WO2023033283A1 - 바이러스의 숙주 진입을 제어하기 위한 약물의 예측 방법 - Google Patents

바이러스의 숙주 진입을 제어하기 위한 약물의 예측 방법 Download PDF

Info

Publication number
WO2023033283A1
WO2023033283A1 PCT/KR2022/003586 KR2022003586W WO2023033283A1 WO 2023033283 A1 WO2023033283 A1 WO 2023033283A1 KR 2022003586 W KR2022003586 W KR 2022003586W WO 2023033283 A1 WO2023033283 A1 WO 2023033283A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
drug
affinity
neural network
sequence
Prior art date
Application number
PCT/KR2022/003586
Other languages
English (en)
French (fr)
Inventor
최윤정
신봉근
강근수
박성수
백보람
Original Assignee
디어젠 주식회사
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 디어젠 주식회사 filed Critical 디어젠 주식회사
Publication of WO2023033283A1 publication Critical patent/WO2023033283A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/50—Molecular design, e.g. of drugs
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/60—In silico combinatorial chemistry
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing

Definitions

  • the present invention relates to a method for predicting a drug based on deep learning, and more particularly, to a method for predicting a drug for controlling host entry of a specific virus using a deep learning approach.
  • coronavirus disease 2019 pandemic, caused by severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2), poses a serious threat to public health management.
  • SARS-CoV-2 severe acute respiratory syndrome coronavirus 2
  • remdesivir In multinational randomized clinical trials, remdesivir has no significant difference in mortality, but it is known to shorten the recovery period of patients. However, more effective drugs are still needed for patients suffering from symptoms of infection with SARS-CoV-2.
  • SARS-CoV-2 is thought to use the protein receptor ACE2 and proteolytic enzyme TMPRSS2 to infect host cells.
  • the protein receptor ACE2 is already known as a binding receptor for SARS-CoV, which supports that SAR-CoV-2, which maintains a very close evolutionary relationship with SARS-CoV, also uses ACE2 for host cell entry.
  • the proteolytic enzyme TMPRSS2 is expected to play a role in activating viral spike-ACE2 complex proteolysis by being involved in SARS-CoV-2 entry.
  • predicting drug candidates that target protein receptors and proteolytic enzymes that are expected to be essential for host entry of the virus can be considered.
  • Korean Patent Publication No. 10-2018-0087069 (2018.08.01) discloses a modeling technique for predicting drug-protein relationships through self-learning.
  • the present disclosure was made in response to the above background art, and aims to provide a method for predicting a drug candidate capable of controlling a potential target that is determined to be essential for virus host entry using a deep learning approach. to be
  • a method for predicting a drug for controlling entry of a virus into a host performed by a computing device may include estimating a first affinity between a drug and a protein receptor and a second affinity between the drug and a protease by using a pretrained neural network model; and filtering a database based on the first affinity and the second affinity to predict a drug for controlling virus entry into the host.
  • the method may further include constructing the database based on the first data on the small molecule drug and the second data on the stereoisomer of the small molecule drug. there is.
  • the constructing of the database may include merging the second data into a database in which the first data is listed by using the sequence of the second data as a query; and classifying the first data according to whether the sequence of the first data matches the sequence of the second data.
  • classifying the first data may include determining the first data matching the sequence of the second data as isomer data to be used for prediction; and determining first data that does not match the sequence of the second data as racemate data not to be used for prediction.
  • sequence of the first data and the sequence of the second data may be based on a simplified molecular-input line-entry system (SMILES) code.
  • SILES molecular-input line-entry system
  • estimating the first affinity between the drug and the protein receptor and the second affinity between the drug and the proteolytic enzyme may include inputting drug data obtained from the database into the neural network model, The method may include estimating a first affinity between a drug corresponding to the drug data and the protein receptor and a second affinity between a drug corresponding to the drug data and the proteolytic enzyme.
  • the drug data is classified into isomers based on whether the sequence of the first data on the small molecule drug and the sequence of the second data on the stereoisomer of the small molecule drug match. It may be data on small molecule drugs.
  • the neural network model as a self-attention based model, may be pre-trained to consider the global context of sequences representing chemical representations of training data.
  • the neural network model estimating a first affinity between a drug corresponding to the drug data and the protein receptor and a second affinity between a drug corresponding to the drug data and the proteolytic enzyme, the neural network model calculating a first affinity of a drug targeting the amino acid sequence of the protein receptor based on a sequence representing a chemical expression of the drug data; and calculating a second affinity of a drug targeting an amino acid sequence of the proteolytic enzyme based on a sequence representing a chemical expression of the drug data using the neural network model.
  • the step of predicting a drug for controlling host entry of the virus comprises comparing the first affinity and the second affinity with individually predetermined threshold values, and the drug included in the database. It may include filtering the data.
  • predicting a drug for controlling host entry of the virus comprises, based on drug data filtered from the database, a gene expression signature of the drug for the proteolytic enzyme. It may include calculating a score by comparing.
  • the step of predicting a drug for controlling host entry of the virus may include selecting the top N (N is a natural number) drug data of the virus based on the score among the drug data filtered from the database. determining with drug data to control host entry.
  • a computer program stored in a computer readable storage medium is disclosed according to an embodiment of the present disclosure for realizing the above object.
  • the computer program When the computer program is executed on one or more processors, the computer program performs the following operations for predicting a drug for controlling host entry of a virus, the operations comprising: using a pre-trained neural network model, estimating a first affinity between protein receptors and a second affinity between the drug and proteolytic enzyme; and filtering the database based on the first affinity and the second affinity to predict a drug for controlling virus entry into the host.
  • a computing device for predicting a drug for controlling entry of a virus into a host based on deep learning may include a processor including at least one core; Using the pretrained neural network model, the first affinity between the drug and the protein receptor and the second affinity between the drug and the proteolytic enzyme are estimated, and the database is based on the first affinity and the second affinity. By filtering, it is possible to predict drugs for controlling the entry of the virus into the host.
  • the present disclosure can provide a method for predicting drug candidates capable of controlling potential targets that are determined to be essential for virus host entry using a deep learning approach.
  • FIG. 1 is a block diagram of a computing device for predicting drugs according to an embodiment of the present disclosure.
  • FIG. 2 is a schematic diagram showing a neural network according to an embodiment of the present disclosure.
  • FIG. 3 is a block diagram illustrating a drug prediction process of a computing device according to an embodiment of the present disclosure.
  • FIG. 4 is a flowchart illustrating a drug prediction process of a computing device according to an embodiment of the present disclosure.
  • FIG. 5 is a schematic diagram of a computing environment according to one embodiment of the present disclosure.
  • a component may be, but is not limited to, a procedure, processor, object, thread of execution, program, and/or computer running on a processor.
  • an application running on a computing device and a computing device may be components.
  • One or more components may reside within a processor and/or thread of execution.
  • a component can be localized within a single computer.
  • a component may be distributed between two or more computers. Also, these components can execute from various computer readable media having various data structures stored thereon.
  • Components may be connected, for example, via signals with one or more packets of data (e.g., data and/or signals from one component interacting with another component in a local system, distributed system) to other systems and over a network such as the Internet. data being transmitted) may communicate via local and/or remote processes.
  • packets of data e.g., data and/or signals from one component interacting with another component in a local system, distributed system
  • a network such as the Internet. data being transmitted
  • the term “or” is intended to mean an inclusive “or” rather than an exclusive “or”. That is, unless otherwise specified or clear from the context, “X employs A or B” is intended to mean one of the natural inclusive substitutions. That is, X uses A; X uses B; Or, if X uses both A and B, "X uses either A or B" may apply to either of these cases. Also, the term “and/or” as used herein should be understood to refer to and include all possible combinations of one or more of the listed related items.
  • Kth (K is a natural number)
  • K is a natural number
  • the term “Kth” may be understood as a term used to distinguish and express elements according to a predetermined criterion.
  • affinity between a drug and a target substance may be distinguished through the expression K-th configuration, such as first affinity and second affinity, when the drug is of the same type but the target material is of a heterogeneous type.
  • drug data that varies according to domain characteristics can be distinguished through the expression K-th configuration, like first data and second data.
  • Kth may be used to distinguish components according to various criteria from various viewpoints.
  • FIG. 1 is a block diagram of a computing device for analyzing a medical image according to an embodiment of the present disclosure.
  • the configuration of the computing device 100 shown in FIG. 1 is only a simplified example.
  • the computing device 100 may include other components for performing a computing environment of the computing device 100, and only some of the disclosed components may constitute the computing device 100.
  • the computing device 100 may include a processor 110 , a memory 130 , and a network unit 150 .
  • the processor 110 may include one or more cores, and includes a central processing unit (CPU), a general purpose graphics processing unit (GPGPU), and a tensor processing unit (TPU) of a computing device. unit), data analysis, and processors for deep learning.
  • the processor 110 may read a computer program stored in the memory 130 and process data for machine learning according to an embodiment of the present disclosure.
  • the processor 110 may perform an operation for learning a neural network.
  • the processor 110 may perform calculations for neural network learning, such as processing input data for learning in deep learning, extracting features from input data, calculating errors, and updating neural network weights using backpropagation. .
  • At least one of the CPU, GPGPU, and TPU of the processor 110 may process learning of the neural network.
  • the CPU and GPGPU can process learning of neural networks and data classification using neural networks.
  • the neural network learning and data classification using the neural network may be processed by using processors of a plurality of computing devices together.
  • a computer program executed in a computing device according to an embodiment of the present disclosure may be a CPU, GPGPU or TPU executable program.
  • the processor 110 may predict affinity between a drug and potential targets expected to be involved in host entry of a specific virus using a pretrained neural network model.
  • potential targets expected to be involved in host entry of a specific virus may be understood as protein receptors and proteolytic enzymes used in the step of entering a specific virus into a host.
  • affinity can be understood as an indicator of binding force or affinity acting on a drug and a target substance. That is, the processor 110 may estimate the affinity representing the binding force between the drug and the protein receptor and the affinity between the drug and the protease by using a neural network model that predicts the affinity between the drug and the target substance. .
  • the processor 110 may estimate drug-protein receptor affinity and drug-protein degradation affinity by inputting data representing the chemical expression of the drug into a neural network model.
  • the neural network model is a self-attention-based model, and may be pre-learned to calculate affinity between a drug and a chemical protein pair.
  • affinity can be calculated based on K D , which is an index representing the equilibrium dissociation constant between a protein and a drug. Since K D is an index related to the concentration of the drug, K D and the affinity (or binding force) between the protein and the drug are inversely proportional. Therefore, it can be understood that the higher the value of K D , the lower the affinity (or binding force) between the drug-protein receptor or the drug-protein degrading enzyme.
  • the higher the value of K D the lower the drug-protein affinity.
  • the specific virus is SARS-CoV-2, which causes COVID-19
  • the protein receptor that is determined to be essential for SARS-CoV-2 to enter target cells is ACE2, and SARS-CoV-2 enters target cells.
  • a proteolytic enzyme determined to be essential for this may be TMPRSS2. That is, if the specific virus is SARS-CoV-2 that causes COVID-19, the processor 110 inputs data representing the chemical expression of the drug into the neural network model to determine the drug-ACE2 affinity and the drug-TMPRSS2 affinity. can be estimated. Since the above-described types of neural network models, affinity indicators, types of protein receptors, and types of proteolytic enzymes are only examples, they can be configured in various ways within a range understandable by those skilled in the art based on the present disclosure.
  • the processor 110 may perform rule-based affinity prediction in addition to the aforementioned deep learning-based affinity prediction.
  • the rule-based affinity prediction can be understood as a computational process performed based on an algorithm for determining the structure of a protein and docking the compound to the protein.
  • the processor 110 may use a rule-based docking algorithm to convert coordinates of protein receptors and proteolytic enzymes corresponding to the target protein into forms required for docking calculation.
  • the processor 110 may calculate the affinity between the drug and the target protein by optimizing the binding energy between the drug and the target protein based on the transformed coordinates of the target protein using a rule-based docking algorithm.
  • the rule-based docking algorithm for performing the above-described operation may correspond to an algorithm of AutoDock Vina, which is one of molecular docking and virtual screening applications, but is not limited thereto.
  • the processor 110 improves the accuracy of drug prediction by using the result of deep learning-based affinity prediction and the result of rule-based affinity prediction as in the above-described example together in a subsequent operation for drug prediction can make it That is, the processor 110 may use the rule-based affinity prediction result complementary to the deep learning-based affinity prediction result. For example, the processor 110 may basically use a result of deep learning-based affinity prediction in a subsequent operation for drug prediction. However, when the accuracy of the deep learning-based affinity estimation result is less than the critical level, the processor 110 reflects the rule-based affinity estimation result to the deep learning-based affinity estimation result to obtain the deep learning-based affinity estimation result After complementing , subsequent calculations for drug prediction can be performed.
  • the processor 110 When the accuracy of the deep learning-based affinity estimation result is higher than the critical level, the processor 110 does not reflect the rule-based affinity estimation result and performs a subsequent operation process for drug prediction based on the deep learning-based affinity estimation result can be performed. That is, the processor 110 can maintain the accuracy of the deep learning-based affinity estimation result and improve the accuracy of drug prediction by supplementarily using the rule-based affinity estimation result.
  • the processor 110 may predict a drug for controlling host entry of a specific virus based on the affinity between the drug calculated through the neural network model and potential targets expected to be involved in host entry of the specific virus.
  • the processor 110 calculates the affinity between the drug corresponding to the drug data included in the database and the target protein through a neural network model, and filters the database based on the calculated affinity, thereby filtering the drug of the drug to be predicted. data can be obtained.
  • drug data may be understood as data representing a chemical expression of a drug.
  • the processor 110 compares the affinity between a drug and a protein receptor and the affinity between a drug and a proteolytic enzyme calculated through a neural network model with a threshold value to determine a drug for controlling host entry of a specific virus.
  • the processor 110 may select drug data corresponding to the drug determined by comparison between the affinity and the threshold value from the database.
  • the processor 110 selects drug data existing in the database based on the result of comparing the affinity between the drug and the target protein with a threshold value, and the drug data corresponding to the drug for controlling host entry of a specific virus. can decide As such, the processor 110 can effectively predict a drug for controlling the entry of a virus into a host by comprehensively considering the affinity between the drug and the protein receptor and the affinity between the drug and the proteolytic enzyme.
  • the processor 110 may generate a final prediction result of a drug for controlling host entry of a specific virus through additional filtering using a score generated based on a proteolytic enzyme among target proteins. For example, the processor 110 may calculate a score for the predicted drug based on the affinity between the drug and a proteolytic enzyme in a target protein based on the predicted drug. In this case, the score may be calculated based on a result of comparing gene expression signatures of predicted drugs for proteolytic enzymes. And, the processor 110 lists the drugs based on the scores of the drugs predicted based on the drug-proteolytic enzyme affinity, and selects the drug corresponding to the higher score as the final drug for controlling host entry of a specific virus. It can be determined by the prediction result. Prediction accuracy may be further improved through additional filtering of the predicted drug.
  • the memory 130 may store any type of information generated or determined by the processor 110 and any type of information received by the network unit 150 .
  • the memory 130 may store and store a database including data representing chemical expressions of drugs.
  • the memory 130 is a flash memory type, a hard disk type, a multimedia card micro type, or a card type memory (eg, SD or XD memory, etc.), RAM (Random Access Memory, RAM), SRAM (Static Random Access Memory), ROM (Read-Only Memory, ROM), EEPROM (Electrically Erasable Programmable Read-Only Memory), PROM (Programmable Read-Only Memory) -Only Memory), a magnetic memory, a magnetic disk, and an optical disk may include at least one type of storage medium.
  • the computing device 100 may operate in relation to a web storage that performs a storage function of the memory 130 on the Internet.
  • the above description of the memory is only an example, and the present disclosure is not limited thereto.
  • the network unit 150 may use any type of known wired or wireless communication system.
  • the network unit 150 may transmit and receive a data set necessary for learning or reasoning of a neural network model, information processed by the processor 110, a user interface, and the like through communication with other terminals or systems.
  • the network unit 150 may receive data required for learning or reasoning of a neural network model through communication with an external database including data representing chemical expressions of drugs.
  • the network unit 150 may transmit the output of the neural network model learned by the processor 110 to an external database.
  • the computing device 100 may include a server as a computing system that transmits and receives data through communication with a client.
  • the client may be any type of terminal capable of accessing the server.
  • the computing device 100 that is a server may train a plurality of neural network models through a training data set.
