WO2022250445A1 - 머신러닝 모델을 이용하여 복통 유무를 판별하는 방법 및 진단 장치 - Google Patents

머신러닝 모델을 이용하여 복통 유무를 판별하는 방법 및 진단 장치 Download PDF

Info

Publication number
WO2022250445A1
WO2022250445A1 PCT/KR2022/007416 KR2022007416W WO2022250445A1 WO 2022250445 A1 WO2022250445 A1 WO 2022250445A1 KR 2022007416 W KR2022007416 W KR 2022007416W WO 2022250445 A1 WO2022250445 A1 WO 2022250445A1
Authority
WO
WIPO (PCT)
Prior art keywords
microorganism
machine learning
learning model
abdominal pain
model
Prior art date
Application number
PCT/KR2022/007416
Other languages
English (en)
French (fr)
Inventor
지요셉
박소영
Original Assignee
주식회사 에이치이엠파마
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 에이치이엠파마 filed Critical 주식회사 에이치이엠파마
Publication of WO2022250445A1 publication Critical patent/WO2022250445A1/ko
Priority to US18/518,682 priority Critical patent/US20240084358A1/en

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen 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
    • G16H50/50—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

Definitions

  • the present invention relates to a method and a diagnostic device for determining whether or not there is abdominal pain using a machine learning model.
  • Abdominal pain is a symptom of stomach pain, mainly accompanied by digestive disorders. Abdominal pain can be caused by diseases of various organs such as stomach, small intestine, large intestine, liver, gallbladder, peritoneum, pancreas, etc. Therefore, even with simple abdominal pain, it is important to know where the symptoms are manifested.
  • abdominal pain is classified into acute and chronic based on the duration of 6 months, and if a specific cause cannot be found, it is classified as functional abdominal pain.
  • Representative diseases of functional abdominal pain include irritable bowel syndrome, functional dyspepsia, and functional abdominal pain syndrome.
  • abdominal pain is the most common symptom as a precursor to disease. As explained earlier, it is important to accurately identify the source of abdominal pain as it occurs in various places and causes. But before that, it can be said that it is important to first determine whether the uncomfortable feeling in the stomach corresponds to abdominal pain.
  • genome refers to genes contained in chromosomes
  • microbiota refers to the microbial community in the environment as a microflora
  • microbiome refers to the genome of the total microbial community in the environment.
  • the microbiome may mean a combination of a genome and a microbiota.
  • Patent Registration No. 10-2057047 which is a prior art, relates to a disease prediction device and a disease prediction method using the same, which compares a specific person vector extracted from a specific person's bio signal with a learning vector to predict a disease of a specific person.
  • a prediction method is disclosed.
  • the present invention is to solve the above-mentioned problems, and based on the analysis result of a mixture obtained by mixing a sample with a composition similar to the intestinal environment, a machine learning model for diagnosing the presence or absence of abdominal pain by selecting microbial-related variables from a plurality of microbial data. We want to improve performance.
  • one embodiment of the present invention is a method for determining the presence or absence of abdominal pain using a machine learning model by analyzing a mixture obtained by mixing an intestinal-derived substance collected from an individual with a composition similar to the intestinal environment. extracting a plurality of microbial data based on the analysis result of the mixture, selecting a microbial-related variable to be used in a machine learning model from among the plurality of microbial data based on a predetermined variable selection algorithm, and microbial-related
  • the method may include learning the machine learning model using variables and determining whether or not there is abdominal pain by inputting microbial data collected from the object to be examined into the learned machine learning model.
  • the microorganism-related variables are Bacillales, Lactobacillales, Oscillospirales, Lachnospirales, Coriobacteriales, Peptostreptococcales-Tish It may include the content of one or more microorganisms selected from the family belonging to the Order of Peptostreptococcales-Tissierellales, Bacteroidales, and Bifidobacteriales.
  • an apparatus for diagnosing the presence or absence of abdominal pain using a machine learning model extracts data of a plurality of microorganisms based on the analysis result of a mixture obtained by mixing an intestinal-derived material collected from an individual with a composition similar to the intestinal environment.
  • a microbial data extraction unit that performs a variable selection unit for selecting a microbial-related variable to be used in a machine learning model from among the plurality of microbial data based on a predetermined variable selection algorithm; and learning for learning the machine learning model using the microbial-related variable. It may include a diagnosis unit for diagnosing the presence or absence of abdominal pain by inputting microbial data collected from the unit and the object to be inspected into the learned machine learning model.
  • microorganism-related variables are Bacillales, Lactobacillales, Oscillospirales, Lachnospirales, Coriobacteriales, Peptostreptococcales-Tish
  • the content of one or more microorganisms selected from the family belonging to the Order of Peptostreptococcales-Tissierellales, Bacteroidales, and Bifidobacteriales may be included.
  • machine learning for diagnosing the presence or absence of abdominal pain by selecting a microbial-related variable from a plurality of microbial data based on the analysis result of a mixture obtained by mixing a sample with a composition similar to the intestinal environment. It can improve the performance of the model.
  • FIG. 1 is a block diagram of a diagnostic device according to an embodiment of the present invention.
  • FIG. 2 is a diagram showing an MCMOD technique according to an embodiment of the present invention.
  • FIG. 3 is a diagram for explaining sample analysis through the MCMOD technique according to an embodiment of the present invention.
  • FIG. 4 is a diagram for explaining interpretation of sample analysis results through the MCMOD technique according to an embodiment of the present invention.
  • 5 is a diagram showing the importance of variables related to microorganisms selected according to an embodiment of the present invention.
  • FIG. 6 is a diagram showing taxonomic information of variables related to microorganisms selected according to an embodiment of the present invention.
  • FIG. 7 is a diagram comparing the analysis results of each sample according to the abdominal pain determination method according to an embodiment of the present invention and the comparative example method.
  • FIG. 8 is a diagram comparing analysis results of each sample according to a method for determining whether or not there is abdominal pain according to an embodiment of the present invention and a method of a comparative example.
  • FIG. 9 is a diagram showing the difference in the detection amount of microorganisms between a normal group and a diseased group for each microorganism-related variable selected according to an embodiment of the present invention.
  • FIG. 10 is a diagram comparing performance of a machine learning model according to a method for determining whether or not there is abdominal pain according to an embodiment of the present invention and a method of a comparative example.
  • FIG. 11 is a diagram illustrating changes in performance of a machine learning model according to the number of variables of a method for determining whether or not there is abdominal pain according to an embodiment of the present invention and a method of a comparative example.
  • FIG. 12 is a diagram illustrating performance of an XGB model according to a method for determining whether or not there is abdominal pain according to an embodiment of the present invention.
  • FIG. 13 is a diagram showing performance of an XGB model according to a comparative example method.
  • FIG. 14 is a flowchart illustrating a method for determining the presence or absence of abdominal pain according to an embodiment of the present invention.
  • a "unit” includes a unit realized by hardware, a unit realized by software, and a unit realized using both. Further, one unit may be realized using two or more hardware, and two or more units may be realized by one hardware.
  • some of the operations or functions described as being performed by a terminal or device may be performed instead by a server connected to the terminal or device.
  • some of the operations or functions described as being performed by the server may also be performed in a terminal or device connected to the corresponding server.
  • the diagnosis device 1 may include a microorganism data extraction unit 100, a variable selection unit 110, a learning unit 120, and a diagnosis unit 130.
  • the diagnostic device 1 may be a determining device for determining whether there is abdominal pain or not.
  • An example of the diagnostic device 1 may include a mobile terminal capable of wired/wireless communication as well as a personal computer such as a desktop or laptop computer.
  • a mobile terminal is a wireless communication device that guarantees portability and mobility, and includes not only smartphones, tablet PCs, and wearable devices, but also Bluetooth (BLE, Bluetooth Low Energy), NFC, RFID, ultrasonic, infrared, and Wi-Fi ( It may include various devices equipped with communication modules such as WiFi) and LiFi.
  • the diagnostic device 1 is not limited to the form shown in FIG. 1 or those previously exemplified.
  • the diagnostic device 1 may detect a biomarker for diagnosing the presence or absence of abdominal pain due to an abnormality in the intestinal environment in a sample collected from a subject.
  • the diagnostic device 1 may diagnose the presence or absence of abdominal pain based on a sample preparation process, a sample preprocessing process, a sample analysis process and a data analysis process, and derived data.
  • diagnosis may mean determining or predicting the presence or absence of abdominal pain through an output value of a machine learning model.
  • the biomarker may be a substance detected in the intestine, and specifically, may include intestinal flora, endotoxin, hydrogen sulfide, intestinal microbial metabolites, short-chain fatty acids, etc., but is not limited thereto.
  • the microbial data extraction unit 100 may extract a plurality of microbial data based on an analysis result of a mixture obtained by mixing a sample collected from an individual with a composition similar to the intestinal environment.
  • the plurality of microbial data may be classified into training data (Training set) and test data (Test set) to be used for learning, and the ratio of classification may vary such as 9: 1, 7: 3, 5: 5, etc. , preferably in a 7:3 ratio.
  • a pretreatment is performed to analyze a mixture in which a sample is mixed with an intestinal environment-like composition.
  • the pretreatment may be referred to as MCMOD (Meta-culture Multi-Omics Diagnose).
  • fecal-derived microbiome and metabolites are analyzed in vitro for fecal samples from humans and various animals that can most easily represent the microbial environment in the body. do.
  • subject means any organism that has an abnormality in the intestinal environment, has a possibility of developing or developing a disease due to an abnormality in the intestinal environment, or needs to improve the intestinal environment, and specific examples include mice and monkeys. , cattle, pigs, mini-pigs, livestock, mammals including humans, birds, farmed fish, etc. may be included without limitation.
  • Sample means a material derived from the subject, and may be, for example, a material derived from the intestine.
  • Sample may specifically be cells, urine, feces, etc., but the type is not limited thereto as long as it is possible to detect substances present in the intestine, such as intestinal flora, intestinal microbial metabolites, endotoxins, and short-chain fatty acids.
  • composition similar to the intestinal environment may be a composition for mimicking the same or similar intestinal environment of the subject in vitro.
  • the intestinal milieu-like composition may be a culture medium composition, but is not limited thereto.
  • the intestinal environment-like composition may include L-cysteine Hydrochloride and Mucin.
  • L-cysteine Hydrochloride is one of the amino acid enhancers, and plays an important role in metabolism as a component of glutathione in vivo, preventing browning of fruit juice, etc., and preventing oxidation of vitamin C. is also used
  • L-cysteine hydrochloride may be included at a concentration of, for example, 0.001% (w/v) to 5% (w/v), specifically 0.01% (w/v) to 0.1% (w/v) may be included at a concentration of
  • L-cysteine hydrochloride is one of various formulations or forms of L-cysteine, and the composition may include not only L-cysteine, but also L-cysteine including other types of salts.
  • Mucin is a mucous substance secreted from the mucous membrane, also called mucin or mucin, and there are submandibular gland mucin, gastric mucin, small intestine mucin, etc. It is known to be one of the energy sources that can be used as a carbon source and nitrogen source.
  • Mucin may be included, for example, at a concentration of 0.01% (w/v) to 5% (w/v), specifically at a concentration of 0.1% (w/v) to 1% (w/v) It may include, but is not limited to.
  • the intestinal environment-like composition may not include nutrients other than mucin, and specifically may be characterized in that it does not include nitrogen sources and/or carbon sources such as proteins and carbohydrates.
  • the protein serving as the carbon source and nitrogen source may be one or more of tryptone, peptone, and yeast extract, but is not limited thereto, and may specifically be tryptone.
  • the carbohydrate serving as a carbon source may be one or more of monosaccharides such as glucose, fructose, and galactose, and disaccharides such as maltose and lactose, but is not limited thereto, and may specifically be glucose.
  • the intestinal environment-like composition may be one that does not contain glucose and tryptone, but is not limited thereto.
