WO2023106680A1 - 비타민 c를 포함하는 처방의 피부 밝기 변화 예측 방법 및 시스템 - Google Patents

비타민 c를 포함하는 처방의 피부 밝기 변화 예측 방법 및 시스템 Download PDF

Info

Publication number
WO2023106680A1
WO2023106680A1 PCT/KR2022/018217 KR2022018217W WO2023106680A1 WO 2023106680 A1 WO2023106680 A1 WO 2023106680A1 KR 2022018217 W KR2022018217 W KR 2022018217W WO 2023106680 A1 WO2023106680 A1 WO 2023106680A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
skin
vitamin
prescriptions
snp
Prior art date
Application number
PCT/KR2022/018217
Other languages
English (en)
French (fr)
Inventor
임상섭
김진현
홍성헌
최선국
김윤관
Original Assignee
주식회사 엘지생활건강
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 엘지생활건강 filed Critical 주식회사 엘지생활건강
Publication of WO2023106680A1 publication Critical patent/WO2023106680A1/ko

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6813—Hybridisation assays
    • C12Q1/6827—Hybridisation assays for detection of mutation or polymorphism
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/20—Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/20—Supervised data analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • 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
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/156—Polymorphic or mutational markers

Definitions

  • the present invention relates to a method and system for predicting changes in skin brightness of a prescription containing vitamin C.
  • Cosmetics are products that are applied to the skin to help delay aging as well as beautify the skin.
  • Cosmetics containing vitamin C or vitamin C derivatives are known to have a whitening effect, and changes in the whitening effect can be influenced by environmental factors and factors such as age, gender, and genetic mutation.
  • the present inventors selected specific single nucleotide polymorphism (SNP) markers that have a significant correlation with the whitening efficacy that occurs when cosmetics containing vitamin C or vitamin C derivatives are applied through statistical analysis and machine learning techniques. And, in the case of inputting user's genetic information, we have completed the present invention, which is capable of predicting whitening efficacy (skin brightness change) and even recommending cosmetics.
  • SNP single nucleotide polymorphism
  • One object of the present invention is to provide a single nucleotide polymorphism (SNP) marker for determining changes in skin brightness in response to vitamin C.
  • SNP single nucleotide polymorphism
  • Another object of the present invention is to provide a composition for determining vitamin C-responsive skin brightness change, comprising a probe capable of detecting a single nucleotide polymorphism (SNP) marker or an agent capable of amplifying vitamin C-responsive skin brightness change determination. is to do
  • Another object of the present invention is to provide a kit or microarray for determining changes in skin brightness in response to vitamin C containing the above composition.
  • Another object of the present invention is to provide a method for providing information on vitamin C-responsive skin brightness change, comprising the step of identifying a polymorphic site of the single nucleotide polymorphism marker.
  • Another object of the present invention is to provide a method for predicting changes in skin brightness of a prescription containing vitamin C.
  • Another object of the present invention is to provide a method for selecting a prescription based on predicted changes in skin brightness of a prescription containing vitamin C.
  • Another object of the present invention is to provide a product recommendation method based on a selected prescription.
  • Another object of the present invention is to provide a system for predicting a change in skin brightness of a prescription containing vitamin C, selecting a prescription based on the predicted change in skin brightness, and recommending a product based on the selected prescription.
  • Another object of the present invention is to provide single nucleotide polymorphism (SNPs) markers that affect changes in skin brightness when a substance according to a prescription containing vitamin C is applied.
  • SNPs single nucleotide polymorphism
  • Another aspect of the present invention provides a single nucleotide polymorphism (SNP) marker for determining changes in skin brightness in response to vitamin C.
  • SNP single nucleotide polymorphism
  • compositions for determining vitamin C-responsive skin brightness change comprising a probe capable of detecting a single nucleotide polymorphism (SNP) marker or an agent capable of amplifying vitamin C-responsive skin brightness change determination to provide.
  • SNP single nucleotide polymorphism
  • polymorphism refers to the case in which two or more alleles exist in one locus, and among polymorphic sites, a single nucleotide polymorphism in which only a single base differs from person to person (single nucleotide polymorphism, SNP).
  • Preferred polymorphic markers have two or more alleles that exhibit an incidence of 1% or more, more specifically 10% or 20% or more in a selected population.
  • a 'genetic polymorphic marker' is generally two or more genes at the same genetic locus (base).
  • an allele refers to the case where an allele is observed, and generally, depending on the individual, there is a major allele/major allele, a major allele/minor allele, and a minor allele. Cases of minor allele/minor allele exist. In the present invention, it may be used interchangeably with "polymorphic marker", and may mean bases and base sites of lower alleles, or may be defined together with chromosome number and base position, but is not limited thereto.
  • allele refers to several types of a gene present in the same locus of a homologous chromosome. Alleles are also used to indicate polymorphism, for example, SNPs have two types of alleles (bi-alleles). In addition, it means a combination of two or more bases having the same number and base position of chromosomes, and the bases are a major allele with a high frequency of occurrence in individuals of a specific group and a lower frequency of occurrence than the upper allele. Includes minor allele.
  • the genetic polymorphic markers of the present invention are significant in association with changes in vitamin C-responsive skin brightness, and when one or more minor alleles among two alleles are possessed, vitamin C-responsive skin It can be said that the degree of brightness change is significant compared to an individual having a major allele/major allele. That is, in the case of a major allele/minor allele and a minor allele/minor allele, the major allele/major allele ), it can be seen that the degree of change in vitamin C-responsive skin brightness is higher or lower than the case of having skin characteristics.
  • the single nucleotide polymorphism marker of the present invention can predict the degree of change in skin brightness in response to an individual's unique vitamin C, it may be possible to provide personal customized skin care product information and life pattern information, but is not limited thereto.
  • rs_id refers to an rs-ID, an independent indicator assigned to all SNPs initially registered by NCBI, which began accumulating SNP information in 1998.
  • rs_id described in this table means a SNP marker, which is a polymorphic marker of the present invention.
  • the single nucleotide polymorphism marker may be one or more single nucleotide polymorphism markers selected from the single nucleotide polymorphism markers shown in Table 1.
  • the single nucleotide polymorphism markers shown in Table 1 may be used to determine the degree of correlation with the degree of skin brightness change in response to vitamin C.
  • the single nucleotide polymorphism marker may be one or more single nucleotide polymorphism markers selected from Table 1 related to changes in skin brightness in response to vitamin C.
  • the association significance of the single nucleotide polymorphism marker of the present invention with changes in skin brightness in response to vitamin C is less than 0.05, less than 0.01, less than 0.001, less than 0.0001, less than 0.00001, less than 0.000001, less than 0.0000001, less than 0.00000001, or less than 0.000000001 p-value Characterized by a p-value equal to, but not limited to. Specifically, the p-value may be less than 0.01, and more specifically, the p-value may be less than 0.1, but is not limited thereto.
  • the single nucleotide polymorphism (SNP) marker of the present invention may be any one or more selected from the markers shown in Table 1, but is not limited thereto.
  • the single nucleotide polymorphism (SNP) markers may be one or more, and may be used in combinations of numbers capable of determining the degree of skin brightness change in response to vitamin C, such as two or more, three or more, four or more markers, but are limited thereto. It doesn't work.
  • the marker may be a SNP itself, a polynucleotide composed of 5-100 consecutive DNA sequences including the SNP site, or a polynucleotide composed of a sequence complementary thereto, but is not limited thereto.
  • the single nucleotide polymorphism marker may be any one or more selected from the markers shown in Table 1 related to changes in vitamin C-responsive skin brightness, but is not limited thereto.
  • a description of markers selected from among the markers shown in Table 1 may be as follows.
  • the marker selected from Table 1 is a polynucleotide composed of 5-100 consecutive DNA sequences including the 236864829th base of human chromosome 1, which is T or C (rs3851908), and the 236864829th base.
  • the alleles of the present invention have the same number of chromosomes in each individual, among them, there are a major allele and a minor allele of the SNP, and the base of the polymorphic site of the polymorphic marker is the lower As the allele increases by one, the upper allele can decrease by one, and as the upper allele increases by one, the lower allele can decrease by one.
  • the range in which sub-alleles and upper alleles can increase and decrease is i) major allele/major allele, ii) major allele/minor allele ), iii) can be within three types of minor allele / minor allele, and the allele can be reduced or increased within the range of the three types, but is not limited thereto .
  • the marker can determine the vitamin C action skin whitening efficacy, that is, vitamin C-responsive skin brightness change, as the base of the polymorphic site of the polymorphic marker of the individual increases one by one in the minor allele is a marker Specifically, among two alleles, one or more minor alleles are possessed (1) major allele/minor allele, (2) minor allele ( Compared to individuals with the minor allele/minor allele), individuals with the major allele/major allele, who are normal individuals, are more likely to have vitamin C-responsive skin lightening. It can be determined that the skin characteristics have a high degree of change or a low degree of change.
  • the degree of change in skin brightness in response to vitamin C can be determined.
  • the upper allele C is the upper allele C and the lower allele is T (rs73470752) at base 100948487 of chromosome 15 of the individual, compared to a person who has C / C, C / C
  • the effect size is positive (+), so it can be determined that the skin brightness change due to the action of vitamin C increases, and the upper allele A at the 236893599th base of chromosome 1 of the individual
  • the lower allele is G (rs819639)
  • the effect size is negative (-) in the case of A/G or G/G compared to those with A/A, so vitamin C action on the skin It may be determined that the degree of change in brightness decreases, but is not limited thereto.
  • the term "probe capable of detecting a marker for determining changes in vitamin C-responsive skin brightness” can be identified through a hybridization reaction specifically with the polymorphic region of the gene as described above to diagnose the degree of changes in vitamin C-responsive skin brightness. It means a composition that can be used, and the specific method of such genetic analysis is not particularly limited, and may be by any gene detection method known in the art to which this invention belongs. In addition, the term may be used interchangeably with the term 'vitamin C-responsive probe for determining changes in skin brightness'.
  • an agent capable of amplifying a vitamin C-responsive skin brightness change marker refers to a composition capable of diagnosing the degree of skin brightness change by confirming the polymorphic region of the gene as described above through amplification, Specifically, it refers to a primer capable of specifically amplifying the polynucleotide of the vitamin C-responsive marker for determining changes in skin brightness.
  • the term may be used interchangeably with the terms 'agent for diagnosing changes in vitamin C-responsive skin brightness', 'agent for determining the degree of changes in vitamin C-responsive skin brightness', and 'agent for diagnosing changes in the degree of vitamin C-responsive skin brightness'.
  • the term "prescription" may be a substance having a composition of specific components, and is a concept that may further include a single or a plurality of substances together with a recommended method of use or a recommended lifestyle.
  • the term "product" means a cosmetic containing a material having a composition of a specific component as one component, but is not particularly limited as long as it includes a material having a specific component composition.
  • the primers used to amplify the polymorphic marker are suitable for template-directed DNA synthesis under suitable conditions (eg, four different nucleotide triphosphates and a polymerizing agent such as DNA, RNA polymerase or reverse transcriptase) in an appropriate buffer and at an appropriate temperature.
  • suitable conditions eg, four different nucleotide triphosphates and a polymerizing agent such as DNA, RNA polymerase or reverse transcriptase
  • a polymerizing agent such as DNA, RNA polymerase or reverse transcriptase
  • the appropriate length of the primer may vary depending on the purpose of use, but is usually 15 to 30 nucleotides. Short primer molecules generally require lower temperatures to form stable hybrids with the template.
  • the primer sequence need not be completely complementary to the template, but must be sufficiently complementary to hybridize with the template.
  • the term "primer” is a base sequence having a short free 3' terminal hydroxyl group, which can form a base pair with a complementary template and is the starting point for copying the template strand. A short sequence that functions as a point.
  • Primers can initiate DNA synthesis in the presence of different four nucleotide triphosphates and reagents for polymerization (i.e., DNA polymerase or reverse transcriptase) in an appropriate buffer and temperature. By performing PCR amplification, the skin type can be predicted through the degree of production of the desired product. PCR conditions and lengths of sense and antisense primers can be modified based on those known in the art.
  • the probes or primers of the present invention can be chemically synthesized using the phosphoramidite solid support method, or other well-known methods.
  • Such nucleic acid sequences can also be modified using a number of means known in the art. Non-limiting examples of such modifications include methylation, "capping", substitution of one or more natural nucleotides with homologues, and modifications between nucleotides, such as uncharged linkages (e.g., methyl phosphonates, phosphotriesters, phosphoroamidates, carbamates, etc.) or to charged linkages (eg phosphorothioates, phosphorodithioates, etc.).
  • uncharged linkages e.g., methyl phosphonates, phosphotriesters, phosphoroamidates, carbamates, etc.
  • charged linkages eg phosphorothioates, phosphorodithioates, etc.
  • kits for determining a vitamin C-responsive skin brightness change including the composition for determining a vitamin C-responsive skin brightness change.
  • the kit may be a RT-PCR kit or a DNA chip kit, but is not limited thereto.
  • the kit of the present invention can diagnose the degree of vitamin C-responsive skin brightness change by confirming the SNP polymorphic marker, which is a marker for determining vitamin C-responsive skin brightness change, through amplification, or by checking the expression level of the SNP polymorphic marker to the mRNA expression level.
  • the kit for measuring the mRNA expression level of the vitamin C-responsive skin brightness change determination marker in the present invention may be a kit including essential elements necessary for performing RT-PCR.
  • the RT-PCR kit in addition to each primer pair specific for the gene of the marker for determining vitamin C-responsive skin brightness change, the RT-PCR kit includes a test tube or other suitable container, a reaction buffer (with varying pH and magnesium concentration), and a test tube.
  • kits for determining changes in skin brightness in response to vitamin C, including essential elements necessary for performing DNA chip.
  • a DNA chip kit is a DNA chip kit in which nucleic acid species are attached in a gridded array to a generally flat solid support plate, typically a glass surface no larger than a slide for a microscope, and nucleic acids are regularly arranged on the chip surface. It is a tool that enables mass-parallel analysis by multiple hybridization reactions between nucleic acids on the chip surface and complementary nucleic acids included in the solution treated on the surface of the chip.
  • Another aspect of the present invention provides a microarray for determining a vitamin C-responsive skin brightness change comprising the composition for determining a vitamin C-responsive skin brightness change.
  • the microarray may include DNA or RNA polynucleotides.
  • the microarray is composed of a conventional microarray except that the polynucleotide of the present invention is included in the probe polynucleotide.
  • the probe polynucleotide refers to a polynucleotide capable of hybridization, and refers to an oligonucleotide capable of sequence-specifically binding to a complementary strand of a nucleic acid.
  • the probe of the present invention is an allele-specific probe, which has a polymorphic site in nucleic acid fragments derived from two members of the same species, and thus hybridizes to DNA fragments derived from one member but does not hybridize to fragments derived from other members. .
  • hybridization conditions should be sufficiently stringent to hybridize to only one of the alleles, showing a significant difference in hybridization strength between alleles. This can lead to good hybridization differences between different allelic forms.
  • the probe of the present invention can be used in a method for diagnosing a skin type by detecting an allele.
  • the diagnostic methods include detection methods based on hybridization of nucleic acids, such as Southern blotting, and may be provided in a form pre-bound to a substrate of a DNA chip in a method using a DNA chip.
  • the hybridization can usually be performed under stringent conditions, for example, a salt concentration of 1 M or less and a temperature of 25 °C or more. For example, conditions of 5x SSPE (750 mM NaCl, 50 mM Na Phosphate, 5 mM EDTA, pH 7.4) and 25-30° C. may be suitable for allele-specific probe hybridization.
  • the process of immobilizing the probe polynucleotide associated with the determination of skin brightness change in response to vitamin C of the present invention on a substrate can also be easily prepared using this conventional technique.
  • hybridization of nucleic acids on microarrays and detection of hybridization results are well known in the art.
  • the detection is, for example, by labeling a nucleic acid sample with a labeling material capable of generating a detectable signal including a fluorescent material such as Cy3 and Cy5, followed by hybridization on a microarray and generation from the labeling material.
  • the hybridization result can be detected by detecting a signal that
  • Another aspect of the present invention is (a) amplifying the polymorphic site of the single nucleotide polymorphism marker in DNA obtained from a sample isolated from an individual or hybridizing with a probe; and (b) identifying the base of the amplified or hybridized polymorphic site in step (a).
  • the term "subject” refers to a subject for diagnosis of vitamin C-responsive skin brightness change.
  • DNA may be obtained from samples such as hair, urine, blood, various bodily fluids, separated tissues, isolated cells, or saliva, but is not limited thereto.
  • step (a) any method known to those skilled in the art may be used.
  • any method known to those skilled in the art may be used for amplifying the polymorphic site of the single nucleotide polymorphism marker or hybridizing with a probe from the DNA obtained in step (a).
  • it can be obtained by amplifying a target nucleic acid through PCR and purifying it.
  • Other ligase chain reaction (LCR) Wang and Wallace, Genomics 4, 560 (1989), Landegren et al., Science 241, 1077 (1988)
  • transcription amplification Kwoh et al., Proc. Natl. Acad. Sci. USA 86, 1173 (1989)
  • self-maintaining sequence cloning (Guatelli et al., Proc. Natl. Acad. Sci. USA 87, 1874 (1990)) and nucleic acid-based sequence amplification (NASBA) may be used.
  • determining the base of the polymorphic site in step (b) includes sequencing analysis, microarray hybridization, allele specific PCR, and dynamic allele-specific hybridization. , DASH), PCR extension analysis, SSCP, PCR-RFLP analysis or TaqMan technique, SNPlex platform (Applied Biosystems), mass spectrometry (eg, Sequenom's MassARRAY system), mini-sequencing methods, Bio- Plex systems (BioRad), CEQ and SNPstream systems (Beckman), Molecular Inversion Probe array technologies (eg Affymetrix GeneChip), and BeadArray Technologies (eg Illumina GoldenGate and Infinium assays). .
  • one or more alleles in a polymorphic marker can be identified. Determining the base of such a polymorphic site can be performed specifically through an SNP chip.
  • the method additionally (c) when the base of the amplified or hybridized polymorphic site includes one or more bases that are minor alleles according to the single nucleotide polymorphism marker, the degree of vitamin C-responsive skin brightness change is high or Or it may be determined to be low, but is not limited thereto.
  • the degree of skin color change due to the action of vitamin C increases or It may be judged to decrease, but is not limited thereto.
  • SNP chip refers to one of DNA microarrays capable of identifying each base of hundreds of thousands of SNPs at once.
  • the TaqMan method includes (1) designing and constructing primers and TaqMan probes to amplify a desired DNA fragment; (2) labeling probes of different alleles with FAM dye and VIC dye (Applied Biosystems); (3) performing PCR using the DNA as a template and using the primers and probes; (4) after the PCR reaction is completed, analyzing and confirming the TaqMan assay plate with a nucleic acid analyzer; and (5) determining the genotypes of the polynucleotides of step (1) from the analysis results.
  • FAM dye and VIC dye Applied Biosystems
  • sequencing analysis may use a conventional method for nucleotide sequence determination, and may be performed using an automated genetic analyzer.
  • allele-specific PCR refers to a PCR method of amplifying a DNA fragment where the SNP is located with a primer set including a primer designed with the base where the SNP is located as the 3' end.
  • the principle of the method is, for example, when a specific base is substituted from A to G, PCR by designing a primer containing the A as the 3' terminal base and an opposite primer capable of amplifying a DNA fragment of an appropriate size.
  • DASH can be performed by a conventional method, and can be specifically performed by a method by Prince et al.
  • PCR extension analysis first amplifies a DNA fragment containing a base where a single nucleotide polymorphism is located with a primer pair, and then inactivates it by dephosphorylating all nucleotides added to the reaction, whereby SNP-specific extension primers, It is made by carrying out a primer extension reaction by adding the dNTP mixture, dideoxynucleotide, reaction buffer and DNA polymerase.
  • the extension primer takes the base immediately adjacent to the 5' direction of the base where the SNP is located as the 3' end, and the dNTP mixture excludes nucleic acids having the same base as the dideoxynucleotide, and the dideoxynucleotide represents the SNP.
  • the primer at the base where the substitution occurs is extended by DNA polymerase, and after a few bases, A The primer extension reaction is terminated by ddATP at the position where the base first appears. If the substitution does not occur, the extension reaction is terminated at that position, and thus the base type representing the SNP can be determined by comparing the lengths of the extended primers.
  • the SNP when the extension primer or dideoxynucleotide is fluorescently labeled, the SNP can be detected by detecting fluorescence using a genetic analyzer (eg, ABI Model 3700, etc.) used for general base sequence determination.
  • a genetic analyzer eg, ABI Model 3700, etc.
  • the SNP can be detected by measuring molecular weight using matrix assisted laser desorption ionization-time of flight (MALDI-TOF) technique.
  • MALDI-TOF matrix assisted laser desorption ionization-time of flight
  • a method includes inputting SNP information of a prediction target entity to a prediction terminal and querying the SNP information to a skin brightness change prediction model previously stored in the prediction terminal to calculate predicted skin brightness change information, and outputting the calculated predicted skin brightness change information, wherein the skin brightness change prediction model is obtained when a learning processor applies vitamin C or a substance containing a vitamin C derivative to an individual having SNP information and the SNP information.
  • First skin brightness change learning data consisting of pairs of skin brightness change information are learned, and when the SNP information is queried, the first skin brightness change data when a substance containing vitamin C or a vitamin C derivative is applied to an individual having the queried SNP information
  • a skin brightness change prediction method of a prescription containing vitamin C which is a first skin brightness change prediction model that outputs predicted skin brightness change information.
  • the SNPs marker selection device further comprises selecting one or more SNPs related to skin brightness change when vitamin C or a vitamin C derivative is applied from among the plurality of SNPs included in the SNP information, SNP information of the learning data includes at least some of the one or more SNPs selected by the SNPs marker selection device, and may not include SNPs not selected by the SNPs marker selection device.
  • one or more SNPs associated with changes in skin brightness may be any one or more selected from Table 1.
  • a weight that affects skin brightness change when a substance containing vitamin C or a vitamin C derivative is applied is determined.
  • the weight may include a first value determined according to the number of major alleles and minor alleles included in each SNP, and a second value whose value changes by learning; It may be calculated using
  • the first value is different for each major allele-major allele, major allele-minor allele, and SNPs type of the minor allele. can be granted.
  • the first value may have a higher value as the number of lower alleles among the SNPs types increases.
  • the first value may be a value that does not change even when learning is performed.
  • the weight is a value obtained by multiplying the first value and the second value
  • the predicted skin brightness change information may be calculated by summing weights for each SNP.
  • the weight may be calculated using the first value, the second value, and a third value different from each other according to the gender of the object to be predicted.
  • the skin brightness change prediction model is configured such that the learning processor is configured to include SNP information, one or more prescription information among a plurality of prescriptions including a prescription including vitamin C or a vitamin C derivative, and an individual having the SNP information
  • the learning processor is configured to include SNP information, one or more prescription information among a plurality of prescriptions including a prescription including vitamin C or a vitamin C derivative, and an individual having the SNP information
  • the second skin brightness change learning data consisting of pairs of skin brightness change information when the substance according to the prescription is applied to the SNP information
  • the individual having the query SNP information is assigned a number of substances according to the prescription.
  • It may be a second skin brightness change prediction model that outputs second predicted skin brightness change information when each is applied.
  • the skin brightness change prediction model in addition to the SNP information, the learning processor has one or more of age information, gender information, lifestyle information, environment information, and skin characteristic information, and the SNP information
  • third skin brightness change learning data consisting of pairs of skin brightness change information are learned, SNP information, age information, gender information, lifestyle information, and environmental information and when at least one of the skin characteristic information is queried, a third skin brightness change prediction outputting third predicted skin brightness change information when a substance containing vitamin C or a vitamin C derivative is applied to an object having the query information.
  • the skin brightness change prediction model is configured by the learning processor to obtain at least one of age information, gender information, lifestyle information, environmental information, and skin characteristic information, Battiman C or vitamin C, in addition to SNP information.
  • Fourth skin brightness change learning data consisting of a pair of one or more prescription information among a plurality of prescriptions including a prescription including a derivative, and skin brightness change information when a substance according to the prescription is applied to an individual having the SNP information.
  • the prediction terminal queries the skin brightness change prediction model for the SNP information to calculate predicted skin brightness change information for each of a plurality of prescriptions, and the prescription selector calculates the predicted skin brightness change information
  • the method may further include selecting one or more prescriptions from among a plurality of prescriptions.
  • the step of selecting one or more prescriptions among a plurality of prescriptions by the prescription selection unit using the predicted skin brightness change information includes selecting one or more prescriptions having a large value of the predicted skin brightness change information can include
  • the plurality of prescriptions include a prescription for vitamin C or a vitamin C derivative and a prescription further containing an additional substance to vitamin C or a vitamin C derivative, wherein the additional substance is magnesium (Mg), zinc ( Zn), a skin brightness increase inducing material, a skin irritation relief agent, a material stabilizing material, and a material texture determining material may be at least one selected from the group consisting of.
  • the additional substance is magnesium (Mg), zinc ( Zn), a skin brightness increase inducing material, a skin irritation relief agent, a material stabilizing material, and a material texture determining material may be at least one selected from the group consisting of.
  • the prediction terminal further comprises querying the SNP information to a pre-stored skin irritation prediction model and additionally outputting calculated information, wherein the skin irritation prediction model is configured by the running processor to determine the SNP First stimulation learning data consisting of pairs of information and stimulation information when a substance containing vitamin C or a vitamin C derivative is applied to an individual having the SNP information is learned, and when the SNP information is queried, the queried SNP information is retrieved. It may be a first stimulation prediction model that calculates first prediction stimulation information when a substance containing vitamin C or a vitamin C derivative is applied to an object having vitamin C.
  • the prediction terminal further comprises querying the SNP information to a pre-stored skin irritation prediction model and additionally outputting calculated information, wherein the skin irritation prediction model is configured by the running processor to determine the SNP information, a second stimulus consisting of a pair of one or more prescription information among a plurality of prescriptions including a prescription including vitamin C or a vitamin C derivative, and stimulation information when a substance according to the prescription is applied to an individual having the SNP information
  • the skin irritation prediction model may be a second stimulus prediction model that learns learning data and outputs second prediction stimulus information when each substance according to a plurality of prescriptions is applied to an individual having the query SNP information when the SNP information is queried.
  • the prediction terminal further comprises the step of querying the SNP information to a pre-stored skin irritation prediction model and additionally outputting the calculated information, wherein the skin irritation prediction model is based on the SNP information
  • a substance containing vitamin C or a vitamin C derivative is applied to an individual having at least one of age information, gender information, lifestyle information, environmental information, and skin characteristic information
  • the SNP information a pair of stimulation information
  • vitamin C or a vitamin C derivative is sent to an individual having the queried information. It may be a third stimulus prediction model that outputs third prediction stimulus information when a substance including is applied.
  • the prediction terminal further comprises the step of querying the SNP information to a pre-stored skin irritation prediction model and additionally outputting the calculated information, wherein the skin irritation prediction model is based on the SNP information
  • the skin irritation prediction model is based on the SNP information
  • one or more of age information, gender information, lifestyle information, environmental information, and skin characteristic information one or more prescription information among a plurality of prescriptions including a prescription containing vitamin C or a vitamin C derivative
  • the SNP information By learning fourth stimulation learning data consisting of pairs of stimulation information when a substance according to the prescription is applied to an individual having SNP information and one or more of age information, gender information, lifestyle information, environment information, and skin characteristic information
  • it may be a fourth stimulus prediction model that outputs fourth prediction stimulus information when each substance according to a plurality of prescriptions is applied to an individual having the query information.
  • the prediction terminal queries the skin irritation prediction model for the SNP information and calculates the predicted stimulation information for each of a plurality of prescriptions, and the prescription selection unit uses the predicted stimulation information to perform one or more A step of selecting a prescription may be further included.
  • the step of selecting one or more prescriptions by the prescription selector using the predicted stimulus information may include the step of the prescription selector selecting one or more prescriptions having a small value of the predicted stimulus information among a plurality of prescriptions. may further include.
  • One aspect of the present invention is to learn first skin brightness change learning data consisting of pairs of skin brightness change information when a substance containing vitamin C or a vitamin C derivative is applied to an individual having SNP information and the SNP information, 1
  • a server that generates a skin brightness change prediction model, and outputs first predicted skin brightness change information when a substance containing hydroquinone is applied to an individual having the queried SNP information when the SNP information is queried.
  • First skin brightness A server generating a change prediction model and SNP information of a prediction target object are input, and the first predicted skin brightness change information calculated by querying the SNP information input to the first skin brightness change prediction model generated in the server is output
  • a system for predicting changes in skin brightness of a prescription containing vitamin C, including a prediction terminal, is provided.
  • a SNPs marker selection device for selecting one or more SNPs related to skin brightness change when vitamin C or a vitamin C derivative is applied among a plurality of SNPs included in the SNP information is further included, and the learning data At least some of the one or more SNPs selected by the SNPs marker selection device may be included in the SNP information of SNPs, and SNPs not selected by the SNPs marker selection device may not be included.
  • one or more SNPs associated with changes in skin brightness may be any one or more selected from Table 1.
  • a weight that affects skin brightness change when a substance containing vitamin C or a vitamin C derivative is applied
  • the weight may be determined, and the weight is a first value determined according to the number of major alleles and minor alleles included in each SNP, and a second value whose value changes by learning. It may be calculated using
  • the first value is a major allele-major allele, a major allele-minor allele and a minor allele-sub allele SNPs type (type) Different values may be assigned to each.
  • the first value may have a higher value as the number of lower alleles among the SNPs types increases.
  • the first value may be a value that does not change even when learning is performed.
  • the weight is a value obtained by multiplying the first value and the second value
  • the predicted skin brightness change information may be calculated by summing weights for each SNP.
  • the weight may be calculated using the first value, the second value, and a third value different from each other according to the gender of the object to be predicted.
  • the skin brightness change prediction model is configured such that the learning processor is configured to include SNP information, one or more prescription information among a plurality of prescriptions including a prescription including vitamin C or a vitamin C derivative, and an individual having the SNP information
  • the learning processor is configured to include SNP information, one or more prescription information among a plurality of prescriptions including a prescription including vitamin C or a vitamin C derivative, and an individual having the SNP information
  • the second skin brightness change learning data consisting of pairs of skin brightness change information when the substance according to the prescription is applied to the SNP information
  • the individual having the query SNP information is assigned a number of substances according to the prescription.
  • It may be a second skin brightness change prediction model that outputs second predicted skin brightness change information when each is applied.
  • the skin brightness change prediction model in addition to the SNP information, the learning processor has one or more of age information, gender information, lifestyle information, environment information, and skin characteristic information, and the SNP information
  • third skin brightness change learning data consisting of pairs of skin brightness change information are learned, SNP information, age information, gender information, lifestyle information, and environmental information and when at least one of the skin characteristic information is queried, a third skin brightness change prediction outputting third predicted skin brightness change information when a substance containing vitamin C or a vitamin C derivative is applied to an object having the query information.
  • the skin brightness change prediction model includes, in addition to the SNP information, the learning processor obtains at least one of age information, gender information, lifestyle information, environmental information, and skin characteristic information, vitamin C or a vitamin C derivative
  • Fourth skin brightness change learning data consisting of a pair of one or more prescription information among a plurality of prescriptions including a prescription including a prescription and skin brightness change information when a substance according to the prescription is applied to an individual having the SNP information
  • the object having the queried information is applied with each substance according to a plurality of prescriptions.
  • It may be a fourth skin brightness change prediction model that outputs 4 predicted skin brightness change information.
  • the prediction terminal calculates predicted skin brightness change information for each of a plurality of prescriptions by querying the skin brightness change prediction model for the SNP information, and the system calculates the predicted skin brightness change information
  • a prescription selector for selecting one or more prescriptions from among a plurality of prescriptions may be further included.
  • the prescription selector may select one or more prescriptions having a large value of the predicted skin brightness change information among a plurality of prescriptions.
  • the plurality of prescriptions include a hydroquinone prescription and a prescription further containing additional substances to hydroquinone, wherein the additional substances include magnesium (Mg), zinc (Zn), a skin brightness increase inducing substance, skin It may be at least one selected from the group consisting of irritation relievers, formulation stabilizing substances, and formulation texture determining substances.
  • additional substances include magnesium (Mg), zinc (Zn), a skin brightness increase inducing substance, skin It may be at least one selected from the group consisting of irritation relievers, formulation stabilizing substances, and formulation texture determining substances.
  • the prediction terminal additionally outputs information calculated by querying the skin irritation prediction model generated in the server for SNP information input, and the skin irritation prediction model is determined by the learning processor First stimulation learning data consisting of pairs of information and stimulation information when a substance containing vitamin C or a vitamin C derivative is applied to an individual having the SNP information is learned, and when the SNP information is queried, the queried SNP information is retrieved. It may be a first stimulation prediction model that calculates first prediction stimulation information when a substance containing vitamin C or a vitamin C derivative is applied to an object having vitamin C.
  • the prediction terminal additionally outputs information calculated by querying the skin irritation prediction model generated in the server for SNP information input, and the skin irritation prediction model is determined by the learning processor information, a second stimulus consisting of a pair of one or more prescription information among a plurality of prescriptions including a prescription including vitamin C or a vitamin C derivative, and stimulation information when a substance according to the prescription is applied to an individual having the SNP information
  • a second stimulus prediction model that learns learning data and outputs second prediction stimulus information when each substance according to a plurality of prescriptions is applied to an individual having the query SNP information when the SNP information is queried.
  • the prediction terminal additionally outputs information calculated by querying the SNP information input to the skin irritation prediction model generated by the server, and the skin irritation prediction model is determined by the running processor based on the SNP information
  • the skin irritation prediction model is determined by the running processor based on the SNP information
  • a pair of stimulation information When one or more of SNP information and age information, gender information, lifestyle information, environment information, and skin characteristic information is queried by learning the third stimulation learning data, a substance containing hydroquinone is found in an object having the queried information. It may be a third stimulus prediction model that outputs third prediction stimulus information when applied.
  • the prediction terminal additionally outputs information calculated by querying the SNP information input to the skin irritation prediction model generated by the server, and the skin irritation prediction model is determined by the running processor based on the SNP information
  • the skin irritation prediction model is determined by the running processor based on the SNP information
  • one or more of age information, gender information, lifestyle information, environmental information, and skin characteristic information one or more prescription information among a plurality of prescriptions including a prescription containing vitamin C or a vitamin C derivative
  • the SNP information By learning fourth stimulation learning data consisting of pairs of stimulation information when a substance according to the prescription is applied to an individual having SNP information and one or more of age information, gender information, lifestyle information, environment information, and skin characteristic information
  • it may be a fourth stimulus prediction model that outputs fourth prediction stimulus information when each substance according to a plurality of prescriptions is applied to an individual having the query information.
  • the prediction terminal queries the skin irritation prediction model for the SNP information to calculate prediction stimulation information for each of a plurality of prescriptions, and the system uses the prediction stimulation information to obtain the plurality of A prescription selection unit for selecting one or more of the prescriptions may be further included.
  • the prescription selector may select one or more prescriptions having a small value of the predicted stimulus information among a plurality of prescriptions.
  • one aspect of the present invention provides a computer program stored in a computer readable recording medium to execute the above-described method.
  • Another aspect of the present invention provides a system for predicting changes in skin brightness and irritation of a prescription containing vitamin C or a vitamin C derivative. Referring to Figures 1 to 5, it will be described in detail.
  • the skin brightness change and/or stimulation prediction system includes the prediction terminal 100 and the server 200, and may optionally further include a data providing server 300.
  • the prediction terminal 100 and the server 200 may be separate components or may be integrated into one configuration.
  • the prediction terminal 100 predicts skin brightness change information and/or irritation information of the prediction target object when vitamin C or a substance containing a vitamin C-containing derivative is applied to the prediction target object.
  • the prediction terminal 100 includes a communication unit 110, an input unit 120, a memory 130, a processor 140, an output unit 150, a control unit 160, a power supply unit 170, and an interface. It includes section 180.
  • the communication unit 110 is a component for communication with an external device, and data transmission and reception with the external device may be possible through the communication unit 110 .
  • the input unit 120 may receive a command or data to be used in a component (eg, processor) of the prediction terminal 100 from the outside of the server 100 (eg, a user).
  • the input unit 120 may include, for example, a microphone, a mouse, a keyboard, a key (eg, a button), or a digital pen (eg, a stylus pen).
  • the memory 130 may store various data used in the prediction terminal 100 .
  • Data stored in the memory 130 may be, for example, a predictive model generated by the server 200, and may also include input data or output data for software and commands related thereto.
  • both information input to the prediction terminal 100 and information generated by the prediction terminal 100 may be stored in the memory 130 .
  • the processor 140 may perform a data processing or arithmetic function, and as at least a part of the data processing or arithmetic function, stores commands or data received from other components in a volatile memory, and stores the commands or data stored in the volatile memory. can be processed, and the resulting data can be stored in non-volatile memory.
  • the processor 140 may include a skin brightness change information calculator 141, a stimulus information calculator 142, and a prescription selector 143.
  • the skin brightness change information calculating unit 141 calculates predicted skin brightness change information when a substance containing vitamin C or a vitamin C derivative is applied to a prediction target object using a prediction model generated by the server 200 to be described later.
  • the stimulus information calculation unit 142 calculates stimulus information when a substance containing vitamin C or a vitamin C derivative is applied to a prediction target object using a prediction model generated by the server 200 to be described later.
  • stimulation information is a concept including information related to stimulation, such as stimulation grade, presence or absence of stimulation, and stimulation probability, and these may be digitized information, but are not particularly limited thereto.
  • the prescription selection unit 143 calculates and selects one or more prescriptions suitable for the prediction target entity using the information calculated by the skin brightness change information calculation unit 141 and/or the stimulus information calculation unit 142. .
  • the output unit 150 may output information processed or calculated by the prediction terminal 100 to the outside, and a display and a speaker may be included here.