  • the computing device 100 which is a server, may provide output data to the client using the learned models according to the request of the client.
  • the computing device 100 as a server may provide the learned models to the client according to the client's request.
  • the computing device 100 may include any type of terminal that receives data resources generated by any server and performs additional information processing.
  • FIG. 2 is a schematic diagram showing a neural network according to an embodiment of the present disclosure.
  • a neural network model may include a neural network for predicting binding affinity between a drug and a protein.
  • a neural network may consist of a set of interconnected computational units, which may generally be referred to as nodes. These nodes may also be referred to as neurons.
  • a neural network includes one or more nodes. Nodes (or neurons) constituting neural networks may be interconnected by one or more links.
  • one or more nodes connected through a link may form a relative relationship of an input node and an output node.
  • the concept of an input node and an output node is relative, and any node in an output node relationship with one node may have an input node relationship with another node, and vice versa.
  • an input node to output node relationship may be created around a link. More than one output node can be connected to one input node through a link, and vice versa.
  • the value of data of the output node may be determined based on data input to the input node.
  • a link interconnecting an input node and an output node may have a weight.
  • the weight may be variable, and may be changed by a user or an algorithm in order to perform a function desired by the neural network. For example, when one or more input nodes are interconnected by respective links to one output node, the output node is set to a link corresponding to values input to input nodes connected to the output node and respective input nodes.
  • An output node value may be determined based on the weight.
  • one or more nodes are interconnected through one or more links to form an input node and output node relationship in the neural network.
  • Characteristics of the neural network may be determined according to the number of nodes and links in the neural network, an association between the nodes and links, and a weight value assigned to each link. For example, when there are two neural networks having the same number of nodes and links and different weight values of the links, the two neural networks may be recognized as different from each other.
  • a neural network may be composed of a set of one or more nodes.
  • a subset of nodes constituting a neural network may constitute a layer.
  • Some of the nodes constituting the neural network may form one layer based on distances from the first input node.
  • a set of nodes having a distance of n from the first input node may constitute n layers.
  • the distance from the first input node may be defined by the minimum number of links that must be passed through to reach the corresponding node from the first input node.
  • the definition of such a layer is arbitrary for explanation, and the order of a layer in a neural network may be defined in a method different from the above.
  • a layer of nodes may be defined by a distance from a final output node.
  • An initial input node may refer to one or more nodes to which data is directly input without going through a link in relation to other nodes among nodes in the neural network.
  • it may mean nodes that do not have other input nodes connected by a link.
  • the final output node may refer to one or more nodes that do not have an output node in relation to other nodes among nodes in the neural network.
  • the hidden node may refer to nodes constituting the neural network other than the first input node and the last output node.
  • the number of nodes in the input layer may be the same as the number of nodes in the output layer, and the number of nodes decreases and then increases again as the number of nodes progresses from the input layer to the hidden layer.
  • the neural network according to another embodiment of the present disclosure may be a neural network in which the number of nodes of the input layer may be less than the number of nodes of the output layer and the number of nodes decreases as the number of nodes increases from the input layer to the hidden layer. there is.
  • the neural network according to another embodiment of the present disclosure is a neural network in which the number of nodes in the input layer may be greater than the number of nodes in the output layer, and the number of nodes increases as the number of nodes increases from the input layer to the hidden layer.
  • a neural network according to another embodiment of the present disclosure may be a neural network in the form of a combination of the aforementioned neural networks.
  • a deep neural network may refer to a neural network including a plurality of hidden layers in addition to an input layer and an output layer.
  • Deep neural networks can reveal latent structures in data. In other words, it can identify the latent structure of a photo, text, video, sound, or music (e.g., what objects are in the photo, what the content and emotion of the text are, what the content and emotion of the audio are, etc.).
  • Deep neural networks include convolutional neural networks (CNNs), recurrent neural networks (RNNs), auto encoders, generative adversarial networks (GANs), and restricted boltzmann machines (RBMs). machine), deep belief network (DBN), Q network, U network, Siamese network, and the like.
  • CNNs convolutional neural networks
  • RNNs recurrent neural networks
  • GANs generative adversarial networks
  • RBMs restricted boltzmann machines
  • machine deep belief network
  • DNN deep belief network
  • Q network Q network
  • U network Siamese network
  • a neural network may include an autoencoder.
  • An autoencoder may be a type of artificial neural network for outputting output data similar to input data.
  • An auto-encoder may include at least one hidden layer, and an odd number of hidden layers may be disposed between input and output layers. The number of nodes of each layer may be reduced from the number of nodes of the input layer to an intermediate layer called the bottleneck layer (encoding), and then expanded symmetrically with the reduction from the bottleneck layer to the output layer (symmetrical to the input layer).
  • Autoencoders can perform non-linear dimensionality reduction. The number of input layers and output layers may correspond to dimensions after preprocessing of input data.
  • the number of hidden layer nodes included in the encoder may decrease as the distance from the input layer increases. If the number of nodes in the bottleneck layer (the layer with the fewest nodes located between the encoder and decoder) is too small, a sufficient amount of information may not be conveyed, so more than a certain number (e.g., more than half of the input layer, etc.) ) may be maintained.
  • the neural network may be trained using at least one of supervised learning, unsupervised learning, semi-supervised learning, and reinforcement learning. Learning of the neural network may be a process of applying knowledge for the neural network to perform a specific operation to the neural network.
  • a neural network can be trained in a way that minimizes output errors.
  • the learning data is repeatedly input into the neural network, the output of the neural network for the training data and the error of the target are calculated, and the error of the neural network is transferred from the output layer of the neural network to the input layer in the direction of reducing the error. It is a process of updating the weight of each node of the neural network by backpropagating in the same direction.
  • the learning data in which the correct answer is labeled is used for each learning data (ie, the labeled learning data), and in the case of comparative teacher learning, the correct answer may not be labeled in each learning data.
  • learning data in the case of teacher learning regarding data classification may be data in which each learning data is labeled with a category.
  • Labeled training data is input to a neural network, and an error may be calculated by comparing an output (category) of the neural network and a label of the training data.
  • an error may be calculated by comparing input learning data with a neural network output. The calculated error is back-propagated in a reverse direction (ie, from the output layer to the input layer) in the neural network, and the connection weight of each node of each layer of the neural network may be updated according to the back-propagation. The amount of change in the connection weight of each updated node may be determined according to a learning rate.
  • the neural network's computation of input data and backpropagation of errors can constitute a learning cycle (epoch).
  • the learning rate may be applied differently according to the number of iterations of the learning cycle of the neural network. For example, a high learning rate may be used in the early stage of neural network training to increase efficiency by allowing the neural network to quickly obtain a certain level of performance, and a low learning rate may be used in the late stage to increase accuracy.
  • training data can be a subset of real data (ie, data to be processed using the trained neural network), and therefore, errors for training data are reduced, but errors for real data are reduced. There may be incremental learning cycles.
  • Overfitting is a phenomenon in which errors for actual data increase due to excessive learning on training data. For example, a phenomenon in which a neural network that has learned a cat by showing a yellow cat does not recognize that it is a cat when it sees a cat other than yellow may be a type of overfitting. Overfitting can act as a cause of increasing the error of machine learning algorithms.
  • Various optimization methods can be used to prevent such overfitting. To prevent overfitting, methods such as increasing the training data, regularization, inactivating some nodes in the network during learning, and using a batch normalization layer should be applied. can
  • FIG. 3 is a block diagram illustrating a drug prediction process of a computing device according to an embodiment of the present disclosure.
  • the processor 110 of the computing device 100 estimates the affinity of a neural network model and a drug corresponding to a target drug for controlling host entry of a virus based on the affinity.
  • a database 10 for prediction can be built.
  • the database 10 may include drug data representing chemical expressions of drugs.
  • the processor 110 may collect data on small molecule drugs approved by the US Food and Drug Administration (FDA) from an external database (DrugBank database, etc.) and store them in the database 10 .
  • a low-molecular-weight drug is a compound capable of regulating a biological process, and may be understood as a compound having a small number of molecular weights and a small size compared to compounds such as nucleic acids and proteins.
  • a small molecule drug can bind to a specific biological macromolecule and play a role of transforming the activity or function of a target.
  • the processor 110 may build the database 10 by collecting data on all stereoisomers of small molecule drugs stored in the database 10 from an external database (ZINC database, etc.).
  • the processor 110 may use a sequence of stereoisomer data as a query to merge stereoisomer data into the database 10 in which data on small molecule drugs are listed.
  • data on small molecule drugs and data on stereoisomers to be incorporated into the database 10 may be based on a simplified molecular-input line-entry system (SMILES) code.
  • the processor 110 may use the SMILES string of stereoisomer data as a query to merge the small molecule drug data and the stereoisomer data into the database 10 .
  • the sequence of data may be replaced with another code capable of representing the chemical expression of a drug even if it is not the SMILES code.
  • the processor 110 determines whether the sequence of data on small molecule drugs and the sequence of data on stereoisomers match the small molecule drug in database 10.
  • data can be classified.
  • the processor 110 may determine the data on the small molecule drug as isomer data to be used for prediction.
  • the processor 110 may determine the data on the small molecule drug as racemate data not to be used for prediction.
  • the processor 110 may organize data on small molecule drugs to be used for drug prediction in the database 10 .
  • the processor 110 may extract drug data to be used for prediction from the database 10 built as described above.
  • the processor 110 may use the neural network model 200 to estimate the affinity between the drug and a target protein expected to be essential for the virus to enter the host based on the drug data extracted from the database 10 .
  • the processor 110 inputs the drug data obtained from the database 10 into the neural network model 200 to determine the first affinity 21 between the drug and the protein receptor and the second affinity between the drug and the proteolytic enzyme. (22) can be estimated.
  • the first affinity 21 may be estimated based on K D , which is one of indicators for quantifying the binding force, binding energy, or affinity between a drug and a protein receptor.
  • the second affinity 22 may be estimated based on K D , which is one of indicators for quantifying the binding force, binding energy, or affinity between a drug and a proteolytic enzyme. Since the affinity (or binding force) between K D and proteins and drugs is inversely proportional, it can be understood that the smaller the K D value, the greater (or superior) the first affinity (21) and the second affinity (22). there is.
  • the fact that the first affinity 21 is high (or excellent) can be understood as high affinity (or binding force) between the drug and the protein receptor.
  • the fact that the second affinity 22 is large (or excellent) can be understood as a high affinity (or binding force) between the drug and the proteolytic enzyme.
  • the processor 110 may extract data on small molecule drugs classified as isomer data in the database 10 as drug data to be input to the neural network model 200 . Since the small-molecule drug classified as racemic cannot be expressed in one sequence, and the ratio of isomers and the biological result for humans for each isomer may be different, the processor 110 determines the small-molecule drug classified as racemic data. The data is not used as input data of the neural network model 200. The processor 110 may calculate the first affinity 21 of a drug targeting the amino acid sequence of a protein receptor based on the sequence of drug data extracted from the database 10 using the neural network model 200. there is.
  • the processor 110 may use the neural network model 200 to calculate the second affinity 22 of the drug targeting the amino acid sequence of the proteolytic enzyme based on the sequence of the drug data.
  • the sequence of drug data extracted from the database 10 may be based on the SMILES code.
  • the sequence of drug data may be replaced with another code capable of representing the chemical expression of a drug even if it is not the SMILES code.
  • the neural network model 200 may be a self-attention-based model for predicting affinity between a drug and a target protein.
  • the neural network model 200 may extract feature values of each drug and protein receptor based on a sequence of drug data and a sequence of protein receptor data.
  • the neural network model 200 may generate an attention map based on the characteristic values of the drug and the protein receptor, respectively, and generate a characteristic value of the drug to which the attention map is applied and a characteristic value of the protein receptor to which the attention map is applied.
  • the neural network model 200 may perform an attention operation based on feature values of a global context level rather than a token level to reconstruct the feature values of the drug and the feature values of the protein.
  • Attention calculation at the global context level can reflect the interaction between a drug and a target protein in the affinity estimation result, and can provide interpretation of the affinity estimation result.
  • the neural network model 200 may be pre-trained to consider the global context of a sequence representing a chemical expression of drug data in training data.
  • the neural network model 200 may calculate the affinity between the drug and the protein receptor based on the characteristic values of the drug and the protein receptor generated through the attention operation. Since the calculation process for predicting the affinity between the drug and the proteolytic enzyme may be performed in the same manner as in the above-described example, a detailed description thereof will be omitted.
  • the processor 110 may predict a drug corresponding to a target drug for controlling virus host entry based on the first affinity 21 and the second affinity 22 estimated through the neural network model 200. .
  • the processor 110 may filter the database 10 including drug data based on the first affinity 21 and the second affinity 22 to generate data 30 corresponding to the predicted drug.
  • the processor 110 predicts a drug based on the result of comparing the first affinity 21 and the second affinity 22 with a threshold value, and then selects drug data corresponding to the predicted drug from the database 10.
  • the predictive drug data 30 may be generated.
  • the first affinity 21 and the second affinity 22 may be calculated based on K D , which is an index representing an equilibrium dissociation constant between a protein and a drug.
  • the processor 110 may compare the first affinity 21 and the second affinity 22 for a specific drug with a threshold value to determine whether the specific drug corresponds to a target drug to be predicted. Assuming that the database 10 contains data corresponding to drugs A, drugs B, and drugs determined as isomers to be used for prediction rather than racemates, the processor 110 converts the neural network model 200 to drugs A and drugs. A first affinity (21) and a second affinity (22) may be generated for B and drug C, respectively. The processor 110 determines drugs capable of controlling the host entry of viruses among drugs A, B, and C based on the result of comparing the affinity of each drug with a threshold value, and stores data of the determined drugs in a database ( 10) can be extracted.
  • the processor 110 may determine that drug A is not a target drug to be predicted. there is. If at least one of the first affinity 21 and the second affinity 22 for each of drugs B and C is less than a threshold value, the processor 110 determines that drugs B and C are target drugs to be predicted. can decide In addition, the processor 110 may select drug data corresponding to drug B and drug data corresponding to drug C by filtering (or screening) the database 10 .
  • the processor 110 may calculate a score by comparing gene expression signatures of drugs for proteolytic enzymes based on drug data filtered from the database 10 .
  • the processor 110 may determine data on top N drugs (where N is a natural number) as final data on predicted drugs based on the calculated scores. For example, assuming that 30 drugs are predicted based on a result of comparing at least one of the first affinity 21 and the second affinity 22 with a threshold value, the processor 110 selects 30 drugs. Connectivity scores for each of the 30 drugs can be calculated by comparing the gene expression signatures of proteolytic enzymes and drugs based on the data for these drugs.
  • the processor 110 may determine the top 10 drugs as final predicted drugs based on the connectivity scores of each of the 30 drugs.
  • the processor 110 may generate predictive drug data 30 by extracting data of the top 10 drugs determined as final predicted drugs from the database 10 .
  • Final prediction based on such a score can be understood as a computational process additionally performed to affinity-based prediction. That is, the final prediction based on the score can be understood as an operation process selectively performed to supplement the accuracy of the prediction based on the affinity.
  • FIG. 4 is a flowchart illustrating a drug prediction process of a computing device according to an embodiment of the present disclosure.
  • the computing device 100 may build a database based on small molecule drug data and stereoisomer data of the small molecule drug.
  • the computing device 100 may construct a database by classifying the small molecule drug data according to whether the sequence of the small molecule drug data matches the sequence of stereoisomer data of the small molecule drug. For example, when a sequence of small molecule drug data and a sequence of stereoisomer data match, the computing device 100 may classify and store the corresponding small molecule drug data as isomer data to be used for prediction.
  • the computing device 100 may classify and store the corresponding small molecule drug data as isomer data to be used for prediction.
  • the sequence of data may be understood as a character string representing a chemical expression of a drug or protein.
  • the computing device 100 estimates a first affinity between a drug and a protein receptor and a second affinity between a drug and a protease by using a pretrained neural network model.
  • the computing device 100 may input drug data obtained from a pre-constructed database into a neural network model to estimate a first affinity between a drug and a protein receptor and a second affinity between a drug and a proteolytic enzyme.
