| 1 |
1
하기의 단계를 포함하는 딥러닝을 이용한 화합물의 의약 효과 예측 방법:의약 물질 데이터를 획득하는 데이터 획득 단계;획득한 의약 물질 데이터로부터 피쳐 (features) 데이터를 생성하는 피쳐 생성 단계;피쳐 데이터로 인풋 레이어, 히든 레이어 및 아웃풋 레이어를 포함하는 신경망 모델을 학습시키는 학습 단계; 및화합물 데이터를 신경망 모델에 적용하여 화합물의 의약 효과를 예측하는 예측 단계
|
| 2 |
2
제1항에 있어서, 상기 피쳐 데이터는 고정-길이 숫자 벡터 형식 (fixed-length numeric vector form)을 갖는 것인, 의약 효과 예측 방법
|
| 3 |
3
제1항에 있어서, 상기 피쳐 데이터는 잠재 지식 피쳐 (Latent knowledge features), 분자간 상호작용 피쳐 (Molecular interaction features) 및 화학적 특성 피쳐 (Chemical property features)를 포함하는 것인, 의약 효과 예측 방법
|
| 4 |
4
제3항에 있어서, 상기 잠재 지식 피쳐는 단어 임베딩 (word embedding)을 통해 생성되는 것인, 의약 효과 예측 방법
|
| 5 |
5
제4항에 있어서, 상기 단어 임베딩은 Word2vec, AdaGram, fastText 및 Doc2vec로 이루어진 군으로부터 선택되는 1종 이상을 이용하여 수행되는 것인, 의약 효과 예측 방법
|
| 6 |
6
제3항에 있어서, 상기 분자간 상호작용 피쳐는 획득한 화합물 데이터 및 의약 물질 데이터로부터 단백질간 상호작용 (Protein-Protein Interaction; PPI) 네트워크를 구축하고, RWR (Random Walk with Restart) 알고리즘을 적용하여 생성되는 것인, 의약 효과 예측 방법
|
| 7 |
7
제3항에 있어서, 상기 화학적 특성 피쳐는 SwissADME을 통해 생성되는 것인, 의약 효과 예측 방법
|
| 8 |
8
제1항에 있어서, 상기 히든 레이어는 부분연결 레이어 (partially connected layer) 및 완전연결 레이어 (fully connected layer)를 포함하고,상기 신경망 모델은 인풋 레이어, 부분연결 레이어, 완전연결 레이어 및 아웃풋 레이어 순으로 배치되는 것인, 의약 효과 예측 방법
|
| 9 |
9
제1항에 있어서, 상기 히든 레이어는 정류된 선형 유닛 (Rectified Linear Unit; ReLU) 및 배치 정규화 (batch normalization) 함수를 포함하는 것인, 의약 효과 예측 방법
|
| 10 |
10
제1항에 있어서, 상기 화합물 데이터는 한국전통지식포탈 (Korea Traditional Knowledge Portal; KTKP), TCMID (Traditional Chinese Medicine Integrated Database), COCONUT (Compound Combination-Oriented Natural Product Database with Unified Terminology) 및 FooDB (The Food Database)로 이루어진 군으로부터 선택되는 1종 이상의 데이터베이스로부터 획득하는 것인, 의약 효과 예측 방법
|