  • the composition similar to the intestinal environment may further include at least one selected from the group consisting of sodium chloride (NaCl), sodium carbonate (NaHCO3), KCl (potassium chloride), and hemin, and the sodium chloride is, for example, at a concentration of 10 to 100 mM. It may be included as, sodium carbonate may be included at a concentration of, for example, 10 to 100 mM, potassium chloride may be included at a concentration of, for example, 1 to 30 mM, and hemin may be included at a concentration of, for example, 1x10 -6 g/L to 1x10-4 g/L may be included, but is not limited thereto.
  • NaCl sodium chloride
  • NaHCO3 sodium carbonate
  • KCl potassium chloride
  • hemin may be included at a concentration of, for example, 1x10 -6 g/L to 1x10-4 g/L may be included, but is not limited thereto.
  • the mixture can be incubated for 18 to 24 hours in anaerobic conditions.
  • equal amounts of a homogenized mixture of feces and medium in an anaerobic chamber are dispensed to a culture plate such as a 96-well plate.
  • the culture may be carried out for 12 hours to 48 hours, specifically, it may be performed for 18 hours to 24 hours, but is not limited thereto.
  • each experimental group is fermented and cultured by incubating the plate under anaerobic conditions with the temperature, humidity and motion similar to that of the intestinal environment.
  • the culture in which the mixture was grown is analyzed.
  • the analysis of the culture is, for example, the content, concentration and type of one or more of endotoxin, hydrogen sulfide, short-chain fatty acids (SCFAs) and intestinal flora-derived metabolites contained in the culture.
  • SCFAs short-chain fatty acids
  • intestinal flora-derived metabolites contained in the culture.
  • endotoxin is a toxic substance found inside bacterial cells and is an antigen composed of a complex of proteins, polysaccharides, and lipids.
  • the endotoxin may include LPS (Lipopolysaccharide), but is not limited thereto, and the LPS may be specifically Gram negative and pro-inflammatory.
  • Short-chain fatty acid refers to short-chain fatty acids having 6 or less carbon atoms, and is a representative metabolite produced by intestinal microorganisms. Short-chain fatty acids have useful functions in the body, such as increasing immunity, stabilizing intestinal lymphocytes, lowering insulin signal, and stimulating sympathetic nerves.
  • the short chain fatty acids are Formate, Acetate, Propionate, Butyrate, Isobutyrate, Valerate and Iso-valerate. It may include one or more selected from the group consisting of, but is not limited thereto.
  • various analytical methods that can be used for the analysis by those skilled in the art, such as absorbance analysis, chromatography analysis, gene analysis such as next generation sequencing, and metagenomic analysis, can be used.
  • the supernatant and the precipitate can be analyzed.
  • metabolites, short-chain fatty acids, toxic substances, etc. may be analyzed from the supernatant, and intestinal flora analysis may be performed from the precipitate.
  • enterobacteriaceae After extracting all the genomes in the sample, enterobacteriaceae can be identified through genome-based analysis such as real-time PCR using bacteria-specific primers suggested in the GULDA method or metagenome analysis such as Next Generation Sequencing. analysis can be analyzed.
  • the present invention it is possible to reduce deviation between learning data by optimizing learning data before machine learning by analyzing cultures in a state in which an intestinal environment is implemented in vitro through an intestinal environment-like composition.
  • the performance of the machine learning model can be improved by facilitating the selection of microorganism-related variables to be described later and learning the machine learning model through these microorganism-related variables. Therefore, the accuracy of diagnosing whether or not there is abdominal pain can be increased through the learned machine learning model.
  • the variable selection unit 110 may select (ie, feature selection) variables related to microorganisms from among a plurality of microorganism data as variables to be used in the machine learning model based on a preset variable selection algorithm.
  • the number of microbial-related variables may be 20 or more.
  • variables features, variables, or attributes
  • problems such as overfitting of the machine learning model or decrease in prediction accuracy occur.
  • variable selection algorithm may include, for example, at least one of a Boruta algorithm and a recursive feature elimination (RFE) algorithm.
  • RFE recursive feature elimination
  • microorganism-related variables selected from the preset variable selection algorithm include Bacillales, Lactobacillales, Oscillospirales, Lachnospirales, Coriobacteriales,
  • the content of one or more microorganisms selected from the family belonging to the Order of Peptostreptococcales-Tissierellales, Bacteroidales, and Bifidobacteriales can include
  • the microbial-related variables selected from the preset variable selection algorithm are, for example, Leuconostocaceae, Butyricicoccaceae, Lachnospiraceae, Eggatellase (Eggerthellaceae), Peptostreptococcaceae, Coriobacteriaceae, Streptococcaceae, Ruminococcaceae, Tannerellaceae, Bifidobacteria It may further include the content of one or more microorganisms selected from the genus belonging to Bifidobacteriaceae and Family.
  • the microorganism-related variable selected from the preset variable selection algorithm is, for example, Weissella, Eggerthella, Lachnoclostridium, Intestinibacter, Agato Species belonging to the Genus Agathobacter, Collinsella, Lactococcus, UBA1819, Butyricicoccus, Parabacteroides, Bifidobacterium ) It may further include the content of one or more microorganisms selected from.
  • the learning unit 120 may train a machine learning model using microorganism-related variables.
  • the learning unit 120 creates a machine learning model to predict the presence or absence of abdominal pain for each microbial data by performing supervised learning based on labeling for the presence or absence of abdominal pain for each microbial data (learning data) and the content of microorganisms related to the selected variable. can be learned
  • the machine learning model includes, for example, at least one of a logistic regression model, a generalized linear (GLMNET) model, a random forest model, a gradient boosting model, and an extreme gradient boosting (XGB) model. can do.
  • a logistic regression model for example, at least one of a logistic regression model, a generalized linear (GLMNET) model, a random forest model, a gradient boosting model, and an extreme gradient boosting (XGB) model. can do.
  • the diagnosis unit 130 may diagnose the presence or absence of abdominal pain by inputting the microbial data collected from the object to be examined into the learned machine learning model.
  • the diagnosis unit 130 may diagnose abdominal pain based on the presence or absence of abdominal pain, which is an output value of a machine learning model. That is, the diagnosis unit 130 may determine whether or not the object to be examined has abdominal pain or predict a probability of occurrence of abdominal pain in the object to be examined based on the output value of the machine learning model.
  • Example 1 Microbial-related variables selected based on recursive variable elimination algorithm after treatment with or without MCMOD
  • a pretreatment is performed to analyze a mixture in which a sample is mixed with an intestinal environment-like composition.
  • the above-described pretreatment may be referred to as MCMOD.
  • the comparative example relates to a method for determining the presence or absence of abdominal pain through microbial data extracted by performing only a normal pre-treatment without performing the above-described pre-treatment on the sample.
  • the conventional pretreatment for the comparative example is named SMOD.
  • the microbes of MCMOD and SMOD of the simple clinical data set (feces) based on the self-response results from 14 patients with abdominal pain (disease group) and 124 healthy people (normal group) were collected as shown in Table 1 below.
  • the data was used, and in particular, oversampling and undersampling were performed on the data set to resolve class imbalance, resulting in a total of 188 data sets including 94 normal data and 94 abdominal pain data. converted to
  • Microbial data was classified into training data (Train set) and test data (Test set) to be used for learning at a ratio of 7:3.
  • variable selection was performed on the training data through the Boruta algorithm and the recursive variable elimination algorithm to select microorganism-related variables to be used in the machine learning model. Meanwhile, the test data was used to evaluate the performance of the machine learning model as described below.
  • FIG. 5 is a diagram for explaining selected microorganism-related variables according to an embodiment of the present invention.
  • the variable group with the highest accuracy through the recursive variable removal algorithm 20 microorganism-related variables were selected in the case of Examples and 20 variables in the case of Comparative Examples.
  • FIG. 6 shows taxonomic information of selected microorganism-related variables in an embodiment of the present invention.
  • the alphabet in front of the abbreviation name means the taxonomic position. That is, 'p' is Phylum, 'c' is Class, 'o' is Order, 'f' is Family, 'g' is Genus, and 's' is means Species.
  • a microorganism-related variable with high accuracy among a plurality of selected microorganism-related variables may be a microorganism of the genus Weiseela.
  • FIG. 7 is a view comparing the analysis results of each sample according to the method of determining whether or not there is abdominal pain according to an embodiment of the present invention and the method of Comparative Example, and FIG. It is a diagram comparing the analysis results of each sample according to the method.
  • FIG. 7 expresses the beta diversity of each fecal sample as a PCoA plot using Unweighted Unifrac Distance. As shown in the PCoA plot of FIG. 7 (a), it can be seen that the MCMOD-treated fecal samples are relatively clustered, whereas the MCMOD-untreated fecal samples are relatively scattered.
  • Figure 7 (c) shows the distance between eight points in each group (Examples and Comparative Examples) on the PCoA plot.
  • the bias between the fecal samples is small, so the fecal samples have relatively little noise, and thus have little variability.
  • variable selection is facilitated by MCMOD processing of fecal samples before variable selection and machine learning learning, and the performance of the machine learning model can be improved by learning the machine learning model as will be described later.
  • Comparative Example 2 Comparison of performance of machine learning models trained using learning data obtained from each of fecal samples treated with MCMOD and those without MCMOD treatment
  • Microbial data was extracted by MCMOD treatment of the fecal sample collected in Example 1 (Example), and microbial data was extracted without MCMOD treatment (Comparative Example).
  • microorganism-related variables were selected from microbial data through a recursive variable removal algorithm, and in the case of Comparative Example, 20 microorganism-related variables were selected from microbial data.
  • FIG. 9 is a diagram showing the difference in the detected amount of microorganisms between a normal group and a diseased group for each variable related to microorganisms selected according to an embodiment of the present invention.
  • the detection amount is relatively high in the diseased group compared to the normal group.
  • the performance of the machine learning model is maintained higher than that of the comparative example as a whole, but it can be seen that the performance difference is clearly revealed when 20 variables are selected among them.
  • FIG. 12 shows the accuracy, sensitivity, and specificity of the XGB model learned using microbial data of Examples
  • FIG. 13 shows the accuracy, sensitivity, and specificity of the XGB model learned using microbial data of Comparative Example.
  • the no information rate represents the accuracy of predicting a group (disease or normal) collectively in the test set. For example, when there are 6 patients in the test set and 4 patients in the experimental group, the No information rate is 0.6 when predicting all test sets with only the disease group.
  • the machine learning model trained using the microbial data of the example has higher accuracy and sensitivity than the machine learning model trained using the microbial data of the comparative example.
  • FIG. 14 is a flowchart illustrating a method for determining the presence or absence of abdominal pain according to an embodiment of the present invention.
  • the method for determining whether or not there is abdominal pain according to an embodiment shown in FIG. 14 includes steps processed time-sequentially by the diagnosis device shown in FIG. 1 . Therefore, even if the content is omitted below, it is also applied to the abdominal pain determination method performed according to the embodiment shown in FIG. 14 .
  • a mixture obtained by mixing the intestinal-derived substances collected from the subject in step S1400 with a composition similar to the intestinal environment can be analyzed.
  • step S1410 data of a plurality of microorganisms may be extracted based on the analysis result of the mixture.
  • a microorganism-related variable to be used in the machine learning model may be selected from a plurality of microorganism data based on a preset variable selection algorithm.
  • a machine learning model may be trained using microorganism-related variables.
  • a machine learning model may be trained using microorganism-related variables.
  • the presence or absence of abdominal pain may be determined by inputting the microbial data collected from the object to be inspected into the learned machine learning model.
  • the abdominal pain determination method described with reference to FIG. 14 may be implemented in the form of a computer program stored in a medium or in the form of a recording medium including instructions executable by a computer, such as program modules executed by a computer.
  • Computer readable media can be any available media that can be accessed by a computer and includes both volatile and nonvolatile media, removable and non-removable media. Also, computer readable media may include computer storage media. Computer storage media includes both volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biotechnology (AREA)
  • Organic Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Bioethics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Microbiology (AREA)
  • Biochemistry (AREA)