  • the drug data input to the neural network model may be data on small-molecule drugs classified as isomers based on whether the sequence of first data on small-molecule drugs and the sequence of second data on stereoisomers of small-molecule drugs match. .
  • first data that matches the sequence of the second data may be classified as isomeric data, and first data that does not match the sequence of the second data may be classified as racemic data.
  • first data matching the sequence of the second data can be used as an input to the neural network model.
  • the computing device 100 may filter the database based on the first affinity and the second affinity calculated in step S200 to predict a drug for controlling virus entry into the host.
  • filtering may be understood as an operation process of selecting drug data determined according to a result of comparing at least one of the first affinity and the second affinity with a threshold value from the database. For example, when the first affinity and the second affinity are calculated based on K d , the computing device 100 stores drug data for which at least one of the first affinity and the second affinity is less than a threshold value in a database. It is possible to generate data representing the predicted results of drugs by selecting from.
  • the computing device 100 may selectively calculate a connectivity score of each of the predicted drugs based on the first affinity and the second affinity to determine the final predicted drug.
  • the connectivity score may be calculated based on a result of comparing the gene expression signature between the proteolytic enzyme and the drug.
  • a computer readable medium storing a data structure is disclosed.
  • Data structure can refer to the organization, management, and storage of data that enables efficient access and modification of data.
  • Data structure may refer to the organization of data to solve a specific problem (eg, data retrieval, data storage, data modification in the shortest time).
  • a data structure may be defined as a physical or logical relationship between data elements designed to support a specific data processing function.
  • a logical relationship between data elements may include a connection relationship between user-defined data elements.
  • a physical relationship between data elements may include an actual relationship between data elements physically stored in a computer-readable storage medium (eg, a persistent storage device).
  • the data structure may specifically include a set of data, a relationship between data, and a function or command applicable to the data.
  • a computing device can perform calculations while using minimal resources of the computing device. Specifically, the computing device can increase the efficiency of operation, reading, insertion, deletion, comparison, exchange, and search through an effectively designed data structure.
  • the data structure can be divided into a linear data structure and a non-linear data structure according to the shape of the data structure.
  • a linear data structure may be a structure in which only one data is connected after one data.
  • Linear data structures may include lists, stacks, queues, and decks.
  • a list may refer to a series of data sets in which order exists internally.
  • the list may include a linked list.
  • a linked list may be a data structure in which data are connected in such a way that each data is connected in a single line with a pointer. In a linked list, a pointer can contain information about connection to the next or previous data.
  • a linked list can be expressed as a singly linked list, a doubly linked list, or a circular linked list depending on the form.
  • a stack can be a data enumeration structure that allows limited access to data.
  • a stack can be a linear data structure in which data can be processed (eg, inserted or deleted) at only one end of the data structure.
  • the data stored in the stack may be a LIFO-Last in First Out (Last in First Out) data structure.
  • a queue is a data listing structure that allows limited access to data, and unlike a stack, it can be a data structure (FIFO-First in First Out) in which data stored later comes out later.
  • a deck can be a data structure that can handle data from either end of the data structure.
  • the nonlinear data structure may be a structure in which a plurality of data are connected after one data.
  • the non-linear data structure may include a graph data structure.
  • a graph data structure can be defined as a vertex and an edge, and an edge can include a line connecting two different vertices.
  • a graph data structure may include a tree data structure.
  • the tree data structure may be a data structure in which one path connects two different vertices among a plurality of vertices included in the tree. That is, it may be a data structure that does not form a loop in a graph data structure.
  • the data structure may include a neural network. And the data structure including the neural network may be stored in a computer readable medium.
  • the data structure including the neural network may also include preprocessed data for processing by the neural network, data input to the neural network, weights of the neural network, hyperparameters of the neural network, data obtained from the neural network, activation function associated with each node or layer of the neural network, and neural network It may include a loss function for learning of .
  • a data structure including a neural network may include any of the components described above.
  • the data structure including the neural network includes preprocessed data for processing by the neural network, data input to the neural network, weights of the neural network, hyperparameters of the neural network, data obtained from the neural network, activation function associated with each node or layer of the neural network, and neural network. It may be configured to include all or any combination thereof, such as a loss function for learning of .
  • the data structure comprising the neural network may include any other information that determines the characteristics of the neural network.
  • the data structure may include all types of data used or generated in the computational process of the neural network, but is not limited to the above.
  • a computer readable medium may include a computer readable recording medium and/or a computer readable transmission medium.
  • a neural network may consist of a set of interconnected computational units, which may generally be referred to as nodes. These nodes may also be referred to as neurons.
  • a neural network includes one or more nodes.
  • the data structure may include data input to the neural network.
  • a data structure including data input to the neural network may be stored in a computer readable medium.
  • Data input to the neural network may include training data input during a neural network learning process and/or input data input to a neural network that has been trained.
  • Data input to the neural network may include pre-processed data and/or data subject to pre-processing.
  • Pre-processing may include a data processing process for inputting data to a neural network.
  • the data structure may include data subject to pre-processing and data generated by pre-processing.
  • the data structure may include the weights of the neural network.
  • weights and parameters may be used in the same meaning.
  • a data structure including weights of a neural network may be stored in a computer readable medium.
  • a neural network may include a plurality of weights.
  • the weight may be variable, and may be changed by a user or an algorithm in order to perform a function desired by the neural network. For example, when one or more input nodes are interconnected by respective links to one output node, the output node is set to a link corresponding to values input to input nodes connected to the output node and respective input nodes.
  • a data value output from an output node may be determined based on the weight.
  • the weights may include weights that are varied during neural network training and/or weights for which neural network training has been completed.
  • the variable weight in the neural network learning process may include a weight at the time the learning cycle starts and/or a variable weight during the learning cycle.
  • the weights for which neural network learning has been completed may include weights for which learning cycles have been completed.
  • the data structure including the weights of the neural network may include a data structure including weights that are variable during the neural network learning process and/or weights for which neural network learning is completed. Therefore, it is assumed that the above-described weights and/or combinations of weights are included in the data structure including the weights of the neural network.
  • the foregoing data structure is only an example, and the present disclosure is not limited thereto.
  • the data structure including the weights of the neural network may be stored in a computer readable storage medium (eg, a memory or a hard disk) after going through a serialization process.
  • Serialization can be the process of converting a data structure into a form that can be stored on the same or another computing device and later reconstructed and used.
  • a computing device may serialize data structures to transmit and receive data over a network.
  • the data structure including the weights of the serialized neural network may be reconstructed on the same computing device or another computing device through deserialization.
  • the data structure including the weights of the neural network is not limited to serialization.
  • the data structure including the weights of the neural network is a data structure for increasing the efficiency of operation while minimizing the resource of the computing device (for example, B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree).
  • the resource of the computing device for example, B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree.
  • the data structure may include hyper-parameters of the neural network.
  • the data structure including the hyperparameters of the neural network may be stored in a computer readable medium.
  • a hyperparameter may be a variable variable by a user. Hyperparameters include, for example, learning rate, cost function, number of learning cycle iterations, weight initialization (eg, setting the range of weight values to be targeted for weight initialization), hidden unit number (eg, the number of hidden layers and the number of nodes in the hidden layer).
  • weight initialization eg, setting the range of weight values to be targeted for weight initialization
  • hidden unit number eg, the number of hidden layers and the number of nodes in the hidden layer.
  • FIG. 5 is a simplified and general schematic diagram of an exemplary computing environment in which embodiments of the present disclosure may be implemented.
  • program modules include routines, programs, components, data structures, etc. that perform particular tasks or implement particular abstract data types.
  • methods of the present disclosure can be applied to single-processor or multiprocessor computer systems, minicomputers, mainframe computers as well as personal computers, handheld computing devices, microprocessor-based or programmable consumer electronics, and the like ( It will be appreciated that each of these may be implemented with other computer system configurations, including those that may be operative in connection with one or more associated devices.
  • the described embodiments of the present disclosure may also be practiced in distributed computing environments where certain tasks are performed by remote processing devices that are linked through a communications network.
  • program modules may be located in both local and remote memory storage devices.
  • Computers typically include a variety of computer readable media.
  • Computer readable media can be any medium that can be accessed by a computer, including volatile and nonvolatile media, transitory and non-transitory media, removable and non-transitory media. Includes removable media.
  • Computer readable media may include computer readable storage media and computer readable transmission media.
  • Computer readable storage media are volatile and nonvolatile media, transitory and non-transitory, 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.
  • Computer readable storage media may include RAM, ROM, EEPROM, flash memory or other memory technology, CD-ROM, digital video disk (DVD) or other optical disk storage device, magnetic cassette, magnetic tape, magnetic disk storage device or other magnetic storage device. device, or any other medium that can be accessed by a computer and used to store desired information.
  • a computer readable transmission medium typically embodies computer readable instructions, data structures, program modules or other data in a modulated data signal such as a carrier wave or other transport mechanism. Including all information delivery media.
  • modulated data signal means a signal that has one or more of its characteristics set or changed so as to encode information within the signal.
  • computer readable transmission media includes wired media such as a wired network or direct-wired connection, and wireless media such as acoustic, RF, infrared, and other wireless media. Combinations of any of the above are also intended to be included within the scope of computer readable transmission media.
  • System bus 1108 couples system components, including but not limited to system memory 1106 , to processing unit 1104 .
  • Processing unit 1104 may be any of a variety of commercially available processors. Dual processor and other multiprocessor architectures may also be used as the processing unit 1104.
  • System bus 1108 may be any of several types of bus structures that may additionally be interconnected to a memory bus, a peripheral bus, and a local bus using any of a variety of commercial bus architectures.
  • System memory 1106 includes read only memory (ROM) 1110 and random access memory (RAM) 1112 .
  • ROM read only memory
  • RAM random access memory
  • a basic input/output system (BIOS) is stored in non-volatile memory 1110, such as ROM, EPROM, or EEPROM, and is a basic set of information that helps transfer information between components within computer 1102, such as during startup. contains routines.
  • RAM 1112 may also include high-speed RAM, such as static RAM, for caching data.
  • the computer 1102 may also include an internal hard disk drive (HDD) 1114 (eg, EIDE, SATA) - the internal hard disk drive 1114 may also be configured for external use within a suitable chassis (not shown).
  • HDD hard disk drive
  • FDD magnetic floppy disk drive
  • optical disk drive 1120 e.g., a CD-ROM
  • the hard disk drive 1114, magnetic disk drive 1116, and optical disk drive 1120 are connected to the system bus 1108 by a hard disk drive interface 1124, magnetic disk drive interface 1126, and optical drive interface 1128, respectively.
  • the interface 1124 for external drive implementation includes at least one or both of USB (Universal Serial Bus) and IEEE 1394 interface technologies.
  • drives and their associated computer readable media provide non-volatile storage of data, data structures, computer executable instructions, and the like.
  • drives and media correspond to storing any data in a suitable digital format.
  • computer readable media refers to HDDs, removable magnetic disks, and removable optical media such as CDs or DVDs, those skilled in the art can use zip drives, magnetic cassettes, flash memory cards, cartridges, etc. It will be appreciated that other tangible media readable by the computer, such as the like, may also be used in the exemplary operating environment and any such media may include computer executable instructions for performing the methods of the present disclosure.
  • a number of program modules may be stored on the drive and RAM 1112, including an operating system 1130, one or more application programs 1132, other program modules 1134, and program data 1136. All or portions of the operating system, applications, modules and/or data may also be cached in RAM 1112. It will be appreciated that the present disclosure may be implemented in a variety of commercially available operating systems or combinations of operating systems.
  • a user may enter commands and information into the computer 1102 through one or more wired/wireless input devices, such as a keyboard 1138 and a pointing device such as a mouse 1140.
  • Other input devices may include a microphone, IR remote control, joystick, game pad, stylus pen, touch screen, and the like.
  • an input device interface 1142 that is connected to the system bus 1108, a parallel port, IEEE 1394 serial port, game port, USB port, IR interface, may be connected by other interfaces such as the like.
  • a monitor 1144 or other type of display device is also connected to the system bus 1108 through an interface such as a video adapter 1146.
  • computers typically include other peripheral output devices (not shown) such as speakers, printers, and the like.
  • Computer 1102 may operate in a networked environment using logical connections to one or more remote computers, such as remote computer(s) 1148 via wired and/or wireless communications.
  • Remote computer(s) 1148 may be a workstation, computing device computer, router, personal computer, handheld computer, microprocessor-based entertainment device, peer device, or other common network node, and generally includes It includes many or all of the components described for, but for simplicity, only memory storage device 1150 is shown.
  • the logical connections shown include wired/wireless connections to a local area network (LAN) 1152 and/or a larger network, such as a wide area network (WAN) 1154 .
  • LAN and WAN networking environments are common in offices and corporations and facilitate enterprise-wide computer networks, such as intranets, all of which can be connected to worldwide computer networks, such as the Internet.
  • computer 1102 When used in a LAN networking environment, computer 1102 connects to local network 1152 through wired and/or wireless communication network interfaces or adapters 1156. Adapter 1156 may facilitate wired or wireless communications to LAN 1152, which also includes a wireless access point installed therein to communicate with wireless adapter 1156.
  • computer 1102 When used in a WAN networking environment, computer 1102 may include a modem 1158, be connected to a communicating computing device on WAN 1154, or establish communications over WAN 1154, such as over the Internet. have other means.
  • a modem 1158 which may be internal or external and a wired or wireless device, is connected to the system bus 1108 through a serial port interface 1142.
  • program modules described for computer 1102, or portions thereof may be stored on remote memory/storage device 1150. It will be appreciated that the network connections shown are exemplary and other means of establishing a communication link between computers may be used.
  • Computer 1102 is any wireless device or entity that is deployed and operating in wireless communication, eg, printers, scanners, desktop and/or portable computers, portable data assistants (PDAs), communication satellites, wireless detectable tags associated with It operates to communicate with arbitrary equipment or places and telephones.
  • wireless communication eg, printers, scanners, desktop and/or portable computers, portable data assistants (PDAs), communication satellites, wireless detectable tags associated with It operates to communicate with arbitrary equipment or places and telephones.
  • PDAs portable data assistants
  • communication satellites e.g., a wireless detectable tags associated with It operates to communicate with arbitrary equipment or places and telephones.
  • the communication may be a predefined structure as in conventional networks or simply an ad hoc communication between at least two devices.
  • Wi-Fi Wireless Fidelity
  • Wi-Fi is a wireless technology, such as a cell phone, that allows such devices, eg, computers, to transmit and receive data both indoors and outdoors, i.e. anywhere within coverage of a base station.
  • Wi-Fi networks use a radio technology called IEEE 802.11 (a, b, g, etc.) to provide secure, reliable, and high-speed wireless connections.
  • Wi-Fi can be used to connect computers to each other, to the Internet, and to wired networks (using IEEE 802.3 or Ethernet).
  • Wi-Fi networks can operate in the unlicensed 2.4 and 5 GHz radio bands, for example, at 11 Mbps (802.11a) or 54 Mbps (802.11b) data rates, or in products that include both bands (dual band) .
  • Various embodiments presented herein may be implemented as a method, apparatus, or article of manufacture using standard programming and/or engineering techniques.
  • article of manufacture includes a computer program, carrier, or media accessible from any computer-readable storage device.
  • computer-readable storage media include magnetic storage devices (eg, hard disks, floppy disks, magnetic strips, etc.), optical disks (eg, CDs, DVDs, etc.), smart cards, and flash memory devices (eg, EEPROM, cards, sticks, key drives, etc.), but are not limited thereto.
  • various storage media presented herein include one or more devices and/or other machine-readable media for storing information.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Medicinal Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 바이러스의 숙주 진입을 제어하기 위한 약물의 예측 방법이 개시된다. 상기 방법은, 사전 학습된 신경망 모델을 사용하여, 약물과 단백질 수용체 간의 제 1 친화도 및 상기 약물과 단백 분해 효소 간의 제 2 친화도를 추정하는 단계 및 상기 제 1 친화도 및 상기 제 2 친화도를 기준으로 데이터베이스를 필터링(filtering) 하여, 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 단계를 포함할 수 있다.