  • the controller 160 may execute software to control one or more other components (eg, hardware or software components) of the prediction terminal 100 connected to the processor.
  • the control unit 160 controls the communication unit 110, the input unit 120, the memory 130, the processor 140, the output unit 150, the power supply unit 170, and the interface unit 180 of the prediction terminal 100. can do.
  • the power supply unit 170 supplies power to the prediction terminal 100 .
  • the power supply unit 170 may receive power from an external power source and supply power to the prediction terminal 100 .
  • the interface unit 180 may display information output from the output unit 150 through an interface.
  • the interface unit 180 is not limited to a specific type or form.
  • a skin brightness change/stimulus prediction command When a skin brightness change/stimulus prediction command is input through the prediction terminal 100, the processor 140 uses a prediction model generated by the server 200 to be described later and stored in the memory 130 of the prediction terminal 100. Thus, predicted skin brightness change information and/or stimulus information are calculated, and the calculated information is output.
  • a skin brightness change/stimulus prediction command may be input through an external input unit, the input command may be transmitted to the server 200, and the skin brightness change/stimulus prediction may be performed by the server 200.
  • a skin brightness change/stimulus prediction command when a skin brightness change/stimulus prediction command is input through the prediction terminal 100, the command is transmitted to the server 200, and using the prediction model stored in the server 200, the server ( In 200, predicted skin brightness change information and/or stimulus information may be calculated, and the prediction terminal 100 may receive information calculated in the server 200 and output the received information.
  • the prediction target object information which is the target of the prediction skin brightness change information and/or stimulus information output through the prediction terminal 100, may be input in the form of genetic data (including SNP information), and in another example, the prediction target It may be input in the form of entity identification data.
  • the input genetic data is queried to the prediction model, and predicted skin brightness change information and/or stimulus information of the prediction target object may be calculated.
  • the identification data of the prediction target entity is input to the prediction terminal 100
  • the input identification data is transmitted to the data providing server 300
  • the data providing server 300 identifies the object corresponding to the transmitted identification data.
  • the genetic data is transmitted to the prediction terminal 100 again. That is, genetic data of subjects/prediction target entities is stored in advance in the data providing server 300, and if there is a data provision request (genetic data provision request) from the prediction terminal 100 or the server 200 to be described later, it is transmitted. It is possible to transmit the genetic data of the individual corresponding to the identified identification data to the prediction terminal 100 or the server 200. That is, personal information can be protected through a configuration in which genetic data, which is personal information, is stored in a separate data providing server 300 and genetic data of an individual corresponding to the transmitted identification data is provided.
  • the server 200 may include an SNPs marker selection device 210, a measurement device 220, a predictive model generating device 230, and a data processing device 240.
  • the SNPs marker selection device 210 may change skin brightness when a substance containing vitamin C or a vitamin C derivative is applied among a plurality of SNPs (ie, 'vitamin C-responsive skin brightness change) and/or skin irritation (ie, 'vitamin It is configured to select one or more SNPs that elicit a degree of C-responsive skin irritation').
  • SNPs ie, 'vitamin C-responsive skin brightness change
  • skin irritation ie, 'vitamin It is configured to select one or more SNPs that elicit a degree of C-responsive skin irritation'.
  • vitamin C or a vitamin C derivative' may mean a vitamin C or vitamin C derivative raw material itself, a lysate thereof, or a prescription in which vitamin C or a vitamin C derivative is included in a base prescription.
  • the measuring device 220 is configured to obtain information including skin measurement values by measuring the skin of a specific subject.
  • the skin measurement values may include information related to skin conditions such as moisture level, skin brightness value, and skin irritation level, but are not limited to the above information as long as the information is related to the skin.
  • the data processing device 240 may improve the performance of the predictive model by adding new information to the information stored in the existing memory.
  • the data processing device 240 may play a role of converting various types of information into a standardized format for each type of information. For example, since information collected from subjects may include personal information, anonymization of information may be performed, and functions such as conversion into codes optimized for computer operations and assignment of control numbers may be performed. In addition, the data processing device 240 corrects errors for each measurement device 220 or standardizes measurement information values (eg, values may be standardized in a (measured value-standard)/standard deviation method) Thus, it is possible to ensure the consistency of information.
  • the data processing device 240 calculates the outliers of the information and the outliers of the information measured by the measurement device 220 in a predetermined method, and processes the information as noise when the outliers are out of a preset value range, and stores the information in a memory. It may be notified so that it is not stored or a warning signal is output so that information re-input/re-measurement can be performed.
  • the data processing device 240 may process input information as noise so that it is not stored in memory or generate a warning signal when a standard deviation difference of 3 times or more compared to the menopause response of a male gender user occurs. It can be output so that information re-input/re-measurement can be performed.
  • the predictive model generation device 230 is configured to generate a model for predicting skin brightness change information/stimulation information when a substance containing vitamin C or a vitamin C derivative is applied.
  • the predictive model generating device 230 may include a communication unit 231, an input unit 232, a processor 233, a memory 234, a running processor 235, and a control unit 236,
  • the prediction model generator 230 is also implemented in the form of a computing device capable of calculation, and includes the communication unit 110, the input unit 120, the memory 130, the processor 140, and the control unit 160 of the prediction terminal 100 described above. ) and a configuration having the same function may be applied.
  • the learning processor 235 may perform data processing or arithmetic functions like the processor 140, but may further include a hardware structure specialized for AI model processing.
  • the memory 234 of the prediction model generating device 230 may include a subject integration database 234a and a prescription database 234b.
  • Information collected from subjects is stored in the subject integration database 234a to be used as learning data.
  • Types of information stored in the subject integrated database 234a include some or all of skin brightness change information ( ⁇ L), genetic information including SNP information, skin irritation information, environmental information, lifestyle information, and skin characteristic information.
  • the skin brightness change information means the degree of change in skin brightness that occurs as a substance according to a prescription containing vitamin C or a vitamin C derivative alone or an optional additional substance is applied
  • the skin irritation information Means the degree of skin irritation (or presence or absence of irritation, probability of irritation) occurring as the material is applied, environmental information may include height and weight information, and lifestyle information is sunlight exposure, whether or not UV blockers are used , eating habit information, smoking status, drinking level, skin characteristics information may include skin color information, etc., but is not particularly limited thereto.
  • the prescription database 234b stores information on a plurality of prescriptions including vitamin C or vitamin C derivatives. For example, information about a prescription containing only vitamin C or a vitamin C derivative may be stored as prescription 1, and information about a prescription containing vitamin C or a vitamin C derivative and magnesium may be stored as prescription 2, as prescription 2. Information on a prescription including a C derivative and zinc may be stored as prescription 3, and information on a prescription including vitamin C or a vitamin C derivative and an irritant reliever may be stored as prescription 4.
  • Generation of the predictive model may be generated as the learning processor 235 learns the training data.
  • learning here is a concept of deriving an optimal correlation between a plurality of data to be learned by training a plurality of learning data in a preset artificial neural network (ANN) model.
  • the artificial neural network model is DNN (Deep Neural Network), CNN (Convolutional Neural Network), DCNN (Deep Convolutional Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), It may be a model based on a Single Shot Detector (SSD) or a Multi-layer Perceptron (MLP), but is not limited thereto and various artificial neural network models may be applied to the present invention.
  • correlations between a plurality of data to be studied may be derived using various statistical techniques (linear regression model, random forest, lasso, ridge, elastic net, MDR, SVM, etc.) .
  • the learning processor 235 provides SNP information - skin brightness change information ( ⁇ L) when a substance containing vitamin C or a vitamin C derivative is applied to an individual having the SNP information
  • SNP information - skin brightness change information ⁇ L
  • First predicted skin brightness change when a substance containing vitamin C or a vitamin C derivative is applied to an individual having the query SNP information when SNP information is queried by learning first skin brightness change learning data consisting of pairs of A first skin brightness change prediction model outputting information may be generated.
  • a larger value of the predicted skin brightness change degree may mean that a substance according to the prescription is applied to the object, showing high whitening efficacy, and a smaller value may mean lower whitening efficacy.
  • the information value of the predicted skin brightness change is greater than or equal to a preset value, it can be predicted that there is efficacy in whitening when a substance according to the prescription is applied to the object, and if it is less than the preset value, it is not effective in whitening It is also possible to predict.
  • the degree of whitening efficacy and the presence or absence of whitening efficacy are predicted using the information of predicted skin brightness change, it may be included in the scope of the present invention.
  • SNP information included in the training data includes at least some of one or more SNPs selected by the SNP marker selection device 210, and may not include SNPs that are not selected.
  • SNPs There are many different types of SNPs included in genes. Therefore, if learning is performed in consideration of all SNPs, a problem of reduced learning efficiency may occur. Therefore, in the present invention, it may be desirable to adopt a method of improving the accuracy of prediction as well as improving the efficiency of learning by learning in consideration of only the SNPs previously selected by the SNPs marker selection device 210.
  • a weight that affects a change in skin brightness when a substance containing vitamin C or a vitamin C derivative is applied may be determined for each SNP included in the SNP information.
  • the weight may be determined by a first value and a second value having different values depending on the type of SNPs, and more specifically, may be determined by multiplying the first value by the second value.
  • the first value is a value determined according to the number of major alleles and minor alleles included in each SNP.
  • SNPs type a total of three may exist for each SNP: major allele-major allele, major allele-minor allele, and sub-allele-sub allele, and the first value is each Each type of may have a different value. More specifically, the first value may have a higher value as the number of sub alleles increases, '1' for major allele-major allele, '2' for major allele-minor allele, and '2' for minor allele. - In the case of a minor allele, a value of '3' may be assigned, but is not particularly limited thereto.
  • the second value means an influence index that each SNP affects skin brightness change (more specifically, an influence index that each SNP's minor allele affects skin brightness). Since each selected SNP may have a different degree of effect on the change in skin brightness when applying a substance according to a vitamin C or vitamin C derivative prescription, in the present invention, by calculating the second value, which is the influence index of each SNP, When genetic information is input, predicted skin brightness change information can be calculated using the calculated weight.
  • the first value is a value that is fixed according to the number of upper alleles and lower alleles included in the SNP and does not change by learning
  • the second value is a value that changes by learning.
  • the first value may be set to a value that changes by learning, and the second value may be fixed to the effect size of each SNP.
  • the first value is fixed according to the number of upper alleles and lower alleles, and the second value may also be fixed as Effect Size.
  • the weight may be calculated by further using a third value having a different value for each gender, in addition to the first value and the second value.
  • the learning processor 235 adjusts the weight that affects the skin brightness change for each SNP (specifically, adjusts the second value) so that the prediction accuracy is maximized in the process of learning the first skin brightness change learning data.
  • a first skin brightness change prediction model may be generated.
  • the first skin brightness change prediction model generated by the learning processor 235 may be transmitted to the prediction terminal 100 and stored in the model storage unit 131 of the prediction terminal 100 .
  • the skin brightness change information calculation unit 141 of the prediction terminal 100 uses the first prediction model 1 Predicted skin brightness change information can be calculated, and the calculated information can be output in the form of visible information to the system user through the output unit 150 .
  • identification data of a prediction target entity is input to the prediction terminal 100, the input identification data is transmitted to the data providing server 300, and the data providing server 300 ) may transmit genetic data of an individual corresponding to the transmitted identification data to the prediction terminal 100.
  • the learning processor 235 provides SNP information - one or more prescription information among a plurality of prescriptions including a prescription containing vitamin C or a vitamin C derivative - to an individual having the SNP information.
  • the second skin brightness change learning data consisting of pairs of skin brightness change information when a substance according to any one of the above prescriptions is applied, and when the SNP information is queried, a number of A second skin brightness change prediction model outputting second predicted skin brightness change information when each substance according to the prescription is applied may be generated.
  • a second skin brightness change prediction model may be generated.
  • the second skin brightness change prediction model generated by the learning processor 235 may be transmitted to the prediction terminal 100 and stored in the model storage unit 131 of the prediction terminal 100 .
  • the skin brightness change information calculation unit 141 of the prediction terminal 100 When genetic data including SNP information of a prediction target entity is queried through the input unit 120 of the prediction terminal 100, the skin brightness change information calculation unit 141 of the prediction terminal 100 generates a second skin brightness change prediction model. It is possible to calculate the predicted skin brightness change information for each prescription using the formula, and the calculated information can be output in the form of visible information to the system user through the output unit 150 .
  • the prescription selector 143 calculates one or more prescriptions suitable for prescription to the prediction target object by using the predicted skin brightness change information calculated by the skin brightness change information calculation unit 141 .
  • a prescription having a large value of the predicted skin brightness change information calculated by the skin brightness change information calculation unit 141 may be calculated as a prescription suitable for being prescribed to a prediction target object.
  • the identification data of the prediction target entity is input to the prediction terminal 100 as shown in FIG.
  • An aspect in which the identification data is transmitted to the data providing server 300 and the data providing server 300 transmits genetic data of an individual corresponding to the transmitted identification data to the prediction terminal 100 may also be included in the scope of the present invention. .
  • the learning processor 235 provides SNP information - one or more of age information/gender information/lifestyle information/environmental information/skin characteristic information-vitamins to an individual having the SNP information.
  • SNP information By learning third skin brightness change learning data consisting of pairs of skin brightness change information when a substance containing C or a vitamin C derivative is applied, SNP information and age information/gender information/lifestyle information/environmental information/skin
  • a predictive model outputting third predicted skin brightness change information when a substance containing vitamin C or a vitamin C derivative is applied to an individual having the queried SNP information may be generated.
  • a third skin brightness change prediction model may be generated by adjusting weights affecting changes in skin brightness.
  • the third skin brightness change prediction model generated by the learning processor 235 may be transmitted to the prediction terminal 100 and stored in the model storage unit 131 of the prediction terminal 100 .
  • the prediction terminal may calculate third predicted skin brightness change information using the third skin brightness change prediction model, and the calculated information is provided to the system user through the output unit 150. It can be output in the form of visible information.
  • the learning processor 235 provides SNP information - one or more prescription information among a plurality of prescriptions including a prescription including vitamin C or a vitamin C derivative - age information/gender information/life Fourth skin brightness change learning consisting of pairs of skin brightness change information when a substance according to any one of the above prescriptions is applied to an individual having the SNP information - one or more of habit information/environmental information/skin characteristic information
  • SNP information and age information/gender information/lifestyle information/environmental information/skin characteristic information is queried, it is likely that each of the substances according to a plurality of prescriptions has been applied to the individual having the queried SNP information.
  • a prediction model outputting fourth predicted skin brightness change information at the time of the present invention may be generated.
  • a fourth skin brightness change prediction model may be generated by adjusting weights affecting skin brightness change at least one of the characteristic information.
  • the fourth skin brightness change prediction model generated by the learning processor 235 may be transmitted to the prediction terminal 100 and stored in the model storage unit 131 of the prediction terminal 100 .
  • the prediction terminal When one or more information of genetic data and age information/gender information/lifestyle information/environmental information/skin characteristic information including SNP information of a prediction target entity is queried through the input unit 120 of the prediction terminal 100, the prediction terminal The skin brightness change information calculation unit 141 of (100) may calculate predicted skin brightness change information for each prescription using the fourth skin brightness change prediction model, and the calculated information is output through the output unit 150. It can be output in the form of information visible to system users.
  • the prescription selector 143 calculates one or more prescriptions suitable for prescription to the prediction target object by using the predicted skin brightness change information calculated by the skin brightness change information calculation unit 141 .
  • a prescription having a large value of the predicted skin brightness change information calculated by the skin brightness change information calculation unit 141 may be calculated as a prescription suitable for being prescribed to a prediction target object.
  • the genetic data of the prediction target entity is directly input to the prediction terminal 100, but as shown in FIG. 11, the prediction terminal 100 inputs the identification data of the prediction target entity, and the input
  • An aspect in which the identification data is transmitted to the data providing server 300 and the data providing server 300 transmits genetic data of an individual corresponding to the transmitted identification data to the prediction terminal 100 may also be included in the scope of the present invention. .
  • the learning processor 235 provides SNP information - stimulation data (presence of stimulation or level of stimulation when a substance containing vitamin C or a vitamin C derivative is applied to an individual having the SNP information) By learning the first stimulus learning data consisting of pairs of), when the SNP information is queried, the first stimulus information when a substance containing vitamin C or a vitamin C derivative is applied to an individual having the queried SNP information You can create a predictive model that outputs.
  • the higher the value of the stimulation information the higher the degree of skin irritation when the substance according to the input prescription is applied to the object, and the lower the value, the lower the degree of skin irritation.
  • a stimulus prediction model can be created.
  • the first stimulus prediction model generated by the learning processor 235 may be transmitted to the prediction terminal 100 and stored in the model storage unit 131 of the prediction terminal 100 .
  • the stimulus information calculation unit 142 of the prediction terminal 100 uses the first stimulus prediction model to generate a first Stimulus information (which may be in the form of presence or absence of stimulation or degree of stimulation) may be calculated, and the calculated information may be output in the form of visible information to a system user through the output unit 150 .
  • the genetic data of the prediction target entity is directly input into the prediction terminal 100, but as shown in FIG. 7, the prediction terminal 100 inputs the identification data of the prediction target entity.
  • An aspect in which the identification data is transmitted to the data providing server 300 and the data providing server 300 transmits genetic data of an individual corresponding to the transmitted identification data to the prediction terminal 100 may also be included in the scope of the present invention. .
  • the learning processor 235 provides SNP information - one or more prescription information among a plurality of prescriptions including a prescription containing vitamin C or a vitamin C derivative - to an individual having the SNP information.
  • learning second stimulation learning data consisting of pairs of stimulation information when a substance according to any one of the above prescriptions is applied, and when SNP information is queried, an individual having the query SNP information is sent a substance according to a plurality of prescriptions.
  • a predictive model outputting second stimulus information when each is applied may be generated.
  • a second stimulus prediction model may be generated.
  • the second stimulus prediction model generated by the learning processor 235 may be transmitted to the prediction terminal 100 and stored in the model storage unit 131 of the prediction terminal 100 .
  • the stimulus information calculation unit 142 of the prediction terminal 100 uses the second stimulus prediction model to generate each Stimulus information for each prescription may be calculated, and the calculated information may be output in the form of visible information to a system user through the output unit 150 .
  • the prescription selection unit 143 calculates one or more prescriptions suitable for being prescribed to the prediction target entity by using the stimulus information calculated by the stimulus information calculation unit 142 .
  • a prescription with a small value of the stimulus information calculated by the stimulus information calculation unit 142 may be calculated as a prescription suitable for being prescribed to a prediction target entity.
  • the genetic data of the prediction target entity is directly input to the prediction terminal 100, but as shown in FIG. 7, the prediction terminal 100 inputs the identification data of the prediction target entity.
  • An aspect in which the identification data is transmitted to the data providing server 300 and the data providing server 300 transmits genetic data of an individual corresponding to the transmitted identification data to the prediction terminal 100 may also be included in the scope of the present invention. .
  • the learning processor 235 provides information on one or more of SNP information - age information / gender information / lifestyle information / environmental information / skin characteristic information - vitamins for an individual having the SNP information
  • One of SNP information and age information/gender information/lifestyle information/environmental information/skin characteristic information by learning third stimulation learning data consisting of pairs of stimulation information when a substance containing C or a vitamin C derivative is applied.
  • a predictive model outputting third stimulus information when a substance containing vitamin C or a vitamin C derivative is applied to an individual having the queried SNP information may be generated.
  • the learning processor 235 may, in the process of learning the third stimulus learning data, use one or more of age information/gender information/lifestyle information/environmental information/skin characteristic information for each SNP so that prediction accuracy is maximized.
  • a third stimulation prediction model may be generated by adjusting weights affecting skin stimulation.
  • the third stimulus prediction model generated by the learning processor 235 may be transmitted to the prediction terminal 100 and stored in the model storage unit 131 of the prediction terminal 100 .
  • the prediction terminal may calculate third stimulus information using the third stimulus prediction model, and output the calculated information in the form of visible information to the system user through the output unit 150. It can be.
  • the learning processor 235 provides SNP information - one or more prescription information among a plurality of prescriptions including a prescription including vitamin C or a vitamin C derivative - age information/gender information/life At least one information of habit information/environmental information/skin characteristic information-4th stimulation learning data consisting of pairs of stimulation information when a substance according to any one of the prescriptions is applied to an individual having the SNP information is learned , SNP information and age information/gender information/lifestyle information/environmental information/skin characteristic information, when one or more information is queried, the fourth when each substance according to a plurality of prescriptions is applied to an individual having the queried SNP information A predictive model outputting stimulus information can be created.
  • a fourth stimulus prediction model may be generated.
  • the fourth stimulus prediction model generated by the learning processor 235 may be transmitted to the prediction terminal 100 and stored in the model storage unit 131 of the prediction terminal 100 .
  • the stimulus information calculation unit 142 of the prediction terminal 100 uses the fourth stimulus prediction model to generate each Stimulus information for each prescription may be calculated, and the calculated information may be output in the form of visible information to a system user through the output unit 150 .
  • the prescription selection unit 143 calculates one or more prescriptions suitable for being prescribed to the prediction target entity by using the stimulus information calculated by the stimulus information calculation unit 142 .
  • a prescription with a small value of the stimulus information calculated by the stimulus information calculation unit 142 may be calculated as a prescription suitable for being prescribed to a prediction target entity.
  • the genetic data of the prediction target entity is directly input into the prediction terminal 100
  • the identification data of the prediction target entity is input to the prediction terminal 100
  • the input identification data is sent to the data providing server. 300
  • the data providing server 300 may also include an aspect of transmitting genetic data of an individual corresponding to the transmitted identification data to the prediction terminal 100.
  • the prediction terminal 100 predicts a change in skin brightness by using at least one skin brightness change prediction model among the first to fourth skin brightness change prediction models and the first to fourth stimulus prediction models.
  • An operation for predicting skin irritation information using at least one stimulation prediction model may be simultaneously performed, or an output according to the operation may be performed.
  • one or more of the stimulus information output through the comparison operation of the predicted stimulus information output through the calculation of the stimulus prediction model is used as follows. It is possible to provide more information to the user.
  • the prediction terminal 100 may further calculate which one of the four groups the prediction target entity to which the query is made belongs through a combination of the predicted skin brightness change information and the predicted stimulus information.
  • the four groups are as follows.
  • the prediction terminal 100 calculates the prediction target object as a "suitable group", and the prescription selector ( 143) may calculate and provide a prescription of vitamin C or a vitamin C derivative alone prescription to the user.
  • the second is the high stimulation group.
  • the prediction terminal 100 calculates the prediction target object as a "high stimulation group"
  • the prescription selection unit (143) may calculate and provide a prescription in which a stimulation mitigating substance is added in addition to vitamin C or a vitamin C derivative, and provided to the user.
  • the prediction terminal 100 calculates the prediction target object as a "low efficacy group", and the prescription selection unit In (143), a prescription in which an efficacy synergistic substance having a skin brightness improving effect is added in addition to vitamin C or a vitamin C derivative may be calculated and provided to the user.
  • non-conforming group When the value of the predicted skin brightness change information is smaller than the first reference value and the value of the predicted stimulus information is larger than the second reference value, the prediction terminal 100 calculates the prediction target object as a "non-conforming group", and the prescription selection unit In (143), a prescription in which an efficacy synergistic substance and an irritation mitigating substance are added in addition to vitamin C or a vitamin C derivative may be calculated and provided to the user.
  • the present invention may further include a product selection unit, and the product selection unit is configured to select a product that matches the prescription selected by the prescription selection unit.
  • the prescription database a plurality of prescription products may be matched and stored together. By selecting a product by the product selector, the user can receive a recommendation not only for a suitable prescription but also for a product according to the corresponding prescription.
  • the skin brightness change and irritation prediction method may be performed using the prediction model generated by the server 200 described above.
  • subject phenotype data skin brightness change information, irritation information
  • genotype data SNP information
  • subject phenotype data skin brightness change information, irritation information
  • genotype data SNP information
  • the SNPs marker selection device 210 uses the obtained data to detect changes in skin brightness and /or Select one or more SNPs markers that affect skin irritation.
  • the learning data any one of the first to fourth skin brightness change learning data and the first to fourth stimulus learning data
  • the learning processor 235 of the server 200 derives a correlation between the phenotype data and the genotype data.
  • One is learned to generate any one of the first to fourth skin brightness change prediction models and the first to fourth stimulus prediction models.
  • the genetic data or identification data of the predicted object is input, the genetic data is queried to the generated prediction model, and at least one of predicted skin brightness change information and stimulus information is calculated in the prediction model. Then, using the calculated information, the prescription selection unit 143 calculates one or more prescriptions suitable for being prescribed to the prediction target entity.
  • the skin of the subject (H) is measured by the measuring device 220 before application of a product containing vitamin C or a vitamin C derivative, and the skin brightness value (L 0 ) of the subject (H) is measured by the data processing device 240. can be computed.
  • the skin of the subject (H) is measured by the measuring device 220, and the skin of the subject (H) is measured by the data processing device 240.
  • a skin brightness value L may be calculated.
  • the SNPs marker selection device 210 performs correlation analysis between the subject's genetic data (which may be stored in the server or obtained by transmitting the subject's identification information to the data providing server) and the skin brightness change value, , One or more skin brightness change predictive SNPs markers that affect skin brightness change when a substance containing vitamin C or a vitamin C derivative is applied can be selected.
  • the skin brightness change prediction SNPs markers selected in this way may be transmitted to the predictive model generating device 230 and may be used as one element of training data to generate a predictive model later.
  • an expert A interviews the subject, or the subject H itself may take a survey/skin image.
  • Interview results and/or survey results/skin images are transmitted to the data processing device 240, and the data processing device 240 may calculate stimulation data (stimulus degree and/or stimulation presence/absence) using the transmitted data. there is.
  • the SNPs marker selection device 210 performs correlation analysis between the subject's genetic data (which may be stored in the server or obtained by transmitting the subject's identification information to the data providing server) and the skin brightness change value, , one or more irritation predictive SNPs markers that affect skin irritation upon application of substances containing vitamin C or vitamin C derivatives can be selected.
  • the stimulus prediction SNPs markers selected in this way may be transmitted to the predictive model generating device 230 and may be used as an element of training data in generating a predictive model later.
  • the prediction model generation device 230 of the server 200 learns first to fourth skin brightness change learning data and first to fourth stimulus data to first to fourth skin brightness change A prediction model and first to fourth stimulus prediction models are generated, and the generated prediction models are transmitted to the prediction terminal 100 .
  • a skin brightness change and/or stimulus prediction command is input through the prediction terminal 100, and genetic data (which can be directly input or transmitted through a data providing server) and/or age/ Using at least one data of gender/lifestyle/environment/skin characteristic information, skin brightness change information and/or irritation information when a substance containing vitamin C or a vitamin C derivative is applied to the prediction target object may be calculated.
  • This information may be calculated for each of a plurality of prescriptions, and the prescription selector selects and outputs one or more prescriptions suitable for the prediction target entity using the calculated skin brightness change information and/or stimulation information.
  • the method according to an embodiment of the present invention described above may be implemented in the form of computer program instructions that can be executed through various computer means and recorded in a computer readable medium.
  • the computer readable medium may include program instructions, data files, data structures, etc. alone or in combination.
  • Program instructions recorded on the medium may be those specially designed and configured for the present invention or those known and usable to those skilled in computer software.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks.
  • - includes hardware devices specially configured to store and execute program instructions, such as magneto-optical media, and ROM, RAM, flash memory, and the like.
  • Examples of program instructions include high-level language codes that can be executed by a computer using an interpreter, as well as machine language codes such as those produced by a compiler.
  • the hardware device described above may be configured to operate as one or more software modules to perform the operations of the present invention, and vice versa.
  • each skin brightness change information and stimulation information when a substance according to a plurality of prescriptions including a vitamin C prescription is applied.
  • the optimal prescription is selected in consideration of the individual's environmental information / lifestyle information / skin characteristic information it is possible to provide
  • FIG. 1 is a schematic block diagram for explaining one aspect of a system for predicting changes in skin brightness and/or skin irritation of a vitamin C-containing prescription according to the present invention.
  • FIG. 2 is a schematic block diagram for explaining an aspect of a prediction terminal of the system of FIG. 1 .
  • FIG. 3 is a schematic block diagram for explaining an aspect of an apparatus for generating a predictive model of the system of FIG. 1 .
  • FIG. 4 is a diagram for explaining data transmitted and received between a server of the system of FIG. 1, a prediction terminal, and a data providing server.
  • FIG. 5 is a diagram for explaining how information is calculated in a prediction model according to data input to a prediction terminal and the calculated information is output in one aspect of the present invention.
  • FIG. 6 illustrates a state in which a first skin brightness change prediction model is generated by learning in one aspect of the present invention, and information calculated in the first skin brightness change prediction model is output according to data input to a prediction terminal. It is a drawing for
  • FIG. 7 is a diagram for explaining an aspect different from that of FIG. 6 in which identification data of a prediction target entity is transmitted to a prediction terminal, genetic data corresponding to the identification data is received from a data providing server, and calculation is performed.
  • FIG. 8 illustrates a state in which a second skin brightness change prediction model is generated by learning in one aspect of the present invention, and information calculated in the second skin brightness change prediction model is output according to data input to a prediction terminal. It is a drawing for
  • FIG. 9 illustrates a state in which a third skin brightness change prediction model is generated by learning in one aspect of the present invention, and information calculated in the third skin brightness change prediction model is output according to data input to a prediction terminal. It is a drawing for
  • FIG. 10 illustrates a state in which a fourth skin brightness change prediction model is generated by learning in one aspect of the present invention, and information calculated in the fourth skin brightness change prediction model is output according to data input to a prediction terminal. It is a drawing for
  • FIG. 11 is a diagram for explaining an aspect different from that of FIG. 10 in which identification data of a prediction target entity is transmitted to a prediction terminal, genetic data corresponding to the identification data is received from a data providing server, and calculation is performed.
  • FIG. 12 is a diagram for explaining how a first stimulus prediction model is generated by learning in one aspect of the present invention, and information calculated in the first stimulus prediction model is output according to data input to a prediction terminal. .
  • FIG. 13 is a diagram for explaining how a second stimulus prediction model is generated by learning and information calculated in the second stimulus prediction model is output according to data input to a prediction terminal in one aspect of the present invention.
  • FIG. 14 is a diagram for explaining how a third stimulus prediction model is generated by learning and stimulus information calculated according to data input to a prediction terminal is output in one aspect of the present invention.
  • 15 is a diagram for explaining how a fourth stimulus prediction model is generated by learning in one aspect of the present invention, and stimulus information calculated according to data input to a prediction terminal is output.
  • 16 is a schematic flowchart for explaining one aspect of a method for predicting changes in skin brightness and/or skin irritation of a vitamin C-containing prescription.
  • 17 is a schematic flowchart illustrating an aspect of the present invention for selecting SNPs that affect changes in skin brightness when a substance containing vitamin C is applied.
  • FIG. 18 is a schematic flowchart illustrating an aspect of the present invention for selecting SNPs that affect skin irritation when a substance containing vitamin C is applied.
  • 19 to 26 are schematic flowcharts for explaining how predicted skin brightness change information, stimulation information, and/or selected prescription information are output as genetic data of a prediction target object is queried to the generated prediction model.
  • Example 1 Evaluation of vitamin C whitening efficacy and collection of genes
  • Chroma meter CR-400 KONICA MINOLTA, Japan
  • a skin color measuring device was used for skin evaluation.
  • Gene collection was performed through saliva collection, and for effective gene collection, all analysis subjects were prohibited from consuming any food, including water, from 30 minutes before collection.
  • Gene analysis was performed using Illumina's microarray genotyping chip, and specifically, the genes of the subjects were analyzed using the global screening array product of the same company.
  • Illumina's microarray genotyping chip gene analysis experiment was conducted according to the provided manual, and genomic DNA amplification, DNA fragmentation, precipitation, hybridization, and staining were performed using the provided reagents. , washing, coating, and scanning were performed.
  • microarray genotyping chip where the experiment was completed was scanned using iScan Control Software (Illumina), and when the scan was completed, an idat file was automatically created and data quality control (sample call rate 98%, marker call) was performed using GenomeStudio (Illumina) program. rate 98%) and genetic information were confirmed.
  • Example 3 Derivation of genetic polymorphism markers associated with the degree of vitamin C whitening efficacy
  • Imputation is a statistical technique that infers unanalyzed genetic polymorphism marker information based on genetic polymorphism marker information obtained through experiments.
  • the degree of vitamin C whitening efficacy was corrected with gender information and used for analysis (e.g., linear regression analysis was performed). Through this, a number of genetic polymorphic markers of significance related to the degree of vitamin C whitening efficacy were derived.
  • Facial brightness level L value in the skin color measurement lab of the bright part of the cheek (exclusion of spots and scars) using a colorimeter, using a commercially available device (chromameter CR-400, KONIKA MINOLTA, Japan)
  • a skin brightness change prediction model was constructed using the discovered markers, and the constructed model can be expressed by the following formula.
  • n number of markers used to calculate predicted ⁇ L
  • beta value influence index of the corresponding SNP minor allele
  • Vitamin C efficacy prediction model (including gender) number of markers Marker combinations (n) Adjusted R-square 1) Accuracy 2) Sensitivity 3) specificity 4)
  • RS73470760 0.1982 0.6667 0.8000 0.4000 2 RS73470760, RS17110439 0.3246 0.6000 0.6000 0.6000 3 rs73470760, rs17110439, rs8065601 0.3481 0.6667 0.7000 0.6000 ... ... ... ... ... 7 rs7220007, rs75465608, rs73893863, rs17110439, rs144054131, rs75465608, rs4705377 0.3372 0.8667 0.8000 1.0000 ... ... ... ... ... 17 rs73470760, rs117753395, rs10468901, rs10415306, rs7220007, rs12450534, rs75732492,
  • Adjusted R-square means the explanatory power of the predictive model, 0 means not explaining at all, and 1 means explaining everything.
  • Accuracy means the accuracy of predicting a group with a brightness change of 0.5 or more as an effective group and a group with a brightness change of less than 0.5 as an ineffective group.
  • Sensitivity means the accuracy of predicting an effective group as an effective group when a group with a brightness change of 0.5 or more is called an effective group and a group with a brightness change of less than 0.5 is called an ineffective group.
  • Specificity means the accuracy of predicting an ineffective group as an ineffective group when a group with a brightness change of 0.5 or more is an effective group and a group with a brightness change of less than 0.5 is an ineffective group.
  • Table 1 the SNP with the minimum P-value in each gene was selected from the three genes with known gene regulatory components and used as a marker for verification (Table 3).
  • Example 5-1 SLC23A2 rs1715387 confirmation of vitamin C efficacy enhancement effect in T allele possessing group
  • Vitamin C weak allele 1 gene sequence type number of recruits by Zn, Mg Efficacy enhancement ⁇ L 2) rs1715387 T SLC23A2 TT 0 people - TG 3 people +0.34 GG 3 people 0
  • the effect size is based on the minor allele, so if the effect size is positive, the major allele is the weak allele, and if the effect size is negative, the minor allele is the weak allele.
  • ⁇ L [Increased brightness of the applied area on the left cheek after 4 weeks ⁇ L] - [Increased brightness on the applied area on the right cheek after 4 weeks ⁇ L]
  • Example 5-2 Confirmation of vitamin C efficacy enhancement effect in C allele holding group of DSG1 rs10468901
  • Vitamin C efficacy weak allele 2 gene sequence type number of recruits by Serine Efficacy enhancement ⁇ L 3
  • rs10468901 C DSG1 CC 3 people +0.68 CT 5 people +0.49 TT 7 people -0.08
  • the effect size is based on the minor allele, so if the effect size is positive, the major allele is the weak allele, and if the effect size is negative, the minor allele is the weak allele.
  • ⁇ L [Increased brightness of the applied area on the left cheek after 4 weeks ⁇ L] - [Increased brightness on the applied area on the right cheek after 4 weeks ⁇ L]
  • Example 5-3 Confirmation of vitamin C efficacy enhancement effect in C allele holding group of KLK5 rs10415306
  • Vitamin C efficacy weak allele 2 gene sequence type number of recruits by Serine Efficacy enhancement ⁇ L 3
  • rs10415306 C KLK5 CC 7 people +0.57 CT 5 people +0.46 TT 3 people -0.80
  • the effect size is based on the minor allele, so if the effect size is positive, the major allele is the weak allele, and if the effect size is negative, the minor allele is the weak allele.
  • ⁇ L [Increased brightness of the applied area on the left cheek after 4 weeks ⁇ L] - [Increased brightness on the applied area on the right cheek after 4 weeks ⁇ L]
  • Example 5-4 Confirmation of vitamin C efficacy enhancement effect in the T allele holding group of PPARGC1B rs17110439
  • Vitamin C efficacy weak allele 2 gene sequence type number of recruits by isostearic acid Efficacy enhancement ⁇ L 3) rs17110439 T PPARGC1B TT 0 people - TC 4 people +0.39 CC 4 people -0.24
  • the effect size is based on the minor allele, so if the effect size is positive, the major allele is the weak allele, and if the effect size is negative, the minor allele is the weak allele.
  • ⁇ L [Increased brightness of the applied area on the left cheek after 4 weeks ⁇ L] - [Increased brightness on the applied area on the right cheek after 4 weeks ⁇ L]

