1 |
1
n(n은 5이상의 자연수)개의 약물들 각각에 대해, 나머지 n-1개의 약물들과의 분자 구조에 대한 n-1개의 제1 유사도 값, 표적 유전자에 대한 n-1개의 제2 유사도 값 및 유전자 온톨리지에 대한 n-1개의 제3 유사도 값이 사전 측정되어 저장되어 있는 유사도 저장부;m(m은 n보다 작은 3이상의 자연수)개의 약물들 - 상기 m개의 약물들은 상기 n개의 약물들에 포함되는 약물임 - 로부터 조합 가능한 모든 약물 쌍(pair)들에 대해, 사전 설정된 서로 다른 종류의 k(k는 2이상의 자연수)개의 약물 혼용 효과들에 대한 결과 값 - 상기 결과 값은 두 약물 간에 효과가 있는 경우 1로, 효과가 없는 경우 0으로 사전 결정된 값임 - 이 대응되어 저장되어 있는 결과 값 저장부;상기 m개의 약물들 중 어느 두 약물인 제1 약물과 제2 약물 각각에 대한 n-1개의 상기 제1 유사도 값을 성분으로 갖는 제1 유사도 벡터를 연접(Concatenation)하여 2(n-1)차원의 제1 혼합 벡터를 생성하는 제1 혼합 벡터 생성부;상기 제1 약물과 상기 제2 약물 각각에 대한 n-1개의 상기 제2 유사도 값을 성분으로 갖는 제2 유사도 벡터를 연접하여 2(n-1)차원의 제2 혼합 벡터를 생성하는 제2 혼합 벡터 생성부;상기 제1 약물과 상기 제2 약물 각각에 대한 n-1개의 상기 제3 유사도 값을 성분으로 갖는 제3 유사도 벡터를 연접하여 2(n-1)차원의 제3 혼합 벡터를 생성하는 제3 혼합 벡터 생성부;상기 제1 혼합 벡터, 상기 제2 혼합 벡터, 상기 제3 혼합 벡터 각각을 서로 다른 오토인코더(Autoencoder)에 입력으로 인가하여 벡터 차원 축소를 수행함으로써, 상기 제1 혼합 벡터에 대한 제1 축소 벡터, 상기 제2 혼합 벡터에 대한 제2 축소 벡터 및 상기 제3 혼합 벡터에 대한 제3 축소 벡터를 생성하는 벡터 변환부;상기 제1 축소 벡터, 상기 제2 축소 벡터 및 상기 제3 축소 벡터를 연접하여 입력 벡터를 생성하는 입력 벡터 생성부;상기 입력 벡터를 심층 신경망에 입력으로 인가하여 k차원의 출력 벡터를 생성하는 출력 생성부; 및상기 결과 값 저장부로부터 상기 제1 약물과 상기 제2 약물 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값을 확인한 후 상기 k차원의 출력 벡터의 성분인 k개의 출력 값들을 상기 제1 약물과 상기 제2 약물 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값에 하나씩 매칭시켜, 상기 k개의 출력 값들과 각 출력 값에 매칭된 결과 값을 비교함으로써, 상기 오토인코더와 상기 심층 신경망을 기계학습시키는 기계학습 수행부를 포함하는 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치
|
2 |
2
제1항에 있어서,상기 기계학습 수행부는상기 k개의 출력 값들을 사전 설정된 활성화 함수(Activation Function) - 상기 활성화 함수는 입력 값을 0~1 사이의 값으로 변환하는 함수임 - 에 입력으로 인가하여 상기 k개의 출력 값들 각각에 대한 변환 값을 생성하는 변환부; 및상기 k개의 출력 값들 각각에 대한 변환 값이 각 출력 값에 매칭된 결과 값에 최대로 근접하도록 상기 오토인코더와 상기 심층 신경망에 대한 기계학습을 수행하는 학습 처리부를 포함하는 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치
|
3 |
3
제2항에 있어서,상기 학습 처리부는상기 k개의 출력 값들 각각에 대한 변환 값과 각 출력 값에 매칭된 결과 값을 기초로 사전 설정된 손실 함수(Loss Function)를 기반으로 한 손실 값을 연산하고, 상기 손실 값이 최소가 되도록 상기 오토인코더와 상기 심층 신경망에 대한 기계학습을 수행하는 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치