Description

바이러스의 숙주 진입을 제어하기 위한 약물의 예측 방법
본 발명은 딥러닝 기반 약물 예측 방법에 관한 것으로, 보다 구체적으로 딥러닝 접근 방식을 사용하여 특정 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 방법에 관한 것이다.
중증급성호흡기증후군 코로나바이러스 2(SARS-CoV-2)로 인한 코로나바이러스 감염증 2019(COVID-19) 대유행이 공중보건 관리에 심각한 위협이 되고 있다. 2019년 12월 이후 약 8개월 동안, 210개 이상의 국가 및 지역에서 최소 5,500만 건의 사례가 보고되었으며, COVID-19 발생은 현재 진행 중이다. 바이러스 감염의 확산을 막기 위한 백신과 치료제 개발이 시급한 상황이지만, 전 세계 연구자들의 광범위한 노력에도 불구하고 안타깝게도 렘데시비르(GS-5734)를 제외한 COVID-19에 효과적인 약물이나 치료법은 아직 발견되지 않았다. 다국적 무작위 배정 임상시험(multinational randomized clinical trials)에서 렘데시비르는 사망률에 유의한 차이는 없으나, 환자의 회복기간을 단축시키는 것으로 알려져 있다. 그러나, SARS-CoV-2의 감염 증상으로 고통받는 환자에게는 더 효과적인 약물이 여전히 필요하다.
렘데시비르의 승인 이후 임상적으로 중요한 치료 옵션은 여전히 부족한 상황이다. 그러므로, COVID-19를 보다 효율적으로 극복하기 위해서는, 치료제 생산을 위한 SARS-CoV-2의 복제뿐만 아니라 SARS-CoV-2의 숙주의 진입 단계까지 제어하는 치료 전략을 고려해야 한다. 예를 들어, SARS-CoV-2는 숙주 세포로의 감염을 위해 단백질 수용체 ACE2와 단백 분해 효소 TMPRSS2를 사용할 것으로 파악되고 있다. 단백질 수용체 ACE2는 이미 SARS-CoV의 결합 수용체로 알려져 있고, 이는 SARS-CoV와 매우 밀접한 진화(evolutionary) 관계를 유지하는 SAR-CoV-2도 숙주 세포 진입을 위해 ACE2를 사용한다는 것을 뒷받침한다. 또한, 단백 분해 효소 TMPRSS2는 SARS-CoV-2 진입 중 관여하여 바이러스 스파이크(viral spike)-ACE2 복합 단백질 분해를 활성화시키는 역할을 수행하는 것으로 예상되고 있다. 즉, COVID-19의 치료 전략 중 하나로 바이러스의 숙주 진입에 필수적인 것으로 예상되는 단백질 수용체와 단백 분해 효소를 표적으로 하는 약물 후보를 예측하는 것을 고려할 수 있다.
대한민국 공개특허 제10-2018-0087069호(2018.08.01)는 자가 학습을 통한 약물-단백질 간 관계 예측을 위한 모델링 기법에 관하여 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 딥러닝 접근 방식을 사용하여 바이러스의 숙주 진입에 필수적일 것으로 판단되는 잠재적인 표적을 제어할 수 있는 약물 후보를 예측하는 방법을 제공하는 것을 목적으로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 바이러스의 숙주 진입을 제어하기 위한 약물의 예측 방법이 개시된다. 상기 방법은, 사전 학습된 신경망 모델을 사용하여, 약물과 단백질 수용체 간의 제 1 친화도 및 상기 약물과 단백 분해 효소 간의 제 2 친화도를 추정하는 단계; 및 상기 제 1 친화도 및 상기 제 2 친화도를 기준으로 데이터베이스를 필터링(filtering) 하여, 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 방법은, 저분자(small molecule) 약물에 관한 제 1 데이터 및 상기 저분자 약물의 입체 이성질체(stereoisomer)에 관한 제 2 데이터를 기초로 상기 데이터베이스를 구축하는 단계를 더 포함할 수 있다.
대안적 실시예에서, 상기 데이터베이스를 구축하는 단계는, 상기 제 2 데이터의 시퀀스(sequence)를 쿼리(query)로 사용하여 상기 제 1 데이터가 나열된 데이터베이스에 상기 제 2 데이터를 병합하는 단계; 및 상기 제 1 데이터의 시퀀스와 상기 제 2 데이터의 시퀀스 간의 일치 여부에 따라 상기 제 1 데이터를 분류하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 제 1 데이터를 분류하는 단계는, 상기 제 2 데이터의 시퀀스와 일치하는 제 1 데이터를 예측에 사용할 이성질체(isomer) 데이터로 결정하는 단계; 및 상기 제 2 데이터의 시퀀스와 일치하지 않는 제 1 데이터를 예측에 사용하지 않을 라세미체(racemate) 데이터로 결정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 제 1 데이터의 시퀀스 및 상기 제 2 데이터의 시퀀스는, SMILES(simplified molecular-input line-entry system) 코드에 기반할 수 있다.
대안적 실시예에서, 상기 약물과 단백질 수용체 간의 제 1 친화도 및 상기 약물과 단백 분해 효소 간의 제 2 친화도를 추정하는 단계는, 상기 데이터베이스로부터 획득된 약물 데이터를 상기 신경망 모델에 입력하여, 상기 약물 데이터에 대응하는 약물과 상기 단백질 수용체 간의 제 1 친화도 및 상기 약물 데이터에 대응하는 약물과 상기 단백 분해 효소 간의 제 2 친화도를 추정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 약물 데이터는, 저분자 약물에 관한 제 1 데이터의 시퀀스와 상기 저분자 약물의 입체 이성질체(stereoisomer)에 관한 제 2 데이터의 시퀀스의 일치 여부를 기초로 이성질체(isomer)로 분류된 저분자 약물에 관한 데이터일 수 있다.
대안적 실시예에서, 상기 신경망 모델은, 셀프-어텐션(self-attention) 기반 모델로서, 학습 데이터의 화학적 표현을 나타내는 시퀀스의 전역 콘텍스트(global context)를 고려하도록 사전 학습될 수 있다.
대안적 실시예에서, 상기 약물 데이터에 대응하는 약물과 상기 단백질 수용체 간의 제 1 친화도 및 상기 약물 데이터에 대응하는 약물과 상기 단백 분해 효소 간의 제 2 친화도를 추정하는 단계는, 상기 신경망 모델을 사용하여, 상기 약물 데이터의 화학적 표현을 나타내는 시퀀스를 기초로 상기 단백질 수용체의 아미노산 서열을 표적으로 하는 약물의 제 1 친화도를 산출하는 단계; 및 상기 신경망 모델을 사용하여, 상기 약물 데이터의 화학적 표현을 나타내는 시퀀스를 기초로 상기 단백 분해 효소의 아미노산 서열을 표적으로 하는 약물의 제 2 친화도를 산출하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 단계는, 상기 제 1 친화도 및 상기 제 2 친화도를 개별적으로 사전 결정된 임계값과 비교하여, 상기 데이터베이스에 포함된 약물 데이터를 필터링하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 단계는, 상기 데이터베이스에서 필터링된 약물 데이터를 기초로, 상기 단백 분해 효소에 대한 상기 약물의 유전자 발현 지표(gene expression signature)을 비교하여 스코어(score)를 산출하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 단계는, 상기 데이터베이스에서 필터링된 약물 데이터 중 상기 스코어를 기초로 상위 N개(N은 자연수)의 약물 데이터를 상기 바이러스의 숙주 진입을 제어하기 위한 약물 데이터로 결정하는 단계를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 바이러스의 숙주 진입을 제어하기 위한 약물의 예측을 수행하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 사전 학습된 신경망 모델을 사용하여, 약물과 단백질 수용체 간의 제 1 친화도 및 상기 약물과 단백 분해 효소 간의 제 2 친화도를 추정하는 동작; 및 상기 제 1 친화도 및 상기 제 2 친화도를 기준으로 데이터베이스를 필터링 하여, 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 딥러닝을 기반으로 바이러스의 숙주 진입을 제어하기 위한 약물의 예측을 수행하는 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어를 포함하는 프로세서; 상기 사전 학습된 신경망 모델을 사용하여, 약물과 단백질 수용체 간의 제 1 친화도 및 상기 약물과 단백 분해 효소 간의 제 2 친화도를 추정하고, 상기 제 1 친화도 및 상기 제 2 친화도를 기준으로 데이터베이스를 필터링 하여, 바이러스의 숙주 진입을 제어하기 위한 약물을 예측할 수 있다.
본 개시는 딥러닝 접근 방식을 사용하여 바이러스의 숙주 진입에 필수적일 것으로 판단되는 잠재적인 표적을 제어할 수 있는 약물 후보를 예측하는 방법을 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 약물의 예측을 수행하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 약물 예측 과정을 나타낸 블록 구성도이다.
도 4는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 약물 예측 과정을 나타낸 순서도이다.
도 5는 본 개시의 일 실시예에 따른 컴퓨팅 환경의 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
한편, 본 개시의 상세한 설명 및 청구항들에 걸쳐 표현된 "제 K(K은 자연수)"이라는 용어는 발명의 구성요소들을 시간적, 기능적 혹은 구조적 관점에서 상호 구별하기 위해 사용되는 표현으로 이해될 수 있다. "제 K"이라는 용어는 소정의 기준에 따라 구성요소들을 구별하여 표현하기 위해 사용되는 용어로 이해될 수 있다. 예를 들어, 본 개시에서 약물과 표적 물질 간의 친화도는 약물은 동종이나 표적 물질이 이종인 경우에 제 1 친화도, 제 2 친화도와 같이 제 K 구성이라는 표현을 통해 구별될 수 있다. 또한, 도메인 특성에 따라 달라지는 약물 데이터는 제 1 데이터, 제 2 데이터와 같이 제 K 구성이라는 표현을 통해 구별될 수 있다. 다만, 이는 하나의 예시일 뿐이며, 여러 관점에서 다양한 기준에 따라 구성요소들을 구별하기 위해 "제 K"이라는 용어가 사용될 수 있다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
도 1은 본 개시의 일 실시예에 따른 의료 영상을 분석하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 신경망의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 신경망의 학습, 신경망을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 신경망의 학습, 신경망을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 사전 학습된 신경망 모델을 사용하여, 약물과 특정 바이러스의 숙주 진입에 관여하는 것으로 예상되는 잠재적인 표적들 간의 친화도를 예측할 수 있다. 이때, 특정 바이러스의 숙주 진입에 관여하는 것으로 예상되는 잠재적인 표적들이란, 특정 바이러스가 숙주에 진입하는 단계에서 사용하는 단백질 수용체 및 단백 분해 효소로 이해될 수 있다. 그리고, 친화도는 약물과 표적 물질에 작용하는 결합력 혹은 친화력을 나타내는 지표로 이해될 수 있다. 즉, 프로세서(110)는 약물과 표적 물질 간 친화도를 예측하는 신경망 모델을 사용하여, 약물과 단백질 수용체 간의 결합력을 나타내는 친화도 및 약물과 단백 분해 효소 간의 결합력을 나타내는 친화도를 추정할 수 있다.
