유사도를 산출하는 것을 특징으로 하는 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법.
  6. 제 5 항에 있어서,
    상기 유사도를 분석하는 단계는, 상기 혈액내 엑소좀 데이터의 상기 암세포 엑소좀 데이터와의 상대적 유사성 척도(Relative similarity to cancer exosome)을 다음 수식에 따라 산출하며,
    상대적 유사성 척도 = Dnormal/Dcancer
    상기 Dnormal은 상기 혈액내 엑소좀 데이터의 정상세포 엑소좀 데이터와의 마할라노비스 거리이고, Dcancer는 상기 혈액내 엑소좀 데이터의 암세포 엑소좀 데이터와의 마할라노비스 거리인 것을 특징으로 하는 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법.
  7. 딥러닝 모델의 학습을 위해 사용되는 배양세포 엑소좀 SERS(Surface Enhanced Raman Spectroscopy) 신호를 입력받는 학습데이터 입력부;
    환자의 혈액내 엑소좀 SERS 신호 데이터를 입력받는 환자데이터 입력부;
    상기 학습데이터 입력부를 통해 입력된 배양세포 엑소좀 SERS 신호를 이용하여 학습되며, 상기 환자데이터 입력부를 통해 입력된 혈액내 엑소좀 SERS 신호 데이터를 분석하는 딥러닝 모델; 및
    상기 딥러닝 모델을 통해 분석된 혈액내 엑소좀 데이터와 배양세포 엑소좀 데이터 간 유사도를 분석하는 유사도 분석부를 포함하는 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 시스템.
PCT/KR2020/000568 2019-03-04 2020-01-13 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법 및 시스템 WO2020180003A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US17/311,718 US20220022816A1 (en) 2019-03-04 2020-01-13 Method and system for providing cancer diagnosis information using artificial intelligence-based liquid biopsy of exosome
EP20767392.2A EP3936031A4 (en) 2019-03-04 2020-01-13 METHOD AND SYSTEM BASED ON ARTIFICIAL INTELLIGENCE FOR PROVIDING INFORMATION ON A DIAGNOSIS OF CANCER BY MEANS OF A LIQUID BIOPSY BASED ON EXOSOMES
CN202080007009.9A CN113194820A (zh) 2019-03-04 2020-01-13 借助外泌体的基于人工智能的利用液体活检的癌诊断信息提供方法及系统

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190024870A KR102291105B1 (ko) 2019-03-04 2019-03-04 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법 및 시스템
KR10-2019-0024870 2019-03-04

Publications (1)

Publication Number Publication Date
WO2020180003A1 true WO2020180003A1 (ko) 2020-09-10

Family

ID=72337260

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/000568 WO2020180003A1 (ko) 2019-03-04 2020-01-13 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법 및 시스템

Country Status (5)

Country Link
US (1) US20220022816A1 (ko)
EP (1) EP3936031A4 (ko)
KR (1) KR102291105B1 (ko)
CN (1) CN113194820A (ko)
WO (1) WO2020180003A1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220164449A1 (en) * 2020-11-20 2022-05-26 Sophos Limited Classifer generator
US11358984B2 (en) 2018-08-27 2022-06-14 Regeneran Pharmaceuticals, Inc. Use of Raman spectroscopy in downstream purification
WO2023042646A1 (ja) * 2021-09-17 2023-03-23 シンクサイト株式会社 分類モデル生成方法、粒子判定方法、コンピュータプログラム及び情報処理装置
WO2023042647A1 (ja) * 2021-09-17 2023-03-23 シンクサイト株式会社 分類モデル生成方法、粒子分類方法、コンピュータプログラム、及び情報処理装置