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biotechnology (AREA)
  • Organic Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Zoology (AREA)
  • Genetics & Genomics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Wood Science & Technology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Immunology (AREA)
  • Medicinal Chemistry (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Pathology (AREA)

Abstract

본 발명은 비타민 C를 포함하는 처방의 미백 효능 예측, 그리고 예측된 미백 효능 정보에 기초한 처방 선정, 선정된 처방에 매칭되는 제품 추천 방법 및 시스템에 관한 것이다. 본 발명에 따르면, 개인의 유전자 정보에 따라 최적의 미백 효능을 달성할 수 있는 처방 및 제품 정보를 선정하여 제공하는 것이 가능하다.

Description

비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법 및 시스템
본 발명은 비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법 및 시스템에 관한 것이다.
화장품은 피부에 도포하여 피부의 미용뿐만 아니라 노화를 지연시켜주는 데에 도움을 주는 제품이다.
일반적으로 화장품을 피부에 도포하는 경우 미용 또는 노화 측면에서 효능을 볼 수 있으나, 사용자에 따라 그 효능에 차이가 있으며, 동일한 효능을 보이더라도 사용자에 미치는 자극 정도가 다르다.
한편, 동일한 화장품이더라도 사용자에게 미치는 효능, 자극 정도는 유전적인 특성과 연관이 되어 있다는 것이 밝혀지고 있다(KR 10-2020-0027098).
비타민 C 또는 비타민 C 유도체가 포함된 화장품은 미백 효능이 있는 것으로 알려져 있는데, 미백 효능의 변화는 환경적 요인과 연령, 성별 및 유전자 변이와 같은 요인들에 의해 영향을 받을 수 있다.
하지만, 비타민 C 또는 비타민 C 유도체를 포함하는 화장품을 도포하였을 때 발생하는 미백 효능 변화에 어떠한 요인들이 영향을 미치는지에 대한 연구가 부족한 실정이다.
이러한 배경 하에 본 발명자들은 통계적 분석 방법, 머신 러닝 기법을 통해 비타민 C 또는 비타민 C 유도체를 포함하는 화장품을 도포하였을 때 발생하는 미백 효능과 유의적 상관관계를 갖는 특정 단일염기다형성 (SNP) 마커를 선별하고, 사용자의 유전자 정보를 입력하는 경우 미백 효능(피부 밝기 변화) 예측, 나아가 화장품 추천까지 가능한 본 발명을 완성하기에 이르렀다.
본 발명의 하나의 목적은 비타민 C 반응성 피부 밝기 변화 판단용 단일염기다형성(SNP) 마커를 제공하는 것이다.
본 발명의 또 하나의 목적은 비타민 C 반응성 피부 밝기 변화 판단용 단일염기다형성(SNP) 마커를 검출할 수 있는 프로브 또는 증폭할 수 있는 제제를 포함하는, 비타민 C 반응성 피부 밝기 변화 판단용 조성물을 제공하는 것이다.
본 발명의 또 하나의 목적은 상기 조성물을 포함하는 비타민 C 반응성 피부 밝기 변화 판단용 키트 또는 마이크로어레이를 제공하는 것이다.
본 발명의 또 하나의 목적은 상기 단일염기다형성 마커의 다형성 부위를 확인하는 단계를 포함하는 비타민 C 반응성 피부 밝기 변화에 대한 정보의 제공 방법을 제공하는 것이다.
본 발명의 또 하나의 목적은 비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법을 제공하는 것이다.
본 발명의 또 하나의 목적은 비타민 C를 포함하는 처방의 예측 피부 밝기 변화에 기초한 처방 선정 방법을 제공하는 것이다.
본 발명의 또 하나의 목적은 선정된 처방에 기초한 제품 추천 방법을 제공하는 것이다.
본 발명의 또 하나의 목적은 비타민 C를 포함하는 처방의 피부 밝기 변화 예측, 예측 피부 밝기 변화에 기초한 처방 선정, 그리고 선정된 처방에 기초한 제품 추천 시스템을 제공하는 것이다.
본 발명의 또 하나의 목적은 비타민 C를 포함하는 처방에 따른 물질 도포 시 피부 밝기 변화에 영향을 미치는 단일염기다형성(SNPs) 마커를 제공하는 것이다.
본 발명에서 개시된 각각의 설명 및 실시 형태는 각각의 다른 설명 및 실시 형태에도 적용될 수 있다. 즉, 본 발명에서 개시된 다양한 요소들의 모든 조합이 본 발명의 범주에 속한다. 또한, 하기 기술된 구체적인 서술에 의하여 본 발명의 범주가 제한된다고 볼 수 없다.
본 발명의 다른 하나의 양태는 비타민 C 반응성 피부 밝기 변화 판단용 단일염기다형성(SNP) 마커를 제공한다.
본 발명의 또 다른 하나의 양태는 비타민 C 반응성 피부 밝기 변화 판단용 단일염기다형성(SNP) 마커를 검출할 수 있는 프로브 또는 증폭할 수 있는 제제를 포함하는, 비타민 C 반응성 피부 밝기 변화 판단용 조성물을 제공한다.
본 발명에서 용어, "다형성(polymorphism)"이란 하나의 유전자 좌위(locus)에 두 가지 이상의 대립유전자(allele)가 존재하는 경우를 말하며 다형성 부위 중에서, 사람에 따라 단일 염기만이 다른 것을 단일염기다형성(single nucleotide polymorphism, SNP)이라 한다. 바람직한 다형성 마커는 선택된 집단에서 1% 이상, 더욱 구체적으로 10% 또는 20% 이상의 발생빈도를 나타내는 두 가지 이상의 대립유전자를 가진다.‘유전자 다형성 마커'는 일반적으로 동일한 유전자 위치(염기)에서 두 가지 이상의 대립유전자(allele)가 관찰되는 경우를 말하며, 일반적으로 개인에 따라서 상위 대립유전자(major allele)/상위 대립유전자(major allele), 상위 대립유전자(major allele)/하위 대립유전자(minor allele), 하위 대립유전자(minor allele)/하위 대립유전자(minor allele) 의 경우가 존재한다. 본 발명에서는 "다형성 마커"와 혼용될 수 있으며, 하위 대립 유전자의 염기와 염기 부위를 의미하거나, 염색체의 number와 base position과 함께 정의될 수 있으나, 이에 제한되지 않는다.
본 발명에서 용어, "대립유전자(allele)"는 상동염색체의 동일한 유전자좌위에 존재하는 한 유전자의 여러 타입을 말한다. 대립유전자는 다형성을 나타내는데 사용되기도 하며, 예컨대, SNP는 두 종류의 대립인자 (bi-allele)를 갖는다. 또한, 염색체의 number와 base position이 동일한 둘 이상의 염기의 조합을 의미하며, 상기 염기는 특정한 집단의 개체들에서 발생 빈도가 높은 상위 대립유전자(major allele)와 상기 상위 대립유전자 보다 발생 빈도가 낮은 하위 대립유전자(minor allele)를 포함한다.
구체적으로, 본 발명의 유전자 다형성 마커들은 비타민 C 반응성 피부 밝기 변화와 연관유의성이 있는 것으로, 두 가지 대립유전자(allele) 중에서 하위 대립유전자(minor allele)를 하나 이상 보유하고 있는 경우, 비타민 C 반응성 피부 밝기 변화 정도가 상위 대립유전자(major allele)/상위 대립유전자 (major allele)를 갖고 있는 개체에 비해 유의미성이 있다고 할 수 있다. 즉, 상위 대립유전자(major allele)/하위 대립유전자(minor allele), 하위 대립유전자(minor allele)/하위 대립유전자(minor allele)의 경우에는 상위 대립유전자(major allele)/상위 대립유전자 (major allele)를 보유하고 있는 경우와 비교하여 비타민 C 반응성 피부 밝기 변화 정도가 높거나 혹은 낮은 피부 특성을 가짐을 알 수 있다.
본 발명의 단일염기다형성 마커는 개인의 고유 비타민 C 반응성 피부 밝기 변화 정도를 예측 할 수 있도록 하므로, 개인의 맞춤형 피부 관리 제품 정보 및 생활 패턴 정보 등의 제공이 가능할 수 있으나, 이에 제한되지 않는다.
본 발명에서 용어, "rs_id"란 1998년부터 SNP 정보를 축적하기 시작한 NCBI가 초기에 등록되는 모든 SNP에 대하여 부여한 독립된 표지자인 rs-ID를 의미한다. 이와 같은 표에 기재된 rs_id는 본 발명의 다형성 마커인 SNP 마커를 의미한다.
상기 단일염기다형성 마커는 표 1에 표시된 단일염기다형성 마커들 중에서 선택된 1종 이상의 단일염기다형성 마커일 수 있다. 상기 표 1에 표시된 단일염기다형성 마커는 비타민 C 반응성 피부 밝기 변화 정도와 연관성이 있는지 정도를 판단하는 것일 수 있다.
구체적으로, 상기 단일염기다형성 마커는 비타민 C 반응성 피부 밝기 변화와 관련된 표 1에서 선택되는 하나 이상의 단일염기다형성 마커일 수 있다.
본 발명의 단일염기다형성 마커의 비타민 C 반응성 피부 밝기 변화와의 연관유의성은 0.05 미만, 0.01 미만, 0.001 미만, 0.0001 미만, 0.00001 미만, 0.000001 미만, 0.0000001 미만, 0.00000001 미만, 또는 0.000000001 미만의 p-value와 같은 p-값을 특징으로 하나 이에 제한되지는 않는다. 구체적으로 p-value가 0.01 미만일 수 있으며, 더 구체적으로 p-value가 0.1 미만일 수 있으나, 이에 제한되지 않는다.
본 발명의 단일염기다형성(SNP) 마커는 표 1에 표시된 마커 중 선택되는 어느 하나 이상일 수 있으나, 이에 제한되지 않는다. 상기 단일염기다형성 (SNP) 마커는 1개 이상일 수 있으며, 2개 이상, 3개 이상, 4개 이상 등 비타민 C 반응성 피부 밝기 변화 정도를 판단할 수 있는 개수의 조합으로 이용될 수 있으나, 이에 제한되지 않는다.
상기 마커는 SNP 그 자체, 또는 상기 SNP 위치를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드, 또는 이의 상보적인 서열로 구성되는 폴리뉴클레오티드일 수 있으나, 이에 제한되지 않는다.
하나의 구체 예로 단일염기다형성 마커는 비타민 C 반응성 피부 밝기 변화와 관련된 표 1에 표시된 마커 중 선택되는 어느 하나 이상일 수 있으나, 이에 제한되지 않는다.
표 1에 표시된 마커 중 선택되는 마커를 설명하면 다음과 같을 수 있다.
한 예로, SNP 아이디가 rs73470760의 경우, Chr.Position (GRCh ver. 37)이 "15:100950890"으로 기재되어 있고, Allele이 C>T 로 개시되어 있다면, 이는 인간의 15번 염색체의 100950890번째 염기가 C 또는 T 임을 나타내는 것이며, allele의 ">" 왼쪽에 위치하는 염기가 상위 대립유전자(major allele)를 오른쪽에 위치하는 염기가 하위 대립유전자(minor allele)를 의미하는 것일 수 있다.
하나의 구체 예로, 표 1에서 선택되는 마커는 인간의 1번 염색체의 236864829번째 염기가 T 또는 C인(rs3851908), 상기 236864829번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 2번 염색체의 215941620번째 염기가 C 또는 T인(rs6731654), 상기 215941620번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 3번 염색체의 119588245번째 염기가 T 또는 C인(rs144415302), 상기 119588245번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 4번 염색체의 1806381번째 염기가 C 또는 T인(rs17880574), 상기 1806381번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 5번 염색체의 147445012번째 염기가 T 또는 C인(rs2287771), 상기 147445012번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 6번 염색체의 12291112번째 염기가 C 또는 T인(rs2070698), 상기 12291112번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 9번 염색체의 113016885번째 염기가 C 또는 T인(rs4135168), 상기 113016885번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 10번 염색체의 77347385번째 염기가 T 또는 G인(rs16932385), 상기 77347385번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 11번 염색체의 34460711번째 염기가 G 또는 A인(rs12270780), 상기 34460711번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 12번 염색체의 52630866번째 염기가 T 또는 C인(rs7295280), 상기 52630866번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 14번 염색체의 96003574번째 염기가 A 또는 G인(rs8010978), 상기 96003574번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 15번 염색체의 100948487번째 염기가 C 또는 T인(rs73470752), 상기 100948487번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 16번 염색체의 69745145번째 염기가 A 또는 G인(rs1800566), 상기 69745145번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 17번 염색체의 64331957번째 염기가 G 또는 A인(rs12450534), 상기 64331957번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 18번 염색체의 28921297번째 염기가 T 또는 C인(rs10468901), 상기 28921297번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 19번 염색체의 49064855번째 염기가 A 또는 G인(rs12611119), 상기 49064855번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 20번 염색체의 4889609번째 염기가 G 또는 T인(rs1715387), 상기 4889609번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 인간의 22번 염색체의 19868218번째 염기가 G 또는 A인(rs1139793), 상기 19868218번째 염기를 포함하는 5-100개의 연속적인 DNA 서열로 구성되는 폴리뉴클레오티드; 및 이들의 상보적인 폴리뉴클레오티드로 이루어진 군에서 선택된 하나 이상의 폴리뉴클레오티드로 이루어진 것일 수 있으나, 이에 제한되지 않는다. 상기에 기재된 마커는 표 1에서 일부만을 예시로 기재한 것일 뿐이며, 다른 위치의 염색체에서도 상기와 동일한 방법으로 선택될 수 있다.
본 발명의 상기 대립유전자는 각각의 개체에서 염색체의 number가 동일하고, 그 중에서 SNP의 상위 대립유전자(major allele) 및 하위 대립유전자(minor allele)가 존재하고, 다형성 마커의 다형성 부위의 염기가 하위 대립유전자로 하나씩 늘어감에 따라 상위 대립유전자는 하나씩 줄어갈 수 있으며, 상위 대립유전자로 하나씩 늘어감에 따라 하위 대립유전자는 하나씩 줄어갈 수 있다. 다만, 하위대립유전자 및 상위대립유전자가 늘어나고 줄어들 수 있는 범위는 i) 상위 대립유전자(major allele)/상위 대립유전자(major allele), ii) 상위 대립유전자(major allele)/하위 대립유전자(minor allele), iii) 하위 대립유전자(minor allele)/하위 대립유전자(minor allele)의 3가지 타입 안에서 일 수 있으며, 상기 3가지 타입의 범위 내에서 대립 유전자가 줄어들거나, 늘어날 수 있으나, 이에 제한되지 않는다.
또한, 본 발명에서 상기 마커는 개체의 다형성 마커의 다형성 부위의 염기가 하위 대립유전자 (minor allele)가 하나씩 늘어감에 따라 비타민 C 작용 피부 미백 효능, 즉 비타민 C 반응성 피부 밝기 변화를 판단할 수 있는 마커이다. 구체적으로, 두 가지 대립유전자(allele) 중에서 하위 대립유전자(minor allele)를 하나 이상 보유하고 있는 (1) 상위 대립유전자(major allele)/하위 대립유전자(minor allele), (2) 하위 대립유전자(minor allele)/하위 대립유전자(minor allele)의 경우)를 갖는 개인은 일반적인 개인인 상위 대립유전자(major allele)/상위 대립유전자(major allele)를 보유하고 있는 사람과 비교하여, 비타민 C 반응성 피부 밝기 변화 정도가 높거나 혹은 낮은 피부 특성을 가진다고 판단할 수 있다.
더욱 구체적으로, 표 1에 표시된 마커 중 하위 대립유전자 (minor allele)가 하나씩 늘어감에 따라 비타민 C 반응성 피부 밝기 변화 정도를 판단할 수 있다. 일 예로, 표 1에 표시된 마커 중 개체의 15번 염색체의 100948487번째 염기에서 상위 대립유전자 C이고, 하위 대립 유전자가 T인 경우(rs73470752), C/C를 보유하고 있는 사람과 비교하여, C/T 또는 T/T를 보유하는 경우에 effect size가 플러스(+)이므로 비타민 C 작용에 의한 피부 밝기 변화가 증가하는 것으로 판단할 수 있고, 개체의 1번 염색체의 236893599번째 염기에서 상위 대립유전자 A이고, 하위 대립 유전자가 G인 경우(rs819639), A/A를 보유하고 있는 사람과 비교하여, A/G 또는 G/G를 보유하는 경우에 effect size가 마이너스(-)이므로 비타민 C 작용에 의해 피부 밝기의 변화 정도가 감소하는 것으로 판단할 수 있으나, 이에 제한되지 않는다.
상기 염기들은 표 1만을 일 예로 기재한 것이며, 구체적으로 기재하지는 않았으나, 상기에서 설명한 바와 같이 해석 및 도출될 수 있다.
본 발명에서 용어, "비타민 C 반응성 피부 밝기 변화 판단용 마커를 검출할 수 있는 프로브"는 상기와 같은 유전자의 다형성 부위와 특이적으로 혼성화 반응을 통해 확인하여 비타민 C 반응성 피부 밝기 변화 정도를 진단할 수 있는 조성물을 의미하며, 이와 같은 유전자 분석의 구체적 방법은 특별한 제한이 없으며, 이 발명이 속하는 기술분야에 알려진 모든 유전자 검출 방법에 의하는 것일 수 있다. 또한, 상기 용어는 '비타민 C 반응성 피부 밝기 변화 판단용 프로브'의 용어와 혼용되어 사용할 수 있다.
본 발명에서 용어, "비타민 C 반응성 피부 밝기 변화 판단용 마커를 증폭할 수 있는 제제"란 상기와 같은 유전자의 다형성 부위를 증폭을 통해 확인하여 피부 밝기 변화 정도를 진단할 수 있는 조성물을 의미하며, 구체적으로 상기 비타민 C 반응성 피부 밝기 변화 판단용 마커의 폴리뉴클레오티드를 특이적으로 증폭할 수 있는 프라이머를 의미한다. 또한, 상기 용어는 '비타민 C 반응성 피부 밝기 변화 진단용 제제', '비타민 C 반응성 피부 밝기 변화 정도 판단용 제제', 및 '비타민 C 반응성 피부 밝기 변화 정도 진단용 제제'의 용어와 혼용되어 사용할 수 있다.
본 발명에서 용어, "처방"은 특정한 성분의 조성을 갖는 물질일 수 있고, 단일 또는 복수의 물질과 함께 추천 사용방법 또는 추천 생활습관이 더 포함될 수 있는 개념이다.
본 발명에서 용어, "제품"은 특정한 성분의 조성을 갖는 물질을 일 성분으로 포함하는 화장품 등을 의미하나, 특정한 성분의 조성을 갖는 물질을 포함하는 것이면 특별히 이에 제한되지는 않는다.
상기 다형성 마커 증폭에 사용되는 프라이머는, 적절한 버퍼 중의 적절한 조건 (예를 들면, 4개의 다른 뉴클레오티드 트리포스페이트 및 DNA, RNA 폴리머라제 또는 역전사 효소와 같은 중합제) 및 적당한 온도 하에서 주형-지시 DNA 합성의 시작점으로서 작용할 수 있는 단일가닥 올리고뉴클레오티드를 말한다. 상기 프라이머의 적절한 길이는 사용 목적에 따라 달라질 수 있으나, 통상 15 내지 30 뉴클레오티드이다. 짧은 프라이머 분자는 일반적으로 주형과 안정한 혼성체를 형성하기 위해서는 더 낮은 온도를 필요로 한다. 프라이머 서열은 주형과 완전하게 상보적일 필요는 없으나, 주형과 혼성화 할 정도로 충분히 상보적이어야 한다.
본 발명에서 용어, "프라이머"는 짧은 자유 3' 말단 수산화기(free 3' hydroxyl group)를 가지는 염기 서열로 상보적인 템플레이트(template)와 염기쌍(base pair)을 형성할 수 있고 주형 가닥 복사를 위한 시작 지점으로 기능을 하는 짧은 서열을 의미한다. 프라이머는 적절한 완충용액 및 온도에서 중합반응(즉, DNA 폴리머레이즈 또는 역전사효소)을 위한 시약 및 상이한 4가지 뉴클레오티드 트리포스페이트의 존재 하에서 DNA 합성을 개시할 수 있다. PCR 증폭을 실시하여 원하는 생성물의 생성 정도를 통해 피부 타입을 예측할 수 있다. PCR 조건, 센스 및 안티센스 프라이머의 길이는 당업계에 공지된 것을 기초로 변형할 수 있다.
본 발명의 프로브 또는 프라이머는 포스포르아미다이트 고체 지지체 방법, 또는 기타 널리 공지된 방법을 사용하여 화학적으로 합성할 수 있다. 이러한 핵산 서열은 또한 당해 분야에 공지된 많은 수단을 이용하여 변형시킬 수 있다. 이러한 변형의 비-제한적인 예로는 메틸화, "캡화", 천연 뉴클레오티드 하나 이상의 동족체로의 치환, 및 뉴클레오티드 간의 변형, 예를 들면, 하전되지 않은 연결체(예: 메틸 포스포네이트, 포스포트리에스테르, 포스포로아미데이트, 카바메이트 등) 또는 하전된 연결체(예: 포스포로티오에이트, 포스포로디티오에이트 등)로의 변형이 있다.
본 발명의 다른 하나의 양태는 상기 비타민 C 반응성 피부 밝기 변화 판단용 조성물을 포함하는 비타민 C 반응성 피부 밝기 변화 판단용 키트를 제공한다. 상기 키트는 RT-PCR 키트 또는 DNA 칩 키트일 수 있으나, 이에 제한되지 않는다.
본 발명의 키트는 비타민 C 반응성 피부 밝기 변화 판단용 마커인 SNP 다형성 마커를 증폭을 통해 확인하거나, SNP 다형성 마커의 발현 수준을 mRNA의 발현 수준을 확인함으로써 비타민 C 반응성 피부 밝기 변화 정도를 진단할 수 있다. 구체적인 일례로서, 본 발명에서 비타민 C 반응성 피부 밝기 변화 판단용 마커의 mRNA 발현 수준을 측정하기 위한 키트는 RT-PCR을 수행하기 위해 필요한 필수 요소를 포함하는 키트일 수 있다. RT-PCR 키트는, 비타민 C 반응성 피부 밝기 변화 판단용 마커의 유전자에 대한 특이적인 각각의 프라이머 쌍 외에도 RT-PCR 키트는 테스트 튜브 또는 다른 적절한 컨테이너, 반응 완충액(pH 및 마그네슘 농도는 다양), 데옥시뉴클레오타이드(dNTPs), Taq-폴리머라아제 및 역전사효소와 같은 효소, DNase, RNase 억제제, DEPC-수(DEPC-water), 멸균수 등을 포함할 수 있다. 또한 정량 대조군으로 사용되는 유전자에 특이적인 프라이머 쌍을 포함할 수 있다. 또한 구체적으로, 본 발명의 키트는 DNA 칩을 수행하기 위해 필요한 필수 요소를 포함하는 비타민 C 반응성 피부 밝기 변화 판단용 키트일 수 있다. DNA 칩 키트는, 일반적으로 편평한 고체 지지판, 전형적으로는 현미경 용 슬라이드보다 크지 않은 유리 표면에 핵산 종을 격자형 배열(gridded array)로 부착한 것으로, 칩 표면에 핵산이 일정하게 배열되어, DNA 칩 상의 핵산과 칩 표면에 처리된 용액 내에 포함된 상보적인 핵산 간에 다중 혼성화(hybridization) 반응이 일어나 대량 병렬 분석이 가능하도록 하는 도구이다.
본 발명의 다른 하나의 양태는 상기 비타민 C 반응성 피부 밝기 변화 판단용 조성물을 포함하는 비타민 C 반응성 피부 밝기 변화 판단용 마이크로어레이를 제공한다.
상기 마이크로어레이는 DNA 또는 RNA 폴리뉴클레오티드를 포함하는 것일 수 있다. 상기 마이크로어레이는 프로브 폴리뉴클레오티드에 본 발명의 폴리뉴클레오티드를 포함하는 것을 제외하고는 통상적인 마이크로어레이로 이루어진다.
프로브 폴리뉴클레오티드를 기판상에 고정화하여 마이크로어레이를 제조하는 방법은 당업계에 잘 알려져 있다. 상기 프로브 폴리뉴클레오티드는 혼성화할 수 있는 폴리뉴클레오티드를 의미하는 것으로, 핵산의 상보성 가닥에 서열 특이적으로 결합할 수 있는 올리고뉴클레오티드를 의미한다. 본 발명의 프로브는 대립유전자 특이적 프로브로서, 같은 종의 두 구성원으로부터 유래한 핵산 단편 중에 다형성 부위가 존재하여, 한 구성원으로부터 유래한 DNA 단편에는 혼성화하나, 다른 구성원으로부터 유래한 단편에는 혼성화하지 않는다. 이 경우 혼성화 조건은 대립유전자간의 혼성화 강도에 있어서 유의한 차이를 보여, 대립유전자 중 하나에만 혼성화 하도록 충분히 엄격해야 한다. 이렇게 함으로써 다른 대립유전자 형태 간에 좋은 혼성화 차이를 유발할 수 있다. 본 발명의 상기 프로브는 대립유전자를 검출하여 피부 타입 진단 방법 등에 사용될 수 있다. 상기 진단 방법에는 서던 블롯트 등과 같은 핵산의 혼성화에 근거한 검출방법들이 포함되며, DNA 칩을 이용한 방법에서 DNA 칩의 기판에 미리 결합된 형태로 제공될 수도 있다. 상기 혼성화란 엄격한 조건, 예를 들면 1M 이하의 염 농도 및 25 ℃이상의 온도하에서 보통 수행될 수 있다. 예를 들면, 5x SSPE (750 mM NaCl, 50 mM Na Phosphate, 5 mM EDTA, pH 7.4) 및 25~30 ℃의 조건이 대립유전자 특이적 프로브 혼성화에 적합할 수 있다.
본 발명의 비타민 C 반응성 피부 밝기 변화 판단과 연관된 프로브 폴리뉴클레오티드의 기판상에 고정화하는 과정도 또한 이러한 종래 기술을 사용하여 용이하게 제조할 수 있다. 또한, 마이크로어레이 상에서의 핵산의 혼성화 및 혼성화 결과의 검출은 당업계에 잘 알려져 있다. 상기 검출은 예를 들면, 핵산 시료를 형광 물질 예를 들면 Cy3 및 Cy5와 같은 물질을 포함하는 검출 가능한 신호를 발생시킬 수 있는 표지 물질로 표지한 다음, 마이크로어레이 상에 혼성화하고 상기 표지 물질로부터 발생하는 신호를 검출함으로써 혼성화 결과를 검출할 수 있다.
본 발명의 다른 하나의 양태는 (a) 개체로부터 분리한 시료로부터 수득한 DNA에서 상기 단일염기다형성 마커의 다형성 부위를 증폭하거나 프로브와 혼성화하는 단계; 및 (b) 상기 (a) 단계의 증폭된 또는 혼성화된 다형성 부위의 염기를 확인하는 단계를 포함하는, 비타민 C 반응성 피부 밝기 변화에 대한 정보의 제공 방법을 제공한다.
본 발명의 용어, "개체"란 비타민 C 반응성 피부 밝기 변화에 대한 진단을 하기 위한 피험자를 의미한다. 상기 검체에서 머리카락, 뇨, 혈액, 각종 체액, 분리된 조직, 분리된 세포 또는 타액과 같은 시료 등으로부터 DNA를 수득할 수 있으나, 이에 제한되는 것은 아니다.
상기 (a) 단계의 게놈 DNA 수득 방법은 당업자에게 알려진 어떠한 방법이든 사용가능하다.
상기 (a) 단계의 수득한 DNA로부터 상기 단일염기다형성 마커의 다형성 부위를 증폭하거나 프로브와 혼성화하는 단계는 당업자에게 알려진 어떠한 방법이든 사용가능하다. 예를 들면, 표적 핵산을 PCR을 통하여 증폭하고 이를 정제하여 얻을 수 있다. 그 외 리가제 연쇄 반응(LCR) (Wu 및 Wallace, Genomics 4, 560(1989), Landegren 등, Science 241, 1077(1988)), 전사증폭(transcription amplification)(Kwoh 등, Proc. Natl.Acad. Sci. USA 86, 1173(1989)) 및 자가 유지 서열 복제 (Guatelli 등, Proc. Natl. Acad. Sci. USA 87, 1874(1990)) 및 핵산에 근거한 서열 증폭 (NASBA)이 사용될 수 있다.
상기 방법 중 (b)단계의 다형성 부위의 염기를 결정하는 것은 시퀀싱 분석, 마이크로어레이(microarray)에 의한 혼성화, 대립유전자 특이적인 PCR(allele specific PCR), 다이나믹 대립유전자 혼성화 기법(dynamic allele-specific hybridization, DASH), PCR 연장 분석, SSCP, PCR-RFLP 분석 또는 TaqMan 기법, SNPlex 플랫폼(Applied Biosystems), 질량 분석법(예를 들면, Sequenom의 MassARRAY 시스템), 미니-시퀀싱(mini-sequencing) 방법, Bio-Plex 시스템(BioRad), CEQ and SNPstream 시스템(Beckman), Molecular Inversion Probe 어레이 기술(예를 들면, Affymetrix GeneChip), 및 BeadArray Technologies(예를 들면, Illumina GoldenGate 및 Infinium 분석법)를 포함하나, 이에 한정되지 않는다. 상기 방법들 또는 본 발명이 속하는 기술분야의 당업자에게 이용 가능한 다른 방법에 의해, 마이크로새틀라이트, SNP 또는 다른 종류의 다형성 마커를 포함한, 다형성 마커에서의 하나 이상의 대립유전자가 확인될 수 있다. 이와 같은 다형성 부위의 염기를 결정하는 것은 구체적으로 SNP 칩을 통해 수행할 수 있다.
상기 방법은 추가적으로 (c) 증폭된 또는 혼성화된 다형성 부위의 염기가 상기 단일염기다형성 마커에 따른 하위 대립유전자(minor allele)인 염기를 하나 이상 포함하는 경우, 비타민 C 반응성 피부 밝기 변화 정도가 높거나 혹은 낮은 것으로 판단하는 것일 수 있으나, 이에 제한되지 않는다. 또한, 추가적으로 (c) 증폭된 또는 혼성화된 다형성 부위의 염기가 상기 단일염기다형성 마커에 따른 상위 대립유전자(major allele)인 염기를 하나 이상 포함하는 경우, 비타민 C 작용에 의한 피부색 변화 정도가 증가하거나 감소하는 것으로 판단하는 것일 수 있으나, 이에 제한되지 않는다.
본 발명에서 용어, "SNP 칩"은 수십 만개의 SNP의 각 염기를 한번에 확인할 수 있는 DNA 마이크로어레이의 하나를 의미한다.
TaqMan 방법은 (1) 원하는 DNA 단편을 증폭할 수 있도록 프라이머 및 TaqMan 탐침을 설계 및 제작하는 단계; (2) 서로 다른 대립유전자의 탐침을 FAM 염료 및 VIC 염료로 표지(Applied Biosystems)하는 단계; (3) 상기 DNA를 주형으로 하고, 상기의 프라이머 및 탐침을 이용하여 PCR을 수행하는 단계; (4) 상기의 PCR 반응이 완성된 후, TaqMan 분석 플레이트를 핵산 분석기로 분석 및 확인하는 단계; 및 (5) 상기 분석결과로부터 단계 (1)의 폴리뉴클레오티드 들의 유전자형을 결정하는 단계를 포함한다.
상기에서, 시퀀싱 분석은 염기서열 결정을 위한 통상적인 방법을 사용할 수 있으며, 자동화된 유전자분석기를 이용하여 수행될 수 있다. 또한, 대립유전자 특이적 PCR은 SNP가 위치하는 염기를 3' 말단으로 하여 고안한 프라이머를 포함한 프라이머 세트로 상기 SNP가 위치하는 DNA 단편을 증폭하는 PCR 방법을 의미한다. 상기 방법의 원리는, 예를 들어, 특정 염기가 A에서 G로 치환된 경우, 상기 A를 3' 말단 염기로 포함하는 프라이머 및 적당한 크기의 DNA 단편을 증폭할 수 있는 반대 방향 프라이머를 고안하여 PCR 반응을 수행할 경우, 상기 SNP 위치의 염기가 A인 경우에는 증폭 반응이 정상적으로 수행되어 원하는 위치의 밴드가 관찰되고, 상기 염기가 G로 치환된 경우에는 프라이머는 주형 DNA에 상보결합할 수 있으나, 3' 말단 쪽이 상보결합을 하지 못함으로써 증폭 반응이 제대로 수행되지 않는 점을 이용한 것이다. DASH는 통상적인 방법으로 수행될 수 있고, 구체적으로 프린스 등에 의한 방법에 의하여 수행될 수 있다.
한편, PCR 연장 분석은 먼저 단일염기다형성이 위치하는 염기를 포함하는 DNA 단편을 프라이머 쌍으로 증폭을 한 다음, 반응에 첨가된 모든 뉴클레오티드를 탈인산화 시킴으로써 불활성화 시키고, 여기에 SNP 특이적 연장 프라이머, dNTP 혼합물, 디디옥시뉴클레오티드, 반응 완충액 및 DNA 중합 효소를 첨가하여 프라이머 연장 반응을 수행함으로써 이루어진다. 이때, 연장 프라이머는 SNP가 위치하는 염기의 5' 방향의 바로 인접한 염기를 3' 말단으로 삼으며, dNTP 혼합물에는 디디옥시뉴클레오티드와 동일한 염기를 갖는 핵산이 제외되고, 상기 디디옥시뉴클레오티드는 SNP를 나타내는 염기 종류 중 하나에서 선택된다. 예를 들어, A에서 G로의 치환이 있는 경우, dGTP, dCTP 및 TTP 혼합물과 ddATP를 반응에 첨가할 경우, 상기 치환이 일어난 염기에서 프라이머는 DNA 중합효소에 의하여 연장되고, 몇 염기가 지난 후 A 염기가 최초로 나타나는 위치에서 ddATP에 의하여 프라이머 연장 반응이 종결된다. 만일 상기 치환이 일어나지 않았다면, 그 위치에서 연장 반응이 종결되므로, 상기 연장된 프라이머의 길이를 비교함으로써 SNP를 나타내는 염기 종류를 판별할 수 있게 된다.
이때, 검출방법으로는 연장 프라이머 또는 디디옥시뉴클레오티드를 형광 표지한 경우에는 일반적인 염기서열 결정에 사용되는 유전자 분석기(예를 들어, ABI사의 Model 3700 등)를 사용하여 형광을 검출함으로써 상기 SNP을 검출할 수 있으며, 무-표지된 연장 프라이머 및 디디옥시뉴클레오티드를 사용할 경우에는 MALDI-TOF(matrix assisted laser desorption ionization-time of flight) 기법을 이용하여 분자량을 측정함으로써 상기 SNP를 검출할 수 있다.
본 발명의 일 양태에 따른 방법은 예측 단말에 예측 대상 개체의 SNP 정보가 입력되는 단계 및 상기 예측 단말에 미리 저장된 피부 밝기 변화 예측 모델에 상기 SNP 정보를 질의하여 예측 피부 밝기 변화 정보를 연산하고, 연산된 예측 피부 밝기 변화 정보를 출력하는 단계를 포함하고, 상기 피부 밝기 변화 예측 모델은, 러닝 프로세서가 SNP 정보 및 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을 때 피부 밝기 변화 정보의 쌍으로 이루어진 제1 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제1 예측 피부 밝기 변화 정보를 출력하는 제1 피부 밝기 변화 예측 모델인, 비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법을 제공한다.
본 발명의 다른 양태에서, SNPs 마커 선정 장치가 상기 SNP 정보에 포함된 다수의 SNPs 중, 비타민 C 또는 비타민 C 유도체 도포 시 피부 밝기 변화와 관련 있는 하나 이상의 SNPs를 선정하는 단계를 더 포함하고, 상기 학습 데이터의 SNP 정보에는 상기 SNPs 마커 선정 장치에 의해 선정된 하나 이상의 SNPs 중 적어도 일부는 포함되고, 상기 SNPs 마커 선정 장치에 의해 선정되지 않은 SNPs는 포함되지 않을 수 있다.
본 발명의 다른 양태에서, 상기 피부 밝기 변화와 관련 있는 하나 이상의 SNPs는 표 1에서 선택된 어느 하나 이상인 것일 수 있다.
본 발명의 다른 양태에서, 상기 러닝 프로세스가 상기 학습 데이터들을 학습함에 따라 SNP 정보에 포함된 각각의 SNP마다, 비타민 C 또는 비타민 C 유도체를 포함하는 물질 도포 시 피부 밝기 변화에 영향을 미치는 가중치가 결정될 수 있으며, 상기 가중치는, 각각의 SNP에 포함된 상위 대립유전자(major allele) 및 하위 대립유전자(minor allele)의 개수에 따라 결정되는 제1 값 및 학습에 의해 그 값이 변화하는 제2 값;을 이용하여 연산되는 것일 수 있다.
본 발명의 다른 양태에서, 상기 제1 값은, 상위 대립유전자(major allele) - 상위 대립유전자, 상위 대립유전자 - 하위 대립유전자(minor allele) 및 하위 대립유전자의 SNPs 타입(type)마다 서로 다른 값이 부여될 수 있다.
본 발명의 다른 양태에서, 상기 제1 값은, 상기 SNPs 타입들 중 하위 대립유전자의 개수가 많은 타입일수록 더 높은 값을 가질 수 있다.
본 발명의 다른 양태에서, 상기 제1 값은 학습이 이루어지더라도 변화하지 않는 값일 수 있다.
본 발명의 다른 양태에서, 상기 가중치는 상기 제1 값과 상기 제2 값을 곱한 값이고, 상기 예측 피부 밝기 변화 정보는, 각각의 SNP마다의 가중치를 합산하여 연산될 수 있다.
본 발명의 다른 양태에서, 상기 가중치는, 상기 제1 값, 상기 제2 값 및 예측 대상 개체의 성별에 따라 서로 상이한 제3 값을 이용하여 연산되는 것일 수 있다.
본 발명의 다른 양태에서, 상기 피부 밝기 변화 예측 모델은, 상기 러닝 프로세서가 SNP 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보 및 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 피부 밝기 변화 정보의 쌍으로 이루어진 제2 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제2 예측 피부 밝기 변화 정보를 출력하는 제2 피부 밝기 변화 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 피부 밝기 변화 예측 모델은, 러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 그리고 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을때 피부 밝기 변화 정보의 쌍으로 이루어진 제3 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제3 예측 피부 밝기 변화 정보를 출력하는 제3 피부 밝기 변화 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 피부 밝기 변화 예측 모델은, 러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 바티만 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보, 그리고 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 피부 밝기 변화 정보의 쌍으로 이루어진 제4 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제4 예측 피부 밝기 변화 정보를 출력하는 제4 피부 밝기 변화 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 예측 단말이 상기 피부 밝기 변화 예측 모델에 상기 SNP 정보를 질의하여 다수의 처방 각각마다의 예측 피부 밝기 변화 정보를 연산하는 단계 및 처방 선정부가 상기 예측 피부 밝기 변화 정보를 이용하여, 다수의 처방 중 하나 이상의 처방을 선정하는 단계를 더 포함할 수 있다.
본 발명의 다른 양태에서, 처방 선정부가 상기 예측 피부 밝기 변화 정보를 이용하여, 다수의 처방 중 하나 이상의 처방을 선정하는 단계는, 상기 예측 피부 밝기 변화 정보의 값이 큰 하나 이상의 처방을 선정하는 단계를 포함할 수 있다.
본 발명의 다른 양태에서, 상기 다수의 처방은, 비타민 C 또는 비타민 C 유도체 처방 및 비타민 C 또는 비타민 C 유도체에 추가 물질이 더 포함된 처방을 포함하고, 상기 추가 물질은 마그네슘(Mg), 아연(Zn), 피부 밝기 증가 유도 물질, 피부 자극 완화제, 제재 안정화 물질 및 제재 질감 결정 물질로 이루어진 그룹 중 선택된 하나 이상일 수 있다.
본 발명의 다른 양태에서, 상기 예측 단말이 미리 저장된 피부 자극 예측 모델에 상기 SNP 정보를 질의하여 연산된 정보가 추가로 출력되는 단계를 더 포함하고, 상기 피부 자극 예측 모델은, 상기 러닝 프로세서가 SNP 정보 및 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제1 자극 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제1 예측 자극 정보를 연산하는 제1 자극 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 예측 단말이 미리 저장된 피부 자극 예측 모델에 상기 SNP 정보를 질의하여 연산된 정보가 추가로 출력되는 단계를 더 포함하고, 상기 피부 자극 예측 모델은, 상기 러닝 프로세서가 SNP 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보 및 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제2 자극 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제2 예측 자극 정보를 출력하는 제2 자극 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 예측 단말이 미리 저장된 피부 자극 예측 모델에 상기 SNP 정보를 질의하여 연산된 정보가 추가로 출력되는 단계를 더 포함하고, 피부 자극 예측 모델은, 러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 그리고 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을때 자극 정보의 쌍으로 이루어진 제3 자극 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제3 예측 자극 정보를 출력하는 제3 자극 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 예측 단말이 미리 저장된 피부 자극 예측 모델에 상기 SNP 정보를 질의하여 연산된 정보가 추가로 출력되는 단계를 더 포함하고, 피부 자극 예측 모델은, 러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보, 그리고 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제4 자극 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제4 예측 자극 정보를 출력하는 제4 자극 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 예측 단말이 상기 피부 자극 예측 모델에 상기 SNP 정보를 질의하여 다수의 처방 각각마다의 예측 자극 정보를 연산하는 단계 및 처방 선정부가 상기 예측 자극 정보를 이용하여, 하나 이상의 처방을 선정하는 단계를 더 포함할 수 있다.
본 발명의 다른 양태에서, 처방 선정부가 상기 예측 자극 정보를 이용하여, 하나 이상의 처방을 선정하는 단계는, 처방 선정부가 다수의 처방 중, 상기 예측 자극 정보의 값이 작은 하나 이상의 처방을 선정하는 단계를 더 포함할 수 있다.
본 발명의 일 양태는, SNP 정보 및 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을때 피부 밝기 변화 정보의 쌍으로 이루어진 제1 피부 밝기 변화 학습 데이터들을 학습하여 제1 피부 밝기 변화 예측 모델을 생성하는 서버로서, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 히드로퀴논을 포함하는 물질이 도포되었을 때의 제1 예측 피부 밝기 변화 정보를 출력하는 제1 피부 밝기 변화 예측 모델을 생성하는 서버 및 예측 대상 개체의 SNP 정보를 입력받고, 상기 서버에서 생성된 제1 피부 밝기 변화 예측 모델에 입력받은 SNP 정보를 질의하여 연산된 제1 예측 피부 밝기 변화 정보를 출력하는 예측 단말을 포함하는, 비타민 C를 포함하는 처방의 피부 밝기 변화 예측 시스템을 제공한다.
본 발명의 다른 양태에서, 상기 SNP 정보에 포함된 다수의 SNPs 중, 비타민 C 또는 비타민 C 유도체 도포 시 피부 밝기 변화와 관련 있는 하나 이상의 SNPs를 선정하는 SNPs 마커 선정 장치를 더 포함하고, 상기 학습 데이터의 SNP 정보에는 상기 SNPs 마커 선정 장치에 의해 선정된 하나 이상의 SNPs 중 적어도 일부는 포함되고, 상기 SNPs 마커 선정 장치에 의해 선정되지 않은 SNPs는 포함되지 않을 수 있다.
본 발명의 다른 양태에서, 상기 피부 밝기 변화와 관련 있는 하나 이상의 SNPs는 표 1에서 선택된 어느 하나 이상인 것일 수 있다.
본 발명의 다른 양태에서, 상기 서버의 러닝 프로세스가 상기 학습 데이터들을 학습함에 따라 SNP 정보에 포함된 각각의 SNP마다 비타민 C 또는 비타민 C 유도체를 포함하는 물질 도포 시 피부 밝기 변화에 영향을 미치는 가중치가 결정될 수 있으며, 상기 가중치는, 각각의 SNP에 포함된 상위 대립유전자(major allele) 및 하위 대립유전자(minor allele)의 개수에 따라 결정되는 제1 값 및 학습에 의해 그 값이 변화하는 제2 값을 이용하여 연산되는 것일 수 있다.
본 발명의 다른 양태에서, 상기 제1 값은, 상위 대립유전자(major allele) - 상위 대립유전자, 상위 대립유전자 - 하위 대립유전자(minor allele) 및 하위 대립유전자 - 하위 대립유전자의 SNPs 타입(type) 마다 서로 다른 값이 부여될 수 있다.
본 발명의 다른 양태에서, 상기 제1 값은, 상기 SNPs 타입들 중 하위 대립유전자의 개수가 많은 타입일수록 더 높은 값을 가질 수 있다.
본 발명의 다른 양태에서, 상기 제1 값은 학습이 이루어지더라도 변화하지 않는 값일 수 있다.
본 발명의 다른 양태에서, 상기 가중치는 상기 제1 값과 상기 제2 값을 곱한 값이고, 상기 예측 피부 밝기 변화 정보는, 각각의 SNP마다의 가중치를 합산하여 연산될 수 있다.
본 발명의 다른 양태에서, 상기 가중치는, 상기 제1 값, 상기 제2 값 및 예측 대상 개체의 성별에 따라 서로 상이한 제3 값을 이용하여 연산되는 것일 수 있다.
본 발명의 다른 양태에서, 상기 피부 밝기 변화 예측 모델은, 상기 러닝 프로세서가 SNP 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보 및 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 피부 밝기 변화 정보의 쌍으로 이루어진 제2 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제2 예측 피부 밝기 변화 정보를 출력하는 제2 피부 밝기 변화 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 피부 밝기 변화 예측 모델은, 러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 그리고 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을때 피부 밝기 변화 정보의 쌍으로 이루어진 제3 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제3 예측 피부 밝기 변화 정보를 출력하는 제3 피부 밝기 변화 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 피부 밝기 변화 예측 모델은, 러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보, 그리고 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 피부 밝기 변화 정보의 쌍으로 이루어진 제4 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제4 예측 피부 밝기 변화 정보를 출력하는 제4 피부 밝기 변화 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 예측 단말은 상기 피부 밝기 변화 예측 모델에 상기 SNP 정보를 질의하여 다수의 처방 각각마다의 예측 피부 밝기 변화 정보를 연산하고, 상기 시스템은, 상기 예측 피부 밝기 변화 정보를 이용하여, 다수의 처방 중 하나 이상의 처방을 선정하는 처방 선정부를 더 포함할 수 있다.
본 발명의 다른 양태에서, 상기 처방 선정부는 다수의 처방 중, 상기 예측 피부 밝기 변화 정보의 값이 큰 하나 이상의 처방을 선정할 수 있다.
본 발명의 다른 양태에서, 상기 다수의 처방은, 히드로퀴논 처방 및 히드로퀴논에 추가 물질이 더 포함된 처방을 포함하고, 상기 추가 물질은 마그네슘(Mg), 아연(Zn), 피부 밝기 증가 유도 물질, 피부 자극 완화제, 제재 안정화 물질 및 제재 질감 결정 물질로 이루어진 그룹 중 선택된 하나 이상일 수 있다.
본 발명의 다른 양태에서, 상기 예측 단말은, 상기 서버에서 생성된 피부 자극 예측 모델에 입력받은 SNP 정보를 질의함으로써 연산된 정보를 추가로 출력하고, 상기 피부 자극 예측 모델은, 상기 러닝 프로세서가 SNP 정보 및 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제1 자극 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제1 예측 자극 정보를 연산하는 제1 자극 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 예측 단말은, 상기 서버에서 생성된 피부 자극 예측 모델에 입력받은 SNP 정보를 질의함으로써 연산된 정보를 추가로 출력하고, 상기 피부 자극 예측 모델은, 상기 러닝 프로세서가 SNP 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보 및 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제2 자극 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제2 예측 자극 정보를 출력하는 제2 자극 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 예측 단말은, 상기 서버에서 생성된 피부 자극 예측 모델에 입력받은 SNP 정보를 질의함으로써 연산된 정보를 추가로 출력하고, 피부 자극 예측 모델은, 러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 그리고 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을때 자극 정보의 쌍으로 이루어진 제3 자극 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 히드로퀴논을 포함하는 물질이 도포되었을 때의 제3 예측 자극 정보를 출력하는 제3 자극 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 예측 단말은, 상기 서버에서 생성된 피부 자극 예측 모델에 입력받은 SNP 정보를 질의함으로써 연산된 정보를 추가로 출력하고, 피부 자극 예측 모델은, 러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보, 그리고 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제4 자극 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제4 예측 자극 정보를 출력하는 제4 자극 예측 모델일 수 있다.
본 발명의 다른 양태에서, 상기 예측 단말은 상기 피부 자극 예측 모델에 상기 SNP 정보를 질의하여 다수의 처방 각각마다의 예측 자극 정보를 연산하고, 상기 시스템은, 상기 예측 자극 정보를 이용하여, 상기 다수의 처방 중 하나 이상의 처방을 선정하는 처방 선정부를 더 포함할 수 있다.
본 발명의 다른 양태에서, 상기 처방 선정부는, 다수의 처방 중 상기 예측 자극 정보의 값이 작은 하나 이상의 처방을 선정할 수 있다.
또한, 본 발명의 일 양태는 전술한 방법을 실행하도록 컴퓨터 판독 가능한 기록 매체에 저장된, 컴퓨터 프로그램을 제공한다.
본 발명의 다른 하나의 양태는 비타민 C 또는 비타민 C 유도체를 포함하는 처방의 피부 밝기 변화 및 자극 예측 시스템을 제공한다. 도 1 내지 5를 참조하여, 구체적으로 설명한다.
피부 밝기 변화 및/또는 자극 예측 시스템은 예측 단말(100) 및 서버(200)를 포함하고, 선택적으로 데이터 제공 서버(300)를 더 포함할 수 있다. 여기에서, 예측 단말(100)과 서버(200)는 별개의 구성일 수 있으며, 하나의 구성에 통합될 수도 있다.
예측 단말(100)은 예측 대상 개체에 비타민 C 또는 비타민 C를 포함하는 유도체를 포함하는 물질이 도포되었을 때, 해당 예측 대상 개체에서의 예측 피부 밝기 변화 정보 및/또는 자극 정보를 예측한다.
도 2를 참조하면, 예측 단말(100)은 통신부(110), 입력부(120), 메모리(130), 프로세서(140), 출력부(150), 제어부(160), 전원 공급부(170) 및 인터페이스부(180)를 포함한다.
통신부(110)는 외부 기기와의 통신을 위한 구성으로, 통신부(110)를 통해 외부 기기와의 데이터 송수신이 가능할 수 있다.
입력부(120)는 예측 단말(100)의 구성요소(예를 들어, 프로세서)에 사용될 명령 또는 데이터를 서버(100)의 외부(예를 들어, 사용자)로부터 수신할 수 있다. 입력부(120)는, 예를 들면, 마이크, 마우스, 키보드, 키(예를 들어, 버튼), 또는 디지털 펜(예를 들어, 스타일러스 펜)을 포함할 수 있다.
메모리(130)는 예측 단말(100)에서 사용되는 다양한 데이터를 저장할 수 있다. 메모리(130)에 저장되는 데이터는, 예를 들어, 서버(200)에서 생성된 예측 모델일 수 있으며, 또한 소프트웨어 및 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다.
또한, 메모리(130)에는 예측 단말(100)로 입력되는 정보 및 예측 단말(100)에서 생성되는 정보가 모두 저장될 수 있다.
프로세서(140)는, 데이터 처리 또는 연산 기능을 수행할 수 있으며, 데이터 처리 또는 연산 기능의 적어도 일부로서, 다른 구성요소로부터 수신된 명령 또는 데이터를 휘발성 메모리에 저장하고, 휘발성 메모리에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리에 저장할 수 있다. 프로세서(140)는 피부 밝기 변화 정보 연산부(141), 자극 정보 연산부(142) 및 처방 선정부(143)를 포함할 수 있다.
피부 밝기 변화 정보 연산부(141)는 후술할 서버(200)에 의해 생성된 예측 모델을 사용하여 예측 대상 개체에 비타민 C 또는 비타민 C 유도체가 포함된 물질 도포 시의 예측 피부 밝기 변화 정보를 연산한다.
자극 정보 연산부(142)는 후술할 서버(200)에 의해 생성된 예측 모델을 사용하여 예측 대상 개체에 비타민 C 또는 비타민 C 유도체가 포함된 물질 도포 시의 자극 정보를 연산한다. 여기에서, "자극 정보"란, 자극 정도(grade), 자극 유무, 자극 확률 등 자극과 관련된 정보를 포함하는 개념이며, 이들이 수치화된 정보일 수 있으나 특별히 이에 제한되는 것은 아니다.
처방 선정부(143)는 피부 밝기 변화 정보 연산부(141) 및/또는 자극 정보 연산부(142)에 의해 연산된 정보를 이용하여, 해당 예측 대상 개체에 처방되기에 적합한 하나 이상의 처방을 연산하여 선정한다.
출력부(150)는 예측 단말(100)에서 처리 또는 연산된 정보를 외부로 출력할 수 있으며, 디스플레이 및 스피커 등이 여기에 포함될 수 있다.
제어부(160)는, 예를 들면 소프트웨어를 실행하여 프로세서에 연결된 예측 단말(100)의 하나 이상의 다른 구성요소(예를 들어, 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있다. 제어부(160)는 예측 단말(100)의 통신부(110), 입력부(120), 메모리(130), 프로세서(140), 출력부(150), 전원 공급부(170) 및 인터페이스부(180)를 제어할 수 있다.
전원 공급부(170)는 예측 단말(100)에 전력을 공급한다. 전원 공급부(170)는 외부의 전원으로부터 전력을 공급받아, 예측 단말(100)에 전력을 공급할 수 있다.
인터페이스부(180)는 출력부(150)에서 출력된 정보를 인터페이스(interface)를 통해 가시할 수 있다.
이 때, 인터페이스부(180)는 특정한 종류나 형태에 제한되는 것은 아니다.
예측 단말(100)을 통해 피부 밝기 변화/자극 예측 명령이 입력되면, 프로세서(140)는 후술할 서버(200)에 의해 생성된 것이며 예측 단말(100)의 메모리(130)에 저장된 예측 모델을 사용하여, 예측 피부 밝기 변화 정보 및/또는 자극 정보를 연산하고, 연산된 정보를 출력하게 된다. 다른 양태에서는, 외부 입력부를 통해 피부 밝기 변화/자극 예측 명령이 입력되고, 입력된 명령이 서버(200)에 전송되어 서버(200)에서 피부 밝기 변화/자극 예측이 수행될 수도 있다.
본 발명의 다른 양태에서는, 예측 단말(100)을 통해 피부 밝기 변화/자극 예측 명령이 입력되면, 해당 명령이 서버(200)에 전송되고, 서버(200)에 저장된 예측 모델을 사용하여, 서버(200)에서 예측 피부 밝기 변화 정보 및/또는 자극 정보가 연산될 수 있으며, 예측 단말(100)은 서버(200)에서 연산된 정보를 수신하여, 수신된 정보를 출력할 수도 있다.
한편, 예측 단말(100)을 통해 출력되는 예측 피부 밝기 변화 정보 및/또는 자극 정보의 대상인 예측 대상 개체의 정보는 유전자 데이터(SNP 정보를 포함)의 형태로 입력될 수 있고, 다른 예에서는 예측 대상 개체의 식별 데이터의 형태로 입력될 수도 있다.
예측 대상 개체의 유전자 데이터가 예측 단말(100)에 입력되는 경우, 입력된 유전자 데이터가 예측 모델에 질의되어 해당 예측 대상 개체의 예측 피부 밝기 변화 정보 및/또는 자극 정보가 연산될 수 있다.
한편, 예측 대상 개체의 식별 데이터가 예측 단말(100)에 입력되는 경우, 입력된 식별 데이터가 데이터 제공 서버(300)에 전송되고, 데이터 제공 서버(300)는 전송된 식별 데이터에 상응하는 개체의 유전자 데이터를 다시 예측 단말(100)에 전송하게 된다. 즉, 데이터 제공 서버(300)에는 피험자/예측 대상 개체들의 유전자 데이터가 미리 저장되어 있으며, 예측 단말(100) 또는 후술할 서버(200)에서의 데이터 제공 요청(유전자 데이터 제공 요청)이 있으면, 전송된 식별 데이터에 상응하는 개체의 유전자 데이터를 예측 단말(100) 또는 서버(200)에 전송하는 것이 가능하다. 즉, 개인 정보인 유전자 데이터를 별도의 데이터 제공 서버(300)에 저장하고, 전송된 식별 데이터에 해당하는 개체의 유전자 데이터를 제공하는 구성을 통해, 개인 정보 보호가 가능하다.
한편, 서버(200)는 SNPs 마커 선정 장치(210), 측정 장치(220), 예측 모델 생성 장치(230) 및 데이터 처리 장치(240)를 포함할 수 있다.
SNPs 마커 선정 장치(210)는 다수의 SNPs 중 비타민 C 또는 비타민 C 유도체를 포함하는 물질 도포 시 피부 밝기 변화(다시 말해, '비타민 C 반응성 피부 밝기 변화) 및/또는 피부 자극(다시 말해, '비타민 C 반응성 피부 자극 정도')을 유발하는 하나 이상의 SNPs를 선정하도록 구성된다. 이하의 실시예에서 구체적으로 설명되겠지만, 예를 들면 SNPs 마커 선정 장치(210)에 의해 피부 밝기 변화에 영향을 미치는 103개 중 일부 또는 전체의 SNP, 그리고 피부 자극 정도에 영향을 미치는 SNP 중 일부 또는 전체의 SNP, 특별히 이에 제한되지는 않는다.
본원 명세서에서, '비타민 C 또는 비타민 C 유도체'란, 비타민 C 또는 비타민 C 유도체 원료 자체, 이의 용해물, 또는 베이스 처방에 비타민 C 또는 비타민 C 유도체를 포함시킨 처방을 의미할 수 있다.
측정 장치(220)는 특정 개체의 피부를 측정하는 것을 통해, 피부 측정 수치가 포함된 정보를 획득하도록 구성된다. 상기 피부 측정 수치에는 수분값, 피부 밝기값, 피부 자극값 등 피부 상태와 관련된 정보가 포함될 수 있으나, 피부와 관련된 정보이면 상기의 정보에 제한되는 것은 아니다.
한편, 데이터 처리 장치(240)는 측정 장치(220)에 의해 측정된 정보, 그리고 외부에서 입력되는 데이터를 처리하도록 구성된다. 예를 들어, 비타민 C 또는 비타민 C 유도체를 포함하는 물질 도포 전의 피험자의 피부 밝기 값(L0), 비타민 C 또는 비타민 C 유도체를 포함하는 물질 도포 후의 피험자의 피부 밝기 값(L)의 이용하여 피부 밝기 변화 값(△L = L - LO)을 연산할 수 있으며, 피험자(H)로부터 전송된 설문조사 결과/피부 이미지, 전문가(A)로부터 전송된 면담 결과를 소정의 방법으로 처리하여 자극 데이터를 연산할 수도 있다.
또한, 데이터 처리 장치(240)는 기존의 메모리에 저장되어 있는 정보에 신규 정보를 추가하여 예측 모델의 성능을 향상시킬 수도 있다.
메모리에는 소정의 포맷(형식)을 갖는 정보가 저장되어야, 이후 정보 추가 변환, 추가 전처리 등의 번잡한 절차가 생략될 수 있다.
데이터 처리 장치(240)는 정보의 종류마다 획일화된 포맷으로 각종 정보를 변환하는 역할을 수행할 수 있다. 예를 들어, 피험자로부터 수집된 정보는 개인 정보를 포함할 수 있기에 정보의 익명화를 수행할 수 있으며, 컴퓨터 연산에 최적화된 코드로의 변환, 관리번호 부여 등의 기능을 수행할 수 있다. 또한, 데이터 처리 장치(240)는 각 측정 장치(220) 마다의 오차를 보정하거나, 측정 정보 수치를 표준화(예를 들어, (측정치-표준)/표준편차의 방식으로 수치를 표준화할 수 있음)하여 정보의 일관성을 확보하는 것이 가능하다.
또한, 데이터 처리 장치(240)는 정보들의 이상치, 그리고 측정 장치(220)에 의해 측정된 정보들의 이상치를 소정의 방법으로 연산하고, 이상치가 미리 설정된 값 범위 밖인 경우 해당 정보를 노이즈 처리하여 메모리에 저장되지 않도록 하거나, 경고 신호가 출력되도록 하여 정보 재입력/재측정 등이 수행될 수 있도록 통지할 수도 있다.
예를 들어, 데이터 처리 장치(240)는 남성인 성별을 갖는 사용자의 폐경 응답, 평균치 대비 3배 이상의 표준편차 차이가 발생하는 경우 입력된 정보를 노이즈 처리하여 메모리에 저장되지 않도록 하거나, 경고 신호가 출력되도록 하여 정보 재입력/재측정 등이 수행될 수 있도록 통지할 수 있다.
예측 모델 생성 장치(230)는 비타민 C 또는 비타민 C 유도체를 포함하는 물질 도포 시 피부 밝기 변화 정보/자극 정보 예측을 위한 모델을 생성하도록 구성된다.
도 3을 참조하면, 예측 모델 생성 장치(230)는 통신부(231), 입력부(232), 프로세서(233), 메모리(234), 러닝 프로세서(235) 및 제어부(236)를 포함할 수 있는데, 예측 모델 생성 장치(230) 역시 연산이 가능한 컴퓨팅 장치의 형태로 구현되어, 전술한 예측 단말(100)의 통신부(110), 입력부(120), 메모리(130), 프로세서(140) 및 제어부(160)와 동일한 기능을 갖는 구성이 적용될 수 있다.
한편, 러닝 프로세서(235)는 프로세서(140)와 마찬가지로, 데이터 처리 또는 연산 기능을 수행할 수 있으나, 인공지능 모델의 처리에 특화된 하드웨어 구조를 더 포함할 수 있다.
예측 모델 생성 장치(230)의 메모리(234)는 피험자 통합 데이터베이스(234a) 및 처방 데이터베이스(234b)를 포함할 수 있다.
피험자 통합 데이터베이스(234a)에는 학습 데이터로 사용되기 위해, 피험자들로부터 수집된 정보들이 저장된다. 피험자 통합 데이터베이스(234a)에 저장되는 정보의 종류로는, 피부 밝기 변화 정보(△L), SNP 정보를 포함하는 유전자 정보, 피부 자극 정보, 환경 정보, 생활 습관 정보, 피부 특성 정보가 일부 또는 전부 포함될 수 있다. 여기서, 피부 밝기 변화 정보(△L)는 비타민 C 또는 비타민 C 유도체 단독 처방 또는 선택적으로 추가 물질이 더 포함된 처방에 따른 물질이 도포됨에 따라 발생하는 피부 밝기의 변화 정도를 의미하며, 피부 자극 정보는 상기 물질이 도포됨에 따라 발생하는 피부 자극의 정도(또는 자극 유무, 자극 확률)를 의미하고, 환경 정보는 키, 몸무게 정보를 포함할 수 있고, 생활 습관 정보는 햇빛 노출 정도, UV 차단제 사용 여부, 식습관 정보, 흡연 여부, 음주 정도를 포함할 수 있으며, 피부 특성 정보는 피부 색 정보 등을 포함할 수 있으나 특별히 이에 제한되는 것은 아니다.
처방 데이터베이스(234b)에는 비타민 C 또는 비타민 C 유도체를 포함하는 다수의 처방에 대한 정보가 저장된다. 예를 들어, 비타민 C 또는 비타민 C 유도체만을 포함하는 처방에 대한 정보가 처방 1로서 저장될 수 있으며, 비타민 C 또는 비타민 C 유도체와 마그네슘을 포함하는 처방에 대한 정보가 처방 2로서, 비타민 C 또는 비타민 C 유도체와 아연을 포함하는 처방에 대한 정보가 처방 3으로서, 비타민 C 또는 비타민 C 유도체와 자극 완화제를 포함하는 처방에 대한 정보가 처방 4로서 저장될 수 있다.
이하에서는, 도 4 내지 15를 참조하여, 예측 모델 생성 장치(230)에 의해 예측 모델을 생성하는 과정을 구체적으로 설명한다.
예측 모델의 생성은 러닝 프로세서(235)가 학습 데이터들을 학습함에 따라 생성될 수 있다.
또한, 여기에서 학습이란, 다수의 학습 데이터를 미리 설정된 인공신경망(artificial neural network, ANN) 모델에 학습시켜, 학습의 대상이 되는 다수의 데이터 간의 최적의 상관관계를 도출하는 개념이다. 여기에서, 인공신경망 모델은 DNN(Deep Neural Network), CNN(Convolutional Neural Network), DCNN(Deep Convolutional Neural Network), RNN(Recurrent Neural Network), RBM(Restricted Boltzmann Machine), DBN(Deep Belief Network), SSD(Single Shot Detector), MLP (Multi-layer Perceptron)을 기반으로 한 모델일 수 있으나, 이에 제한되지 않고 다양한 인공신경망 모델이 본 발명에 적용될 수 있다. 또한, 본 발명의 다른 양태에서는 다양한 통계 기법(선형 회귀 모델, random forest, lasso, ridge, elastic net, MDR, SVM 등)을 사용하여 학습의 대상이 되는 다수의 데이터 간의 상관관계를 도출할 수도 있다.
본 발명의 일 양태에서, 도 6을 참조하면 러닝 프로세서(235)는 SNP 정보 - 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을 때 피부 밝기 변화 정보(△L)의 쌍으로 이루어진 제1 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제1 예측 피부 밝기 변화 정보를 출력하는 제1 피부 밝기 변화 예측 모델을 생성할 수 있다.
여기에서, 예측 피부 밝기 변화 정도의 값이 클수록 해당 처방에 따른 물질이 해당 개체에 도포될 경우 높은 미백 효능을 보인다는 것을 의미할 수 있고, 값이 작을수록 낮은 미백 효능을 보인다는 것을 의미할 수 있다. 이하의 실시예에서, 예측 피부 밝기 변화의 정보의 값이 미리 설정된 값 이상인 경우 해당 처방에 따른 물질이 개체에 도포되는 경우 미백에 효능이 있다고 예측할 수 있으며, 미리 설정된 값 미만인 경우 미백에 효능이 없다고 예측하는 것도 가능하다. 하지만, 전술한 예에 제한되지 않고 예측 피부 밝기 변화의 정보를 이용하여 미백 효능 정도, 미백 효능 유무를 예측하는 것이라면 본 발명의 범주에 포함될 수 있다.
일 양태에서, 학습 데이터에 포함된 SNP 정보에는 SNPs 마커 선정 장치(210)에 의해 선정된 하나 이상의 SNPs 중 적어도 일부는 포함되고, 선정되지 않은 SNPs는 포함되지 않을 수 있다. 유전자에 포함된 SNP의 종류는 매우 다양하다. 따라서, 모든 SNP를 고려하여 학습을 수행한다면 학습의 효율이 저하되는 문제가 발생할 수 있다. 이에, 본 발명에서는 SNPs 마커 선정 장치(210)에 의해 미리 선정된 SNPs만을 고려하여 학습함으로써, 학습의 효율을 향상시킴과 함께 예측의 정확성 역시 향상시키는 방법을 채택하는 것이 바람직할 수 있다.
러닝 프로세서(235)에 의해 학습이 이루어지는 과정에서, SNP 정보에 포함된 각각의 SNP마다 비타민 C 또는 비타민 C 유도체를 포함하는 물질 도포 시 피부 밝기 변화에 영향을 미치는 가중치가 결정될 수 있다.
여기에서, 가중치는 제1 값과, SNPs 타입(type)에 따라 서로 다른 값을 갖는 제2 값에 의해 결정될 수 있으며, 보다 구체적으로는 제1 값과 제2 값을 곱한 값으로 결정될 수 있다.
제1 값은 각각의 SNP에 포함된 상위 대립유전자(major allele) 및 하위 대립유전자(minor allele)의 개수에 따라 결정되는 값이다. SNPs 타입은 하나의 SNP마다 상위 대립유전자(major allele)-상위 대립유전자, 상위 대립유전자-하위 대립유전자(minor allele) 및 하위 대립유전자-하위 대립유전자 총 3개가 존재할 수 있으며, 제1 값은 각각의 타입마다 서로 다른 값을 가질 수 있다. 보다 구체적으로는, 제1 값은 하위 대립유전자의 개수가 많은 타입일수록 더 높은 값을 가질 수 있으며, major allele-major allele의 경우 '1', major allele-minor allele의 경우 '2', minor allele-minor allele의 경우'3'의 값이 부여될 수 있으나, 특별히 이에 제한되는 것은 아니다.
제2 값은, 각각의 SNP가 피부 밝기 변화에 영향을 미치는 영향력 지수를 의미(보다 구체적으로는, 각각의 SNP의 minor allele가 피부 밝기에 영향을 미치는 영향력 지수를 의미)한다. 선정된 SNP마다 비타민 C 또는 비타민 C 유도체 처방에 따른 물질 도포시, 피부 밝기 변화에 영향을 미치는 정도가 다를 수 있으므로, 본 발명에서는 각각의 SNP의 영향력 지수인 제2 값을 연산함으로써, 추후 임의의 유전자 정보가 입력되는 경우 연산된 가중치를 이용하여 예측 피부 밝기 변화 정보를 연산할 수 있게 된다.
한편, 제1 값은 SNP에 포함된 상위 대립유전자-하위 대립유전자의 개수에 따라 그 값이 고정이고 학습에 의해 변화하지 않는 값이며, 제2 값이 학습에 의해 변화하는 값이다.
한편, 제1 값을 학습에 의해 변화하는 값으로 하고, 제2 값을 각 SNPs 이 가진 Effect Size로 고정할 수도 있다. 또 다른 실시 양태에 따르면, 제1 값을 상위 대립유전자-하위 대립유전자의 개수에 따라 그 값이 고정이고, 제2 값 또한 Effect Size로 고정할 수도 있다.
또한, 본 발명에서는 제1 값 및 제2 값과 더불어, 성별마다 서로 상이한 값을 갖는 제3 값을 더 이용하여 가중치가 연산될 수 있다.
러닝 프로세서(235)는 제1 피부 밝기 변화 학습 데이터들을 학습하는 과정에서 예측 정확도가 최대가 되도록, 각 SNP마다 피부 밝기 변화에 영향을 미치는 가중치를 조정함으로써(구체적으로는, 제2 값을 조정) 제1 피부 밝기 변화 예측 모델을 생성할 수 있다.
러닝 프로세서(235)에 의해 생성된 제1 피부 밝기 변화 예측 모델은, 예측 단말(100)에 전송되어 예측 단말(100)의 모델 저장부(131)에 저장될 수 있다. 예측 단말(100)의 입력부(120)를 통해 예측 대상 개체의 SNP 정보를 포함하는 유전자 데이터가 질의되면, 예측 단말(100)의 피부 밝기 변화 정보 연산부(141)는 제1 예측 모델을 사용하여 제1 예측 피부 밝기 변화 정보를 연산할 수 있으며, 연산된 정보는 출력부(150)를 통해 시스템 사용자에게 가시적인 정보의 형태로 출력될 수 있다.
한편, 본 발명의 다른 양태에서는 도 7에 도시된 것처럼 예측 단말(100)에 예측 대상 개체의 식별 데이터가 입력되고, 입력된 식별 데이터가 데이터 제공 서버(300)에 전송되며, 데이터 제공 서버(300)는 전송된 식별 데이터에 해당하는 개체의 유전자 데이터를 예측 단말(100)에 전송할 수도 있다.
본 발명의 일 양태에서, 도 8을 참조하면 러닝 프로세서(235)는 SNP 정보 - 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보 - 상기 SNP 정보를 갖는 개체에 상기 처방 중 어느 하나의 처방에 따른 물질을 도포하였을 때의 피부 밝기 변화 정보의 쌍으로 이루어진 제2 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제2 예측 피부 밝기 변화 정보를 출력하는 제2 피부 밝기 변화 예측 모델을 생성할 수 있다.
즉, 러닝 프로세서(235)가 제2 피부 밝기 변화 학습 데이터들을 학습하는 과정에서 예측 정확도가 최대가 되도록, 각각의 처방에서 각 SNP마다 피부 밝기 변화에 영향을 미치는 가중치를 조정함으로써(구체적으로는, 제2 값을 조정) 제2 피부 밝기 변화 예측 모델을 생성할 수 있다.
러닝 프로세서(235)에 의해 생성된 제2 피부 밝기 변화 예측 모델은, 예측 단말(100)에 전송되어 예측 단말(100)의 모델 저장부(131)에 저장될 수 있다. 예측 단말(100)의 입력부(120)를 통해 예측 대상 개체의 SNP 정보를 포함하는 유전자 데이터가 질의되면, 예측 단말(100)의 피부 밝기 변화 정보 연산부(141)는 제2 피부 밝기 변화 예측 모델을 사용하여 각각의 처방마다의 예측 피부 밝기 변화 정보를 연산할 수 있으며, 연산된 정보는 출력부(150)를 통해 시스템 사용자에게 가시적인 정보의 형태로 출력될 수 있다.
또한, 처방 선정부(143)는 피부 밝기 변화 정보 연산부(141)에 의해 연산된 예측 피부 밝기 변화 정보를 사용하여, 해당 예측 대상 개체에 처방되기에 적합한 하나 이상의 처방을 연산한다. 일 예로, 피부 밝기 변화 정보 연산부(141)에 의해 연산된 예측 피부 밝기 변화 정보의 값이 큰 처방이 예측 대상 개체에 처방되기에 적합한 처방으로서 연산될 수 있을 것이다.
한편, 도 8에서는 예측 단말(100)에 예측 대상 개체의 유전자 데이터가 직접 입력되는 모습이 도시되나, 도 7에 도시된 것처럼 예측 단말(100)에 예측 대상 개체의 식별 데이터가 입력되고, 입력된 식별 데이터가 데이터 제공 서버(300)에 전송되며, 데이터 제공 서버(300)는 전송된 식별 데이터에 해당하는 개체의 유전자 데이터를 예측 단말(100)에 전송하는 양태도 본 발명의 범주에 포함될 수 있다.
본 발명의 일 양태에서, 도 9를 참조하면 러닝 프로세서(235)는 SNP 정보 - 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상의 정보 - 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 피부 밝기 변화 정보의 쌍으로 이루어진 제3 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보 및 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제3 예측 피부 밝기 변화 정보를 출력하는 예측 모델을 생성할 수 있다.
즉, 러닝 프로세서(235)가 제3 피부 밝기 변화 학습 데이터들을 학습하는 과정에서 예측 정확도가 최대가 되도록, 각 SNP마다, 그리고 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상이 피부 밝기 변화에 영향을 미치는 가중치를 조정함으로써 제3 피부 밝기 변화 예측 모델을 생성할 수 있다.
러닝 프로세서(235)에 의해 생성된 제3 피부 밝기 변화 예측 모델은, 예측 단말(100)에 전송되어 예측 단말(100)의 모델 저장부(131)에 저장될 수 있다. 예측 단말(100)의 입력부(120)를 통해 예측 대상 개체의 SNP 정보를 포함하는 유전자 데이터 및 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상의 정보가 질의되면, 예측 단말(100)의 피부 밝기 변화 정보 연산부(141)는 제3 피부 밝기 변화 예측 모델을 사용하여 제3 예측 피부 밝기 변화 정보를 연산할 수 있으며, 연산된 정보는 출력부(150)를 통해 시스템 사용자에게 가시적인 정보의 형태로 출력될 수 있다.
본 발명의 일 양태에서, 도 10을 참조하면 러닝 프로세서(235)는 SNP 정보 - 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보 - 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상의 정보 - 상기 SNP 정보를 갖는 개체에 상기 처방 중 어느 하나의 처방에 따른 물질을 도포하였을 때의 피부 밝기 변화 정보의 쌍으로 이루어진 제4 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보 및 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제4 예측 피부 밝기 변화 정보를 출력하는 예측 모델을 생성할 수 있다.
즉, 러닝 프로세서(235)가 제4 피부 밝기 변화 학습 데이터들을 학습하는 과정에서 예측 정확도가 최대가 되도록, 각각의 처방에서 각 SNP마다, 그리고 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상이 피부 밝기 변화에 영향을 미치는 가중치를 조정함으로써 피부 밝기 변화에 영향을 미치는 가중치를 조정함으로써 제4 피부 밝기 변화 예측 모델을 생성할 수 있다.
러닝 프로세서(235)에 의해 생성된 제4 피부 밝기 변화 예측 모델은, 예측 단말(100)에 전송되어 예측 단말(100)의 모델 저장부(131)에 저장될 수 있다. 예측 단말(100)의 입력부(120)를 통해 예측 대상 개체의 SNP 정보를 포함하는 유전자 데이터 및 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상의 정보가 질의되면, 예측 단말(100)의 피부 밝기 변화 정보 연산부(141)는 제4 피부 밝기 변화 예측 모델을 사용하여 각각의 처방마다의 예측 피부 밝기 변화 정보를 연산할 수 있으며, 연산된 정보는 출력부(150)를 통해 시스템 사용자에게 가시적인 정보의 형태로 출력될 수 있다.
또한, 처방 선정부(143)는 피부 밝기 변화 정보 연산부(141)에 의해 연산된 예측 피부 밝기 변화 정보를 사용하여, 해당 예측 대상 개체에 처방되기에 적합한 하나 이상의 처방을 연산한다. 일 예로, 피부 밝기 변화 정보 연산부(141)에 의해 연산된 예측 피부 밝기 변화 정보의 값이 큰 처방이 예측 대상 개체에 처방되기에 적합한 처방으로서 연산될 수 있을 것이다.
한편, 도 10에서는 예측 단말(100)에 예측 대상 개체의 유전자 데이터가 직접 입력되는 모습이 도시되나, 도 11에 도시된 것처럼 예측 단말(100)에 예측 대상 개체의 식별 데이터가 입력되고, 입력된 식별 데이터가 데이터 제공 서버(300)에 전송되며, 데이터 제공 서버(300)는 전송된 식별 데이터에 해당하는 개체의 유전자 데이터를 예측 단말(100)에 전송하는 양태도 본 발명의 범주에 포함될 수 있다.
본 발명의 일 양태에서, 도 12를 참조하면 러닝 프로세서(235)는 SNP 정보 - 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을 때 자극 데이터(자극 유무 또는 자극 정도를 포함)의 쌍으로 이루어진 제1 자극 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제1 자극 정보를 출력하는 예측 모델을 생성할 수 있다.
한편, 자극 정보의 값이 클수록 입력된 처방에 따른 물질이 해당 개체에 도포될 경우 피부 자극 정도가 크고, 값이 작을수록 피부 자극 정도가 낮다는 것을 의미할 수 있다.
즉, 러닝 프로세서(235)가 제1 자극 학습 데이터들을 학습하는 과정에서 예측 정확도가 최대가 되도록, 각 SNP마다 피부 자극에 영향을 미치는 가중치를 조정함으로써(구체적으로는, 제2 값을 조정) 제1 자극 예측 모델을 생성할 수 있다.
러닝 프로세서(235)에 의해 생성된 제1 자극 예측 모델은, 예측 단말(100)에 전송되어 예측 단말(100)의 모델 저장부(131)에 저장될 수 있다. 예측 단말(100)의 입력부(120)를 통해 예측 대상 개체의 SNP 정보를 포함하는 유전자 데이터가 질의되면, 예측 단말(100)의 자극 정보 연산부(142)는 제1 자극 예측 모델을 사용하여 제1 자극 정보(자극 유무 또는 자극 정도의 형태일 수 있음)를 연산할 수 있으며, 연산된 정보는 출력부(150)를 통해 시스템 사용자에게 가시적인 정보의 형태로 출력될 수 있다.
한편, 도 12에서는 예측 단말(100)에 예측 대상 개체의 유전자 데이터가 직접 입력되는 모습이 도시되나, 도 7에 도시된 것처럼 예측 단말(100)에 예측 대상 개체의 식별 데이터가 입력되고, 입력된 식별 데이터가 데이터 제공 서버(300)에 전송되며, 데이터 제공 서버(300)는 전송된 식별 데이터에 해당하는 개체의 유전자 데이터를 예측 단말(100)에 전송하는 양태도 본 발명의 범주에 포함될 수 있다.
본 발명의 일 양태에서, 도 13을 참조하면 러닝 프로세서(235)는 SNP 정보 - 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보 - 상기 SNP 정보를 갖는 개체에 상기 처방 중 어느 하나의 처방에 따른 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제2 자극 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제2 자극 정보를 출력하는 예측 모델을 생성할 수 있다.
즉, 러닝 프로세서(235)가 제2 자극 학습 데이터들을 학습하는 과정에서 예측 정확도가 최대가 되도록, 각각의 처방에서 각 SNP마다 피부 자극에 영향을 미치는 가중치를 조정함으로써(구체적으로는, 제2 값을 조정) 제2 자극 예측 모델을 생성할 수 있다.
러닝 프로세서(235)에 의해 생성된 제2 자극 예측 모델은, 예측 단말(100)에 전송되어 예측 단말(100)의 모델 저장부(131)에 저장될 수 있다. 예측 단말(100)의 입력부(120)를 통해 예측 대상 개체의 SNP 정보를 포함하는 유전자 데이터가 질의되면, 예측 단말(100)의 자극 정보 연산부(142)는 제2 자극 예측 모델을 사용하여 각각의 처방마다의 자극 정보를 연산할 수 있으며, 연산된 정보는 출력부(150)를 통해 시스템 사용자에게 가시적인 정보의 형태로 출력될 수 있다.
또한, 처방 선정부(143)는 자극 정보 연산부(142)에 의해 연산된 자극 정보를 사용하여, 해당 예측 대상 개체에 처방되기에 적합한 하나 이상의 처방을 연산한다. 일 예로, 자극 정보 연산부(142)에 의해 연산된 자극 정보의 값이 작은 처방이 예측 대상 개체에 처방되기에 적합한 처방으로서 연산될 수 있을 것이다.
한편, 도 13에서는 예측 단말(100)에 예측 대상 개체의 유전자 데이터가 직접 입력되는 모습이 도시되나, 도 7에 도시된 것처럼 예측 단말(100)에 예측 대상 개체의 식별 데이터가 입력되고, 입력된 식별 데이터가 데이터 제공 서버(300)에 전송되며, 데이터 제공 서버(300)는 전송된 식별 데이터에 해당하는 개체의 유전자 데이터를 예측 단말(100)에 전송하는 양태도 본 발명의 범주에 포함될 수 있다.
본 발명의 일 양태에서, 도 14를 참조하면 러닝 프로세서(235)는 SNP 정보 - 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상의 정보 - 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 자극 정보의 쌍으로 이루어진 제3 자극 학습 데이터들을 학습하여, SNP 정보 및 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체가 포함된 물질이 도포되었을 때의 제3 자극 정보를 출력하는 예측 모델을 생성할 수 있다.
즉, 러닝 프로세서(235)는 제3 자극 학습 데이터들을 학습하는 과정에서 예측 정확도가 최대가 되도록, 각 SNP마다, 그리고 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상이 피부 자극에 영향을 미치는 가중치를 조정함으로써 제3 자극 예측 모델을 생성할 수 있다.
러닝 프로세서(235)에 의해 생성된 제3 자극 예측 모델은, 예측 단말(100)에 전송되어 예측 단말(100)의 모델 저장부(131)에 저장될 수 있다. 예측 단말(100)의 입력부(120)를 통해 예측 대상 개체의 SNP 정보를 포함하는 유전자 데이터 및 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상의 정보가 질의되면, 예측 단말(100)의 자극 정보 연산부(142)가 제3 자극 예측 모델을 사용하여 제3 자극 정보를 연산할 수 있으며, 연산된 정보는 출력부(150)를 통해 시스템 사용자에게 가시적인 정보의 형태로 출력될 수 있다.
본 발명의 일 양태에서, 도 15를 참조하면 러닝 프로세서(235)는 SNP 정보 - 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보 - 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상의 정보 - 상기 SNP 정보를 갖는 개체에 상기 처방 중 어느 하나의 처방에 따른 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제4 자극 학습 데이터들을 학습하여, SNP 정보 및 나이 정보/성별 정보/생활 습관 정보/환경 정보/피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제4 자극 정보를 출력하는 예측 모델을 생성할 수 있다.
즉, 러닝 프로세서(235)가 제4 자극 학습 데이터들을 학습하는 과정에서 예측 정확도가 최대가 되도록, 각각의 처방에서 각 SNP마다 피부 자극에 영향을 미치는 가중치를 조정함으로써(구체적으로는, 제2 값을 조정) 제4 자극 예측 모델을 생성할 수 있다.
러닝 프로세서(235)에 의해 생성된 제4 자극 예측 모델은, 예측 단말(100)에 전송되어 예측 단말(100)의 모델 저장부(131)에 저장될 수 있다. 예측 단말(100)의 입력부(120)를 통해 예측 대상 개체의 SNP 정보를 포함하는 유전자 데이터가 질의되면, 예측 단말(100)의 자극 정보 연산부(142)는 제4 자극 예측 모델을 사용하여 각각의 처방마다의 자극 정보를 연산할 수 있으며, 연산된 정보는 출력부(150)를 통해 시스템 사용자에게 가시적인 정보의 형태로 출력될 수 있다.
또한, 처방 선정부(143)는 자극 정보 연산부(142)에 의해 연산된 자극 정보를 사용하여, 해당 예측 대상 개체에 처방되기에 적합한 하나 이상의 처방을 연산한다. 일 예로, 자극 정보 연산부(142)에 의해 연산된 자극 정보의 값이 작은 처방이 예측 대상 개체에 처방되기에 적합한 처방으로서 연산될 수 있을 것이다.
한편, 도 15에서는 예측 단말(100)에 예측 대상 개체의 유전자 데이터가 직접 입력되는 모습이 도시되나, 예측 단말(100)에 예측 대상 개체의 식별 데이터가 입력되고, 입력된 식별 데이터가 데이터 제공 서버(300)에 전송되며, 데이터 제공 서버(300)는 전송된 식별 데이터에 해당하는 개체의 유전자 데이터를 예측 단말(100)에 전송하는 양태도 본 발명의 범주에 포함될 수 있다.
본 발명의 양태에 따른 예측 단말(100)은 전술한 제1 내지 제4 피부 밝기 변화 예측 모델, 제1 내지 제4 자극 예측 모델 중, 적어도 하나의 피부 밝기 변화 예측 모델에 의한 피부 밝기 변화 예측을 위한 연산, 또는 적어도 하나의 자극 예측 모델에 의한 피부 자극 정보 예측을 위한 연산을 동시에 수행할 수도 있으며, 연산에 따른 출력을 수행할 수도 있다.
이와 같이, 피부 밝기 변화 예측 모델의 연산을 통해 출력되는 예측 피부 밝기 변화 정보에 더하여, 자극 예측 모델의 연산을 통해 출력되는 예측 자극 정보의 비교 연산을 통해 출력되는 자극 정보 중 하나 이상을 이용하여 아래의 정보를 사용자에게 더 제공할 수 있다.
다시 말하면, 예측 단말(100)은 예측 피부 밝기 변화 정보와 예측 자극 정보의 조합을 통해 질의가 이루어진 예측 대상 개체가 4개의 그룹 중 어느 하나의 그룹에 속하는지를 더 연산할 수 있다.
상기 4개의 그룹은 다음과 같다.
첫째는, 적합군이다. 예측 피부 밝기 변화 정보의 값이 제1 기준값보다 크고, 예측 자극 정보의 값이 제2 기준값보다 작을 때, 예측 단말(100)은 해당 예측 대상 개체를 "적합군"으로 연산하고, 처방 선정부(143)는 비타민 C 또는 비타민 C 유도체 단독 처방이라는 처방을 연산하여 사용자에게 제공할 수 있다.
둘째는, 고자극군이다. 예측 피부 밝기 변화 정보의 값이 제1 기준값보다 크고, 예측 자극 정보의 값이 제2 기준값보다 클 때, 예측 단말(100)은 해당 예측 대상 개체를 "고자극군"으로 연산하고, 처방 선정부(143)는 비타민 C 또는 비타민 C 유도체에 더하여 자극 완화 물질이 추가된 처방을 연산하여 사용자에게 제공할 수 있다.
셋째는, 저효능군이다. 예측 피부 밝기 변화 정보의 값이 제1 기준값보다 작고, 예측 자극 정보의 값이 제2 기준값보다 작을 때, 예측 단말(100)은 해당 예측 대상 개체를 "저효능군"으로 연산하고, 처방 선정부(143)는 비타민 C 또는 비타민 C 유도체에 더하여 피부 밝기 개선 효과를 갖는 효능 시너지 물질이 추가된 처방을 연산하여 사용자에게 제공할 수 있다.
넷째는, 비적합군이다. 예측 피부 밝기 변화 정보의 값이 제1 기준값보다 작고, 예측 자극 정보의 값이 제2 기준값보다 클 때, 예측 단말(100)은 해당 예측 대상 개체를 "비적합군"으로 연산하고, 처방 선정부(143)는 비타민 C 또는 비타민 C 유도체에 더하여 효능 시너지 물질 및 자극 완화 물질이 추가된 처방을 연산하여 사용자에게 제공할 수 있다.
또한, 본 발명은 제품 선정부를 더 포함할 수 있으며, 제품 선정부는 처방 선정부에 의해 선정된 처방에 매칭되는 제품을 선정하도록 구성된다. 처방 데이터베이스에는 다수의 처방 각각 제품이 매칭되어 함께 저장될 수 있다. 제품 선정부에 의해 제품이 선정됨으로써, 사용자는 단순히 적합한 처방뿐만 아니라, 해당 처방에 따른 제품까지 함께 추천 받는 것이 가능하다.
이하에서는, 도 16 내지 26을 참조하여 본 발명의 다른 양태에 따른 비타민 C 또는 비타민 C 유도체를 포함하는 처방의 피부 밝기 변화 및 자극 예측 방법을 구체적으로 설명한다. 본 발명의 양태에 따른 피부 밝기 변화 및 자극 예측 방법은 전술한 서버(200)에서 생성된 예측 모델을 사용하여 수행될 수 있다.
도 16을 참조하면, 피험자 표현형 데이터(피부 밝기 변화 정보, 자극 정보) 및 유전자형 데이터(SNP 정보)가 획득되고, 획득된 데이터를 사용하여 SNPs 마커 선정 장치(210)가 히드로퀴논 도포 시 피부 밝기 변화 및/또는 피부 자극에 영향을 미치는 하나 이상의 SNPs 마커를 선정한다. 다음, 서버(200)의 러닝 프로세서(235)가 표현형 데이터와 유전자형 데이터의 상관관계를 도출하도록, 학습 데이터들(제1 내지 제4 피부 밝기 변화 학습 데이터 및 제1 내지 제4 자극 학습 데이터 중 어느 하나)를 학습하여, 제1 내지 제4 피부 밝기 변화 예측 모델 및 제1 내지 제4 자극 예측 모델 중 어느 하나를 생성한다. 다음, 예측 대상 개체의 유전자 데이터 또는 식별 데이터가 입력되고, 유전자 데이터가 생성된 예측 모델에 질의되며, 예측 모델에서 예측 피부 밝기 변화 정보, 자극 정보 중 하나 이상이 연산된다. 다음, 연산된 정보를 이용하여 처방 선정부(143)가 해당 예측 대상 개체에 처방되기에 적합한 하나 이상의 처방을 연산하게 된다.
도 17을 참조하여, SNPs 마커 선정 장치(210)에 의해, 비타민 C 또는 비타민 C 유도체 도포 시 피부 밝기 변화에 영향을 미치는 하나 이상의 SNPs 마커를 선정하는 과정을 구체적으로 설명한다.
먼저, 비타민 C 또는 비타민 C 유도체 포함 제품 도포 이전 측정 장치(220)에 의해 피험자(H)의 피부가 측정되고, 데이터 처리 장치(240)에 의해 피험자(H)의 피부 밝기 값(L0)이 연산될 수 있다.
다음, 비타민 C 또는 비타민 C 유도체 포함 제품을 피험자(H)에게 도포한 후, 측정 장치(220)에 의해 피험자(H)의 피부가 측정되고, 데이터 처리 장치(240)에 의해 피험자(H)의 피부 밝기 값(L)이 연산될 수 있다.
다음, 데이터 처리 장치(240)는 해당 피험자에 비타민 C 또는 비타민 C 유도체 포함 물질이 도포되었을 때의 피부 밝기 변화 값(△L = L - L0)을 연산하고, 연산된 피부 밝기 변화 값을 SNPs 마커 선정 장치(210)에 전송한다.
한편, SNPs 마커 선정 장치(210)는 해당 피험자의 유전자 데이터(서버에 저장된 것일 수도 있으며, 피험자 식별정보를 데이터 제공 서버에 전송함으로써 획득한 것일 수 있음)와 피부 밝기 변화 값의 연관 분석을 수행하여, 비타민 C 또는 비타민 C 유도체를 포함하는 물질 도포 시 피부 밝기 변화에 영향을 미치는 하나 이상의 피부 밝기 변화 예측 SNPs 마커를 선정할 수 있다. 이렇게 선정된 피부 밝기 변화 예측 SNPs 마커는 예측 모델 생성 장치(230)에 전송될 수 있으며, 추후 예측 모델 생성에 학습 데이터의 일 요소로 사용될 수 있다.
도 18을 참조하여, SNPs 마커 선정 장치(210)에 의해, 비타민 C 또는 비타민 C 유도체 도포 시 피부 자극에 영향을 미치는 하나 이상의 SNPs 마커를 선정하는 과정을 구체적으로 설명한다.
피험자(H)에 비타민 C 또는 비타민 C 유도체 포함 제품이 도포된 이후, 전문가(A)에 의해 피험자 면담이 수행되거나, 피험자(H) 자체적으로 설문조사/피부 이미지를 촬영할 수 있다. 면담 결과 및/또는 설문조사 결과/피부 이미지는 데이터 처리 장치(240)에 전송되며, 데이터 처리 장치(240)는 전송된 데이터를 이용하여 자극 데이터(자극 정도 및/또는 자극 유무)를 연산할 수 있다.
한편, SNPs 마커 선정 장치(210)는 해당 피험자의 유전자 데이터(서버에 저장된 것일 수도 있으며, 피험자 식별정보를 데이터 제공 서버에 전송함으로써 획득한 것일 수 있음)와 피부 밝기 변화 값의 연관 분석을 수행하여, 비타민 C 또는 비타민 C 유도체를 포함하는 물질 도포 시 피부 자극에 영향을 미치는 하나 이상의 자극 예측 SNPs 마커를 선정할 수 있다. 이렇게 선정된 자극 예측 SNPs 마커는 예측 모델 생성 장치(230)에 전송될 수 있으며, 추후 예측 모델 생성에 학습 데이터의 일 요소로 사용될 수 있다.
도 19 내지 26을 참조하면, 서버(200)의 예측 모델 생성 장치(230)가 제1 내지 제4 피부 밝기 변화 학습 데이터 및 제1 내지 제4 자극 데이터들을 학습하여 제1 내지 제4 피부 밝기 변화 예측 모델 및 제1 내지 제4 자극 예측 모델을 생성하고, 생성된 예측 모델이 예측 단말(100)에 전송된다.
예측 단말(100)을 통해 피부 밝기 변화 및/또는 자극 예측 명령이 입력되고, 예측의 대상이 되는 예측 대상 개체의 유전자 데이터(직접 입력되거나 데이터 제공 서버를 통해 전송받을 수 있음) 및/또는 나이/성별/생활 습관/환경/피부 특성 정보 중 하나 이상의 데이터를 사용하여, 해당 예측 대상 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질 도포 시의 피부 밝기 변화 정보 및/또는 자극 정보가 연산될 수 있다.
이러한 정보는 다수의 처방 각각마다 연산될 수 있으며, 처방 선정부는 연산된 피부 밝기 변화 정보 및/또는 자극 정보를 이용하여 해당 예측 대상 개체에 처방되기에 적합한 하나 이상의 처방을 선정하여 출력하게 된다.
위 설명한 본 발명의 일 실시예에 따른 방법은, 다양한 컴퓨터 수단을 통하여 수행될 수 있는 컴퓨터 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명을 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
본 발명의 예측 방법 및 시스템을 통해, 비타민 C 처방을 포함하는 다수의 처방에 따른 물질 도포 시 각각의 피부 밝기 변화 정보, 그리고 자극 정보를 제공하는 것이 가능하다.
또한, 높은 효능 정보의 값, 낮은 자극 정보의 값을 갖는 처방을 선정하고, 선정된 처방에 매칭되는 제품 정보를 제공하는 것이 가능하다.
또한, 개인에게서 관찰되는 유전자 다형성 마커들의 정보에 따라 개인에게 가장 효과적인 처방, 그리고 제품 정보를 제공하는 것이 가능하면서도, 개인의 환경 정보/생활 습관 정보/피부 특성 정보를 더 고려한 최적의 처방을 선정하여 제공하는 것이 가능하다.
또한, 피부 밝기 변화 정보 및 자극 정보 연산이 기계 학습의 결과물을 사용하기 때문에, 예측의 정확성이 높다.
도 1은 본 발명에 따른 비타민 C를 포함하는 처방의 피부 밝기 변화 및/또는 피부 자극 예측 시스템의 일 양태를 설명하기 위한 개략적인 블록도이다.
도 2는 도 1의 시스템의 예측 단말의 일 양태를 설명하기 위한 개략적인 블록도이다.
도 3은 도 1의 시스템의 예측 모델 생성 장치의 일 양태를 설명하기 위한 개략적인 블록도이다.
도 4는 도 1의 시스템의 서버와 예측 단말 그리고 데이터 제공 서버 간에 송수신되는 데이터를 설명하기 위한 도면이다.
도 5는 본 발명의 일 양태에서 예측 단말에 입력된 데이터에 따라 예측 모델에서 정보가 연산되고, 연산된 정보가 출력되는 모습을 나타내는 것을 설명하기 위한 도면이다.
도 6은 본 발명의 일 양태에서 학습에 의해 제1 피부 밝기 변화 예측 모델이 생성되고, 예측 단말에 입력된 데이터에 따라 제1 피부 밝기 변화 예측 모델에서 연산된 정보가 출력되는 모습을 나타내는 것을 설명하기 위한 도면이다.
도 7은 예측 단말에 예측 대상 개체의 식별 데이터가 전송되고, 데이터 제공 서버로부터 식별 데이터에 해당하는 유전자 데이터를 전송받아 연산을 수행하는 도 6과 다른 양태를 설명하기 위한 도면이다.
도 8은 본 발명의 일 양태에서 학습에 의해 제2 피부 밝기 변화 예측 모델이 생성되고, 예측 단말에 입력된 데이터에 따라 제2 피부 밝기 변화 예측 모델에서 연산된 정보가 출력되는 모습을 나타내는 것을 설명하기 위한 도면이다.
도 9는 본 발명의 일 양태에서 학습에 의해 제3 피부 밝기 변화 예측 모델이 생성되고, 예측 단말에 입력된 데이터에 따라 제3 피부 밝기 변화 예측 모델에서 연산된 정보가 출력되는 모습을 나타내는 것을 설명하기 위한 도면이다.
도 10은 본 발명의 일 양태에서 학습에 의해 제4 피부 밝기 변화 예측 모델이 생성되고, 예측 단말에 입력된 데이터에 따라 제4 피부 밝기 변화 예측 모델에서 연산된 정보가 출력되는 모습을 나타내는 것을 설명하기 위한 도면이다.
도 11은 예측 단말에 예측 대상 개체의 식별 데이터가 전송되고, 데이터 제공 서버로부터 식별 데이터에 해당하는 유전자 데이터를 전송받아 연산을 수행하는 도 10과 다른 양태를 설명하기 위한 도면이다.
도 12는 본 발명의 일 양태에서 학습에 의해 제1 자극 예측 모델이 생성되고, 예측 단말에 입력된 데이터에 따라 제1 자극 예측 모델에서 연산된 정보가 출력되는 모습을 나타내는 것을 설명하기 위한 도면이다.
도 13은 본 발명의 일 양태에서 학습에 의해 제2 자극 예측 모델이 생성되고, 예측 단말에 입력된 데이터에 따라 제2 자극 예측 모델에서 연산된 정보가 출력되는 모습을 나타내는 것을 설명하기 위한 도면이다.
도 14는 본 발명의 일 양태에서 학습에 의해 제3 자극 예측 모델이 생성되고, 예측 단말에 입력된 데이터에 따라 연산된 자극 정보가 출력되는 모습을 나타내는 것을 설명하기 위한 도면이다.
도 15는 본 발명의 일 양태에서 학습에 의해 제4 자극 예측 모델이 생성되고, 예측 단말에 입력된 데이터에 따라 연산된 자극 정보가 출력되는 모습을 나타내는 것을 설명하기 위한 도면이다.
도 16은 비타민 C를 포함하는 처방의 피부 밝기 변화 및/또는 피부 자극 예측 방법의 일 양태를 설명하기 위한 개략적인 순서도이다.
도 17은 비타민 C를 포함하는 물질 도포 시 피부 밝기 변화에 영향을 미치는 SNPs를 선정하는 본 발명의 일 양태를 설명하기 위한 개략적인 순서도이다.
도 18은 비타민 C를 포함하는 물질 도포 시 피부 자극에 영향을 미치는 SNPs를 선정하는 본 발명의 일 양태를 설명하기 위한 개략적인 순서도이다.
도 19 내지 26은 예측 대상 개체의 유전자 데이터가 생성된 예측 모델에 질의됨에 따라, 예측 피부 밝기 변화 정보, 자극 정보 및/또는 선정 처방 정보가 출력되는 양태를 설명하기 위한 개략적인 순서도이다.
이하, 실시예를 통하여 본 발명을 더욱 상세하게 설명하기로 한다. 이들 실시예는 단지 본 발명을 예시하기 위한 것으로, 본 발명의 범위가 이들 실시예에 의해 제한되는 것으로 해석되지는 않는다.
실시예 1: 비타민C 미백 효능 정도 평가 및 유전자 채집
비타민C 미백 효능 정도를 설명할 수 있는 유전자 다형성 마커를 도출해내기 위하여, 20~50대의 건강한 한국인 45명을 모집하였다.
비타민 C 8% 제품 1종을 모집된 45명을 대상으로, 4주간 1일 1회(저녁), 얼굴 전면에 도포 후, 개인별 볼 부위 피부 밝기 값(L)의 변화(△L)(표현형 정보)를 측정하였다(△L = 4주차 L 값 - 0주차 L 값).
피부 측정을 위하여 모든 분석 대상자는 클렌징 제품을 사용하여 얼굴을 세안하고, 피부가 측정 환경에 적응할 수 있도록 어떠한 제품도 바르지 않고 30분간 대기한 후에 비타민C 미백 효능 정도를 평가하였다. 피부 평가에는 피부색 측정 전문 기기인 Chroma meter CR-400(KONICA MINOLTA, 일본)를 활용하였다.
유전자 채집은 타액 수집을 통하여 이루어졌으며, 효과적인 유전자 채집을 위해 모든 분석 대상은 채집 전 30분부터는 물을 포함한 어떠한 음식물 섭취를 금하였다.
분석 대상자 중 ① 임신, 수유 중 또는 6 개월 이내에 임신을 계획하고 있는 경우, ② 피부질환의 치료를 위해 스테로이드가 함유된 피부외형제를 1 개월 이상 사용한 경우, ③ 동일한 시험에 참가한 뒤 6 개월이 경과되지 않는 경우, ④ 민감성, 과민성 피부를 가진 경우, ⑤ 시험 부위에 점, 여드름, 홍반, 모세혈관확장 등의 피부 이상 소견이 있는 경우, ⑥ 시험 시작 3 개월 이내에 시험 부위에 동일 또는 유사한 화장품 또는 의약품을 사용한 경우, ⑦ 시험 부위에 시술(피부 박피술, 보톡스, 기타 피부관리)을 받거나 6 개월 이내 계획한 경우, ⑧ 만성 소모성 질환이 있는 경우 (천식, 당뇨, 고혈압 등), ⑨ 아토피 피부염을 가지는 경우, ⑩ 그 외 주 시험자의 판단으로 시험이 곤란하다고 판단되는 경우는 피험자에서 제외하였다.
실시예 2: 유전자형 분석
유전자 분석을 위한 타액에서 유전자 추출은 QIAamp mini prep kit (QIAGEN)을 이용하여 human genomic DNA를 추출하였으며, 그 품질은 흡광도 (OD 260/280) 또는 1.7, 농도 50ng/ul, 1x TAE 1% agarose gel을 통한 band 검사를 통해 확인하였으며 품질을 통과한 건에 한하여 유전자 분석을 수행하였다.
Illumina社 microarray genotyping chip을 이용하여 유전자 분석이 진행되었으며, 구체적으로는 동일 회사의 global screening array 제품을 이용하여 분석 대상자들의 유전자를 분석하였다.
Illumina社 microarray genotyping chip 유전자 분석 실험은 제공되는 매뉴얼에 따라 진행되었으며, 제공되는 시약을 사용하여 genomic DNA 증폭 (amplification), DNA 조각화 (fragmentation), 침전 (precipitation), 혼성화 (hybridization), 염색 (staining), 세척 (washing), 코팅 (coating), 스캐닝 (scanning)의 과정을 수행하였다.
실험이 완료된 microarray genotyping chip은 iScan Control Software (Illumina)를 이용하여 스캔하였으며, 스캔이 완료되면 idat 파일이 자동으로 생성되어 GenomeStudio (Illumina) 프로그램을 이용하여 데이터 품질관리 (sample call rate 98%, marker call rate 98%) 및 유전자정보 확인을 수행하였다.
본 실험에서는 유전자 분석 이후 데이터 품질관리를 통과한 데이터만 활용하였다.
실시예 3: 비타민C 미백 효능 정도 연관 유의성 유전자 다형성 마커 도출
비타민C 미백 효능 정도와 연관유의성을 갖는 유전자 다형성 마커들을 도출하기 위하여 분석대상들의 유전자 다형성 마커를 이용한 선형회귀분석을 진행하였으며, 분석을 위하여 R v 3.6.1 프로그램을 사용하였다.
실험을 통하여 확인된 유전자 다형성 마커들을 활용하여 추가적인 유전자 다형성 마커에 대한 정보를 확보하기 위하여 Imputation 분석을 Beagle v 5.1 프로그램을 사용하여 진행하였으며, 해당 분석을 진행하기 위하여 기준이 되는 참조데이터는 국제 공개 유전체데이터 database인 1000 Genomes project에 등록되어 있는 정보를 활용하였다.
Imputation은 실험으로 확보한 유전자 다형성 마커 정보를 토대로 분석되지 않은 유전자 다형성 마커 정보를 추론하는 통계학적 기법이다.
분석대상 유전자 다형성 마커들의 통계적 유의성 확보를 위하여, 피부 구성물질 생성, 멜라닌 생합성, 산화 물질 대사 등 피부 생리 활성에 관여하는 유전자 마커들로 한정하였다.
비타민C 미백 효능 정도와 연관성을 보이는 유전자 다형성 마커들의 유의성은 선형회귀분석 F-statistics 를 통해 평가하였으며, 그 기준은 P-value < 0. 1 로 설정하였다.
비타민C 미백 효능 정도에 영향을 줄 수 있는 외부효과를 최소화하고 유전자정보에 따른 효과를 도출하기 위하여 성별의 정보로 비타민C 미백 효능 정도를 보정하여 분석에 활용하였다(예: 선형회귀분석 수행). 이를 통해, 비타민C 미백 효능 정도 연관 유의성 유전자 다형성 마커들이 다수가 도출되었다.
구체적으로, Illumina社 microarray genotyping chip을 활용하여 피부 구성물질 생성, 멜라닌 생합성, 산화 물질 대사 등 피부 생리 활성에 관여하는 유전자 99종 내 SNP 1135개(총 2829개 중 QC 통과한 개수)를 탐색 pool로 선정하고, 피험자 45명의 SNP 데이터(유전자형 정보)를 확보하였다.
피험자 45명의 비타민 C 도포 전후의 피부 밝기 변화 값(L)과, SNP 데이터의 연관 분석법을 이용하여 p-value < 0.1 이하의 SNP 총 103개를 비타민 C 미백 효능 예측 마커로 발굴하였다(표 1).
비타민C 효능 예측 유전자 다형성 마커 (P < 0.1)
번호 SNP1) Gene1) Chr:Position1) Allele2) MAF3) P-value4) Effect size (β)5) Type6)
1 rs73470760 CERS3 15:100950890 C>T 0.0575 1.69E-03 2.1455 Genotyped
2 rs17110439 PPARGC1B 5:149187457 C>T 0.1307 2.67E-03 -1.0196 Genotyped
3 rs8065601 PRKCA 17:64574258 C>A 0.4569 2.72E-03 -0.9057 Genotyped
4 rs7220007 PRKCA 17:64563520 A>G 0.4454 3.46E-03 -0.8650 Genotyped
5 rs1800572 SLC2A2 3:170732328 C>T 0.0172 5.22E-03 -3.6240 Genotyped
6 rs75222641 ACTN2 1:236910839 A>G 0.0273 5.22E-03 -3.6240 Genotyped
7 rs16932385 LRMDA 10:77347385 T>G 0.0589 5.22E-03 -3.6240 Genotyped
8 rs4778179 OCA2 15:28013600 C>T 0.3247 5.93E-03 0.8093 Genotyped
9 rs9416098 LRMDA 10:77661909 C>T 0.1063 6.17E-03 -1.2135 Genotyped
10 rs2290100 OCA2 15:28273350 C>T 0.3319 1.14E-02 0.6859 Genotyped
11 rs8071862 PRKCA 17:64569892 C>T 0.4124 1.19E-02 -0.7808 Genotyped
12 rs1715387 SLC23A2 20:4889609 G>T 0.0345 1.39E-02 -1.9420 Genotyped
13 rs2076302 DSP 6:7570963 G>A 0.1336 1.43E-02 0.8924 Genotyped
14 rs12173412 PNPLA1 6:36230078 G>T 0.0905 1.51E-02 -1.2489 Genotyped
15 rs7082211 LRMDA 10:77631656 A>G 0.2356 1.83E-02 0.7328 Genotyped
16 rs16950402 OCA2 15:28001858 T>C 0.0560 2.28E-02 1.2188 Genotyped
17 rs9296344 EDN1 6:12297028 T>C 0.0230 2.65E-02 -1.3793 Genotyped
18 rs9849766 TP63 3:189500313 T>C 0.1624 2.73E-02 1.0015 Genotyped
19 rs4830410 STS X:7082547 C>T 0.3376 3.07E-02 -0.5181 Genotyped
20 rs802898 STS X:7090343 C>T 0.3376 3.07E-02 -0.5181 Genotyped
21 rs809104 STS X:7109083 A>G 0.3376 3.07E-02 -0.5181 Genotyped
22 rs6639817 STS X:7225221 A>G 0.3391 3.07E-02 -0.5181 Genotyped
23 rs12450534 PRKCA 17:64331957 G>A 0.2672 3.33E-02 -0.6404 Genotyped
24 rs79155799 TP63 3:189428581 T>G 0.1408 3.36E-02 -0.9292 Genotyped
25 rs4135168 TXN 9:113016885 C>T 0.0747 3.38E-02 1.4343 Genotyped
26 rs117753395 CERS3 15:100971105 C>T 0.0474 3.40E-02 -0.9099 Genotyped
27 rs10415306 KLK5 19:51451046 C>T 0.4713 3.53E-02 0.5742 Genotyped
28 rs3773926 TP63 3:189583298 G>A 0.1782 3.64E-02 0.9036 Genotyped
29 rs8010978 GLRX5 14:96003574 A>G 0.2945 3.92E-02 0.6238 Genotyped
30 rs186350312 MITF 3:69910305 A>G 0.0129 3.97E-02 1.9667 Genotyped
31 rs144054131 PPARGC1B 5:149221858 G>T 0.0144 3.97E-02 1.9667 Genotyped
32 rs144415302 GSK3B 3:119588245 T>C 0.0043 4.01E-02 2.7200 Genotyped
33 rs73470752 CERS3 15:100948487 C>T 0.0072 4.01E-02 2.7200 Imputed
34 rs115595607 CERS3 15:100966911 G>A 0.0072 4.01E-02 2.7200 Imputed
35 rs8043210 CERS3 15:100968751 A>C 0.0072 4.01E-02 2.7200 Imputed
36 rs78804600 MITF 3:69897540 A>G 0.0072 4.01E-02 2.7200 Genotyped
37 rs7171529 CERS3 15:100998085 T>C 0.0187 4.01E-02 2.7200 Imputed
38 rs146534097 PRKCA 17:64366569 G>A 0.0216 4.01E-02 2.7200 Genotyped
39 rs114330433 ABHD5 3:43769037 G>A 0.0244 4.01E-02 2.7200 Genotyped
40 rs75900709 ABHD5 3:43757387 A>G 0.0273 4.01E-02 2.7200 Genotyped
41 rs77477585 TP63 3:189507261 T>G 0.0359 4.01E-02 2.7200 Genotyped
42 rs13321831 TP63 3:189504491 G>A 0.0388 4.01E-02 2.7200 Genotyped
43 rs819639 ACTN2 1:236893599 A>G 0.4296 4.06E-02 -0.5977 Genotyped
44 rs111228792 CERS3 15:100980116 T>C 0.0101 4.24E-02 2.7200 Imputed
45 rs75732492 PRKCA 17:64345656 T>C 0.0187 4.26E-02 -1.5772 Genotyped
46 rs75465608 PPARGC1B 5:149183256 G>T 0.0187 4.32E-02 1.5729 Genotyped
47 rs7179419 OCA2 15:28307179 C>T 0.3362 4.49E-02 0.5274 Genotyped
48 rs4705377 PPARGC1B 5:149163414 G>A 0.2457 4.49E-02 0.6284 Genotyped
49 rs4790903 PRKCA 17:64799578 C>T 0.1264 4.53E-02 0.8940 Genotyped
50 rs3851908 ACTN2 1:236864829 T>C 0.1178 4.69E-02 0.9729 Genotyped
51 rs16834213 ACTN2 1:236866836 C>T 0.1207 4.69E-02 0.9729 Genotyped
52 rs4778138 OCA2 15:28335820 A>G 0.2730 4.83E-02 -0.5364 Genotyped
53 rs71379971 PRKCA 17:64436614 T>G 0.2184 4.89E-02 0.8433 Genotyped
54 rs79149889 PLCL2 3:17125525 A>C 0.0575 4.91E-02 0.8126 Genotyped
55 rs13306758 SLC2A1 1:43392819 G>T 0.0359 5.11E-02 -0.9090 Imputed
56 rs2236574 SLC2A1 1:43393384 G>A 0.0359 5.11E-02 -0.9090 Imputed
57 rs3774791 ABHD5 3:43748755 A>G 0.1394 5.12E-02 0.8943 Genotyped
58 rs370831997 ABHD5 3:43758693 A>C 0.1422 5.12E-02 0.8943 Genotyped
59 rs2057440 LRMDA 10:77758013 A>C 0.4382 5.26E-02 0.4905 Genotyped
60 rs2303070 SPINK5 5:147499891 G>T 0.3103 5.35E-02 -0.5926 Genotyped
61 rs10468901 DSG1 18:28921297 T>C 0.2284 5.54E-02 -0.5464 Genotyped
62 rs17880574 FGFR3 4:1806381 C>T 0.0201 5.90E-02 2.5120 Genotyped
63 rs63750447 MLH1 3:37067240 T>A 0.0345 5.90E-02 2.5120 Genotyped
64 rs7899456 LRMDA 10:77865435 A>G 0.2759 6.00E-02 -0.5368 Genotyped
65 rs12611119 SULT2B1 19:49064855 A>G 0.4425 6.19E-02 0.4854 Genotyped
66 rs148954886 PLCL2 3:16982646 T>G 0.0201 6.28E-02 1.2799 Genotyped
67 rs7624251 TP63 3:189565689 A>G 0.2299 6.63E-02 0.6629 Genotyped
68 rs4074785 CDKN2A 9:21981583 A>G 0.1121 6.64E-02 0.8578 Genotyped
69 rs7174027 OCA2 15:28328765 A>G 0.2974 6.65E-02 0.4847 Genotyped
70 rs76344397 SLC23A2 20:4920025 C>T 0.0359 6.74E-02 1.4297 Genotyped
71 rs1776953 SLC23A2 20:4941291 C>T 0.0417 6.74E-02 1.4297 Genotyped
72 rs73893863 SLC23A2 20:4913904 C>A 0.0474 6.74E-02 1.4297 Genotyped
73 rs1800566 NQO1 16:69745145 A>G 0.4195 7.04E-02 0.4354 Genotyped
74 rs10812227 VLDLR-AS1 9:2548556 C>T 0.4368 7.11E-02 -0.4658 Genotyped
75 rs1597196 OCA2 15:28294922 G>T 0.2241 7.15E-02 0.6752 Genotyped
76 rs11001819 LRMDA 10:78315224 G>A 0.1437 7.27E-02 -0.5868 Genotyped
77 rs12765053 LRMDA 10:77555491 C>T 0.4210 7.51E-02 -0.4910 Genotyped
78 rs7619556 TP63 3:189552371 G>A 0.4425 7.56E-02 -0.5243 Genotyped
79 rs4659708 ACTN2 1:236899343 A>C 0.3994 7.66E-02 -0.5368 Genotyped
80 rs72830245 PPARGC1B 5:149175806 T>G 0.0460 7.87E-02 1.6651 Genotyped
81 rs6777363 MITF 3:69843971 G>T 0.0287 7.87E-02 -1.6651 Genotyped
82 rs12718444 SLC2A1 1:43409179 G>T 0.2313 7.97E-02 0.5937 Genotyped
83 rs7295280 KRT7 12:52630866 T>C 0.3103 7.99E-02 0.4618 Genotyped
84 rs2070698 EDN1 6:12291112 C>T 0.3233 8.10E-02 -0.4696 Genotyped
85 rs4687098 TP63 3:189554894 T>C 0.1121 8.16E-02 -0.9053 Genotyped
86 rs28763961 DSP 6:7569480 A>T 0.1106 8.18E-02 -1.1945 Genotyped
87 rs12572234 LRMDA 10:77683224 G>T 0.3204 8.22E-02 -0.4333 Genotyped
88 rs4533622 CTNNB1 3:41242338 C>A 0.2299 8.25E-02 0.6515 Imputed
89 rs1910412 CERS3 15:101080212 A>C 0.2687 8.54E-02 -0.5857 Genotyped
90 rs2287770 SPINK5 5:147491218 A>G 0.3118 8.66E-02 -0.4962 Genotyped
91 rs12270780 CAT 11:34460711 G>A 0.3103 8.87E-02 0.4969 Genotyped
92 rs3095298 CDSN 6:31082932 C>T 0.1968 8.91E-02 -0.5138 Genotyped
93 rs3094220 CDSN 6:31082987 A>G 0.1968 8.91E-02 -0.5138 Genotyped
94 rs3094216 CDSN 6:31084048 A>G 0.1983 8.91E-02 -0.5138 Genotyped
95 rs6731654 ABCA12 2:215941620 C>T 0.2672 9.01E-02 -0.4891 Genotyped
96 rs524154 CAT 11:34463760 G>A 0.3319 9.14E-02 0.5097 Genotyped
97 rs7901344 LRMDA 10:77971758 G>A 0.0129 9.51E-02 1.6353 Genotyped
98 rs2253798 KRT78 12:53242579 C>T 0.1839 9.51E-02 -0.6730 Imputed
99 rs12931267 FANCA 16:89818732 C>G 0.0273 9.55E-02 -1.6083 Genotyped
100 rs2287771 SPINK5 5:147445012 T>C 0.2543 9.71E-02 -0.4773 Genotyped
101 rs4411468 OCA2 15:28003335 A>G 0.2601 9.80E-02 0.6106 Genotyped
102 rs1907345 LRMDA 10:78175033 C>T 0.1078 9.81E-02 -0.6812 Genotyped
103 rs1139793 TXNRD2 22:19868218 G>A 0.3807 9.86E-02 -0.4646 Genotyped
1) 미국국립보건원 (NIH) ID, 해당 홈페이지에서 서열확인가능
2) (major allele) > (minor allele) 의미
3) minor allele frequency = (2mm + Mm)/2(MM + Mm + mm) (M: major allele, m: minor allele)
4) 3가지의 유전형(M/M, M/m, m/m)에 대한 표현형 차이의 통계적 유의성
5) minor allele 이 하나씩 늘어감에 따라 표현형(얼굴 밝기 변화)의 증감 변화 정도 (- : 감소, + :증가)
얼굴 밝기 정도 = 색차계를 이용하여 볼 부위의 밝은 부분(점, 흉터 배제)의 피부색 측정 Lab 중 L 값, 시판기기 이용 (chromameter CR-400, KONIKA MINOLTA, Japan)
6) Beagle v5.1 사용하여 분석
실시예 4: 발굴한 유전자 다형성(SNP) 마커 활용한 비타민 C 효능 예측
발굴된 마커를 이용하여 피부 밝기 변화 예측 모델을 구축하였으며, 구축된 모델은 하기 식으로 나타낼 수 있다.
예측 △L = 성별 변수값 +
Figure PCTKR2022018217-appb-img-000001
n: 예측 △L를 산출하는데 사용되는 마커의 개수
beta 값: 해당 SNP minor allele의 영향력 지수
allele 타입 값: Major Major = 1, Major Minor = 2, Minor Minor = 3
모집된 45명 중, 30명으로부터 획득된 데이터를 학습에 사용하고, 나머지 15명으로부터 획득된 데이터를 이용하여 예측 결과를 비교하였다.
구체적으로, 피부 밝기 변화 예측 모델에 사용되는 마커의 수를 증가시켜가면서 실제 △L과 예측 △L을 비교하여 R-square, 정확도, 민감도 및 특이도를 평가하였다(도 1, 표 2).
비타민C 효능 예측 모형 (성별 포함)
마커수 마커 조합(n) Adjusted R-square1) 정확도2) 민감도3) 특이도4)
1 rs73470760 0.1982 0.6667 0.8000 0.4000
2 Rs73470760, rs17110439 0.3246 0.6000 0.6000 0.6000
3 Rs73470760, rs17110439, rs8065601 0.3481 0.6667 0.7000 0.6000
… … … … … …
7 Rs7220007, rs75465608, rs73893863, rs17110439, rs144054131, rs75465608, rs4705377 0.3372 0.8667 0.8000 1.0000
… … … … … …
17 Rs73470760, rs117753395, rs10468901, rs10415306, rs7220007, rs12450534, rs75732492, rs4790903, rs71379971, rs4830410, rs9296344, rs2290100, rs16950402, rs7179419, rs4778138, rs17110439, rs144054131, rs75465608, rs4705377, rs1715387, rs73893863 0.7759 0.8000 0.8000 0.8000
1) Adjusted R-square은 예측 모델의 설명력을 의미하며, 0은 전혀 설명하지 못한다는 것을 의미하고, 1은 모두 설명한다는 것을 의미
2) 정확도는 밝기 변화가 0.5 이상인 그룹을 효능군, 0.5 미만인 그룹을 비효능군으로 예측한 정확도를 의미
3) 민감도는 밝기 변화가 0.5 이상인 그룹을 효능군, 0.5 미만인 그룹을 비효능군이라고 할 때, 효능군을 효능군으로 예측한 정확도를 의미
4) 특이도는 밝기 변화가 0.5 이상인 그룹을 효능군, 0.5 미만인 그룹을 비효능군이라고 할 때, 비효능군을 비효능군으로 예측한 정확도를 의미
실시예 5: 발굴한 유전자 다형성 (SNP) 마커 타입에 선택적인 비타민C 효능 증진 효과 검증
표 1에서 유전자 조절 성분이 알려진 유전자 3종에서 각 유전자 내 최소 P-value값을 가진 SNP를 선별하여 검증용 마커로서 활용하였다(표 3).
SNP 마커 특이적 효능 개선 성분 제공 검증에 활용된 마커
SNP Gene 유전자 기능 Allele MAF P-value Effect size (β) 비타민C 효능 증진 시너지 성분
rs1715387 SLC23A2 세포 내 비타민C 흡수 촉진 pump
(단백질명 SVCT2) 		G>T 0.0345 1.39E-02 -1.9420 - Magnesium (SVCT2의 펌프 기능 활성화)
- Zinc (SVCT2 발현 증가)
rs10415306 KLK5 각질세포 간 결합 단백질 분해 효소 C>T 0.4713 3.53E-02 0.5742 - Serine (각질세포 간 결합 단백질 DSG1-DSC1간 해리 유도)
rs10468901 DSG1 각질세포 간 결합 단백질 T>C 0.2284 5.54E-02 -0.5464
rs17110439 PPARGC1B 멜라닌 생성 촉진 유발 단백질 C>T 0.1307 2.67E-03 -1.0196 - Isostearic acid (PPARGC1B 발현 억제)
SNP 마커의 allele이 다른 피험자를 선별하여, 4주간 오른볼에는 비타민C 만 도포하고, 왼볼에는 비타민C와 해당 유전자의 기능 조절 성분을 함께 도포하고 피부 밝기 증가의 차이를 측정하여, 유전자 기능 조절 성분에 의한 비타민C 효능 증진 효과가 유전자 타입에 따라 선택적으로 다름을 증명하고자 하였다.
실시예 5-1: SLC23A2 rs1715387의 T allele 보유 그룹에서의 비타민C 효능 증진 효과 확인
rs1715387 SNP마커를 가지고 있는 피험자에게 오른볼에는 비타민C 10%를 도포하고, 왼볼에는 비타민C 10%와 Zn gluconate 1.8% (Zn 로서 0.25%)및 MgSO4 2%를 도포하였다. 구체적으로, major allele 염기인 G와 minor allele 염기인 T를 보유한 TT(0명), TG(3명), GG(3명) 피험자를 대상으로 하였다. 다만, T는 MAF가 0.0345로서 TT 서열 보유자 희소하여 피험자로 포함되지 못하였다.
그 결과, 하기 표 4에 나타낸 바와 같이, SLC23A2 rs1715387의 T allele 보유 그룹에서 선택적으로 Zn, Mg 추가 도포에 의한 비타민C 효능 증진 효과가 있음을 확인하였다.
마커 비타민C 효능 취약 allele 1) 유전자 서열 타입 모집 인원 Zn, Mg에 의한
효능 증진 효과 △△L 2)
rs1715387 T SLC23A2 TT 0명 -
TG 3명 +0.34
GG 3명 0
1) Effect size는 minor allele 기준이므로, effect size가 양수인 경우 major allele이 효능 취약 allele, effect size가 음수인 경우 minor allele이 효능 취약 allele 임
2) T allele 보유한 경우에 선택적으로, Zn와 Mg 추가 도포에 의한 △L 증가폭 (△△L)이 더 큼
△△L = [4주 후 왼볼 도포 부위 밝기 증가 △L] - [4주 후 오른볼 도포 부위 밝기 증가 △L]
* 측정기기 Chroma meter CR-400(KONICA MINOLTA社, 일본)
실시예 5-2: DSG1 rs10468901의 C allele 보유 그룹에서의 비타민C 효능 증진 효과 확인
rs10468901 SNP마커를 가지고 있는 피험자에게 오른볼에는 비타민C 10%를 도포하고, 왼볼에는 비타민C 10%와 serine 2%를 도포하였다. 구체적으로, major allele 염기인 C와 minor allele 염기인 T를 보유한 CC(3명), CT(5명), TT(7명) 피험자를 대상으로 하였다.
그 결과, 하기 표 5에 나타낸 바와 같이, DSG1 rs10468901의 C allele 보유 그룹에서 선택적으로 Serine 추가 도포에 의한 비타민C 효능 증진 효과가 있음을 확인하였다.
마커 비타민C 효능 취약 allele 2) 유전자 서열 타입 모집 인원 Serine에 의한
효능 증진 효과 △△L 3)
rs10468901 C DSG1 CC 3명 +0.68
CT 5명 +0.49
TT 7명 -0.08
1) Effect size는 minor allele 기준이므로, effect size가 양수인 경우 major allele이 효능 취약 allele, effect size가 음수인 경우 minor allele이 효능 취약 allele 임
2) C allele 보유한 경우에 선택적으로, Serine 추가 도포에 의한 △L 증가폭 (△△L)이 더 큼
△△L = [4주 후 왼볼 도포 부위 밝기 증가 △L] - [4주 후 오른볼 도포 부위 밝기 증가 △L]
* 측정기기 Janus 1 (PIE社, 한국)
실시예 5-3: KLK5 rs10415306의 C allele 보유 그룹에서의 비타민C 효능 증진 효과 확인
rs10415306 SNP마커를 가지고 있는 피험자에게 오른볼에는 비타민C 10%를 도포하고, 왼볼에는 비타민C 10%와 serine 2%를 도포하였다. 구체적으로, major allele 염기인 C와 minor allele 염기인 T를 보유한 CC(7명), CT(5명), TT(3명) 피험자를 대상으로 하였다.
그 결과, 하기 표 6에 나타낸 바와 같이, KLK5 rs10415306의 C allele 보유 그룹에서 선택적으로 Serine 추가 도포에 의한 비타민C 효능 증진 효과가 있음을 확인하였다.
마커 비타민C 효능 취약 allele 2) 유전자 서열 타입 모집 인원 Serine에 의한
효능 증진 효과 △△L 3)
rs10415306 C KLK5 CC 7명 +0.57
CT 5명 +0.46
TT 3명 -0.80
1) Effect size는 minor allele 기준이므로, effect size가 양수인 경우 major allele이 효능 취약 allele, effect size가 음수인 경우 minor allele이 효능 취약 allele 임
2) C allele 보유한 경우에 선택적으로, Serine 추가 도포에 의한 △L 증가폭 (△△L)이 더 큼
△△L = [4주 후 왼볼 도포 부위 밝기 증가 △L] - [4주 후 오른볼 도포 부위 밝기 증가 △L]
* 측정기기 Janus 1 (PIE社, 한국)
실시예 5-4: PPARGC1B rs17110439의 T allele 보유 그룹에서의 비타민C 효능 증진 효과 확인
rs17110439 SNP마커를 가지고 있는 피험자에게 오른볼에는 비타민C 10%를 도포하고, 왼볼에는 비타민C 10%와 Isostearic acid 21%를 도포하였다. 구체적으로, major allele 염기인 T와 minor allele 염기인 C를 보유한 TT(0명), TC(4명), CC(4명) 피험자를 대상으로 하였다. 다만, T는 MAF가 0.1307로서 TT 서열 보유자 희소하여 피험자로 포함되지 못하였다.
그 결과, 하기 표 7에 나 타낸 바와 같이, PPARGC1B rs17110439의 T allele 보유 그룹에서 선택적으로 Isostearic acid 추가 도포에 의한 비타민C 효능 증진 효과가 있음을 확인하였다.
마커 비타민C 효능 취약 allele 2) 유전자 서열 타입 모집 인원 Isostearic acid에 의한
효능 증진 효과 △△L 3)
rs17110439 T PPARGC1B TT 0명 -
TC 4명 +0.39
CC 4명 -0.24
1) Effect size는 minor allele 기준이므로, effect size가 양수인 경우 major allele이 효능 취약 allele, effect size가 음수인 경우 minor allele이 효능 취약 allele 임
2) T allele 보유한 경우에 선택적으로, Isostearic acid 추가 도포에 의한 △L 증가폭 (△△L)이 더 큼
△△L = [4주 후 왼볼 도포 부위 밝기 증가 △L] - [4주 후 오른볼 도포 부위 밝기 증가 △L]
* 측정기기 Janus 1 (PIE社, 한국)
이상의 설명으로부터, 본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 이와 관련하여, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허 청구범위의 의미 및 범위 그리고 그 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (43)

  1. 예측 단말에 예측 대상 개체의 SNP 정보가 입력되는 단계; 및
    상기 예측 단말에 미리 저장된 피부 밝기 변화 예측 모델에 상기 SNP 정보를 질의하여 예측 피부 밝기 변화 정보를 연산하고, 연산된 예측 피부 밝기 변화 정보를 출력하는 단계;를 포함하고,
    상기 피부 밝기 변화 예측 모델은,
    러닝 프로세서가 SNP 정보 및 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을 때 피부 밝기 변화 정보의 쌍으로 이루어진 제1 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제1 예측 피부 밝기 변화 정보를 출력하는 제1 피부 밝기 변화 예측 모델인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  2. 제1항에 있어서,
    SNPs 마커 선정 장치가 상기 SNP 정보에 포함된 다수의 SNPs 중, 비타민 C 또는 비타민 C 유도체 도포 시 피부 밝기 변화와 관련 있는 하나 이상의 SNPs를 선정하는 단계;를 더 포함하고,
    상기 학습 데이터의 SNP 정보에는 상기 SNPs 마커 선정 장치에 의해 선정된 하나 이상의 SNPs 중 적어도 일부는 포함되고, 상기 SNPs 마커 선정 장치에 의해 선정되지 않은 SNPs는 포함되지 않는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  3. 제2항에 있어서,
    상기 피부 밝기 변화와 관련 있는 하나 이상의 SNPs는 표 1에서 선택된 어느 하나 이상인 것인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  4. 제1항에 있어서,
    상기 러닝 프로세스가 상기 학습 데이터들을 학습함에 따라 SNP 정보에 포함된 각각의 SNP마다, 비타민 C 또는 비타민 C 유도체를 포함하는 물질 도포 시 피부 밝기 변화에 영향을 미치는 가중치가 결정될 수 있으며,
    상기 가중치는,
    각각의 SNP에 포함된 상위 대립유전자(major allele) 및 하위 대립유전자(minor allele)의 개수에 따라 결정되는 제1 값; 및
    학습에 의해 그 값이 변화하는 제2 값;을 이용하여 연산되는 것인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  5. 제4항에 있어서,
    상기 제1 값은,
    상위 대립유전자(major allele) - 상위 대립유전자, 상위 대립유전자 - 하위 대립유전자(minor allele) 및 하위 대립유전자의 SNPs 타입(type)마다 서로 다른 값이 부여되는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  6. 제5항에 있어서,
    상기 제1 값은, 상기 SNPs 타입들 중 하위 대립유전자의 개수가 많은 타입일수록 더 높은 값을 갖는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  7. 제4항에 있어서,
    상기 제1 값은 학습이 이루어지더라도 변화하지 않는 값인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  8. 제4항에 있어서,
    상기 가중치는 상기 제1 값과 상기 제2 값을 곱한 값이고,
    상기 예측 피부 밝기 변화 정보는, 각각의 SNP마다의 가중치를 합산하여 연산되는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  9. 제4항에 있어서,
    상기 가중치는,
    상기 제1 값, 상기 제2 값 및 예측 대상 개체의 성별에 따라 서로 상이한 제3 값을 이용하여 연산되는 것인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  10. 제1항에 있어서,
    상기 피부 밝기 변화 예측 모델은,
    상기 러닝 프로세서가 SNP 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보 및 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 피부 밝기 변화 정보의 쌍으로 이루어진 제2 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제2 예측 피부 밝기 변화 정보를 출력하는 제2 피부 밝기 변화 예측 모델인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  11. 제1항에 있어서,
    상기 피부 밝기 변화 예측 모델은,
    러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 그리고 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을때 피부 밝기 변화 정보의 쌍으로 이루어진 제3 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제3 예측 피부 밝기 변화 정보를 출력하는 제3 피부 밝기 변화 예측 모델인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  12. 제1항에 있어서,
    상기 피부 밝기 변화 예측 모델은,
    러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 히드로퀴논을 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보, 그리고 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 피부 밝기 변화 정보의 쌍으로 이루어진 제4 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제4 예측 피부 밝기 변화 정보를 출력하는 제4 피부 밝기 변화 예측 모델인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  13. 제10항 또는 제12항에 있어서,
    상기 예측 단말이 상기 피부 밝기 변화 예측 모델에 상기 SNP 정보를 질의하여 다수의 처방 각각마다의 예측 피부 밝기 변화 정보를 연산하는 단계; 및
    처방 선정부가 상기 예측 피부 밝기 변화 정보를 이용하여, 다수의 처방 중 하나 이상의 처방을 선정하는 단계를 더 포함하는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  14. 제13항에 있어서,
    처방 선정부가 상기 예측 피부 밝기 변화 정보를 이용하여, 다수의 처방 중 하나 이상의 처방을 선정하는 단계는, 상기 예측 피부 밝기 변화 정보의 값이 큰 하나 이상의 처방을 선정하는 단계를 포함하는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  15. 제10항 또는 제12항에 있어서,
    상기 다수의 처방은, 비타민 C 또는 비타민 C 유도체 처방 및 비타민 C 또는 비타민 C 유도체에 추가 물질이 더 포함된 처방을 포함하고,
    상기 추가 물질은 마그네슘(Mg), 아연(Zn), 피부 밝기 증가 유도 물질, 피부 자극 완화제, 제재 안정화 물질 및 제재 질감 결정 물질로 이루어진 그룹 중 선택된 하나 이상인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  16. 제1항에 있어서,
    상기 예측 단말이 미리 저장된 피부 자극 예측 모델에 상기 SNP 정보를 질의하여 연산된 정보가 추가로 출력되는 단계를 더 포함하고,
    상기 피부 자극 예측 모델은, 상기 러닝 프로세서가 SNP 정보 및 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제1 자극 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제1 예측 자극 정보를 연산하는 제1 자극 예측 모델인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  17. 제1항에 있어서,
    상기 예측 단말이 미리 저장된 피부 자극 예측 모델에 상기 SNP 정보를 질의하여 연산된 정보가 추가로 출력되는 단계를 더 포함하고,
    상기 피부 자극 예측 모델은, 상기 러닝 프로세서가 SNP 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보 및 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제2 자극 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제2 예측 자극 정보를 출력하는 제2 자극 예측 모델인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  18. 제1항에 있어서,
    상기 예측 단말이 미리 저장된 피부 자극 예측 모델에 상기 SNP 정보를 질의하여 연산된 정보가 추가로 출력되는 단계를 더 포함하고,
    피부 자극 예측 모델은, 러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 그리고 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을때 자극 정보의 쌍으로 이루어진 제3 자극 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 히드로퀴논을 포함하는 물질이 도포되었을 때의 제3 예측 자극 정보를 출력하는 제3 자극 예측 모델인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  19. 제1항에 있어서,
    상기 예측 단말이 미리 저장된 피부 자극 예측 모델에 상기 SNP 정보를 질의하여 연산된 정보가 추가로 출력되는 단계를 더 포함하고,
    피부 자극 예측 모델은, 러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보, 그리고 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제4 자극 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제4 예측 자극 정보를 출력하는 제4 자극 예측 모델인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  20. 제16항 내지 제19항 중 어느 하 항에 있어서,
    상기 예측 단말이 상기 피부 자극 예측 모델에 상기 SNP 정보를 질의하여 다수의 처방 각각마다의 예측 자극 정보를 연산하는 단계; 및
    처방 선정부가 상기 예측 자극 정보를 이용하여, 하나 이상의 처방을 선정하는 단계;를 더 포함하는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  21. 제20항에 있어서,
    처방 선정부가 상기 예측 자극 정보를 이용하여, 하나 이상의 처방을 선정하는 단계는, 처방 선정부가 다수의 처방 중, 상기 예측 자극 정보의 값이 작은 하나 이상의 처방을 선정하는 단계를 더 포함하는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 방법.
  22. SNP 정보 및 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을때 피부 밝기 변화 정보의 쌍으로 이루어진 제1 피부 밝기 변화 학습 데이터들을 학습하여 제1 피부 밝기 변화 예측 모델을 생성하는 서버로서, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 히드로퀴논을 포함하는 물질이 도포되었을 때의 제1 예측 피부 밝기 변화 정보를 출력하는 제1 피부 밝기 변화 예측 모델을 생성하는 서버; 및
    예측 대상 개체의 SNP 정보를 입력받고, 상기 서버에서 생성된 제1 피부 밝기 변화 예측 모델에 입력받은 SNP 정보를 질의하여 연산된 제1 예측 피부 밝기 변화 정보를 출력하는 예측 단말;을 포함하는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 시스템.
  23. 제22항에 있어서,
    상기 SNP 정보에 포함된 다수의 SNPs 중, 비타민 C 또는 비타민 C 유도체 도포 시 피부 밝기 변화와 관련 있는 하나 이상의 SNPs를 선정하는 SNPs 마커 선정 장치;를 더 포함하고,
    상기 학습 데이터의 SNP 정보에는 상기 SNPs 마커 선정 장치에 의해 선정된 하나 이상의 SNPs 중 적어도 일부는 포함되고, 상기 SNPs 마커 선정 장치에 의해 선정되지 않은 SNPs는 포함되지 않는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 시스템.
  24. 제23항에 있어서,
    상기 피부 밝기 변화와 관련 있는 하나 이상의 SNPs는 표 1에서 선택된 어느 하나 이상인 것인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 시스템.
  25. 제22항에 있어서,
    상기 서버의 러닝 프로세스가 상기 학습 데이터들을 학습함에 따라 SNP 정보에 포함된 각각의 SNP마다 비타민 C 또는 비타민 C 유도체를 포함하는 물질 도포 시 피부 밝기 변화에 영향을 미치는 가중치가 결정될 수 있으며,
    상기 가중치는,
    각각의 SNP에 포함된 상위 대립유전자(major allele) 및 하위 대립유전자(minor allele)의 개수에 따라 결정되는 제1 값; 및
    학습에 의해 그 값이 변화하는 제2 값;을 이용하여 연산되는 것인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 시스템.
  26. 제25항에 있어서,
    상기 제1 값은,
    상위 대립유전자(major allele) - 상위 대립유전자, 상위 대립유전자 - 하위 대립유전자(minor allele) 및 하위 대립유전자 - 하위 대립유전자의 SNPs 타입(type) 마다 서로 다른 값이 부여되는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 시스템.
  27. 제26항에 있어서,
    상기 제1 값은, 상기 SNPs 타입들 중 하위 대립유전자의 개수가 많은 타입일수록 더 높은 값을 갖는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 시스템.
  28. 제25항에 있어서,
    상기 제1 값은 학습이 이루어지더라도 변화하지 않는 값인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 시스템.
  29. 제25항에 있어서,
    상기 가중치는 상기 제1 값과 상기 제2 값을 곱한 값이고,
    상기 예측 피부 밝기 변화 정보는, 각각의 SNP마다의 가중치를 합산하여 연산되는,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 시스템.
  30. 제25항에 있어서,
    상기 가중치는,
    상기 제1 값, 상기 제2 값 및 예측 대상 개체의 성별에 따라 서로 상이한 제3 값을 이용하여 연산되는 것인,
    비타민 C를 포함하는 처방의 피부 밝기 변화 예측 시스템.
  31. 제22항에 있어서,
    상기 피부 밝기 변화 예측 모델은,
    상기 러닝 프로세서가 SNP 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보 및 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 피부 밝기 변화 정보의 쌍으로 이루어진 제2 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제2 예측 피부 밝기 변화 정보를 출력하는 제2 피부 밝기 변화 예측 모델인,
    비타민 C를 포함하는 처방의 피부색 밝기 변화 예측 시스템.
  32. 제22항에 있어서,
    상기 피부 밝기 변화 예측 모델은,
    러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 그리고 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을때 피부 밝기 변화 정보의 쌍으로 이루어진 제3 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제3 예측 피부 밝기 변화 정보를 출력하는 제3 피부 밝기 변화 예측 모델인,
    비타민 C를 포함하는 처방의 피부색 밝기 변화 예측 시스템.
  33. 제22항에 있어서,
    상기 피부 밝기 변화 예측 모델은,
    러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 히드로퀴논을 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보, 그리고 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 피부 밝기 변화 정보의 쌍으로 이루어진 제4 피부 밝기 변화 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제4 예측 피부 밝기 변화 정보를 출력하는 제4 피부 밝기 변화 예측 모델인,
    비타민 C를 포함하는 처방의 피부색 밝기 변화 예측 시스템.
  34. 제31항 또는 제33항에 있어서,
    상기 예측 단말은 상기 피부 밝기 변화 예측 모델에 상기 SNP 정보를 질의하여 다수의 처방 각각마다의 예측 피부 밝기 변화 정보를 연산하고,
    상기 시스템은,
    상기 예측 피부 밝기 변화 정보를 이용하여, 다수의 처방 중 하나 이상의 처방을 선정하는 처방 선정부를 더 포함하는,
    비타민 C를 포함하는 처방의 피부색 밝기 변화 예측 시스템.
  35. 제34항에 있어서,
    상기 처방 선정부는 다수의 처방 중, 상기 예측 피부 밝기 변화 정보의 값이 큰 하나 이상의 처방을 선정하는,
    비타민 C를 포함하는 처방의 피부색 밝기 변화 예측 시스템.
  36. 제31항 또는 제33항에 있어서,
    상기 다수의 처방은, 히드로퀴논 처방 및 히드로퀴논에 추가 물질이 더 포함된 처방을 포함하고,
    상기 추가 물질은 마그네슘(Mg), 아연(Zn), 피부 밝기 증가 유도 물질, 피부 자극 완화제, 제재 안정화 물질 및 제재 질감 결정 물질로 이루어진 그룹 중 선택된 하나 이상인,
    비타민 C를 포함하는 처방의 피부색 밝기 변화 예측 시스템.
  37. 제22항에 있어서,
    상기 예측 단말은, 상기 서버에서 생성된 피부 자극 예측 모델에 입력받은 SNP 정보를 질의함으로써 연산된 정보를 추가로 출력하고,
    상기 피부 자극 예측 모델은, 상기 러닝 프로세서가 SNP 정보 및 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제1 자극 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질이 도포되었을 때의 제1 예측 자극 정보를 연산하는 제1 자극 예측 모델인,
    비타민 C를 포함하는 처방의 피부색 밝기 변화 예측 시스템.
  38. 제22항에 있어서,
    상기 예측 단말은, 상기 서버에서 생성된 피부 자극 예측 모델에 입력받은 SNP 정보를 질의함으로써 연산된 정보를 추가로 출력하고,
    상기 피부 자극 예측 모델은, 상기 러닝 프로세서가 SNP 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보 및 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제2 자극 학습 데이터들을 학습하여, SNP 정보가 질의되는 경우 질의된 SNP 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제2 예측 자극 정보를 출력하는 제2 자극 예측 모델인,
    비타민 C를 포함하는 처방의 피부색 밝기 변화 예측 시스템.
  39. 제22항에 있어서,
    상기 예측 단말은, 상기 서버에서 생성된 피부 자극 예측 모델에 입력받은 SNP 정보를 질의함으로써 연산된 정보를 추가로 출력하고,
    피부 자극 예측 모델은, 러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 그리고 상기 SNP 정보를 갖는 개체에 비타민 C 또는 비타민 C 유도체를 포함하는 물질을 도포하였을때 자극 정보의 쌍으로 이루어진 제3 자극 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 히드로퀴논을 포함하는 물질이 도포되었을 때의 제3 예측 자극 정보를 출력하는 제3 자극 예측 모델인,
    비타민 C를 포함하는 처방의 피부색 밝기 변화 예측 시스템.
  40. 제22항에 있어서,
    상기 예측 단말은, 상기 서버에서 생성된 피부 자극 예측 모델에 입력받은 SNP 정보를 질의함으로써 연산된 정보를 추가로 출력하고,
    피부 자극 예측 모델은, 러닝 프로세서가 SNP 정보에 더하여, 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보, 비타민 C 또는 비타민 C 유도체를 포함하는 처방을 포함하는 다수의 처방 중 하나 이상의 처방 정보, 그리고 상기 SNP 정보를 갖는 개체에 상기 처방에 따른 물질을 도포하였을 때의 자극 정보의 쌍으로 이루어진 제4 자극 학습 데이터들을 학습하여, SNP 정보 및 나이 정보, 성별 정보, 생활 습관 정보, 환경 정보 및 피부 특성 정보 중 하나 이상의 정보가 질의되는 경우 질의된 정보를 갖는 개체에 다수의 처방에 따른 물질 각각이 도포되었을 때의 제4 예측 자극 정보를 출력하는 제4 자극 예측 모델인,
    비타민 C를 포함하는 처방의 피부색 밝기 변화 예측 시스템.
  41. 제37항 내지 제40항 중 어느 한 항에 있어서,
    상기 예측 단말은 상기 피부 자극 예측 모델에 상기 SNP 정보를 질의하여 다수의 처방 각각마다의 예측 자극 정보를 연산하고,
    상기 시스템은,
    상기 예측 자극 정보를 이용하여, 상기 다수의 처방 중 하나 이상의 처방을 선정하는 처방 선정부를 더 포함하는,
    비타민 C를 포함하는 처방의 피부색 밝기 변화 예측 시스템.
  42. 제41항에 있어서,
    상기 처방 선정부는, 다수의 처방 중 상기 예측 자극 정보의 값이 작은 하나 이상의 처방을 선정하는,
    비타민 C를 포함하는 처방의 피부색 밝기 변화 예측 시스템.
  43. 제1항 내지 제12항 및 제16항 내지 제19항 중 어느 한 항에 따른 방법을 실행하도록 컴퓨터 판독 가능한 기록 매체에 저장된, 컴퓨터 프로그램.
PCT/KR2022/018217 2021-12-10 2022-11-17 비타민 c를 포함하는 처방의 피부 밝기 변화 예측 방법 및 시스템 WO2023106680A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0176665 2021-12-10
KR20210176665 2021-12-10

Publications (1)

Publication Number Publication Date
WO2023106680A1 true WO2023106680A1 (ko) 2023-06-15

Family

ID=86730787

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/018217 WO2023106680A1 (ko) 2021-12-10 2022-11-17 비타민 c를 포함하는 처방의 피부 밝기 변화 예측 방법 및 시스템

Country Status (2)

Country Link
KR (1) KR20230088246A (ko)
WO (1) WO2023106680A1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130016012A (ko) * 2011-08-03 2013-02-14 주식회사 엘지생활건강 민감성 피부 타입 유전자 다형성 마커 및 이의 용도
KR20170049768A (ko) * 2015-10-28 2017-05-11 주식회사 엘지생활건강 피부 색상 및 흑화 민감도 진단용 단일염기다형성 마커 및 이의 용도
KR20190113005A (ko) * 2018-03-27 2019-10-08 (주) 메디젠휴먼케어 단일염기다형성을 이용한 피부 표현형 예측 방법
JP2021040626A (ja) * 2016-11-30 2021-03-18 株式会社 資生堂 肌特性解析方法
CN112990540A (zh) * 2021-02-05 2021-06-18 杭州仙单科技有限公司 一种护肤品功效评价与预测系统及方法
JP2021157499A (ja) * 2020-03-27 2021-10-07 日本メナード化粧品株式会社 肌状態評価装置及び肌状態改善アドバイス方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130016012A (ko) * 2011-08-03 2013-02-14 주식회사 엘지생활건강 민감성 피부 타입 유전자 다형성 마커 및 이의 용도
KR20170049768A (ko) * 2015-10-28 2017-05-11 주식회사 엘지생활건강 피부 색상 및 흑화 민감도 진단용 단일염기다형성 마커 및 이의 용도
JP2021040626A (ja) * 2016-11-30 2021-03-18 株式会社 資生堂 肌特性解析方法
KR20190113005A (ko) * 2018-03-27 2019-10-08 (주) 메디젠휴먼케어 단일염기다형성을 이용한 피부 표현형 예측 방법
JP2021157499A (ja) * 2020-03-27 2021-10-07 日本メナード化粧品株式会社 肌状態評価装置及び肌状態改善アドバイス方法
CN112990540A (zh) * 2021-02-05 2021-06-18 杭州仙单科技有限公司 一种护肤品功效评价与预测系统及方法

Also Published As

Publication number Publication date
KR20230088246A (ko) 2023-06-19

Similar Documents

Publication Publication Date Title
WO2012081898A2 (ko) 위암의 예후 예측용 마커 및 이를 이용하는 위암의 예후 예측 방법
WO2018169145A1 (ko) 진행성 위암 환자의 수술 후 예후 또는 항암제 적합성 예측 시스템
WO2023080379A1 (ko) 다유전자 위험점수를 이용한 시간 의존 연관성 기반의 질환 발병 정보 생성 장치 및 그 방법
US20200216916A1 (en) Method for estimating additive and dominant genetic effects of single methylation polymorphisms (smps) on quantitative traits
WO2021230663A1 (ko) 초기 유방암 환자의 예후 예측 방법
WO2012070776A2 (ko) 만성 ｂ형 간질환 환자의 간세포암 발병 위험도 분석 및 예측방법
WO2021182881A1 (ko) 유방암 진단용 다중 바이오마커 및 이의 용도
WO2023106680A1 (ko) 비타민 c를 포함하는 처방의 피부 밝기 변화 예측 방법 및 시스템
AU2020291343A1 (en) Computer-implemented method for collaborative development of reagents for detection of target nucleic acids
WO2019168261A1 (ko) 정성적 또는 정량적 돌연변이 유전형 분석방법 및 이 방법을 수행하기 위한 실시간 pcr 키트
WO2017082655A1 (ko) 항암 치료 내성 판단 방법 및 상기 방법에 사용되는 조성물
WO2019093695A1 (ko) 게놈 모듈 네트워크에 기반한 샘플 데이터 분석 방법
WO2022097844A1 (ko) 유전자 복제수 변이 정보를 이용하여 췌장암 환자의 생존 예후를 예측하는 방법
WO2011139032A2 (ko) 표적 유전자의 다양한 변이가 존재하는 유전자 영역을 증폭하기 위한 프라이머 조성물
WO2022220575A1 (ko) 피부색 판단용 유전자 다형성 마커 및 이의 용도
WO2015167087A1 (ko) Dna 복제수 변이를 이용한 강직성 척추염 발병 위험도 예측 방법
WO2023219369A1 (ko) 히드로퀴논을 포함하는 처방의 피부 밝기 변화 예측 방법 및 시스템
WO2022220527A1 (ko) 피부색 판단용 유전자 다형성 마커 및 이의 용도
WO2023090715A2 (ko) 레티놀을 포함하는 처방의 피부 자극 정보 예측 방법 및 시스템, 그리고 자극 완화제를 유효성분으로 포함하는 레티놀에 의한 항자극 또는 항염용 조성물
WO2023080766A1 (ko) 시간 변동 공변량 기반의 prs 모델을 이용한 질환별 위험 유전자 변이 정보 생성 장치 및 그 방법
WO2021034034A1 (ko) 핵산 단편간 거리 정보를 이용한 염색체 이상 검출 방법
WO2021201592A1 (ko) 색소침착 피부 타입 판단용 유전자 다형성 마커 및 이의 용도
WO2023204522A1 (ko) 심근경색과 연관된 유전자 다형성 및 그의 용도
WO2023234659A1 (ko) 퇴행성 턱관절염의 진단 또는 예후 예측용 유전자 마커 및 이의 용도
WO2022055276A1 (ko) 여성형 탈모증 관련 유전자 다형성 마커 및 이의 용도

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: 22904513

Country of ref document: EP

Kind code of ref document: A1