예를 들어, 프로세서(110)는 약물의 화학적 표현을 나타내는 데이터를 신경망 모델에 입력하여 약물-단백질 수용체 간 친화도, 약물-단백 분해 효소 간 친화도를 추정할 수 있다. 이때, 신경망 모델은 셀프-어텐션(self-attention) 기반의 모델로서, 약물과 화학 단백질 쌍의 친화도를 산출하도록 사전 학습될 수 있다. 그리고, 친화도는 단백질과 약물 간의 평형 해리 상수를 나타내는 지표인 KD를 기초로 계산될 수 있다. KD는 약물의 농도와 관련된 지표이므로, KD와 단백질 및 약물 간의 친화력(또는 결합력)은 반비례 관계이다. 따라서, KD의 값이 클수록, 약물-단백질 수용체 혹은 약물-단백 분해 효소 간 친화력(또는 결합력)은 낮은 것으로 이해될 수 있다. 즉, KD의 값이 클수록, 약물-단백질 간 친화도는 낮은 것으로 이해될 수 있다. 또한, 특정 바이러스가 COVID-19를 유발하는 SARS-CoV-2인 경우, SARS-CoV-2가 표적 세포에 진입하기 위해 필수적인 것으로 판단되는 단백질 수용체는 ACE2, SARS-CoV-2가 표적 세포에 진입하기 위해 필수적인 것으로 판단되는 단백 분해 효소는 TMPRSS2일 수 있다. 즉, 특정 바이러스가 COVID-19를 유발하는 SARS-CoV-2인 경우, 프로세서(110)는 약물의 화학적 표현을 나타내는 데이터를 신경망 모델에 입력하여 약물-ACE2 간 친화도, 약물-TMPRSS2 간 친화도를 추정할 수 있다. 상술한 신경망 모델의 종류, 친화도 지표, 단백질 수용체의 종류 및 단백 분해 효소의 종류는 하나의 예시일 뿐이므로, 본 개시를 기반으로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
프로세서(110)는 전술한 딥러닝 기반의 친화도 예측에 더불어 룰 기반의 친화도 예측을 수행할 수도 있다. 이때, 룰 기반의 친화도 예측은 단백질의 구조를 파악하여 화합물에 단백질에 도킹(docking) 시키는 알고리즘을 기반으로 수행되는 연산 과정으로 이해될 수 있다. 예를 들어, 프로세서(110)는 룰 기반의 도킹 알고리즘을 이용하여 표적 단백질에 해당하는 단백질 수용체 및 단백 분해 효소의 좌표를 도킹 계산에 필요한 형태로 변환시킬 수 있다. 프로세서(110)는 룰 기반의 도킹 알고리즘을 이용하여 변환된 표적 단백질의 좌표를 기초로 약물과 표적 단백질 간의 결합 에너지 등을 최적화시켜 약물과 표적 단백질 간의 친화도를 산출할 수 있다. 이때, 상술한 바와 같은 연산을 수행하기 위한 룰 기반의 도킹 알고리즘은 분자 도킹 및 가상 스크리닝 어플리케이션 중 하나인 AutoDock Vina의 알고리즘에 대응될 수 있으나, 이에 제한되지는 않는다.
프로세서(110)는 딥러닝 기반의 친화도 예측을 수행한 결과와 상술한 예시와 같은 룰 기반의 친화도 예측을 수행한 결과를 약물 예측을 위한 후속 연산에 함께 사용함으로써, 약물 예측의 정확도를 향상시킬 수 있다. 즉, 프로세서(110)는 룰 기반의 친화도 예측을 수행한 결과를 딥러닝 기반의 친화도 예측을 수행한 결과에 보완적으로 사용할 수 있다. 예를 들어, 프로세서(110)는 딥러닝 기반의 친화도 예측을 수행한 결과를 기본적으로 약물 예측을 위한 후속 연산에 사용할 수 있다. 다만, 딥러닝 기반의 친화도 추정 결과의 정확도가 임계 수준 미만인 경우, 프로세서(110)는 룰 기반의 친화도 추정 결과를 딥러닝 기반의 친화도 추정 결과에 반영하여 딥러닝 기반의 친화도 추정 결과를 보완한 후, 약물 예측을 위한 후속 연산을 수행할 수 있다. 딥러닝 기반의 친화도 추정 결과의 정확도가 임계 수준 이상인 경우, 프로세서(110)는 룰 기반의 친화도 추정 결과를 반영하지 않고 딥러닝 기반의 친화도 추정 결과를 기초로 약물 예측을 위한 후속 연산 과정을 수행할 수 있다. 즉, 프로세서(110)는 룰 기반의 친화도 추정 결과를 보완적으로 사용하여 딥러닝 기반의 친화도 추정 결과의 정확도를 유지하고 약물 예측의 정확도를 향상시킬 수 있다.
프로세서(110)는 신경망 모델을 통해 산출된 약물과 특정 바이러스의 숙주 진입에 관여하는 것으로 예상되는 잠재적인 표적들 간의 친화도를 기초로 특정 바이러스의 숙주 진입을 제어하기 위한 약물을 예측할 수 있다. 프로세서(110)는 데이터베이스에 포함된 약물 데이터에 대응되는 약물과 표적 단백질과의 친화도를 신경망 모델을 통해 산출하고, 산출된 친화도를 기초로 데이터베이스를 필터링(filtering) 함으로써 예측하고자 하는 약물의 약물 데이터를 획득할 수 있다. 이때, 약물 데이터는 약물의 화학적 표현을 나타내는 데이터로 이해될 수 있다. 예를 들어, 프로세서(110)는 신경망 모델을 통해 산출된 약물과 단백질 수용체 간의 친화도, 약물과 단백 분해 효소 간의 친화도 각각을 임계값과 비교하여 특정 바이러스의 숙주 진입을 제어하기 위한 약물을 결정할 수 있다. 그리고, 프로세서(110)는 친화도와 임계값 간의 비교에 의해 결정된 약물에 대응되는 약물 데이터를 데이터베이스에서 선별할 수 있다. 다시 말해서, 프로세서(110)는 약물과 표적 단백질 간의 친화도를 임계값과 비교한 결과를 기초로 데이터베이스에 존재하는 약물 데이터를 선별하여, 특정 바이러스의 숙주 진입을 제어하기 위한 약물에 대응하는 약물 데이터를 결정할 수 있다. 이와 같이 프로세서(110)는 약물과 단백질 수용체 간의 친화도, 약물과 단백 분해 효소 간의 친화도를 종합적으로 고려하여 바이러스의 숙주 진입을 제어하기 위한 약물을 효과적으로 예측할 수 있다.
한편, 상술한 예측 이후, 프로세서(110)는 표적 단백질 중 단백 분해 효소를 기초로 생성된 스코어를 이용한 추가적인 필터링을 통해 특정 바이러스의 숙주 진입을 제어하기 위한 약물의 최종 예측 결과를 생성할 수도 있다. 예를 들어, 프로세서(110)는 예측된 약물을 기준으로 약물과 표적 단백질 중 단백 분해 효소와의 친화도를 기초로 예측된 약물에 대한 스코어(score)를 산출할 수 있다. 이때, 스코어는 단백 분해 효소에 대한 예측된 약물의 유전자 발현 지표(gene expression signature)을 비교한 결과를 기초로 산출될 수 있다. 그리고, 프로세서(110)는 약물-단백 분해 효소 간 친화도를 기초로 예측된 약물의 스코어를 기초로 약물을 나열하고, 상위 스코어에 해당하는 약물을 특정 바이러스의 숙주 진입을 제어하기 위한 약물의 최종 예측 결과로 결정할 수 있다. 이와 같은 예측 약물에 대한 추가적인 필터링을 통해 예측의 정확도를 보다 향상시킬 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다. 예를 들어, 메모리(130)는 약물의 화학적 표현을 나타내는 데이터를 포함하는 데이터베이스를 저장하여 보관할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 네트워크부(150)는 임의의 형태의 공지된 유무선 통신 시스템을 사용할 수 있다.
네트워크부(150)는 신경망 모델의 학습 혹은 추론에 필요한 데이터 세트, 프로세서(110)에 의해 처리된 정보, 사용자 인터페이스 등을 타 단말 혹은 시스템과의 통신을 통해 송수신할 수 있다. 예를 들어, 네트워크부(150)는 약물의 화학적 표현을 나타내는 데이터를 포함하는 외부 데이터베이스와의 통신을 통해 신경망 모델의 학습 혹은 추론에 필요한 데이터를 수신할 수 있다. 네트워크부(150)는 프로세서(110)에 의해 학습된 신경망 모델의 출력을 외부 데이터베이스로 송신할 수 있다.
한편, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 클라이언트와 통신을 통해 데이터를 송수신하는 컴퓨팅 시스템으로서 서버를 포함할 수 있다. 이때, 클라이언트는 서버에 엑세스할 수 있는 임의의 형태의 단말일 수 있다. 예를 들어, 서버인 컴퓨팅 장치(100)는 학습 데이터 세트를 통해 복수의 신경망 모델들을 학습시킬 수 있다. 서버인 컴퓨팅 장치(100)는 클라이언트의 요청에 따라 학습된 모델들을 사용하여 출력된 데이터를 클라이언트로 제공할 수 있다. 또한, 서버인 컴퓨팅 장치(100)는 클라이언트의 요청에 따라 학습된 모델들을 클라이언트로 제공할 수도 있다.
추가적인 실시예에서, 컴퓨팅 장치(100)는 임의의 서버에서 생성된 데이터 리소스를 전달받아 추가적인 정보 처리를 수행하는 임의의 형태의 단말을 포함할 수도 있다.
도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개략도이다.
본 개시의 일 실시예에 따른 신경망 모델은 약물과 단백질 간 결합 친화도를 예측하기 위한 신경망을 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 신경망은 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
도 3은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 약물 예측 과정을 나타낸 블록 구성도이다.
도 3을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(110)는 신경망 모델의 친화도 추정 및 친화도에 기반한 바이러스의 숙주 진입을 제어하기 위한 표적 약물에 해당하는 약물 예측을 위한 데이터베이스(10)를 구축할 수 있다. 이때, 데이터베이스(10)는 약물의 화학적 표현을 나타내는 약물 데이터를 포함할 수 있다.
예를 들어, 프로세서(110)는 미국 식품의약국(FDA) 등에서 승인된 저분자(small molecule) 약물에 관한 데이터를 외부 데이터베이스(DrugBank 데이터베이스 등)에서 수집하여 데이터베이스(10)에 저장할 수 있다. 이때, 저분자 약물이란, 생물학적 과정을 조절할 수 있는 화합물로, 핵산 및 단백질 등과 같은 화합물에 비해 분자량의 수가 적고 크기가 작은 화합물로 이해될 수 있다. 저분자 약물은 특정 생물학적 거대분자(macromolecule)에 결합 가능하고, 표적의 활성 또는 기능을 변환시키는 역할을 수행할 수 있다. 프로세서(110)는 데이터베이스(10)에 저장된 저분자 약물의 모든 입체 이성질체(stereoisomer)에 관한 데이터를 외부 데이터베이스(ZINC 데이터베이스 등)에서 수집하여 데이터베이스(10)를 구축할 수 있다. 구체적으로, 프로세서(110)는 입체 이성질체에 관한 데이터의 시퀀스(sequence)를 쿼리(query)로 사용하여 저분자 약물에 관한 데이터가 나열된 데이터베이스(10)에 입체 이성질체에 관한 데이터를 병합할 수 있다. 이때, 데이터베이스(10)에 병합되는 저분자 약물에 관한 데이터 및 입체 이성질체에 관한 데이터는 SMILES(simplified molecular-input line-entry system) 코드에 기반할 수 있다. 다시 말해서, 프로세서(110)는 입체 이성질체에 관한 데이터의 SMILES 문자열을 쿼리로 사용하여, 데이터베이스(10)에 저분자 약물에 관한 데이터 및 입체 이성질체에 관한 데이터를 병합할 수 있다. 다만, SMILES 코드는 하나의 예시일 뿐이므로, 데이터의 시퀀스는 SMILES 코드가 아니더라도 약물의 화학적 표현을 나타낼 수 있는 다른 코드로 대체될 수 있다. 입체 이성질체에 관한 데이터를 데이터베이스(10)에 병합한 후, 프로세서(110)는 저분자 약물에 관한 데이터의 시퀀스와 입체 이성질체에 관한 데이터의 시퀀스가 일치하는지 여부를 판단하여 데이터베이스(10) 내에서 저분자 약물에 관한 데이터를 분류할 수 있다. 저분자 약물에 관한 데이터의 시퀀스와 입체 이성질체에 관한 데이터의 시퀀스가 일치하는 경우, 프로세서(110)는 저분자 약물에 관한 데이터를 예측에 사용할 이성질체(isomer) 데이터로 결정할 수 있다. 저분자 약물에 관한 데이터의 시퀀스와 입체 이성질체에 관한 데이터의 시퀀스가 불일치하는 경우, 프로세서(110)는 저분자 약물에 관한 데이터를 예측에 사용하지 않을 라세미체(racemate) 데이터로 결정할 수 있다. 이러한 분류 작업을 통해 프로세서(110)는 데이터베이스(10)에서 약물 예측에 사용될 저분자 약물에 관한 데이터들을 정리할 수 있다.
