1 |
1
결합 친화성 예측 장치가 수행하는 결합 친화성 예측 방법에 있어서,학습 대상 MHC(Major Histocompatibility Complex)와 학습 대상 펩타이드(Peptide) 사이의 결합 친화성을 나타내는 데이터를 획득하되, 상기 데이터는 상기 학습 대상 MHC에 포함된 아미노산의 서열 데이터, 상기 학습 대상 펩타이드에 포함된 아미노산의 서열 데이터 및 상기 학습 대상 MHC와 상기 학습 대상 펩타이드 사이의 결합 친화성 데이터를 포함하는 것인, 단계;상기 학습 대상 MHC에 포함된 아미노산 및 상기 학습 대상 펩타이드에 포함된 아미노산으로 구성된 아미노산 쌍의 특성 값을 결정하는 단계;상기 아미노산 쌍의 특성 값을 픽셀 값으로 갖는 학습 대상 이미지를 생성하되, 상기 학습 대상 이미지는 제1 축 및 제2 축에 의하여 형성되는 평면 상에서 생성되는 것이고, 상기 학습 대상 이미지의 제1 축은 상기 학습 대상 MHC에 포함된 각 아미노산을 가리키고, 상기 제2 축은 상기 학습 대상 펩타이드에 포함된 각 아미노산을 가리키는 것인, 단계;상기 학습 대상 이미지 및 상기 결합 친화성 데이터가 포함된 학습 데이터셋을 기계 학습하여 컨볼루션 신경망(Convolutional Neural Network) 기반의 결합 친화성 예측 모델을 구축하는 단계; 및상기 구축된 결합 친화성 예측 모델을 이용하여, 예측 대상 MHC와 예측 대상 펩타이드 사이의 결합 친화성을 예측하는 단계를 포함하되,상기 결합 친화성 예측 모델은 입력된 이미지에서 특성 맵을 추출하는 컨볼루션 레이어, 서브 샘플링 연산을 통해 상기 추출된 특성 맵의 크기를 줄이는 풀링 레이어 및 결합 친화성에 관한 예측 값을 출력하는 출력 레이어를 포함하는 것을 특징으로 하는,결합 친화성 예측 방법
|
2 |
2
삭제
|
3 |
3
제1 항에 있어서,상기 아미노산 쌍의 특성 값은 제1 특성 값 및 제2 특성 값을 포함하고,상기 아미노산 쌍의 특성 값을 결정하는 단계는,상기 학습 대상 MHC에 포함된 아미노산의 물리화학적 특성을 이용하여 상기 제1 특성 값을 결정하는 단계; 및상기 학습 대상 펩타이드에 포함된 아미노산의 물리화학적 특성을 이용하여 상기 제2 특성 값을 결정하는 단계를 포함하는,결합 친화성 예측 방법
|
4 |
4
제3 항에 있어서,상기 학습 대상 MHC에 포함된 아미노산의 물리화학적 특성 및 상기 학습 대상 펩타이드에 포함된 아미노산의 물리화학적 특성은 방향족성을 포함하는,결합 친화성 예측 방법
|
5 |
5
제1 항에 있어서,상기 아미노산 쌍의 특성 값은 k개(단, k는 2이상의 자연수)의 특성 값을 포함하고,상기 아미노산 쌍의 특성 값을 픽셀 값으로 갖는 학습 대상 이미지를 생성하는 단계는,상기 k개의 특성 값을 이용하여 복수의 채널을 갖는 학습 대상 이미지를 생성하는 단계를 포함하는,결합 친화성 예측 방법
|
6 |
6
제5 항에 있어서,상기 k개의 특성 값을 이용하여 복수의 채널을 갖는 학습 대상 이미지를 생성하는 단계는,상기 k개의 특성 값을 기초로 주성분 분석(Principal Component Analysis)을 수행하여 m개(단, m은 1이상 k 미만의 자연수)의 특성 값을 산출하는 단계; 및상기 m개의 특성 값을 각 픽셀의 값으로 할당하여 m개의 채널을 갖는 학습 대상 이미지를 생성하는 단계를 포함하는,결합 친화성 예측 방법
