1 |
1
컴퓨터로 판독 가능한 기록 매체를 포함하는 신약 재창출 후보 예측 시스템을 이용하여 전자의무기록과 약물/질환 네트워크 정보 기반의 신약 재창출 후보를 예측하는 방법에 있어서,a) 상기 신약 재창출 예측 시스템이 약물 적응증 정보에 기초하여 약물-질병의 이분 네트워크를 구성하는 단계와;b) 상기 신약 재창출 예측 시스템이 임상정보(EMR 또는 clinical physiomic)와 유전체 정보(genomic signatures)에 기초하여 약물 및 질환의 검체 정보를 추출하는 단계;c) 상기 신약 재창출 예측 시스템이 약물-약물/질병-질병 유사도 매트릭스를 임상정보에 따라 구성하는 단계;d) 상기 신약 재창출 예측 시스템이 유사도 매트릭스에 따라 임상 정보 기반의 약물-질환 엣지(edge) 점수(P_c)를 계산하는 단계;e) 상기 신약 재창출 예측 시스템이 임상정보(EMR 또는 clinical physiomic)와 유전체 정보(genomic signatures)에 기초하여 약물 및 질환의 유전자 연관 정보를 추출하는 단계;f) 상기 신약 재창출 예측 시스템이 약물-약물/질병-질병 유사도 매트릭스를 유전체 정보에 따라 구성하는 단계;g) 상기 신약 재창출 예측 시스템이 유사도 매트릭스에 따라 유전체 정보 기반의 약물-질환 엣지(edge) 점수(P_g)를 계산하는 단계;h) 상기 신약 재창출 예측 시스템이 상기 P_c와 P_g를 사용하여 엣지(edge)의 최종 예측 점수 f(e_ij)를 계산하는 단계; 및i) 상기 신약 재창출 예측 시스템이 상기 f(e_ij)를 기준값(cut-off)에 따라 참/거짓(True/False) 라벨값을 결정하는 단계를 포함하는 전자의무기록과 약물/질환 네트워크 정보 기반의 신약 재창출 후보 예측 방법
|
2 |
2
제 1 항에 있어서,상기 a) 단계는 종래에 알려진 질병-치료약물의 연관관계를 이분 네트워크로 모델링하는 것으로, 질병-약물의 이분 네트워크는 N_s, N_t 와 e_ij의 집합 E={e11,
|
3 |
3
제 1 항 또는 제 2 항에 있어서,상기 b) 단계에서 임상정보 기반의 약물 및 질병연관 검체 정보를 추출하는 과정의 상기 임상정보는 전자의무기록(EMR: Electronic Medical Record)으로 환자의 진단 질병 및 투약 정보, 그리고 입원 기간중 검체정보를 포함하며, 상기 전자의무기록(EMR) 요소는 환자 아이디, 입퇴원 아이디, 입퇴원 정보, 진단 질병정보, 처방 정보, 검체 실시 정보(laboratory test order), 검체 결과 정보(laboratory test results)를 포함하는 것을 특징으로 하는 전자의무기록과 약물/질환 네트워크 정보 기반의 신약 재창출 후보 예측 방법
|
4 |
4
제 3 항에 있어서,상기 b) 단계에서 약물 연관 검체 정보는, 각 약물의 투여에 따른 검체 결과 값의 변화로서, 검체실험(laboratory test)의 종류(type of laboratory test)에 따라 아래 수학식 1과 같이 정의되는 것을 특징으로 하는 전자의무기록과 약물/질환 네트워크 정보 기반의 신약 재창출 후보 예측 방법
|
5 |
5
제 4 항에 있어서,상기 b) 단계에서 질병 연관 검체 정보는 아래 수학식 2와 같이 정의되는 것을 특징으로 하는 전자의무기록과 약물/질환 네트워크 정보 기반의 신약 재창출 후보 예측 방법
|
6 |
6
제 5 항에 있어서,상기 c) 단계는 임상정보 기반의 약물-약물 및 질병-질병 유사도 매트릭스를 구성하는 것으로, 상기 b) 단계에서 계산된 질병연관 검체 실험 결과 정보(Rkp,x)와 약물 연관 검체 실험 결과 정보(Fkd,p)를 k-번째 검체 실험 종류에 따라 계산하고, d-번째 약물 투여로 인한 검체 결과의 변화량(Fkd,p)과 d+1 번째 약물의 값의 분포 유사도 평가를 통해 아래 수학식 3과 같은 유사도 매트릭스를 구성하며, 동일한 방식으로 질병-질병의 유사도 매트릭스를 각 질병별 Rkp,x 값에 대한 wilcoxon rank sum test 결과(p-value)로 유사도를 측정하되, 상기 매트릭스는 각 k-번째 검체 실험 종류에 따라 생성되며, k-번째 검체 실험 종류에 따라 다양한 p-value 분포를 보이므로 c1) 유사도 매트릭스의 p-value 값을 0~1사이의 값을 가지는 정규화 된 랭킹수치(normalized rank value)로 변환 한 후, c2) k-번째 검체 실험 종류의 랭킹 수치 중 최상위 랭킹 값을 사용하여 통합하는 것을 특징으로 하는 전자의무기록과 약물/질환 네트워크 정보 기반의 신약 재창출 후보 예측 방법
|
7 |
7
제 6 항에 있어서,상기 d) 단계는 유사도 매트릭스에 따라 임상 정보 기반의 약물-질환 엣지(edge) 점수(P_c)를 계산하는 것으로, 상기 c) 단계의 과정에 따라 생선된 약물-약물 및 질병-질병 유사도 매트릭스와 상기 a) 단계의 과정에서 모델링된 약물-질병 이분네트워크 정보를 통해 계산하며, 아래 수학식 4와 같이 정의되는 것을 특징으로 하는 전자의무기록과 약물/질환 네트워크 정보 기반의 신약 재창출 후보 예측 방법
|
8 |
8
제 7 항에 있어서,상기 g) 단계는 유사도 매트릭스에 따라 유전체 정보 기반의 약물-질환 엣지(edge) 점수(P_g)를 계산하는 것으로, 상기 f) 단계의 과정에 따라 생성 된 약물-약물 및 질병-질병 유사도 매트릭스와 상기 a) 단계의 과정에서 모델링된 약물-질병 이분네트워크 정보를 통해 계산되며, 아래 수학식 7과 같이 정의되는 것을 특징으로 하는 전자의무기록과 약물/질환 네트워크 정보 기반의 신약 재창출 후보 예측 방법
|
9 |
9
제 8 항에 있어서,상기 h) 단계는 임상 및 유전체 정보 기반 약물-질병 엣지 접수 계산하여 통합하는 것으로 상기 d) 단계와 상기 g) 단계에서 계산 된, P_c 와 P_g 값을 통합하여 최종 엣지 점수 f(e_ij)를 계산하며, 아래 수학식 8과 같이 정의되는 것을 특징으로 하는 전자의무기록과 약물/질환 네트워크 정보 기반의 신약 재창출 후보 예측 방법
|
10 |
10
제 9 항에 있어서,상기 i) 단계는 기준 값(θ)에 따른 약물-질병 엣지 라벨의 참/거짓 결정하는 것으로 상기 h) 단계에서 계산된 f(e_ij)는 연속 값을 가지므로, 기준 값(θ)에 따라 f(e_ij)의 라벨의 참-거짓(True/False)을 결정하며, 아래 수학식 9와 같이 정의되는 것을 특징으로 하는 전자의무기록과 약물/질환 네트워크 정보 기반의 신약 재창출 후보 예측 방법
|