프로세서(110)는 상술한 바에 따라 구축된 데이터베이스(10)에서 예측에 사용될 약물 데이터를 추출할 수 있다. 프로세서(110)는 신경망 모델(200)을 사용하여 데이터베이스(10)에서 추출된 약물 데이터를 기초로 약물과 바이러스의 숙주 진입에 필수적인 것으로 예상되는 표적 단백질 간의 친화도를 추정할 수 있다. 구체적으로, 프로세서(110)는 데이터베이스(10)에서 획득된 약물 데이터를 신경망 모델(200)에 입력하여, 약물과 단백질 수용체 간의 제 1 친화도(21) 및 약물과 단백 분해 효소 간의 제 2 친화도(22)를 추정할 수 있다. 이때, 제 1 친화도(21)는 약물과 단백질 수용체 간의 결합력, 결합 에너지 혹은 친화력 등을 수치화 하기 위한 지표 중 하나인 KD를 기초로 추정될 수 있다. 제 2 친화도(22)는 약물과 단백 분해 효소 간의 결합력, 결합 에너지 혹은 친화력 등을 수치화 하기 위한 지표 중 하나인 KD를 기초로 추정될 수 있다. KD와 단백질 및 약물 간의 친화력(또는 결합력)은 반비례 관계이므로, KD 값이 작을수록 제 1 친화도(21) 및 제 2 친화도(22)는 큰 것(혹은 우수한 것)으로 이해될 수 있다. 제 1 친화도(21)가 크다(혹은 우수하다)는 것은 약물과 단백질 수용체 간의 친화력(또는 결합력)이 크다는 것으로 이해될 수 있다. 또한, 제 2 친화도(22)가 크다(혹은 우수하다)는 것은 약물과 단백 분해 효소 간의 친화력(또는 결합력)이 크다는 것으로 이해될 수 있다.
예를 들어, 프로세서(110)는 데이터베이스(10)에서 이성질체 데이터로 분류된 저분자 약물에 관한 데이터를 신경망 모델(200)에 입력될 약물 데이터로 추출할 수 있다. 라세미체로 분류된 저분자 약물은 하나의 시퀀스로 표현할 수 없고, 이성질체의 비율 및 각 이성질체 마다 인간에 대한 생물학적 결과가 다를 수 있기 때문에, 프로세서(110)는 라세미체 데이터로 분류된 저분자 약물에 관한 데이터는 신경망 모델(200)의 입력 데이터로 사용하지 않는다. 프로세서(110)는 신경망 모델(200)을 사용하여, 데이터베이스(10)에 추출된 약물 데이터의 시퀀스를 기초로 단백질 수용체의 아미노산 서열을 표적으로 하는 약물의 제 1 친화도(21)를 산출할 수 있다. 또한, 프로세서(110)는 신경망 모델(200)을 사용하여, 약물 데이터의 시퀀스를 기초로 단백 분해 효소의 아미노산 서열을 표적으로 하는 약물의 제 2 친화도(22)를 산출할 수 있다. 이때, 데이터베이스(10)에 추출된 약물 데이터의 시퀀스는 SMILES 코드에 기반할 수 있다. 다만, SMILES 코드는 하나의 예시일 뿐이므로, 약물 데이터의 시퀀스는 SMILES 코드가 아니더라도 약물의 화학적 표현을 나타낼 수 있는 다른 코드로 대체될 수 있다.
한편, 본 개시의 일 실시예에 따른 신경망 모델(200)은 약물과 표적 단백질 간의 친화도를 예측하기 위한 셀프-어텐션 기반 모델일 수 있다. 예를 들어, 신경망 모델(200)은 약물 데이터의 시퀀스와 단백질 수용체에 관한 데이터의 시퀀스를 기초로 약물 및 단백질 수용체 각각의 특징값을 추출할 수 있다. 신경망 모델(200)은 약물 및 단백질 수용체 각각의 특징값을 기초로 어텐션 맵(map)을 생성하고, 어텐션 맵이 적용된 약물의 특징값, 어텐션 맵이 적용된 단백질 수용체의 특징값을 각각 생성할 수 있다. 이때, 신경망 모델(200)은 토큰(token) 레벨이 아닌 전역 콘텍스트(global context) 레벨의 특징값을 기초로 어텐션 연산을 수행하여, 약물의 특징값 및 단백질의 특징값을 재구성할 수 있다. 전역 콘텍스트 레벨의 어텐션 연산은 약물과 표적 단백질 간의 상호 작용을 친화도 추정 결과에 반영할 수 있도록 하고, 친화도 추정 결과에 대한 해석 가능성을 제공할 수 있다. 이러한 어텐션 연산을 위해 신경망 모델(200)은 학습 데이터의 약물 데이터의 화학적 표현을 나타내는 시퀀스의 전역 콘텍스트를 고려하도록 사전 학습될 수 있다. 신경망 모델(200)은 어텐션 연산을 통해 생성된 약물의 특징값 및 단백질 수용체의 특징값을 기초로 약물과 단백질 수용체 간의 친화도를 산출할 수 있다. 약물과 단백 분해 효소 간의 친화도를 예측하기 위한 연산 과정도 상술한 예시와 동일하게 수행될 수 있으므로, 구체적인 설명은 생략하도록 한다.
프로세서(110)는 신경망 모델(200)을 통해 추정된 제 1 친화도(21) 및 제 2 친화도(22)를 기초로 바이러스의 숙주 진입을 제어하기 위한 표적 약물에 해당하는 약물을 예측할 수 있다. 프로세서(110)는 제 1 친화도(21) 및 제 2 친화도(22)를 기초로 약물 데이터를 포함하는 데이터베이스(10)를 필터링하여, 예측 약물에 대응하는 데이터(30)를 생성할 수 있다. 프로세서(110)는 제 1 친화도(21) 및 제 2 친화도(22)를 임계값과 비교한 결과를 기초로 약물을 예측한 뒤, 데이터베이스(10)에서 예측 약물에 대응하는 약물 데이터를 선별하여 예측 약물 데이터(30)를 생성할 수 있다. 이때, 제 1 친화도(21) 및 제 2 친화도(22)는 단백질과 약물 간의 평형 해리 상수를 나타내는 지표인 KD를 기초로 산출될 수 있다.
예를 들어, 프로세서(110)는 특정 약물에 대한 제 1 친화도(21) 및 제 2 친화도(22)를 임계값과 비교하여 특정 약물이 예측하고자 하는 표적 약물에 해당하는지를 판단할 수 있다. 데이터베이스(10)에 라세미체가 아닌 예측에 사용할 이성질체로 판단된 약물 A, 약물 B, 약물 C에 각각 대응하는 데이터들이 존재한다고 가정하면, 프로세서(110)는 신경망 모델(200)을 약물 A, 약물 B, 약물 C 각각에 대한 제 1 친화도(21) 및 제 2 친화도(22)를 생성할 수 있다. 프로세서(110)는 각 약물 별 친화도를 임계값과 비교한 결과를 기초로 약물 A, 약물 B, 약물 C 중 바이러스의 숙주 진입을 제어할 수 있는 약물을 결정하고, 결정된 약물의 데이터를 데이터베이스(10)에서 추출할 수 있다. 구체적으로, 약물 A에 대한 제 1 친화도(21) 및 제 2 친화도(22) 중 적어도 하나가 임계값 이상인 경우, 프로세서(110)는 약물 A가 예측하고자 하는 표적 약물이 아닌 것으로 판단할 수 있다. 약물 B, 약물 C 각각에 대한 제 1 친화도(21) 및 제 2 친화도(22) 중 적어도 하나가 임계값 미만인 경우, 프로세서(110)는 약물 B 및 약물 C가 예측하고자 하는 표적 약물인 것으로 결정할 수 있다. 그리고, 프로세서(110)는 데이터베이스(10)를 필터링(혹은 스크리닝)하여 약물 B에 대응하는 약물 데이터, 약물 C에 대응하는 약물 데이터를 선별할 수 있다.
또한, 프로세서(110)는 데이터베이스(10)에서 필터링된 약물 데이터를 기초로, 단백 분해 효소에 대한 약물의 유전자 발현 서명을 비교하여 스코어를 산출할 수 있다. 프로세서(110)는 산출된 스코어를 기초로 상위 N개(N은 자연수)의 약물에 대한 데이터를 예측 약물에 대한 최종 데이터로 결정할 수 있다. 예를 들어, 제 1 친화도(21) 및 제 2 친화도(22) 중 적어도 하나와 임계값을 비교한 결과를 기초로 예측된 약물들이 30개라고 가정하면, 프로세서(110)는 30개의 약물들에 대한 데이터를 기초로 단백 분해 효소와 약물의 유전자 발현 서명을 비교하여 30개 약물들 각각에 대한 연결성 스코어를 산출할 수 있다. 프로세서(110)는 30개 약물들 각각의 연결성 스코어를 기초로 상위 10개의 약물들을 최종 예측 약물로 결정할 수 있다. 프로세서(110)는 최종 예측 약물로 결정된 상위 10개의 약물들에 대한 데이터를 데이터베이스(10)에서 추출하여 예측 약물 데이터(30)를 생성할 수 있다. 이와 같은 스코어에 기반한 최종 예측은 친화도 기반의 예측에 추가적으로 수행되는 연산 과정으로 이해될 수 있다. 즉, 스코어에 기반한 최종 예측은 친화도 기반의 예측의 정확도를 보완하기 위해 선택적으로 수행되는 연산 과정으로 이해될 수 있다.
도 4는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 약물 예측 과정을 나타낸 순서도이다.
도 4를 참조하면, S100 단계에서, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 저분자 약물 데이터 및 저분자 약물의 입체 이성질체에 관한 데이터를 기초로 데이터베이스를 구축할 수 있다. 컴퓨팅 장치(100)는 저분자 약물 데이터의 시퀀스와 저분자 약물의 입체 이성질체에 관한 데이터의 시퀀스가 일치하는지 여부에 따라 저분자 약물 데이터를 분류하여 데이터베이스를 구축할 수 있다. 예를 들어, 저분자 약물 데이터의 시퀀스와 입체 이성질체에 관한 데이터의 시퀀스가 일치하는 경우, 컴퓨팅 장치(100)는 해당 저분자 약물 데이터를 예측에 사용할 이성질체 데이터로 분류 및 저장할 수 있다. 저분자 약물 데이터의 시퀀스와 입체 이성질체에 관한 데이터의 시퀀스가 일치하는 경우, 컴퓨팅 장치(100)는 해당 저분자 약물 데이터를 예측에 사용할 이성질체 데이터로 분류 및 저장할 수 있다. 이때, 데이터의 시퀀스는 약물 혹은 단백질의 화학적 표현을 나타내는 문자열로 이해될 수 있다.
S200 단계에서, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 사전 학습된 신경망 모델을 사용하여, 약물과 단백질 수용체 간의 제 1 친화도 및 약물과 단백 분해 효소 간의 제 2 친화도를 추정할 수 있다. 컴퓨팅 장치(100)는 사전 구축된 데이터베이스에서 획득된 약물 데이터를 신경망 모델에 입력하여, 약물과 단백질 수용체 간의 제 1 친화도 및 약물과 단백 분해 효소 간의 제 2 친화도를 추정할 수 있다. 이때, 신경망 모델에 입력되는 약물 데이터는 저분자 약물에 관한 제 1 데이터의 시퀀스와 저분자 약물의 입체 이성질체에 관한 제 2 데이터의 시퀀스의 일치 여부를 기초로 이성질체로 분류된 저분자 약물에 관한 데이터일 수 있다. 사전 구축된 데이터베이스에서 제 2 데이터의 시퀀스와 일치하는 제 1 데이터는 이성질체 데이터로 분류되고, 제 2 데이터의 시퀀스와 불일치하는 제 1 데이터는 라세미체 데이터로 분류될 수 있다. 따라서, 제 2 데이터의 시퀀스와 일치하는 제 1 데이터가 신경망 모델의 입력으로 사용될 수 있다.
S300 단계에서, 컴퓨팅 장치(100)는 S200 단계에서 산출된 제 1 친화도 및 제 2 친화도를 기준으로 데이터베이스를 필터링 하여, 바이러스의 숙주 진입을 제어하기 위한 약물을 예측할 수 있다. 여기서 필터링은 제 1 친화도 및 제 2 친화도 중 적어도 하나를 임계값과 비교한 결과에 따라 결정되는 약물의 데이터를 데이터베이스에서 선별하는 연산 과정으로 이해될 수 있다. 예를 들어, 제 1 친화도 및 제 2 친화도가 Kd를 기초로 산출된 경우, 컴퓨팅 장치(100)는 제 1 친화도 및 제 2 친화도 중 적어도 하나가 임계값 미만인 약물의 데이터를 데이터베이스에서 선별하여 약물의 예측 결과를 나타내는 데이터를 생성할 수 있다. 예측된 약물들이 복수인 경우, 컴퓨팅 장치(100)는 선택적으로 제 1 친화도 및 제 2 친화도를 기반으로 예측된 약물들 각각의 연결성 스코어를 연산하여 최종 예측 약물을 결정할 수도 있다. 이때, 연결성 스코어는 단백 분해 효소와 약물 간의 유전자 발현 서명을 비교한 결과를 기초로 산출될 수 있다.
한편, 본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 5는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (14)