|
7 |
7
제1 항에 있어서,상기 결합 친화성을 예측하는 단계는,상기 예측 대상 MHC에 포함된 아미노산 및 상기 예측 대상 펩타이드에 포함된 아미노산으로 구성된 아미노산 쌍의 특성 값을 결정하고, 상기 아미노산 쌍의 특성 값을 픽셀 값으로 갖는 예측 대상 이미지를 생성하는 단계; 및상기 예측 대상 이미지를 상기 결합 친화성 예측 모델에 적용하여 상기 예측 대상 MHC와 상기 예측 대상 펩타이드 사이의 결합 친화성을 예측하는 단계를 포함하는,결합 친화성 예측 방법
|
8 |
8
제1 항에 있어서,상기 컨볼루션 신경망 기반의 결합 친화성 예측 모델을 구축하는 단계는,상기 학습 데이터셋을 기계 학습하여 복수의 후보 결합 친화성 예측 모델을 구축하되, 상기 복수의 후보 결합 친화성 예측 모델 각각은 서로 적어도 일부는 상이한 파라미터 값을 갖는 것인, 단계;k-접합 교차 검증을 통해 상기 복수의 후보 결합 친화성 예측 모델 각각에 대한 제1 평균 정확도를 산출하는 단계;상기 복수의 후보 결합 친화성 예측 모델 중에서 상기 제1 평균 정확도가 제1 임계치 미만인 후보 결합 친화성 예측 모델을 선정하는 단계;상기 선정된 후보 결합 친화성 예측 모델의 파라미터 값을 변경하고 상기 학습 데이터셋을 다시 기계 학습하여, 후보 결합 친화성 예측 모델을 재구축하는 단계;k-접합 교차 검증을 통해 상기 재구축된 후보 결합 친화성 예측 모델에 대한 제2 평균 정확도 산출하는 단계; 및상기 재구축된 후보 결합 친화성 예측 모델과 상기 제1 평균 정확도가 상기 제1 임계치 이상인 후보 결합 친화성 예측 모델 중에서, 평균 정확도가 제2 임계치 이상이 되는 모델을 상기 결합 친화성 예측 모델로 결정하는 단계를 포함하는 것을 특징으로 하는,결합 친화성 예측 방법
|
9 |
9
프로세서;상기 프로세서에 의하여 수행되는 컴퓨터 프로그램을 로드(Load)하는 메모리; 및상기 컴퓨터 프로그램을 저장하는 스토리지를 포함하되,상기 컴퓨터 프로그램은,학습 대상 MHC와 학습 대상 펩타이드 사이의 결합 친화성을 나타내는 데이터를 획득하되, 상기 데이터는 상기 학습 대상 MHC에 포함된 아미노산의 서열 데이터, 상기 학습 대상 펩타이드에 포함된 아미노산의 서열 데이터 및 상기 학습 대상 MHC와 상기 학습 대상 펩타이드 사이의 결합 친화성 데이터를 포함하는 것인, 오퍼레이션;상기 학습 대상 MHC에 포함된 아미노산 및 상기 학습 대상 펩타이드에 포함된 아미노산으로 구성된 아미노산 쌍의 특성 값을 결정하는 오퍼레이션;상기 아미노산 쌍의 특성 값을 픽셀 값으로 갖는 학습 대상 이미지를 생성하되, 상기 학습 대상 이미지는 제1 축 및 제2 축에 의하여 형성되는 평면 상에서 생성되는 것이고, 상기 학습 대상 이미지의 제1 축은 상기 학습 대상 MHC에 포함된 각 아미노산을 가리키고, 상기 제2 축은 상기 학습 대상 펩타이드에 포함된 각 아미노산을 가리키는 것인, 오퍼레이션;상기 학습 대상 이미지 및 상기 결합 친화성 데이터가 포함된 학습 데이터셋을 기계 학습하여 컨볼루션 신경망(Convolutional Neural Network) 기반의 결합 친화성 예측 모델을 구축하는 오퍼레이션; 및상기 구축된 결합 친화성 예측 모델을 이용하여, 예측 대상 MHC와 예측 대상 펩타이드 사이의 결합 친화성을 예측하는 오퍼레이션을 포함하고,상기 결합 친화성 예측 모델은 입력된 이미지에서 특성 맵을 추출하는 컨볼루션 레이어, 서브 샘플링 연산을 통해 상기 추출된 특성 맵의 크기를 줄이는 풀링 레이어 및 결합 친화성에 관한 예측 값을 출력하는 출력 레이어를 포함하는 것을 특징으로 하는,결합 친화성 예측 장치
