1 |
1
단백질-표적 상호 작용을 예측하기 위한 방법에 있어서:로컬 잔류 패턴을 추출하기 위하여 프로세서에서 컨볼루션 신경망(convolution neural network)을 이용하여 단백질 서열을 학습하는 단계;약물 지문 패턴을 추출하기 위하여 상기 프로세서에서 제 1 완전 연결 계층(fully connected layer)을 통하여 약물 지문을 학습하는 단계;상기 프로세서에서 상기 로컬 잔류 패턴과 상기 약물 지문 패턴을 연접(concatenation)하는 단계; 및상기 프로세서에서 제 2 완전 연결 계층을 통하여 상기 연접된 패턴을 학습하는 단계를 포함하는 방법
|
2 |
2
제 1 항에 있어서,상기 단백질 서열을 학습하는 단계는,컨볼루션 계층(convolution layer)을 통하여 복수의 단백질 서열에 대한 로컬 서열 패턴(local residue pattern)을 학습하는 단계; 및맥스 풀링 계층(max pooling layer)을 통하여 상기 학습한 로컬 서열 패턴의 결과에서 최대값을 상기 로컬 잔류 패턴으로 추출하는 단계를 포함하는 방법
|
3 |
3
제 2 항에 있어서,상기 맥스 풀링 계층은 글로벌 맥스 풀링 계층(global max pooling layer)인 것을 특징으로 하는 방법
|
4 |
4
제 2 항에 있어서,상기 복수의 단백질 서열은 DrugBank, IUPHAR(International Union of Basic and Clinical Pharmacology), 및 KEGG(Kyoto Encyclopedia of Genes and Genomes) 을 통합하여 데이터베이스로부터 훈련되는 것을 특징으로 하는 방법
|
5 |
5
제 2 항에 있어서,상기 컨볼루션 계층의 크기는 사전에 결정된 단백질 서열의 크기(MPL)에서 창 크기(WS)를 뺀 값에 1을 더한 값인 것을 특징으로 하는 방법
|
6 |
6
제 5 항에 있어서,상기 단백질 서열을 학습하는 단계는,임베딩 계층을 통하여 상기 복수의 단백질 서열에 대한 삽입 벡터의 크기를 상기 사전에 결정된 단백질 서열의 크기(MPL)로 설정하는 단계를 더 포함하는 방법
|
7 |
7
제 1 항에 있어서,상기 프로세서에서 출력 계층을 통하여 단백질-표적 상호 작용에 대응하는 스코어를 발생하는 단계를 더 포함하는 방법
|
8 |
8
제 7 항에 있어서,상기 스코어를 발생하는 단계는,상기 로컬 잔류 패턴과 상기 약물 지문 패턴의 각각에 가중치를 설정하는 단계; 및상기 설정된 로컬 잔류 패턴과 상기 설정된 약물 지문 패턴을 입력으로 하는 활성화 함수를 활성시킴으로써 상기 스코어를 생성하는 단계를 포함하는 방법
|
9 |
9
제 8 항에 있어서,상기 활성화 함수는 sigmoid 함수 인 것을 특징으로 하는 방법
|
10 |
10
제 1 항에 있어서,학습 속도 혹은 창 크기를 교차 유효성 검사 중에 조정시키는 단계를 더 포함하는 방법
|