  1. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 바이러스의 숙주 진입을 제어하기 위한 약물의 예측 방법으로서,
    사전 학습된 신경망 모델을 사용하여, 약물과 단백질 수용체 간의 제 1 친화도 및 상기 약물과 단백 분해 효소 간의 제 2 친화도를 추정하는 단계; 및
    상기 제 1 친화도 및 상기 제 2 친화도를 기준으로 데이터베이스를 필터링(filtering) 하여, 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 단계;
    를 포함하는,
    방법.
  2. 제 1 항에 있어서,
    저분자(small molecule) 약물에 관한 제 1 데이터 및 상기 저분자 약물의 입체 이성질체(stereoisomer)에 관한 제 2 데이터를 기초로 상기 데이터베이스를 구축하는 단계;
    를 더 포함하는,
    방법.
  3. 제 2 항에 있어서,
    상기 데이터베이스를 구축하는 단계는,
    상기 제 2 데이터의 시퀀스(sequence)를 쿼리(query)로 사용하여 상기 제 1 데이터가 나열된 데이터베이스에 상기 제 2 데이터를 병합하는 단계; 및
    상기 제 1 데이터의 시퀀스와 상기 제 2 데이터의 시퀀스 간의 일치 여부에 따라 상기 제 1 데이터를 분류하는 단계;
    를 포함하는,
    방법.
  4. 제 3 항에 있어서,
    상기 제 1 데이터를 분류하는 단계는,
    상기 제 2 데이터의 시퀀스와 일치하는 제 1 데이터를 예측에 사용할 이성질체(isomer) 데이터로 결정하는 단계; 및
    상기 제 2 데이터의 시퀀스와 일치하지 않는 제 1 데이터를 예측에 사용하지 않을 라세미체(racemate) 데이터로 결정하는 단계;
    를 포함하는,
    방법.
  5. 제 2 항에 있어서,
    상기 제 1 데이터의 시퀀스 및 상기 제 2 데이터의 시퀀스는,
    SMILES(simplified molecular-input line-entry system) 코드에 기반하는,
    방법.
  6. 제 1 항에 있어서,
    상기 약물과 단백질 수용체 간의 제 1 친화도 및 상기 약물과 단백 분해 효소 간의 제 2 친화도를 추정하는 단계는,
    상기 데이터베이스로부터 획득된 약물 데이터를 상기 신경망 모델에 입력하여, 상기 약물 데이터에 대응하는 약물과 상기 단백질 수용체 간의 제 1 친화도 및 상기 약물 데이터에 대응하는 약물과 상기 단백 분해 효소 간의 제 2 친화도를 추정하는 단계;
    를 포함하는,
    방법.
  7. 제 6 항에 있어서,
    상기 약물 데이터는,
    저분자 약물에 관한 제 1 데이터의 시퀀스와 상기 저분자 약물의 입체 이성질체(stereoisomer)에 관한 제 2 데이터의 시퀀스의 일치 여부를 기초로, 예측에 사용할 이성질체(isomer)로 분류된 저분자 약물에 관한 데이터인,
    방법.
  8. 제 6 항에 있어서,
    상기 신경망 모델은,
    셀프-어텐션(self-attention) 기반 모델로서, 학습 데이터의 화학적 표현을 나타내는 시퀀스의 전역 콘텍스트(global context)를 고려하도록 사전 학습된,
    방법.
  9. 제 6 항에 있어서,
    상기 약물 데이터에 대응하는 약물과 상기 단백질 수용체 간의 제 1 친화도 및 상기 약물 데이터에 대응하는 약물과 상기 단백 분해 효소 간의 제 2 친화도를 추정하는 단계는,
    상기 신경망 모델을 사용하여, 상기 약물 데이터의 화학적 표현을 나타내는 시퀀스를 기초로, 상기 단백질 수용체의 아미노산 서열을 표적으로 하는 약물의 제 1 친화도를 산출하는 단계; 및
    상기 신경망 모델을 사용하여, 상기 약물 데이터의 화학적 표현을 나타내는 시퀀스를 기초로, 상기 단백 분해 효소의 아미노산 서열을 표적으로 하는 약물의 제 2 친화도를 산출하는 단계;
    를 포함하는,
    방법.
  10. 제 1 항에 있어서,
    상기 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 단계는,
    상기 제 1 친화도 및 상기 제 2 친화도를 개별적으로 사전 결정된 임계값과 비교하여, 상기 데이터베이스에 포함된 약물 데이터를 필터링하는 단계;
    를 포함하는,
    방법.
  11. 제 1 항에 있어서,
    상기 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 단계는,
    상기 데이터베이스에서 필터링된 약물 데이터를 기초로, 상기 단백 분해 효소에 대한 상기 약물의 유전자 발현 지표(gene expression signature)을 비교하여 스코어(score)를 산출하는 단계;
    를 포함하는,
    방법.
  12. 제 11 항에 있어서,
    상기 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 단계는,
    상기 데이터베이스에서 필터링된 약물 데이터 중 상기 스코어를 기초로 상위 N개(N은 자연수)의 약물 데이터를 상기 바이러스의 숙주 진입을 제어하기 위한 약물 데이터로 결정하는 단계;
    를 포함하는,
    방법.
  13. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 바이러스의 숙주 진입을 제어하기 위한 약물의 예측을 수행하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    사전 학습된 신경망 모델을 사용하여, 약물과 단백질 수용체 간의 제 1 친화도 및 상기 약물과 단백 분해 효소 간의 제 2 친화도를 추정하는 동작; 및
    상기 제 1 친화도 및 상기 제 2 친화도를 기준으로 데이터베이스를 필터링(filtering) 하여, 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  14. 바이러스의 숙주 진입을 제어하기 위한 약물의 예측을 수행하는 컴퓨팅 장치로서,
    적어도 하나의 코어를 포함하는 프로세서;
    상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리; 및
    네트워크부;
    를 포함하고,
    상기 프로세서는,
    사전 학습된 신경망 모델을 사용하여, 약물과 단백질 수용체 간의 제 1 친화도 및 상기 약물과 단백 분해 효소 간의 제 2 친화도를 추정하고,
    상기 제 1 친화도 및 상기 제 2 친화도를 기준으로 데이터베이스를 필터링(filtering) 하여, 바이러스의 숙주 진입을 제어하기 위한 약물을 예측하는,
    장치.
PCT/KR2022/003586 2021-08-30 2022-03-15 바이러스의 숙주 진입을 제어하기 위한 약물의 예측 방법 WO2023033283A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0114835 2021-08-30
KR1020210114835A KR102494966B1 (ko) 2021-08-30 2021-08-30 바이러스의 숙주 진입을 제어하기 위한 약물의 예측 방법