|
10 |
10
삭제
|
11 |
11
제9 항에 있어서,상기 아미노산 쌍의 특성 값은 제1 특성 값 및 제2 특성 값을 포함하고,상기 아미노산 쌍의 특성 값을 결정하는 오퍼레이션은,상기 학습 대상 MHC에 포함된 아미노산의 물리화학적 특성을 이용하여 상기 제1 특성 값을 결정하는 오퍼레이션; 및상기 학습 대상 펩타이드에 포함된 아미노산의 물리화학적 특성을 이용하여 상기 제2 특성 값을 결정하는 오퍼레이션을 포함하는,결합 친화성 예측 장치
|
12 |
12
제11 항에 있어서,상기 학습 대상 MHC에 포함된 아미노산의 물리화학적 특성 및 상기 학습 대상 펩타이드에 포함된 아미노산의 물리화학적 특성은 방향족성을 포함하는,결합 친화성 예측 장치
|
13 |
13
제9 항에 있어서,상기 결합 친화성을 예측하는 오퍼레이션은,상기 예측 대상 MHC에 포함된 아미노산 및 상기 예측 대상 펩타이드에 포함된 아미노산으로 구성된 아미노산 쌍의 특성 값을 결정하고, 상기 아미노산 쌍의 특성 값을 픽셀 값으로 갖는 예측 대상 이미지를 생성하는 오퍼레이션; 및상기 예측 대상 이미지를 상기 결합 친화성 예측 모델에 적용하여 상기 예측 대상 MHC와 상기 예측 대상 펩타이드 사이의 결합 친화성을 예측하는 오퍼레이션을 포함하는,결합 친화성 예측 장치
|
14 |
14
컴퓨팅 장치와 결합되어,학습 대상 MHC와 학습 대상 펩타이드 사이의 결합 친화성을 나타내는 데이터를 획득하되, 상기 데이터는 상기 학습 대상 MHC에 포함된 아미노산의 서열 데이터, 상기 학습 대상 펩타이드에 포함된 아미노산의 서열 데이터 및 상기 학습 대상 MHC와 상기 학습 대상 펩타이드 사이의 결합 친화성 데이터를 포함하는 것인, 단계;상기 학습 대상 MHC에 포함된 아미노산 및 상기 학습 대상 펩타이드에 포함된 아미노산으로 구성된 아미노산 쌍의 특성 값을 결정하는 단계;상기 아미노산 쌍의 특성 값을 픽셀 값으로 갖는 학습 대상 이미지를 생성하되, 상기 학습 대상 이미지는 제1 축 및 제2 축에 의하여 형성되는 평면 상에서 생성되는 것이고, 상기 학습 대상 이미지의 제1 축은 상기 학습 대상 MHC에 포함된 각 아미노산을 가리키고, 상기 제2 축은 상기 학습 대상 펩타이드에 포함된 각 아미노산을 가리키는 것인, 단계;상기 학습 대상 이미지 및 상기 결합 친화성 데이터가 포함된 학습 데이터셋을 기계 학습하여 컨볼루션 신경망(Convolutional Neural Network) 기반의 결합 친화성 예측 모델을 구축하는 단계; 및상기 구축된 결합 친화성 예측 모델을 이용하여, 예측 대상 MHC와 예측 대상 펩타이드 사이의 결합 친화성을 예측하는 단계를 실행시키되,상기 결합 친화성 예측 모델은 입력된 이미지에서 특성 맵을 추출하는 컨볼루션 레이어, 서브 샘플링 연산을 통해 상기 추출된 특성 맵의 크기를 줄이는 풀링 레이어 및 결합 친화성에 관한 예측 값을 출력하는 출력 레이어를 포함하는, 컴퓨터로 판독가능한 기록매체에 저장된,컴퓨터 프로그램
|