Abstract

머신러닝 모델을 이용하여 복통 유무를 판별하는 방법은 개체로부터 채취한 장내 유래 물질을 장내 환경 유사 조성물과 혼합한 혼합물을 분석하는 단계, 상기 혼합물의 분석 결과에 기초하여 복수의 미생물 데이터를 추출하는 단계, 기설정된 변수 선택 알고리즘에 기초하여 상기 복수의 미생물 데이터 중 머신러닝 모델에 사용될 미생물 관련 변수를 선택하는 단계, 상기 미생물 관련 변수를 이용하여 상기 머신러닝 모델을 학습시키는 단계 및 검사 대상 객체로부터 채취한 미생물 데이터를 상기 학습된 머신러닝 모델에 입력하여 복통 유무를 판별하는 단계를 포함할 수 있다. 상기 미생물 관련 변수는 바실랄레스 (Bacillales), 락토바실랄레스 (Lactobacillales), 오실로스피랄레스 (Oscillospirales), 라크노스피랄레스 (Lachnospirales), 코리오박테리알레스 (Coriobacteriales), 펩토스트렙토코칼레스-티시에렐랄레스 (Peptostreptococcales-Tissierellales), 박테로이달레스 (Bacteroidales), 비피도박테리알레스 (Bifidobacteriales) 목(Order)에 속하는 과(Family)에서 선택되는 1종 이상의 미생물의 함량을 포함할 수 있다.

Description

머신러닝 모델을 이용하여 복통 유무를 판별하는 방법 및 진단 장치
본 발명은 머신러닝 모델을 이용하여 복통 유무를 판별하는 방법 및 진단 장치에 관한 것이다.
복통은 배가 아픈 증상으로, 주로 소화기 질환에 동반한다. 복통의 원인은 단순한 식체나 소화불량으로 인한 것부터 위, 소장, 대장, 간장, 담낭, 복막, 췌장 등 여러 장기의 질병으로 인해 발생할 수 있다. 따라서 단순 복통이라도 그 증상이 어디에서 발현되는지를 아는 것이 중요하다.
또한 복통은 지속기간 6개월을 기준으로 급성과 만성으로 구분되고, 특별한 원인을 찾을 수 없는 경우엔 기능성 복통으로 구분된다. 기능성 복통의 대표적 질환은 과민성 장 증후군, 기능성 소화불량, 기능성 복통 증후군 등이 있다.
일반적으로 복통은 병의 전조 증상으로 가장 흔하게 나타나는 증상이다. 앞서 설명했듯 복통은 발생 부위도 다양하고 발생 원인도 다양한 만큼 발생원을 정확히 파악하는 것도 중요하다. 하지만 그에 앞서 먼저 배에서 느껴지는 불편한 느낌이 복통에 해당하는지 여부를 파악하는 것이 중요하다고 할 수 있다.
한편, 게놈(genome)은 염색체에 담긴 유전자를 말하고, 장균총(microbiota)은 미생물균총으로 환경 내 미생물 군집을 말하며, 마이크로바이옴(microbiome)은 환경 내 총 미생물 군집의 유전체를 말한다. 여기서, 마이크로바이옴 (microbiome)은 게놈(genome)과 장균총 (microbiota)이 합쳐진 것을 의미할 수 있다.
최근, 이러한 장균총의 메타게놈 분석을 통해 복통의 원인인자로 작용할 수 있는 미생물을 동정하여 복통 유무를 진단하고자 하는 시도가 있다.
이와 관련하여, 선행기술인 등록특허공보 제10-2057047호는 질병 예측 장치 및 이를 이용한 질병 예측 방법에 관한 것으로서, 특정인의 바이오 시그널에서 추출된 특정인 벡터를 학습 벡터와 비교하여 특정인의 질병을 예측하는 질병 예측 방법을 개시하고 있다.
그러나, 선행기술에서는, 샘플을 배양 등 특별한 과정을 거치지 않고 세균 메타게놈 분석을 수행하는바, 각 피검체의 샘플들 간의 편차(bias)가 커 정확한 복통의 원인인자를 도출하기 어렵다.
또한, 처리되지 않은 각 피검체의 샘플들을 학습 데이터로서 머신러닝 모델을 학습시킬 경우, 학습 데이터에 노이즈가 많아 머신러닝 모델의 성능이 현저히 낮아지는 문제점이 있었다.
본 발명은 상술한 문제점을 해결하기 위한 것으로서, 시료를 장내 환경 유사 조성물과 혼합한 혼합물의 분석 결과에 기초하여 복수의 미생물 데이터를 대상으로 미생물 관련 변수를 선택함으로써 복통 유무를 진단하는 머신러닝 모델의 성능을 향상시키고자 한다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시예는 머신러닝 모델을 이용하여 복통 유무를 판별하는 방법은 개체로부터 채취한 장내 유래 물질을 장내 환경 유사 조성물과 혼합한 혼합물을 분석하는 단계, 상기 혼합물의 분석 결과에 기초하여 복수의 미생물 데이터를 추출하는 단계, 기설정된 변수 선택 알고리즘에 기초하여 상기 복수의 미생물 데이터 중 머신러닝 모델에 사용될 미생물 관련 변수를 선택하는 단계, 상기 미생물 관련 변수를 이용하여 상기 머신러닝 모델을 학습시키는 단계 및 검사 대상 객체로부터 채취한 미생물 데이터를 상기 학습된 머신러닝 모델에 입력하여 복통 유무를 판별하는 단계를 포함할 수 있다. 상기 미생물 관련 변수는 바실랄레스 (Bacillales), 락토바실랄레스 (Lactobacillales), 오실로스피랄레스 (Oscillospirales), 라크노스피랄레스 (Lachnospirales), 코리오박테리알레스 (Coriobacteriales), 펩토스트렙토코칼레스-티시에렐랄레스 (Peptostreptococcales-Tissierellales), 박테로이달레스 (Bacteroidales), 비피도박테리알레스 (Bifidobacteriales) 목(Order)에 속하는 과(Family에서 선택되는 1종 이상의 미생물의 함량을 포함할 수 있다.
또한, 본 발명의 다른 실시예는 머신러닝 모델을 이용하여 복통 유무를 진단하는 장치는 개체로부터 채취한 장내 유래 물질을 장내 환경 유사 조성물과 혼합한 혼합물의 분석 결과에 기초하여 복수의 미생물 데이터를 추출하는 미생물 데이터 추출부, 기설정된 변수 선택 알고리즘에 기초하여 상기 복수의 미생물 데이터 중 머신러닝 모델에 사용될 미생물 관련 변수를 선택하는 변수 선택부, 상기 미생물 관련 변수를 이용하여 상기 머신러닝 모델을 학습시키는 학습부 및 검사 대상 객체로부터 채취한 미생물 데이터를 상기 학습된 머신러닝 모델에 입력하여 복통 유무를 진단하는 진단부를 포함할 수 있다. 상기 미생물 관련 변수는 바실랄레스 (Bacillales), 락토바실랄레스 (Lactobacillales), 오실로스피랄레스 (Oscillospirales), 라크노스피랄레스 (Lachnospirales), 코리오박테리알레스 (Coriobacteriales), 펩토스트렙토코칼레스-티시에렐랄레스 (Peptostreptococcales-Tissierellales), 박테로이달레스 (Bacteroidales), 비피도박테리알레스 (Bifidobacteriales) 목(Order)에 속하는 과(Family)에서 선택되는 1종 이상의 미생물의 함량을 포함할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본 발명을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 기재된 추가적인 실시예가 존재할 수 있다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 시료를 장내 환경 유사 조성물과 혼합한 혼합물의 분석 결과에 기초하여 복수의 미생물 데이터를 대상으로 미생물 관련 변수를 선택함으로써 복통 유무를 진단하는 머신러닝 모델의 성능을 향상시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 진단 장치의 블록도를 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 MCMOD기법을 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 MCMOD 기법을 통한 샘플 분석을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 MCMOD 기법을 통한 샘플 분석 결과를 해석하는 것을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따라 선택된 미생물 관련 변수의 중요도를 나타낸 도면이다.
도 6은 본 발병의 일 실시예에 따라 선택된 미생물 관련 변수의 분류학 정보를 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따른 복통 유무 판별 방법과 비교예의 방법에 따른 각 샘플의 분석 결과를 비교한 도면이다.
도 8은 본 발명의 일 실시예에 따른 복통 유무 판별 방법과 비교예의 방법에 따른 각 샘플의 분석 결과를 비교한 도면이다.
도 9는 본 발명의 실시예에 따라 선별된 미생물 관련 변수 별로 정상군과 질병군 간의 미생물 검출량 차이를 나타낸 도면이다.
도 10은 본 발명의 실시예에 따른 복통 유무 판별 방법과 비교예의 방법에 따른 머신러닝 모델의 성능을 비교한 도면이다.
도 11은 본 발명의 일 실시예에 따른 복통 유무 판별 방법과 비교예의 방법의 변수의 수에 따른 머신러닝 모델의 성능 변화를 도시한 도면이다.
도 12는 본 발명의 일 실시예에 따른 복통 유무 판별 방법에 따른 XGB 모델의 성능을 도시한 도면이다.
도 13은 비교예의 방법에 따른 XGB 모델의 성능을 도시한 도면이다.
도 14는 본 발명의 일 실시예에 따른 복통 유무 판별 방법을 도시한 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다.
본 명세서에 있어서 단말 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말 또는 디바이스에서 수행될 수도 있다.
이하 첨부된 도면을 참고하여 본 발명의 일 실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 진단 장치의 블록도를 도시한 도면이다. 도 1을 참조하면, 진단 장치(1)는 미생물 데이터 추출부(100), 변수 선택부(110), 학습부(120) 및 진단부(130)를 포함할 수 있다. 본원에 있어서 진단 장치(1)는 복통 유무를 판별하는 판별 장치일 수 있다.
진단 장치(1)의 일례는 데스크탑, 노트북 등과 같은 퍼스널 컴퓨터(personal computer)뿐만 아니라 유무선 통신이 가능한 모바일 단말을 포함할 수 있다. 모바일 단말은 휴대성과 이동성이 보장되는 무선 통신 장치로서, 스마트폰(smartphone), 태블릿 PC, 웨어러블 디바이스뿐만 아니라, 블루투스(BLE, Bluetooth Low Energy), NFC, RFID, 초음파(Ultrasonic), 적외선, 와이파이(WiFi), 라이파이(LiFi) 등의 통신 모듈을 탑재한 각종 디바이스를 포함할 수 있다. 다만, 진단 장치(1)는 도 1에 도시된 형태 또는 앞서 예시된 것들로 한정 해석되는 것은 아니다.
진단 장치(1)는 개체로부터 채취한 시료에서 장내 환경 이상에 의한 복통 유무를 진단하기 위한 바이오마커를 검출할 수 있다.
예를 들어, 진단 장치(1)는 샘플 준비 과정, 샘플 전처리 과정, 샘플 분석 과정 및 데이터 분석 과정, 도출된 데이터를 토대로 복통 유무를 진단할 수 있다. 본원에 있어서, "진단"이란 머신러닝 모델의 출력값을 통해 복통 유무를 판별 또는 예측하는 것은 의미할 수 있다.
일례에 있어서, 바이오마커는 장내에서 검출되는 물질일 수 있으며, 구체적으로, 장균총, 내독소, 황화수소, 장내 미생물 대사체, 단쇄지방산 등을 포함하는 것일 수 있으나, 이에 제한되는 것은 아니다.
미생물 데이터 추출부(100)는 개체로부터 채취한 시료를 장내 환경 유사 조성물과 혼합한 혼합물의 분석 결과에 기초하여 복수의 미생물 데이터를 추출할 수 있다. 여기서, 복수의 미생물 데이터는 학습에 사용될 훈련 데이터(Training set) 및 테스트 데이터(Test set)로 분류될 수 있고, 분류의 비율은 9:1, 7:3, 5:5 등으로 다양할 수 있고, 바람직하게는 7:3 비율로 분류될 수 있다.
본 발명에 따르면, 시료를 장내 환경 유사 조성물과 혼합한 혼합물을 분석하는 전처리가 수행된다. 본원에 있어서, 전처리는 MCMOD(Meta-culture Multi-Omics Diagnose)라고 명명될 수 있다.
예를 들어, 체내 장내 미생물 환경을 가장 용이하게 대표할 수 있는 사람 및 다양한 동물의 분변 샘플을 대상으로 체외(in-vitro)에서 분변 유래 마이크로바이옴(microbiome)과 대사물질(metabolites) 분석이 수행된다.
여기서, "개체"는 장내 환경에 이상이 있거나, 장내 환경 이상에 의한 질병이 발병 또는 발병할 가능성이 있거나, 또는 장내 환경이 개선되어야 할 필요성이 있는 모든 생물체를 의미하며, 구체적인 예로, 마우스, 원숭이, 소, 돼지, 미니돼지, 가축, 인간 등을 포함하는 포유동물, 조류, 양식어류 등을 제한 없이 포함할 수 있다.
"시료"는 상기 개체로부터 유래한 물질을 의미하며, 예를 들어 장내 유래 물질일 수 있다.
"시료"는 구체적으로 세포, 소변, 분변 등일 수 있으나, 장균총, 장내 미생물 대사체, 내독소, 단쇄지방산 등 장내에 존재하는 물질을 검출할 수 있는 한, 그 종류가 이에 제한되는 것은 아니다.
"장내 환경 유사 조성물"은 상기 개체의 장내 환경을 체외(in vitro) 에서 동일 또는 유사하게 형성(mimicking)하기 위한 조성물일 수 있다. 예를 들어, 장내 환경 유사 조성물은 배양 배지 조성물일 수 있으나, 이에 제한되는 것은 아니다.
장내 환경 유사 조성물은 L-시스테인 염산염(L-cystein Hydrochloride) 및 뮤신(Mucin)을 포함할 수 있다.
여기서, "L-시스테인 염산염(L-cystein Hydrochloride)"은 아미노산류 강화제 중 하나로서, 생체 내에서 글루타치온의 구성성분으로 대사에 중요한 역할을 하며, 과일주수 등의 갈변 방지 및 비타민 C의 산화 방지 등에도 이용된다.
L-시스테인 염산염은 예를 들어, 0.001%(w/v) 내지 5%(w/v)의 농도로 포함되는 것일 수 있으며, 구체적으로 0.01%(w/v) 내지 0.1%(w/v)의 농도로 포함될 수 있다.
L-시스테인 염산염은 다양한 L-시스테인의 제형 또는 형태 중 하나로서, 상기 조성물은 L-시스테인 뿐만 아니라, 다른 형태의 염이 포함된 L-시스테인을 포함할 수 있다.
뮤신(Mucin)"은 점막에서 분비되는 점액물질로 점액소 또는 점소라고도 불리우며, 턱밑샘 뮤신이 있으며 그 외에 위점막뮤신, 소장뮤신 등이 있다. 뮤신은 당단백질의 일종으로서, 실제 장 내 미생물들이 활용할 수 있는 탄소원 및 질소원이 되는 에너지원 중 하나라고 알려져 있다.
뮤신은 예를 들어, 0.01%(w/v) 내지 5%(w/v)의 농도로 포함되는 것일 수 있으며, 구체적으로 0.1%(w/v) 내지 1%(w/v)의 농도로 포함되는 것일 수 있으나, 이에 제한되는 것은 아니다.
일례에 있어서, 장내 환경 유사 조성물은 뮤신을 제외한 영양물질을 포함하지 않을 수 있으며, 구체적으로 단백질 및 탄수화물과 같은 질소원 및/또는 탄소원을 포함하지 않는 것을 특징으로 하는 것일 수 있다.
탄소원 및 질소원이 되는 단백질은 트립톤, 펩톤 및 효모 추출물 중 하나 이상일 수 있으나, 이에 제한되는 것은 아니며, 구체적으로 트립톤일 수 있다.
탄소원이 되는 탄수화물은 글루코스, 프럭토스, 갈락토스와 같은 단당류와 말토오스, 락토오스와 같은 이당류 중 하나 이상일 수 있으나, 이에 제한되는 것은 아니며, 구체적으로 글루코스일 수 있다.
일례에 있어서, 장내 환경 유사 조성물은 글루코스(Glucose) 및 트립톤(Tryptone)을 포함하는 않는 것일 수 있으나, 이에 제한되는 것은 아니다.
장내 환경 유사 조성물은 염화나트륨(NaCl), 탄산나트륨(NaHCO3), KCl(염화칼륨) 및 헤민(Hemin)으로 이루어진 군에서 선택된 하나 이상을 추가로 포함할 수 있으며, 염화나트륨은 예를 들어, 10 내지 100mM의 농도로 포함되는 것일 수 있고, 탄산나트륨은 예를 들어, 10 내지 100mM의 농도로 포함되는 것일 수 있고, 염화칼륨은 예를 들어, 1 내지 30mM의 농도로 포함되는 것일 수 있으며, 헤민은 예를 들어, 1x10-6 g/L 내지1x10-4 g/L 농도로 포함되는 것일 수 있으나, 이에 제한되는 것은 아니다.
전처리에서, 혼합물을 혐기 조건에서 18시간 내지 24시간 동안 배양할 수 있다.
예를 들어, 혐기 챔버 내에서 분변과 배지의 균질화된 혼합물을 96-웰 플레이트 등의 배양 플레이트에 각각 동일 양씩 분주한다. 여기서, 배양은 12시간 내지 48시간동안 수행하는 것일 수 있으며, 구체적으로 18시간 내지 24시간동안 수행하는 것일 수 있으나, 이에 제한되는 것은 아니다.
이어서, 온도, 습도 및 모션을 장내 환경과 유사하게 형성한 채로 혐기 조건에서 플레이트를 배양하여 각 실험군을 발효 배양시킨다.
혼합물의 배양 후, 혼합물이 배양된 배양물을 분석한다. 배양물의 분석은 예를 들어, 배양물에 포함된 내독소(endotoxin), 황화수소(hydrogen sulfide), 단쇄지방산(Short-chain fatty acids, SCFAs) 및 장균총 유래 대사체 중 하나 이상의 함량, 농도, 종류, 장균총에 포함된 균의 종류, 농도, 함량 또는 다양성 변화 중 적어도 하나를 포함하는 미생물 데이터를 추출하는 것일 수 있으나, 이에 제한되는 것은 아니다.
여기서, "내독소(endotoxin)"는 세균의 세포 내부에서 발견되는 독성 물질로 단백질·다당류·지질의 복합체로 이루어진 항원 등이다. 일례에 있어서, 내독소는 LPS(Lipopolysaccharide)를 포함하는 것일 수 있으나, 이에 제한되는 것은 아니며, 상기 LPS는 구체적으로 그람 음성(Gram negative), 프로 염증성(Pro-inflammatory)일 수 있다.
"단쇄지방산 (short-chain fatty acid : SCFA)"은 단쇄지방산은 탄소수가 6개 이하인 짧은 길이의 지방산을 의미하는 것으로서, 장내 미생물로부터 생성되는 대표적인 대사산물이다. 단쇄지방산은 면역력 증가, 장내 림프구 안정, 인슐린 신호 저하, 교감 신경 자극 등 체내에 유용한 기능을 가지고 있다.
일례에 있어서, 단쇄지방산은 포름산(Formate), 아세트산(Acetate), 프로피온산(Propionate), 뷰티르산 (Butyrate), 아이소뷰티르산 (Isobutyrate), 발레르산(Valerate) 및 아이소발레르산(Iso-valerate)으로 이루어진 군에서 선택되는 하나 이상을 포함하는 것일 수 있으나, 이에 제한되는 것은 아니다.
배양물의 분석 방법은 흡광도 분석법, 크로마토그래피 분석법, 차세대시퀀싱방법(Next Generation Sequencing) 등의 유전자 분석법, 메타지놈 분석법 등의 통상의 기술자가 상기 분석을 위해 이용할 수 있는 다양한 분석법을 이용할 수 있다.
배양물의 분석에 있어서, 배양물을 원심 분리하여 상등액과 침전물을 분리한 후, 상기 상등액 및 상기 침전물(pallet)을 분석할 수 있다. 예를 들어, 상등액으로부터 대사체, 단쇄지방산, 독성 물질 등을 분석하고, 침전물로부터 장균총 분석을 수행할 수 있다.
예를 들어, 배양이 종료된 후, 배양된 각각의 실험군을 원심분리하여 얻어진 상등액으로부터 흡광도 측정분석법과 크로마토그래피 분석법을 통해 황화수소 및 박테리아 LPS(내독소) 등의 독성 물질 분석 및 단쇄지방산 등의 미생물 대사체 분석을 수행하며, 원심분리하여 얻어진 침전물(pallet)으로부터 배양-비의존적장균총 분석(Culture-independent analysis method)을 수행한다. 예를 들어, N,N-디메틸-p-페닐렌디아민 (N,N-dimethyl-p-phenylene-diamine)과 염화철 (FeCl3)로 반응시키는 메틸렌블루법(methylene blue method)을 통해서 배양을 통해 생성된 황화수소의 변화량을 측정하고, 내독소 어세이 키트 (Endotoxin assay kit) 분석을 통해 염증반응 증진요인 중 하나인 내독소(Endotoxin)의 레벨을 측정할 수 있다. 또한 가스 크로마토그래피 분석법을 활용하여 미생물 대사체인 아세테이트, 프로피오네이트, 부티레이트 등의 단쇄지방산을 분석할 수 있다.
장균총은 시료 내 유전체를 전부 추출한 후 GULDA방법에서 제시된 박테리아 특이적인 프라이머를 사용한 실시간 PCR 분석법(real-time PCR)이나 차세대시퀀싱(Next Generation Sequencing)과 같은 메타지놈(metagenome)분석을 통하여 유전체 기반의 분석법으로 분석할 수 있다.
본 발명에 따르면, 장내 환경 유사 조성물을 통해 체외에서 장내 환경을 구현한 상태에서 배양물을 분석함으로써 머신러닝 전에 학습 데이터를 최적화하여 학습 데이터 간의 편차를 줄일 수 있다.
이에 따라, 후술하는 미생물 관련 변수의 선택을 용이하게 하고, 또한 이러한 미생물 관련 변수를 통해 머신러닝 모델을 학습함으로써 머신러닝 모델의 성능을 향상시킬 수 있다. 따라서, 학습된 머신러닝 모델을 통해 복통 유무 진단의 정확도를 높일 수 있다.
변수 선택부(110)는 기설정된 변수 선택 알고리즘에 기초하여 복수의 미생물 데이터 중 미생물 관련 변수를 머신러닝 모델에 사용될 변수로서 선택(즉, Feature Selection)할 수 있다. 미생물 관련 변수의 수는 20개 이상일 수 있다.
머신러닝 모델을 생성함에 있어서 변수(features, 또는 variables, attributes)가 사용되는데, 많은 수의 변수 또는 부적절한 변수들이 사용되면 머신러닝 모델이 과적합(Overfitting)되거나 예측 정확도가 감소하는 문제가 발생한다.
이에, 머신러닝 모델이 높은 예측 정확도를 갖기 위해서는 적절한 변수들의 조합을 사용할 필요가 있다. 즉, 예측하고자 하는 반응변수와 가장 연관성이 높은 변수들을 선택하여 가능한 한 적은 수의 변수를 사용하면서 머신러닝 모델의 복잡도(complexity)를 낮출 수 있다.
변수 선택 알고리즘은 예를 들어, 보루타(Boruta) 알고리즘, 재귀 변수 제거(RFE: Recursive Feature Elimination) 알고리즘 중 적어도 하나를 포함할 일 수 있다.
기설정된 변수 선택 알고리즘으로부터 선택된 미생물 관련 변수는 바실랄레스 (Bacillales), 락토바실랄레스 (Lactobacillales), 오실로스피랄레스 (Oscillospirales), 라크노스피랄레스 (Lachnospirales), 코리오박테리알레스 (Coriobacteriales), 펩토스트렙토코칼레스-티시에렐랄레스 (Peptostreptococcales-Tissierellales), 박테로이달레스 (Bacteroidales), 비피도박테리알레스 (Bifidobacteriales) 목(Order)에 속하는 과(Family)에서 선택되는 1종 이상의 미생물의 함량을 포함할 수 있다.
일례에 있어서, 기설정된 변수 선택 알고리즘으로부터 선택된 미생물 관련 변수는 예를 들어, 류코노스토카세에 (Leuconostocaceae), 뷰트리시코카세에 (Butyricicoccaceae), 라크노스피라세에 (Lachnospiraceae), 에거텔라세에 (Eggerthellaceae), 펩토스트렙토코카세에 (Peptostreptococcaceae), 코리오박테리아세에 (Coriobacteriaceae), 스트렙토코카세에 (Streptococcaceae), 루미노코카세에 (Ruminococcaceae), 테네렐라세에 (Tannerellaceae), 비피도박테리아세에 (Bifidobacteriaceae), 과(Family)에 속하는 속(Genus)에서 선택되는 1종 이상의 미생물의 함량을 더 포함할 수 있다.
일례에 있어서, 기설정된 변수 선택 알고리즘으로부터 선택된 미생물 관련 변수는 예를 들어, 우에이셀라 (Weissella), 에거텔라 (Eggerthella), 라크노클로스트리디엄 (Lachnoclostridium), 인테스티니박터 (Intestinibacter), 아가토박터 (Agathobacter), 콜린셀라 (Collinsella), 락토코커스 (Lactococcus), UBA1819, 뷰트리시코커스 (Butyricicoccus), 파라박테로이데스 (Parabacteroides), 비피도박테리엄 (Bifidobacterium) 속(Genus)에 속하는 종(Species)에서 선택되는 1종 이상의 미생물의 함량을 더 포함할 수 있다.
학습부(120)는 미생물 관련 변수를 이용하여 머신러닝 모델을 학습시킬 수 있다.
예를 들어, 학습부(120)는 미생물 데이터(학습 데이터)마다 복통 유무에 관한 라벨링 및 선택된 변수에 관한 미생물의 함량에 기초하여 지도 학습을 수행하여 미생물 데이터마다 복통 유무를 예측하도록 머신러닝 모델을 학습시킬 수 있다.
머신러닝 모델은 예를 들어 로지스틱 회귀(Logistic Regression) 모델, GLMNET(Generalized linear) 모델, 랜덤포레스트(Random Forest) 모델, 그래디언트 부스팅(Gradient Boosting) 모델, XGB(Extreme Gradient Boosting) 모델 중 적어도 하나를 포함할 수 있다.
진단부(130)는 검사 대상 객체로부터 채취한 미생물 데이터를 학습된 머신러닝 모델에 입력하여 복통 유무를 진단할 수 있다.
예를 들어, 진단부(130)는 머신러닝 모델의 출력값인 복통 유무에 기초하여 복통을 진단할 수 있다. 즉, 진단부(130)는 머신러닝 모델의 출력값에 기초하여 검사 대상 객체의 복통 유무를 판별하거나 검사 대상 객체의 복통 발생 확률을 예측할 수 있다.
이하, 본원의 실시예를 상세히 설명한다. 그러나, 본원은 이에 제한되지 않는다.
[실시예]
실시예 1. MCMOD 처리 또는 미처리 후 재귀 변수 제거 알고리즘에 기초하여 선택된 미생물 관련 변수
실시예 1의 MCMOD 처리 또는 미처리 후 재귀 변수 제거 알고리즘에 기초하여 선택된 미생물 관련 변수를 확인하기 위해, 하기와 같은 실험을 수행하였다.
본 발명에 따르면, 시료를 장내 환경 유사 조성물과 혼합한 혼합물을 분석하는 전처리가 수행된다. 본원에 있어서, 상술한 전처리는 MCMOD라고 명명될 수 있다. 한편, 본원에 있어서, 비교예는 시료에 상술한 전처리를 수행하지 않고 통상의 전처리만을 수행하여 추출된 미생물 데이터를 통한 복통 유무 판별 방법에 관한 것이다. 이와 관련하여, 비교예를 위한 통상의 전처리를 SMOD라고 명명한다.
시료는, 하기 표 1과 같이 14명의 복통(Abdominal Pain) 환자(질병군)와 124명의 정상인(정상군)으로부터 받은 문진 자가 응답 결과를 바탕으로 한 간이임상 데이터 세트(분변)의 MCMOD 및 SMOD의 미생물 데이터를 사용하였고, 특히 클래스 불균형 해소를 위해 데이터 세트에 대해 오버샘플링(oversampling) 및 언더샘플링(undersampling)을 수행하여 해당 데이터 세트를 94개의 정상 데이터 및 94개의 복통 데이터를 포함하는 총 188개의 데이터 세트로 변환하였다.
Figure PCTKR2022007416-appb-img-000001
미생물 데이터는 7:3의 비율로 학습에 사용될 훈련 데이터(Train set)와 테스트 데이터(Test set)로 분류하였다.
이후, 훈련 데이터를 대상으로 보루타 알고리즘과 재귀 변수 제거 알고리즘을 통해 변수 선택을 수행하여 머신러닝 모델에 사용될 미생물 관련 변수를 선택하였다. 한편, 테스트 데이터는 후술하는 바와 같이 머신러닝 모델의 성능 평가에 사용되었다.
도 5는 본 발명의 일 실시예에 따른 선택된 미생물 관련 변수를 설명하기 위한 도면이다. 재귀 변수 제거 알고리즘을 통해 가장 정확도가 높은 변수 집단으로서, 실시예의 경우 20개, 비교예의 경우 20개의 미생물 관련 변수가 선택되었다.
도 6은 본 발명의 일 실시예에 있어서 선택된 미생물 관련 변수의 분류학적 정보를 도시한다. 도 6에서, 축약명 앞 알파벳은 분류학적 위치를 의미한다. 즉, ‘p' 는 문(Phylum), ‘c'는 강(Class), ‘o'는 목(Order, ‘f'는 과(Family), ‘g'는 속(Genus) 및 ‘s'는 종(Species)을 의미한다.
예를 들어, MCMOD에 있어서, 선택된 복수의 미생물 관련 변수 중 정확도가 높은 미생물 관련 변수는 우에이셀라속 (Weiseela)의 미생물 일 수 있다.
비교예 1. MCMOD 처리한 분변 샘플과 MCMOD 처리하지 않은 분변 샘플의 분석 결과
한 사람의 분변을 8일 동안 채취하여, 날짜별 8개의 분변 샘플(J01, J02, J03, J04, J06, J08, J09, J10)을 MCMOD 처리하였고, MCMOD 처리한 분변 샘플을 차세대시퀀싱으로 미생물의 유전자를 분석했다(실시예). 마찬가지로, MCMOD 처리하지 않은 분변 샘플을 차세대시퀀싱으로 미생물의 유전자를 분석했다(비교예).
도 7은 본 발명의 일 실시예에 따른 복통 유무 판별 방법과 비교예의 방법에 따른 각 샘플의 분석 결과를 비교한 도면이고, 도 8은 본 발명의 일 실시예에 따른 복통 유무 판별 방법과 비교예의 방법에 따른 각 샘플의 분석 결과를 비교한 도면이다.
도 7의 (a)은 각 분변 샘플들의 베타 다양성을 Unweighted Unifrac Distance 를 사용하여 PCoA plot으로 표현한다. 도 7의 (a)의 PCoA plot에 도시된 바와 같이, MCMOD 처리한 분변 샘플들은 상대적으로 모여있는 형태를 띄는데 반해, MCMOD 처리하지 않은 분변 샘플들은 상대적으로 흩어져 있는 형태를 띄는 것을 확인할 수 있다.
도 7의 (b)는 PCoA plot 상의 각 그룹(실시예 및 비교예) 내의 8개의 점 사이의 거리를 Box plot으로 표현한다.
Box plot에서 확인할 수 있듯이, 실시예의 경우, 분변 샘플 간의 차이가 비교예에 비해 통계적으로 유의미하게 적음을 확인할 수 있다.
도 7의 (c)는 PCoA plot 상의 각 그룹(실시예 및 비교예) 내의 8개의 점 사이의 거리를 나타낸다.
각 그룹에 8개의 샘플이 존재하므로, 각 그룹 내의 두 샘플 간 거리는 총 28가지의 종류를 갖는다. 이 28가지의 종류를 시간 순으로 샘플을 2C2 부터 8C2 까지 그룹화하였다.
J01 분변샘플이 가장 먼저 수집되었고 J10 분변샘플이 가장 나중에 수집되었으므로 2C2 (N=1) 그룹에서는 가장 먼저 수집된 분변 두 샘플간의 거리 (J01과 J02 샘플 간의 거리)를 구했다.
3C2 (N=3) 그룹에서는 그 다음으로 수집된 분변 샘플(J03)을 포함하여 3개 샘플들에서 각 샘플들 사이의 거리(J01과J02, J01과J03, J02와J03)를 구하고 이 거리들의 평균과 표준오차를 표현했다.
4C2 (N=6) 그룹에서는 그 다음으로 수집된 분변 샘플(J04)을 포함하여 4개 샘플들에서 각 샘플들 사이의 거리 (J01과J02, J01과J03, J01과J04, J02와J03, J02와J04, J03과J4)를 구하고 이 거리들의 평균과 표준오차를 표현했다.
마찬가지로, 8C2 (N=28) 그룹에서는 마지막으로 수집된 분변 샘플(J10)을 포함하여 8개 샘플들에서 각 샘플들 사이의 거리(총 28가지)를 구하고 이 거리들의 평균과 표준오차를 표현했다.
PCoA plot에서의 거리 수치로 확인할 수 있듯이, 실시예에 따른 분변 샘플 그룹(2C2 ~ 8C2)의 샘플 간의 차이가 비교예에 비해 통계적으로 유의미하게 적음을 확인 할 수 있다.
도 8은 두 그룹(실시예 및 비교예)에 대하여 PERMANOVA 분산을 분석한 결과를 나타낸다.
도 8은 (b)와 같이 PERMANOVA 분산 분석 결과,　Pr (> F) 값이 0.001 로 매우 작아 두 그룹(실시예 및 비교예)의 모평균이 동일하지 않음을 알 수 있다. 이는, 두 그룹이 통계적으로 유의하게 차이가 있다는 것을 나타낸다.
또한, 각 그룹의 중심으로부터 각 분변 샘플의 평균거리(Average distance to median)가 비교예(0.2340)보다 실시예(0.1792)가 더 가까움을 확인할 수 있고, 이는 실시예가 비교예에 비해 노이즈가 적다는 것을 의미한다.
살펴본 바와 같이, MCMOD 처리한 분변 샘플들의 경우, 분변 샘플들간의 편차(bias)가 적어 분변 샘플이 비교적 적은 노이즈(Noise)를 갖고 있고, 이에 따라 적은 변동성(Fluctuation)을 갖는다.
즉, 본 발명에 따르면, 변수 선택 및 머신러닝 학습 전에 분변 샘플을 MCMOD 처리함으로써 변수 선택을 용이하게 하고, 또한 후술하는 바와 같이, 머신러닝 모델을 학습함으로써 머신러닝 모델의 성능을 향상시킬 수 있다.
비교예 2. MCMOD 처리한 분변 샘플과 MCMOD 처리하지 않은 분변 샘플 각각으로부터 획득한 학습 데이터를 이용하여 학습한 머신러닝 모델의 성능 비교
실시예 1을 통해 채취한 분변 샘플을 MCMOD 처리하여 미생물 데이터를 추출하였고(실시예), MCMOD 처리하지 않고 미생물 데이터를 추출하였다(비교예).
재귀 변수 제거 알고리즘을 통해 실시예의 경우, 미생물 데이터로부터 20개의 미생물 관련 변수를 선택하였고, 비교예의 경우, 미생물 데이터로부터 20개의 미생물 관련 변수를 선택하였다.
실시예 및 비교예의 미생물 데이터 및 미생물 관련 변수를 이용하여 로지스틱 회귀 분석(LRA: Logistic Regression Analysis) 모델, 랜덤포레스트 (RF, Random Forest) 모델, Glmnet 모델, 그래디언트 부스팅(Gradient Boosting) 모델 및 XGB(Extreme Gradient Boost) 모델 각각을 학습시킨 후, 각 머신러닝 모델의 성능을 평가하였다.
도 9는 본 발명의 실시예에 따라 선별된 미생물 관련 변수 별, 정상군과 질병군 간의 미생물 검출량 차이를 나타낸 도면이다. 중요도 순위가 높은 미생물 변수의 경우, 정상군과 비교했을 때 질병군에서 상대적으로 검출량이 많은 것을 알 수 있다.
도 10은 각 머신러닝 모델의 Roc curve와 AUC score를 나타낸다. 도 10에 나타난 바와 같이, 실시예의 미생물 데이터를 이용하여 머신러닝 모델을 학습한 경우, 비교예에 비해 모든 머신러닝 모델의 성능이 높은 것을 확인할 수 있다. 이때,
도 11에 도시된 바와 같이, 실시예의 경우 전체적으로 비교예에 비해 머신러닝 모델의 성능이 높게 유지되나, 그 중에서 20개의 변수를 선택했을 때 성능 차이가 확연하게 드러남을 알 수 있다.
도 12는 실시예의 미생물 데이터를 이용하여 학습된 XGB 모델의 정확도, 민감도 및 특이도를 나타내며, 도 13은 비교예의 미생물 데이터를 이용하여 학습된 XGB 모델의 정확도, 민감도 및 특이도를 나타낸다.
여기서, No information rate는 테스트 세트에서 하나의 군으로(질병 또는 정상) 일괄적으로 예측했을 때의 정확도를 나타낸다. 예를 들어, 테스트 세트에서 질병군이 6명, 실험군이 4명이 존재할 때, 모든 테스트 세트를 질병군으로만 예측할 때의 No information rate 는 0.6 이다.
도 12 및 13에 도시된 바와 같이, 실시예의 미생물 데이터를 이용하여 학습된 머신러닝 모델이 비교예의 미생물 데이터를 이용하여 학습된 머신러닝 모델보다 높은 정확도 및 민감도를 갖는다는 것을 확인할 수 있다.
도 14는 본 발명의 일 실시예에 따른 복통 유무 판별 방법을 나타낸 흐름도이다. 도 14에 도시된 일 실시예에 따른 복통 유무 판별 방법은 도 1에 도시된 진단 장치에서 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 도 14에 도시된 일 실시예에 따라 수행되는 복통 유무 판별 방법에도 적용된다.
도 14를 참조하면, 단계 S1400에서 개체로부터 채취한 장내 유래 물질을 장내 환경 유사 조성물과 혼합한 혼합물을 분석할 수 있다.
단계 S1410에서 혼합물의 분석 결과에 기초하여 복수의 미생물 데이터를 추출할 수 있다.
단계 S1420에서 기설정된 변수 선택 알고리즘에 기초하여 복수의 미생물 데이터 중 머신러닝 모델에 사용될 미생물 관련 변수를 선택할 수 있다.
단계 S1430에서 미생물 관련 변수를 이용하여 머신러닝 모델을 학습시킬 수 있다.
단계 S1440에서 미생물 관련 변수를 이용하여 머신러닝 모델을 학습시킬 수 있다.
검사 대상 객체로부터 채취한 미생물 데이터를 학습된 머신러닝 모델에 입력하여 복통 유무를 판별할 수 있다.
도 14를 통해 설명된 복통 유무 판별 방법은 매체에 저장된 컴퓨터 프로그램의 형태로 구현되거나, 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (14)

  1. 머신러닝 모델을 이용하여 복통 유무를 판별하는 방법에 있어서,
    개체로부터 채취한 장내 유래 물질을 장내 환경 유사 조성물과 혼합한 혼합물을 분석하는 단계;
    상기 혼합물의 분석 결과에 기초하여 복수의 미생물 데이터를 추출하는 단계;
    기설정된 변수 선택 알고리즘에 기초하여 상기 복수의 미생물 데이터 중 머신러닝 모델에 사용될 미생물 관련 변수를 선택하는 단계;
    상기 미생물 관련 변수를 이용하여 상기 머신러닝 모델을 학습시키는 단계; 및
    검사 대상 객체로부터 채취한 미생물 데이터를 상기 학습된 머신러닝 모델에 입력하여 복통 유무를 판별하는 단계
    를 포함하고,
    상기 미생물 관련 변수는 바실랄레스 (Bacillales), 락토바실랄레스 (Lactobacillales), 오실로스피랄레스 (Oscillospirales), 라크노스피랄레스 (Lachnospirales), 코리오박테리알레스 (Coriobacteriales), 펩토스트렙토코칼레스-티시에렐랄레스 (Peptostreptococcales-Tissierellales), 박테로이달레스 (Bacteroidales), 비피도박테리알레스 (Bifidobacteriales) 목(Order)에 속하는 과(Family)에서 선택되는 1종 이상의 미생물의 함량을 포함하는 것인, 복통 유무 판별 방법.
  2. 제 1 항에 있어서,
    상기 혼합물을 분석하는 단계는,
    상기 혼합물을 혐기 조건에서 18시간 내지 24시간 동안 배양하는 단계; 및
    상기 혼합물이 배양된 배양물을 분석하는 단계
    를 포함하는 것인, 복통 유무 판별 방법.
  3. 제 2 항에 있어서,
    상기 배양물을 분석하는 단계는,
    상기 배양물을 원심 분리하여 상등액과 침전물을 분리한 후, 상기 상등액 및 상기 침전물을 분석하는 단계
    를 포함하는 것인, 복통 유무 판별 방법.
  4. 제 2 항에 있어서,
    상기 미생물 데이터는 상기 배양물에 포함된 내독소(endotoxin), 황화수소(hydrogen sulfide), 단쇄지방산(Short-chain fatty acids, SCFAs) 및 장균총 유래 대사체 중 하나 이상의 함량, 농도, 종류, 장균총에 포함된 균의 종류, 농도, 함량 또는 다양성 변화 중 적어도 하나를 포함하는 것인, 복통 유무 판별 방법.
  5. 제 1 항에 있어서,
    상기 변수 선택 알고리즘은 보루타(Boruta) 알고리즘, 재귀 변수 제거(RFE: Recursive Feature Elimination) 알고리즘 중 적어도 하나를 포함하는 것인, 복통 유무 판별 방법.
  6. 제 1 항에 있어서,
    상기 머신러닝 모델은 로지스틱회귀(Logistic Regression) 모델, GLMNET(Generalized linear) 모델, 랜덤포레스트(Random Forest) 모델, 그래디언트 부스팅(Gradient Boosting) 모델, XGB(Extreme Gradient Boosting) 모델 중 적어도 하나를 포함하는 것인, 복통 유무 판별 방법.
  7. 제 1 항에 있어서,
    상기 미생물 관련 변수는 류코노스토카세에 (Leuconostocaceae), 뷰트리시코카세에 (Butyricicoccaceae), 라크노스피라세에 (Lachnospiraceae), 에거텔라세에 (Eggerthellaceae), 펩토스트렙토코카세에 (Peptostreptococcaceae), 코리오박테리아세에 (Coriobacteriaceae), 스트렙토코카세에 (Streptococcaceae), 루미노코카세에 (Ruminococcaceae), 테네렐라세에 (Tannerellaceae), 비피도박테리아세에 (Bifidobacteriaceae), 과(Family)에 속하는 속(Genus)에서 선택되는 1종 이상의 미생물의 함량을 포함하는 것인, 복통 유무 판별 방법.
  8. 제 1 항에 있어서,
    상기 미생물 관련 변수는 우에이셀라 (Weissella), 에거텔라 (Eggerthella), 라크노클로스트리디엄 (Lachnoclostridium), 인테스티니박터 (Intestinibacter), 아가토박터 (Agathobacter), 콜린셀라 (Collinsella), 락토코커스 (Lactococcus), UBA1819, 뷰트리시코커스 (Butyricicoccus), 파라박테로이데스 (Parabacteroides), 비피도박테리엄 (Bifidobacterium) 속(Genus)에 속하는 종(Species)에서 선택되는 1종 이상의 미생물의 함량을 포함하는 것인, 복통 유무 판별 방법.
  9. 머신러닝 모델을 이용하여 복통 유무를 진단하는 장치에 있어서,
    개체로부터 채취한 장내 유래 물질을 장내 환경 유사 조성물과 혼합한 혼합물의 분석 결과에 기초하여 복수의 미생물 데이터를 추출하는 미생물 데이터 추출부;
    기설정된 변수 선택 알고리즘에 기초하여 상기 복수의 미생물 데이터 중 머신러닝 모델에 사용될 미생물 관련 변수를 선택하는 변수 선택부;
    상기 미생물 관련 변수를 이용하여 상기 머신러닝 모델을 학습시키는 학습부; 및
    검사 대상 객체로부터 채취한 미생물 데이터를 상기 학습된 머신러닝 모델에 입력하여 복통 유무를 진단하는 진단부
    를 포함하고,
    상기 미생물 관련 변수는 바실랄레스 (Bacillales), 락토바실랄레스 (Lactobacillales), 오실로스피랄레스 (Oscillospirales), 라크노스피랄레스 (Lachnospirales), 코리오박테리알레스 (Coriobacteriales), 펩토스트렙토코칼레스-티시에렐랄레스 (Peptostreptococcales-Tissierellales), 박테로이달레스 (Bacteroidales), 비피도박테리알레스 (Bifidobacteriales) 목(Order)에 속하는 과(Family)에서 선택되는 1종 이상의 미생물의 함량을 포함하는 것인, 진단 장치.
  10. 제 9 항에 있어서,
    상기 미생물 데이터는 상기 혼합물이 혐기 조건에서 18시간 내지 24시간 동안 배양된 배양물에 포함된 내독소(endotoxin), 황화수소(hydrogen sulfide), 단쇄지방산(Short-chain fatty acids, SCFAs) 및 장균총 유래 대사체 중 하나 이상의 함량, 농도, 종류, 장균총에 포함된 균의 종류, 농도, 함량 또는 다양성 변화 중 적어도 하나를 포함하는 것인, 진단 장치.
  11. 제 9 항에 있어서,
    상기 변수 선택 알고리즘은 보루타(Boruta) 알고리즘, 재귀 변수 제거(RFE: Recursive Feature Elimination) 알고리즘 중 적어도 하나를 포함하는 것인, 진단 장치.
  12. 제 9 항에 있어서,
    상기 머신러닝 모델은 로지스틱회귀(Logistic Regression) 모델, GLMNET(Generalized linear) 모델, 랜덤포레스트(Random Forest) 모델, 그래디언트 부스팅(Gradient Boosting) 모델, XGB(Extreme Gradient Boosting) 모델 중 적어도 하나를 포함하는 것인, 진단 장치.
  13. 제 9 항에 있어서,
    상기 미생물 관련 변수는 [속명기입]에서 선택되는 1종 이상의 미생물의 함량을 포함하는 것인, 진단 장치.
  14. 제 9 항에 있어서,
    상기 미생물 관련 변수는 우에이셀라 (Weissella), 에거텔라 (Eggerthella), 라크노클로스트리디엄 (Lachnoclostridium), 인테스티니박터 (Intestinibacter), 아가토박터 (Agathobacter), 콜린셀라 (Collinsella), 락토코커스 (Lactococcus), UBA1819, 뷰트리시코커스 (Butyricicoccus), 파라박테로이데스 (Parabacteroides), 비피도박테리엄 (Bifidobacterium) 속(Genus)에 속하는 종(Species)에서 선택되는 1종 이상의 미생물의 함량을 포함하는 것인, 진단 장치.
PCT/KR2022/007416 2021-05-25 2022-05-25 머신러닝 모델을 이용하여 복통 유무를 판별하는 방법 및 진단 장치 WO2022250445A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/518,682 US20240084358A1 (en) 2021-05-25 2023-11-24 Method and diagnostic apparatus for determining abdominal pain using machine learning model

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0066613 2021-05-25
KR1020210066613A KR102577229B1 (ko) 2021-05-25 2021-05-25 머신러닝 모델을 이용하여 복통 유무를 판별하는 방법 및 진단 장치

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/518,682 Continuation US20240084358A1 (en) 2021-05-25 2023-11-24 Method and diagnostic apparatus for determining abdominal pain using machine learning model

Publications (1)

Publication Number Publication Date
WO2022250445A1 true WO2022250445A1 (ko) 2022-12-01

Family

ID=84228864

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/007416 WO2022250445A1 (ko) 2021-05-25 2022-05-25 머신러닝 모델을 이용하여 복통 유무를 판별하는 방법 및 진단 장치

Country Status (3)

Country Link
US (1) US20240084358A1 (ko)
KR (1) KR102577229B1 (ko)
WO (1) WO2022250445A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060011817A (ko) * 2002-09-12 2006-02-03 모노젠, 인크. 세포 수준 검출 및 질병 상태의 식별
KR102057047B1 (ko) * 2019-02-27 2019-12-18 한국과학기술정보연구원 질병 예측 장치 및 이를 이용한 질병 예측 방법
JP2020530931A (ja) * 2017-08-14 2020-10-29 プソマーゲン， インコーポレイテッドＰｓｏｍａｇｅｎ， Ｉｎｃ． 疾患関連マイクロバイオーム特徴解析プロセス
KR102183389B1 (ko) * 2018-06-28 2020-11-26 주식회사 엠디헬스케어 세균 메타게놈 분석을 통한 염증성장염 진단 방법
KR102241357B1 (ko) * 2020-10-20 2021-04-16 주식회사 에이치이엠 머신러닝 모델을 이용하여 대장용종을 진단하는 방법 및 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3209803A4 (en) * 2014-10-21 2018-06-13 Ubiome, Inc. Method and system for microbiome-derived diagnostics and therapeutics

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060011817A (ko) * 2002-09-12 2006-02-03 모노젠, 인크. 세포 수준 검출 및 질병 상태의 식별
JP2020530931A (ja) * 2017-08-14 2020-10-29 プソマーゲン， インコーポレイテッドＰｓｏｍａｇｅｎ， Ｉｎｃ． 疾患関連マイクロバイオーム特徴解析プロセス
KR102183389B1 (ko) * 2018-06-28 2020-11-26 주식회사 엠디헬스케어 세균 메타게놈 분석을 통한 염증성장염 진단 방법
KR102057047B1 (ko) * 2019-02-27 2019-12-18 한국과학기술정보연구원 질병 예측 장치 및 이를 이용한 질병 예측 방법
KR102241357B1 (ko) * 2020-10-20 2021-04-16 주식회사 에이치이엠 머신러닝 모델을 이용하여 대장용종을 진단하는 방법 및 장치

Also Published As

Publication number Publication date
US20240084358A1 (en) 2024-03-14
KR102577229B1 (ko) 2023-09-12
KR20220158949A (ko) 2022-12-02

Similar Documents

Publication Publication Date Title
WO2022085941A1 (ko) 머신러닝 모델을 이용하여 대장용종 유무를 진단하는 방법 및 장치
WO2022203351A1 (ko) 머신러닝 모델을 이용하여 장염 유무를 판별하는 방법 및 진단 장치
Vatanen et al. Genomic variation and strain-specific functional adaptation in the human gut microbiome during early life
Yan et al. Strain-level epidemiology of microbial communities and the human microbiome
Tramontano et al. Nutritional preferences of human gut bacteria reveal their metabolic idiosyncrasies
Tyler et al. Analyzing the human microbiome: a “how to” guide for physicians
Leulier et al. Integrative physiology: at the crossroads of nutrition, microbiota, animal physiology, and human health
Proctor The national institutes of health human microbiome project
Mao et al. Characterising the bacterial microbiota across the gastrointestinal tracts of dairy cattle: membership and potential function
WO2022203350A1 (ko) 머신러닝 모델을 이용하여 아토피 유무를 판별하는 방법 및 진단장치
Sheth et al. Evidence of transmission of Clostridium difficile in asymptomatic patients following admission screening in a tertiary care hospital
WO2021040159A1 (ko) Pmas 방법을 이용한 개인 맞춤형 장내 환경 개선 물질 스크리닝 방법
Maurice et al. Quantifying the metabolic activities of human-associated microbial communities across multiple ecological scales
Hong et al. Identification of Neisseria meningitidis by MALDI-TOF MS may not be reliable
WO2022203353A1 (ko) 머신러닝 모델을 이용하여 변비 유무를 판별하는 방법 및 진단장치
WO2022203306A1 (ko) 머신러닝 모델을 이용하여 고혈당을 판별하는 방법 및 진단 장치
Asakura et al. Long-term grow-out affects Campylobacter jejuni colonization fitness in coincidence with altered microbiota and lipid composition in the cecum of laying hens
Rose et al. Challenges of the unknown: clinical application of microbial metagenomics
WO2022250445A1 (ko) 머신러닝 모델을 이용하여 복통 유무를 판별하는 방법 및 진단 장치
WO2022250444A1 (ko) 머신러닝 모델을 이용하여 복부팽만 유무를 판별하는 방법 및 진단 장치
Ellermann et al. Characterizing and functionally defining the gut microbiota: methodology and implications
WO2022203307A1 (ko) 머신러닝 모델을 이용하여 비만 여부를 판별하는 방법 및 진단 장치
WO2022250447A1 (ko) 머신러닝 모델을 이용하여 장 질환 유무를 판별하는 방법 및 진단 장치
WO2022250446A1 (ko) 머신러닝 모델을 이용하여 소화기 장애 유무를 판별하는 방법 및 진단 장치
WO2021049834A1 (ko) 세포밖 소포의 메타게놈 및 대사체 기반 대장암 진단방법

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: 22811638

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: 22811638

Country of ref document: EP

Kind code of ref document: A1