Publications (1)

Publication Number Publication Date
WO2023033283A1 true WO2023033283A1 (ko) 2023-03-09

Family

ID=85224051

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/003586 WO2023033283A1 (ko) 2021-08-30 2022-03-15 바이러스의 숙주 진입을 제어하기 위한 약물의 예측 방법

Country Status (2)

Country Link
KR (1) KR102494966B1 (ko)
WO (1) WO2023033283A1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111696685A (zh) * 2020-06-04 2020-09-22 大连理工大学 面向新冠病毒治疗药物的药物重定位方法及其应用

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111696685A (zh) * 2020-06-04 2020-09-22 大连理工大学 面向新冠病毒治疗药物的药物重定位方法及其应用

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
ABDEL-BASSET MOHAMED; HAWASH HOSSAM; ELHOSENY MOHAMED; CHAKRABORTTY RIPON K.; RYAN MICHAEL: "DeepH-DTA: Deep Learning for Predicting Drug-Target Interactions: A Case Study of COVID-19 Drug Repurposing", IEEE ACCESS, IEEE, USA, vol. 8, 15 September 2020 (2020-09-15), USA , pages 170433 - 170451, XP011810553, DOI: 10.1109/ACCESS.2020.3024238 *
BECK BO RAM, SHIN BONGGUN, CHOI YOONJUNG, PARK SUNGSOO, KANG KEUNSOO: "Predicting commercially available antiviral drugs that may act on the novel coronavirus (SARS-CoV-2) through a drug-target interaction deep learning model", COMPUTATIONAL AND STRUCTURAL BIOTECHNOLOGY JOURNAL, RESEARCH NETWORK OF COMPUTATIONAL AND STRUCTURAL BIOTECHNOLOGY, SWEDEN, vol. 18, 30 March 2020 (2020-03-30), Sweden , pages 784 - 790, XP055868923, ISSN: 2001-0370, DOI: 10.1016/j.csbj.2020.03.025 *
CHOI YOONJUNG, SHIN BONGGUN, KANG KEUNSOO, PARK SUNGSOO, BECK BO RAM: "Target-Centered Drug Repurposing Predictions of Human Angiotensin-Converting Enzyme 2 (ACE2) and Transmembrane Protease Serine Subtype 2 (TMPRSS2) Interacting Approved Drugs for Coronavirus Disease 2019 (COVID-19) Treatment through a Drug-Target Interaction Deep Learning Model", VIRUSES, vol. 12, no. 11, pages 1325, XP055825436, DOI: 10.3390/v12111325 *
KARKI NISCHAL, VERMA NIRAJ, TROZZI FRANCESCO, TAO PENG, KRAKA ELFI, ZOLTOWSKI BRIAN: "Predicting Potential SARS-COV-2 Drugs—In Depth Drug Database Screening Using Deep Neural Network Framework SSnet, Classical Virtual Screening and Docking", INTERNATIONAL JOURNAL OF MOLECULAR SCIENCES, vol. 22, no. 4, 1 January 2021 (2021-01-01), pages 1573, XP093042971, DOI: 10.3390/ijms22041573 *
MAMIDALA ESTARI, DAVELLA RAKESH, PRAVEEN KUMAR MUNIPALLY, SWAMY SATYANARAYANA, ABHIAV MRUTHINTI, ALI KAIMKHANI ZAHID, AL-GHANIM K.: "In silico prediction of mozenavir as a potential drug for SARS-CoV-2 infection via binding multiple drug targets", SAUDI JOURNAL OF BIOLOGICAL SCIENCES, ELSEVIER, AMSTERDAM, NL, vol. 29, no. 2, 18 October 2021 (2021-10-18), AMSTERDAM, NL , pages 840 - 847, XP093042968, ISSN: 1319-562X, DOI: 10.1016/j.sjbs.2021.10.023 *
PEÓN ANTONIO, NAULAERTS STEFAN, BALLESTER PEDRO J.: "Predicting the Reliability of Drug-target Interaction Predictions with Maximum Coverage of Target Space", SCIENTIFIC REPORTS, vol. 7, no. 1, 19 June 2017 (2017-06-19), XP093042970, DOI: 10.1038/s41598-017-04264-w *

Also Published As

Publication number Publication date
KR102494966B1 (ko) 2023-02-06

Similar Documents

Publication Publication Date Title
WO2022255564A1 (ko) 생체신호 분석 방법
KR20230053846A (ko) 쓰레기를 수거하기 위한 방법
WO2023027277A1 (ko) 신경망 모델의 다양성을 위한 학습 방법
WO2023033283A1 (ko) 바이러스의 숙주 진입을 제어하기 위한 약물의 예측 방법
WO2023101417A1 (ko) 딥러닝 기반의 강수량 예측 방법
WO2023027279A1 (ko) 화학구조 내부 원자의 키나아제 결합여부 예측 방법
KR20230031761A (ko) 유전자 정보 분석 방법
WO2023027278A1 (ko) 커리큘럼 기반의 능동적 학습 방법
WO2024090848A1 (ko) 타깃 단백질과 연관된 데이터 증강 방법
WO2023027281A1 (ko) 유전자 정보 분석 방법
KR102517006B1 (ko) 펩타이드 시퀀스들을 클러스터링하기 위한 방법 및 장치
WO2023027282A1 (ko) 파마코포어 특징을 이용한 유효물질 후보 검색 방법
KR102547975B1 (ko) 인공지능 기술을 사용하여 클러스터 데이터에 대응되는 주조직 적합성 복합체를 결정하기 위한 방법 및 장치
WO2023027280A1 (ko) 항원 결정기 후보 도출 방법
KR102547969B1 (ko) 인공지능 기술을 이용하여 면역펩티돔 pMHC 정보를 생성하기 위한 방법 및 장치
KR102517004B1 (ko) 면역펩티돔을 분석하기 위한 방법 및 장치
KR102547966B1 (ko) 인공지능 기술을 이용하여 pMHC와 TCR 간의 관계를 분석하기 위한 방법 및 장치
KR102547976B1 (ko) Mhc와 펩타이드 간의 결합을 분석하기 위한 방법 및 장치
WO2023177138A1 (ko) 게임 런칭 전 사전예약 접속 규모를 예측하는 방법 및 장치
KR102557986B1 (ko) 인공지능 기술을 사용하여 염기 서열의 변이를 검출하기 위한 방법 및 장치
KR102547967B1 (ko) 인공지능 기술을 이용하여 pMHC에 대응되는 TCR 정보를 생성하기 위한 방법 및 장치
KR102547974B1 (ko) Mhc와 펩타이드 간의 결합 친화도를 분석하기 위한 방법 및 장치
KR102517968B1 (ko) 신경망 모델을 이용한 이미지 특징 추출 방법
WO2023120766A1 (ko) 인공신경망 기반의 특성 곡선 예측 방법
KR102507110B1 (ko) 주조직 적합성 복합체의 타입들을 분석하기 위한 방법 및 장치

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: 22864792

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE