| 1 |
1
(a) 유전자 데이터 및 비-유전자 데이터를 포함하는 환자(q명) 데이터를 수신하는 단계;(b) 상기 비-유전자 데이터와의 연관성이 공지된 질병 관련 유전자를 선별하는 단계;(c) 상기 선별된 질병 관련 유전자 및 이와 유전자 네트워크를 형성하는 유전자군으로 상기 환자(q명)의 유전자 데이터를 필터링하는 단계;(d) 상기 필터링된 유전자 데이터(p개)와 상기 환자(q명)를 행렬 형태로 변환하여 NMF (Non-negative matrix factorization) 제1입력행렬(p × q)을 생성하는 단계;(e) 상기 제1입력행렬(p × q)로부터 1개 내지 p개의 모든 유전자 조합에 따른 각각의 제2입력행렬을 생성한 후, 상기 각각의 제2입력행렬 내 임의의 값을 결측치로 처리하고 랭크(rank)값 r의 NMF를 수행하여 유전자 매트릭스와 환자 매트릭스로 차원 축소하는 단계; (f) 상기 유전자 매트릭스와 환자 매트릭스를 재결합하여 생성된 상기 결측치에 대한 복원값을 상기 제2입력행렬 내 대응되는 원본값과 비교하여 가장 낮은 오차를 나타내는 유전자(N개) 조합 및 랭크값(r)을 선별하고, 이의 NMF 데이터(N × r, r × q)를 산출하는 단계;(g) 상기 산출된 NMF 데이터에서 r Х q 행렬 및 상기 환자(q명)의 비-유전자 데이터를 이용하여 예측모델을 생성하는 단계; 및(h) 상기 생성된 예측모델의 성능을 평가하는 단계를 포함하는, 질병 관련 메타유전자(meta-gene) 생성 방법
|
| 2 |
2
제1항에 있어서, 상기 (a) 단계의 유전자 데이터는 환자로부터 제공된 생물학적 시료에서 분석된 유전자 발현량 데이터인 것을 특징으로 하는 질병 관련 메타유전자 생성 방법
|
| 3 |
3
제1항에 있어서, 상기 비-유전자 데이터는, 환자의 질병 진단 데이터, 질병 예후 데이터 및 약물 반응성 데이터로 이루어진 군에서 선택되는 것을 특징으로 하는 질병 관련 메타유전자 생성 방법
|
| 4 |
4
제3항에 있어서, 상기 비-유전자 데이터는 수치화된 데이터인 것을 특징으로 하는 질병 관련 메타유전자 생성 방법
|
| 5 |
5
제1항에 있어서, 상기 (b) 단계의 질병 관련 유전자는 유전자의 발현량과 비-유전자 데이터 사이에 양의 상관관계 또는 음의 상관관계가 존재하는 것으로 공지된 유전자인 것을 특징으로 하는 질병 관련 메타유전자 생성 방법
|
| 6 |
6
제1항에 있어서, 상기 (c) 단계에서 질병 관련 유전자와 유전자 네트워크를 형성하는 유전자군은 유전자의 기능적 링크(functional link)를 포함하는 네트워크 내에서 상기 질병 관련 유전자의 생물학적 경로(biological pathway)와 관련된 유전자 집단인 것을 특징으로 하는 질병 관련 메타유전자 생성 방법
|
| 7 |
7
제1항에 있어서, 상기 (c) 단계의 질병 관련 유전자와 유전자 네트워크를 형성하는 유전자군은 하기 단계를 포함하는 방법에 의해 선별되는 것을 특징으로 하는 질병 관련 메타유전자 생성 방법:(c1) 상기 질병 관련 유전자와 동일한 분자생리학적 기능을 나타내는 유전자군; 상기 질병 관련 유전자와 단백질-단백질 상호작용을 하는 것으로 공지된 유전자군; 및 상기 질병 관련 유전자와 연관성이 공지된 비-유전자 데이터에 동일한 연관성을 나타내는 유전자군으로 이루어진 군에서 선택된 1종 이상의 유전자군을 선별하는 단계; 및(c2) 상기 (c1) 단계에서 선별된 유전자군과 유전자 네트워크를 형성하는 유전자군을 선별하는 단계
|
| 8 |
8
제1항에 있어서, (f) 단계에서 오차는 결측치에 대한 복원값과 상기 입력행렬 내 대응되는 원본값 사이의 AE(Average Error), MAE(Mean absolute error), MAPE(Mean absolute percentage error), MAE(Mean squared error), MSE(Mean square error) 및 RMSE(root MSE)로 이루어진 군에서 선택된 지표에 따라 평가하는 것을 특징으로 하는 질병 관련 메타유전자 생성 방법