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220074088A (ko) * 2020-11-27 2022-06-03 주식회사 지씨지놈 인공지능 기반 암 진단 및 암 종 예측방법
KR20220160807A (ko) * 2021-05-28 2022-12-06 주식회사 지씨지놈 세포유리 핵산과 이미지 분석기술 기반의 암 진단 및 암 종 예측 방법
KR20220160806A (ko) * 2021-05-28 2022-12-06 주식회사 지씨지놈 세포유리 핵산단편 말단 서열 모티프 빈도 및 크기를 이용한 암 진단 및 암 종 예측방법
KR102572517B1 (ko) * 2021-08-18 2023-08-31 주식회사 아폴론 인공지능 기반 호산구의 라만 데이터 처리 방법 및 장치
CN117916817A (zh) * 2022-08-18 2024-04-19 艾索波特株式会社 基于人工智能且使用外泌体sers信号的多肿瘤同时诊断系统及其方法
CN117034110A (zh) * 2023-08-08 2023-11-10 海南省细胞医疗科技有限公司 一种基于深度学习的干细胞外泌体检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8013991B2 (en) * 2007-08-08 2011-09-06 Chemimage Corporation Raman difference spectra based disease classification
US20170252466A1 (en) * 2016-03-03 2017-09-07 Gholam A. Peyman Early disease detection and therapy
KR20180010280A (ko) * 2018-01-16 2018-01-30 고려대학교 산학협력단 패턴인식을 통한 엑소좀의 라만 신호 분류 방법 및 세포 진단 방법
US20180075343A1 (en) * 2016-09-06 2018-03-15 Google Inc. Processing sequences using convolutional neural networks
KR101925603B1 (ko) * 2018-06-26 2019-02-26 주식회사 뷰노 병리 영상의 판독을 보조하는 방법 및 이를 이용한 장치

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006271385A (ja) * 2001-03-14 2006-10-12 Dna Chip Research Inc 大腸癌の予測方法
US20040009540A1 (en) * 2001-04-27 2004-01-15 Genoptix, Inc Detection and evaluation of cancer cells using optophoretic analysis
US7459696B2 (en) * 2003-04-18 2008-12-02 Schomacker Kevin T Methods and apparatus for calibrating spectral data
US20060281068A1 (en) * 2005-06-09 2006-12-14 Chemimage Corp. Cytological methods for detecting a disease condition such as malignancy by Raman spectroscopic imaging
KR100700913B1 (ko) * 2004-10-20 2007-03-28 고려대학교 산학협력단 공초점 라만 분광법을 이용한 조직으로부터의 자기-형광신호 감소 방법
US8034613B2 (en) * 2005-06-01 2011-10-11 Wisconsin Alumni Research Foundation Multipotent lymphohematopoietic progenitor cells
US7672702B2 (en) * 2007-03-13 2010-03-02 Samsung Electronics Co., Ltd. Noninvasive in vivo measuring system and noninvasive in vivo measuring method by correcting influence of Hemoglobin
JP6092655B2 (ja) * 2012-02-23 2017-03-08 善基 村上 テスト体液サンプルの分類方法
US9942367B2 (en) * 2015-10-13 2018-04-10 Samsung Electronics Co., Ltd. Electronic device and method for controlling the electronic device thereof
WO2017103245A1 (en) * 2015-12-18 2017-06-22 Universiteit Gent Method and system for characterizing extracellular vesicles
CN107303174A (zh) * 2016-04-21 2017-10-31 西派特（北京）科技有限公司 一种互联网+光谱肿瘤临床医学诊断方法
CN107271672B (zh) * 2017-06-21 2019-01-01 首都医科大学附属北京友谊医院 外泌体p-ERK在制备结直肠癌诊断产品中的应用
CN108537775A (zh) * 2018-03-02 2018-09-14 浙江工业大学 一种基于深度学习检测的癌细胞跟踪方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8013991B2 (en) * 2007-08-08 2011-09-06 Chemimage Corporation Raman difference spectra based disease classification
US20170252466A1 (en) * 2016-03-03 2017-09-07 Gholam A. Peyman Early disease detection and therapy
US20180075343A1 (en) * 2016-09-06 2018-03-15 Google Inc. Processing sequences using convolutional neural networks
KR20180010280A (ko) * 2018-01-16 2018-01-30 고려대학교 산학협력단 패턴인식을 통한 엑소좀의 라만 신호 분류 방법 및 세포 진단 방법
KR101925603B1 (ko) * 2018-06-26 2019-02-26 주식회사 뷰노 병리 영상의 판독을 보조하는 방법 및 이를 이용한 장치

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11358984B2 (en) 2018-08-27 2022-06-14 Regeneran Pharmaceuticals, Inc. Use of Raman spectroscopy in downstream purification
US20220164449A1 (en) * 2020-11-20 2022-05-26 Sophos Limited Classifer generator
WO2023042646A1 (ja) * 2021-09-17 2023-03-23 シンクサイト株式会社 分類モデル生成方法、粒子判定方法、コンピュータプログラム及び情報処理装置
WO2023042647A1 (ja) * 2021-09-17 2023-03-23 シンクサイト株式会社 分類モデル生成方法、粒子分類方法、コンピュータプログラム、及び情報処理装置

Also Published As

Publication number Publication date
US20220022816A1 (en) 2022-01-27
EP3936031A1 (en) 2022-01-12
KR102291105B1 (ko) 2021-08-23
CN113194820A (zh) 2021-07-30
EP3936031A4 (en) 2022-12-07
KR20200108938A (ko) 2020-09-22

Similar Documents

Publication Publication Date Title
WO2020180003A1 (ko) 엑소좀에 의한 인공지능 기반의 액체생검을 이용한 암 진단 정보 제공 방법 및 시스템
CN114127558A (zh) 用于评估对感染的免疫反应的系统和方法
Du et al. Label-free detection and enumeration of rare circulating tumor cells by bright-field image cytometry and multi-frame image correlation analysis
Arnold et al. A comparison efficacy study of commercial nasopharyngeal swabs versus a novel 3D printed swab for the detection of SARS-CoV-2
CN107167610B (zh) 自闭症生物标志物及其检测试剂盒
CN109470859A (zh) 一种外泌体蛋白作为鉴别肺结节良恶性标志物及其应用
CN106645079B (zh) 一种基于红细胞光镊拉曼光谱技术的人体血型鉴别方法
Fahmi et al. Neutrophil-lymphocyte ratio as a marker for disability and activity in multiple sclerosis
Li et al. Uncovering brain differences in preschoolers and young adolescents with autism spectrum disorder using deep learning
CN111020020A (zh) 一种精神分裂症的生物标志物组合、其应用及metaphlan2筛选方法
WO2024082992A1 (zh) 一种基于体液检测慢性病的装置
WO2012021042A2 (ko) 대장암 진단용 저질량 이온 결정 방법 및 이를 이용한 대장암 진단 방법
WO2023249252A1 (ko) 폐암 진단용 바이오마커 및 폐암 진단에 대한 인공지능 기반 정보 제공 방법
Majrashi The value of chest X-ray and CT severity scoring systems in the diagnosis of COVID-19: A review
RU2716593C1 (ru) Способ экспресс-диагностики воспалительных заболеваний глотки с использованием флюоресцентной спектрометрии и специального алгоритма для оценки морфометрических, метаболических, функциональных изменений тканей в динамике
WO2024096165A1 (ko) 엑소좀 sers 신호를 이용한 인공지능 기반의 정신질환 진단 시스템 및 그 방법
WO2019083220A1 (ko) 소변 대사체 분석을 이용한 베체트병의 진단방법
Tan et al. Study of aided diagnosis of hepatic carcinoma based on artificial neural network combined with tumor marker group
Rahim et al. System identification of nonlinear autoregressive models in monitoring dengue infection
WO2020091408A1 (ko) 반려동물에서 종양질병의 보조적 진단을 위한 바이오마커 검사방법
WO2024038927A1 (ko) 엑소좀 sers 신호를 이용한 인공지능 기반의 다중암 동시 진단 시스템 및 그 방법
WO2018052237A1 (ko) Trail 기반 뇌염 감별진단 방법 및 장치
Fu et al. A New Screening Method for COVID-19 based on Ocular Feature Recognition by Machine Learning Tools
CN113984920B (zh) 检测β-氨基异丁酸、色氨酸和牛磺酸的物质在制备脑性瘫痪辅助诊断试剂盒中的应用
CN104237526B (zh) 一种检测阿兹海默症罹患风险的系统

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: 20767392

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020767392

Country of ref document: EP

Effective date: 20211004