|
4 |
4
제3항에 있어서,상기 학습 처리부는하기의 수학식 1의 연산에 따라 상기 손실 값을 연산하는 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치
|
5 |
5
제1항에 있어서,상기 m개의 약물들로부터 조합 가능한 모든 약물 쌍들에 대해 상기 오토인코더와 상기 심층 신경망을 기계학습시키기 위한 과정의 반복 수행을 제어하는 반복 수행 제어부를 더 포함하는 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치
|
6 |
6
제2항에 있어서,상기 오토인코더와 상기 심층 신경망에 대한 기계학습이 완료된 이후, 상기 n개의 약물들 중 제1 선택 약물과 제2 선택 약물이 선택되어, 상기 제1 선택 약물과 상기 제2 선택 약물 간의 혼용 효과의 예측 명령이 인가되면, 상기 제1 선택 약물과 상기 제2 선택 약물 각각에 대한 n-1개의 상기 제1 유사도 값을 성분으로 갖는 제1 유사도 벡터를 연접하여 2(n-1)차원의 제1 예측용 혼합 벡터를 생성하는 제1 예측용 혼합 벡터 생성부;상기 제1 선택 약물과 상기 제2 선택 약물 각각에 대한 n-1개의 상기 제2 유사도 값을 성분으로 갖는 제2 유사도 벡터를 연접하여 2(n-1)차원의 제2 예측용 혼합 벡터를 생성하는 제2 예측용 혼합 벡터 생성부;상기 제1 선택 약물과 상기 제2 선택 약물 각각에 대한 n-1개의 상기 제3 유사도 값을 성분으로 갖는 제3 유사도 벡터를 연접하여 2(n-1)차원의 제3 예측용 혼합 벡터를 생성하는 제3 예측용 혼합 벡터 생성부;상기 제1 예측용 혼합 벡터, 상기 제2 예측용 혼합 벡터, 상기 제3 예측용 혼합 벡터 각각을 기계학습이 완료된 서로 다른 상기 오토인코더에 입력으로 인가하여 벡터 차원 축소를 수행함으로써, 상기 제1 예측용 혼합 벡터에 대한 제1 예측용 축소 벡터, 상기 제2 예측용 혼합 벡터에 대한 제2 예측용 축소 벡터 및 상기 제3 예측용 혼합 벡터에 대한 제3 예측용 축소 벡터를 생성하는 예측용 벡터 변환부;상기 제1 예측용 축소 벡터, 상기 제2 예측용 축소 벡터 및 상기 제3 예측용 축소 벡터를 연접하여 예측용 입력 벡터를 생성하는 예측용 입력 벡터 생성부;상기 예측용 입력 벡터를 기계학습이 완료된 상기 심층 신경망에 입력으로 인가하여 k차원의 예측용 출력 벡터를 생성하는 예측용 출력 생성부;상기 k차원의 예측용 출력 벡터의 성분인 k개의 예측용 출력 값들을 상기 활성화 함수에 입력으로 인가하여 상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값을 생성하는 예측용 변환부; 및상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값을 상기 제1 선택 약물과 상기 제2 선택 약물 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값으로 하나씩 지정하고, 상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값 중 사전 설정된 기준치를 초과하는 예측용 변환 값을 확인한 후 상기 k개의 약물 혼용 효과들 중 상기 확인된 예측용 변환 값이 지정된 약물 혼용 효과를 상기 제1 선택 약물과 상기 제2 선택 약물 간의 약물 혼용 효과로 예측하는 약물 혼용 효과 예측부를 포함하는 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치
|
7 |
7
n(n은 5이상의 자연수)개의 약물들 각각에 대해, 나머지 n-1개의 약물들과의 분자 구조에 대한 n-1개의 제1 유사도 값, 표적 유전자에 대한 n-1개의 제2 유사도 값 및 유전자 온톨리지에 대한 n-1개의 제3 유사도 값이 사전 측정되어 저장되어 있는 유사도 저장부를 유지하는 단계;m(m은 n보다 작은 3이상의 자연수)개의 약물들 - 상기 m개의 약물들은 상기 n개의 약물들에 포함되는 약물임 - 로부터 조합 가능한 모든 약물 쌍(pair)들에 대해, 사전 설정된 서로 다른 종류의 k(k는 2이상의 자연수)개의 약물 혼용 효과들에 대한 결과 값 - 상기 결과 값은 두 약물 간에 효과가 있는 경우 1로, 효과가 없는 경우 0으로 사전 결정된 값임 - 이 대응되어 저장되어 있는 결과 값 저장부를 유지하는 단계;상기 m개의 약물들 중 어느 두 약물인 제1 약물과 제2 약물 각각에 대한 n-1개의 상기 제1 유사도 값을 성분으로 갖는 제1 유사도 벡터를 연접(Concatenation)하여 2(n-1)차원의 제1 혼합 벡터를 생성하는 단계;상기 제1 약물과 상기 제2 약물 각각에 대한 n-1개의 상기 제2 유사도 값을 성분으로 갖는 제2 유사도 벡터를 연접하여 2(n-1)차원의 제2 혼합 벡터를 생성하는 단계;상기 제1 약물과 상기 제2 약물 각각에 대한 n-1개의 상기 제3 유사도 값을 성분으로 갖는 제3 유사도 벡터를 연접하여 2(n-1)차원의 제3 혼합 벡터를 생성하는 단계;상기 제1 혼합 벡터, 상기 제2 혼합 벡터, 상기 제3 혼합 벡터 각각을 서로 다른 오토인코더(Autoencoder)에 입력으로 인가하여 벡터 차원 축소를 수행함으로써, 상기 제1 혼합 벡터에 대한 제1 축소 벡터, 상기 제2 혼합 벡터에 대한 제2 축소 벡터 및 상기 제3 혼합 벡터에 대한 제3 축소 벡터를 생성하는 단계;상기 제1 축소 벡터, 상기 제2 축소 벡터 및 상기 제3 축소 벡터를 연접하여 입력 벡터를 생성하는 단계;상기 입력 벡터를 심층 신경망에 입력으로 인가하여 k차원의 출력 벡터를 생성하는 단계; 및상기 결과 값 저장부로부터 상기 제1 약물과 상기 제2 약물 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값을 확인한 후 상기 k차원의 출력 벡터의 성분인 k개의 출력 값들을 상기 제1 약물과 상기 제2 약물 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값에 하나씩 매칭시켜, 상기 k개의 출력 값들과 각 출력 값에 매칭된 결과 값을 비교함으로써, 상기 오토인코더와 상기 심층 신경망을 기계학습시키는 단계를 포함하는 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치의 동작 방법
|
8 |
8
제7항에 있어서,상기 기계학습시키는 단계는상기 k개의 출력 값들을 사전 설정된 활성화 함수(Activation Function) - 상기 활성화 함수는 입력 값을 0~1 사이의 값으로 변환하는 함수임 - 에 입력으로 인가하여 상기 k개의 출력 값들 각각에 대한 변환 값을 생성하는 단계; 및상기 k개의 출력 값들 각각에 대한 변환 값이 각 출력 값에 매칭된 결과 값에 최대로 근접하도록 상기 오토인코더와 상기 심층 신경망에 대한 기계학습을 수행하는 단계를 포함하는 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치의 동작 방법
|
9 |
9
제8항에 있어서,상기 기계학습을 수행하는 단계는상기 k개의 출력 값들 각각에 대한 변환 값과 각 출력 값에 매칭된 결과 값을 기초로 사전 설정된 손실 함수(Loss Function)를 기반으로 한 손실 값을 연산하고, 상기 손실 값이 최소가 되도록 상기 오토인코더와 상기 심층 신경망에 대한 기계학습을 수행하는 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치의 동작 방법
|
10 |
10
제9항에 있어서,상기 기계학습을 수행하는 단계는하기의 수학식 1의 연산에 따라 상기 손실 값을 연산하는 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치의 동작 방법
|
11 |
11
제7항에 있어서,상기 m개의 약물들로부터 조합 가능한 모든 약물 쌍들에 대해 상기 오토인코더와 상기 심층 신경망을 기계학습시키기 위한 과정의 반복 수행을 제어하는 단계를 더 포함하는 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치의 동작 방법
|
12 |
12
제8항에 있어서,상기 오토인코더와 상기 심층 신경망에 대한 기계학습이 완료된 이후, 상기 n개의 약물들 중 제1 선택 약물과 제2 선택 약물이 선택되어, 상기 제1 선택 약물과 상기 제2 선택 약물 간의 혼용 효과의 예측 명령이 인가되면, 상기 제1 선택 약물과 상기 제2 선택 약물 각각에 대한 n-1개의 상기 제1 유사도 값을 성분으로 갖는 제1 유사도 벡터를 연접하여 2(n-1)차원의 제1 예측용 혼합 벡터를 생성하는 단계;상기 제1 선택 약물과 상기 제2 선택 약물 각각에 대한 n-1개의 상기 제2 유사도 값을 성분으로 갖는 제2 유사도 벡터를 연접하여 2(n-1)차원의 제2 예측용 혼합 벡터를 생성하는 단계;상기 제1 선택 약물과 상기 제2 선택 약물 각각에 대한 n-1개의 상기 제3 유사도 값을 성분으로 갖는 제3 유사도 벡터를 연접하여 2(n-1)차원의 제3 예측용 혼합 벡터를 생성하는 단계;상기 제1 예측용 혼합 벡터, 상기 제2 예측용 혼합 벡터, 상기 제3 예측용 혼합 벡터 각각을 기계학습이 완료된 서로 다른 상기 오토인코더에 입력으로 인가하여 벡터 차원 축소를 수행함으로써, 상기 제1 예측용 혼합 벡터에 대한 제1 예측용 축소 벡터, 상기 제2 예측용 혼합 벡터에 대한 제2 예측용 축소 벡터 및 상기 제3 예측용 혼합 벡터에 대한 제3 예측용 축소 벡터를 생성하는 단계;상기 제1 예측용 축소 벡터, 상기 제2 예측용 축소 벡터 및 상기 제3 예측용 축소 벡터를 연접하여 예측용 입력 벡터를 생성하는 단계;상기 예측용 입력 벡터를 기계학습이 완료된 상기 심층 신경망에 입력으로 인가하여 k차원의 예측용 출력 벡터를 생성하는 단계;상기 k차원의 예측용 출력 벡터의 성분인 k개의 예측용 출력 값들을 상기 활성화 함수에 입력으로 인가하여 상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값을 생성하는 단계; 및상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값을 상기 제1 선택 약물과 상기 제2 선택 약물 간의 상기 k개의 약물 혼용 효과들에 대한 결과 값으로 하나씩 지정하고, 상기 k개의 예측용 출력 값들 각각에 대한 예측용 변환 값 중 사전 설정된 기준치를 초과하는 예측용 변환 값을 확인한 후 상기 k개의 약물 혼용 효과들 중 상기 확인된 예측용 변환 값이 지정된 약물 혼용 효과를 상기 제1 선택 약물과 상기 제2 선택 약물 간의 약물 혼용 효과로 예측하는 단계를 포함하는 두 약물 간의 혼용 효과를 예측하기 위한 인공지능 기반의 예측모델을 생성할 수 있는 전자 장치의 동작 방법
|
13 |
13
제7항 내지 제12항 중 어느 한 항의 방법을 컴퓨터와의 결합을 통해 실행시키기 위한 컴퓨터 프로그램을 기록한 컴퓨터 판독 가능 기록 매체
|
14 |
14
제7항 내지 제12항 중 어느 한 항의 방법을 컴퓨터와의 결합을 통해 실행시키기 위한 저장매체에 저장된 컴퓨터 프로그램
|