|
| 9 |
9
제1항에 있어서, 상기 (e)에서 p개 내지 1개의 유전자 조합을 그리디(greedy) 방법에 따라 순차적으로 NMF를 수행하고, 상기 (f) 단계에서 결측치에 대한 복원값이 원본값과 비교하여 가장 낮은 오차를 나타내는 유전자 조합 및 이의 NMF 데이터를 선별하는 것을 특징으로 하는 질병 관련 메타유전자 생성 방법
|
| 10 |
10
제1항 내지 제9항 중 어느 한 항에 따른 방법을 수행하기 위한 프로그램이 기록되는, 컴퓨터 판독 가능한 기록 매체
|
| 11 |
11
(a) 유전자 데이터 및 비-유전자 데이터를 포함하는 환자(q명) 데이터를 수신하는 데이터 수신부;(b) 상기 비-유전자 데이터와의 연관성이 공지된 질병 관련 유전자가 입력되는 입력부;(c) 상기 선별된 질병 관련 유전자 및 이와 유전자 네트워크를 형성하는 유전자군으로 상기 환자(q명)의 유전자 데이터를 필터링하는 필터링부;(d) 상기 필터링된 유전자 데이터(p개)와 상기 환자(q명)를 행렬 형태로 변환하여 NMF (Non-negative matrix factorization) 제1입력행렬(p × q)을 생성하는 입력행렬 생성부; (e) 상기 제1입력행렬(p × q)로부터 1개 내지 p개의 모든 유전자 조합에 따른 각각의 제2입력행렬을 생성한 후, 상기 각각의 제2입력행렬 내 임의의 값을 결측치로 처리하고 랭크(rank)값 r의 NMF를 수행하여 유전자 매트릭스와 환자 매트릭스로 차원 축소하는 NMF 연산부; (f) 상기 유전자 매트릭스와 환자 매트릭스를 재결합하여 생성된 상기 결측치에 대한 복원값을 상기 제2입력행렬 내 대응되는 원본값과 비교하여 가장 낮은 오차를 나타내는 유전자(N개) 조합 및 랭크값(r)을 선별하고, 이의 NMF 데이터(N × r, r × q)를 산출하여 출력하는 출력부; (g) 상기 산출된 NMF 데이터에서 r × q 행렬 및 상기 환자(q명)의 비-유전자 데이터를 이용하여 예측모델을 생성하는 예측모델 생성부; 및(h) 상기 생성된 예측모델의 성능을 평가하는 검증부를 포함하는, 질병 관련 메타유전자 생성 장치
|
| 12 |
12
제11항에 있어서, 상기 필터링부는 상기 질병 관련 유전자와 관련된 도메인 지식을 검색하는 검색부를 더 포함하는 것을 특징으로 하는 질병 관련 메타유전자 생성 장치
|
| 13 |
13
제12항에 있어서, 상기 필터링부는 상기 검색된 도메인 지식에 따라 상기 질병 관련 유전자와 동일한 분자생리학적 기능을 나타내는 유전자군; 상기 질병 관련 유전자와 단백질-단백질 상호작용을 하는 것으로 공지된 유전자군; 및 상기 질병 관련 유전자와 연관성이 공지된 비-유전자 데이터에 동일한 연관성을 나타내는 유전자군으로 이루어진 군에서 선택된 1종 이상의 유전자군을 상기 질병 관련 유전자와 유전자 네트워크를 형성하는 유전자군으로 선별하는 유전자 네트워크 선별부를 더 포함하는 것을 특징으로 하는 질병 관련 메타유전자 생성 장치
|
| 14 |
14
(a) 유전자 데이터 및 비-유전자 데이터를 포함하는 환자(q명) 데이터, 및 피검체(t명)명의 유전자 데이터를 수신하는 단계;(b) 상기 비-유전자 데이터와의 연관성이 공지된 질병 관련 유전자를 선별하는 단계;(c) 상기 선별된 질병 관련 유전자 및 이와 유전자 네트워크를 형성하는 유전자군으로 상기 환자(q명)의 유전자 데이터를 필터링하는 단계;(d) 상기 필터링된 유전자 데이터(p개)와 상기 환자(q명)를 행렬 형태로 변환하여 NMF (Non-negative matrix factorization) 제1입력행렬(p × q)을 생성하는 단계;(e) 상기 제1입력행렬(p × q)로부터 1개 내지 p개의 모든 유전자 조합에 따른 각각의 제2입력행렬을 생성한 후, 상기 각각의 제2입력행렬 내 임의의 값을 결측치로 처리하고 랭크(rank)값 r의 NMF를 수행하여 유전자 매트릭스와 환자 매트릭스로 차원 축소하는 단계; (f) 상기 유전자 매트릭스와 환자 매트릭스를 재결합하여 생성된 상기 결측치에 대한 복원값을 상기 제2입력행렬 내 대응되는 원본값과 비교하여 가장 낮은 오차를 나타내는 유전자(N개) 조합 및 랭크값(r)을 선별하는 단계; (g) 상기 환자(q명) 및 상기 피검체(t명)의 유전자 데이터를 병합한 후 상기 N개의 유전자로 필터링하여 입력행렬(N × (q + t))을 생성하는 단계;(h) 상기 입력행렬에 대해 랭크(rank)값 r의 NMF를 수행하여 NMF 데이터(N × r, r × (q + t))를 산출하는 단계;(i) 상기 (h) 단계에서 산출된 NMF 데이터에서 r × q 행렬 및 상기 환자(q명)의 비-유전자 데이터를 이용하여 예측모델을 생성하는 단계;(j) 상기 (h) 단계에서 산출된 r × t 행렬을 상기 예측모델의 입력 값으로 하여 상기 피검체(t명)의 비-유전자 데이터를 출력하는 단계를 포함하는, 피검체의 질병 관련 비-유전자 데이터 예측 방법
|
| 15 |
15
제14항에 있어서, 상기 (i) 단계 이후에 상기 예측모델의 성능을 평가하는 단계를 추가로 수행하는 것을 특징으로 하는, 피검체의 질병 관련 비-유전자 데이터 예측 방법
|
| 16 |
16
(a) 유전자 데이터 및 비-유전자 데이터를 포함하는 환자(q명) 데이터, 및 피검체(t명)명의 유전자 데이터를 수신하는 단계;(b) 상기 비-유전자 데이터와의 연관성이 공지된 질병 관련 유전자를 선별하는 단계;(c) 상기 선별된 질병 관련 유전자 및 이와 유전자 네트워크를 형성하는 유전자군으로 상기 환자(q명)의 유전자 데이터를 필터링하는 단계;(d) 상기 필터링된 유전자 데이터(p개)와 상기 환자(q명)를 행렬 형태로 변환하여 NMF (Non-negative matrix factorization) 제1입력행렬(p × q)을 생성하는 단계;(e) 상기 제1입력행렬(p × q)로부터 1개 내지 p개의 모든 유전자 조합에 따른 각각의 제2입력행렬을 생성한 후, 상기 각각의 제2입력행렬 내 임의의 값을 결측치로 처리하고 랭크(rank)값 r의 NMF를 수행하여 유전자 매트릭스와 환자 매트릭스로 차원 축소하는 단계; (f) 상기 유전자 매트릭스와 환자 매트릭스를 재결합하여 생성된 상기 결측치에 대한 복원값을 상기 제2입력행렬 내 대응되는 원본값과 비교하여 가장 낮은 오차를 나타내는 유전자(N개) 조합 및 랭크값(r)을 선별하고, 이의 NMF 데이터(N × r, r × q)를 산출하는 단계; (g) 상기 산출된 NMF 데이터에서 r × q 행렬 및 상기 환자(q명)의 비-유전자 데이터를 이용하여 예측모델을 생성하는 단계; (h) 상기 환자(q명) 및 상기 피검체(t명)의 유전자 데이터를 병합한 후 상기 N개의 유전자로 필터링하여 입력행렬(N × (q + t))을 생성하는 단계;(i) 상기 (h) 단계에서 생성된 입력행렬(N × (q + t))에 대해 랭크(rank)값 r의 NMF를 수행하여 NMF 데이터(N × r, r × (q + t))를 산출하는 단계; 및(j) 상기 (i) 단계에서 산출된 NMF 데이터에서 r × t 행렬을 상기 (g) 단계에서 생성된 예측모델의 입력 값으로 하여 상기 피검체(t명)의 비-유전자 데이터를 출력하는 단계를 포함하는, 피검체의 질병 관련 비-유전자 데이터 예측 방법
|
| 17 |
17
제16항에 있어서, 상기 (g) 단계 이후에 상기 예측모델의 성능을 평가하는 단계를 추가로 수행하는 것을 특징으로 하는, 피검체의 질병 관련 비-유전자 데이터 예측 방법
|
