| 1 |
1
1) 기능성정보를 입력하여 기능성-단백질 데이터베이스로부터 연관된 단백질 목록을 추출하고 단백질의 세포 내 위치와 네트워크 중요도를 기반으로 기전 별 중요 표적 단백질을 선별하는 단계;2) 중요 표적 단백질을 조절하는 화합물의 특성 정보를 학습시킨 기계학습 기반 예측 모델을 이용하여 상기 표적 단백질을 조절하는 유효성분 후보를 도출하는 단계; 3) LD50 및 간독성 여부를 기반으로 상기 유효성분 후보의 안전성을 평가하는 단계; 및 4) 상기 안전성이 확보된 최종 유효성분의 식품 소재 활용 가능성을 평가하여 유효성분을 함유하는 식품 소재를 추출하는 단계;를 포함하는 것을 특징으로 하는, 컴퓨팅 장치에 의해 수행되는 기능성 기전 별 유효성분 및 식품 소재 예측 방법
|
| 2 |
2
제1항에 있어서,상기 식품은 맞춤형 식품 또는 건강기능식품인 것을 특징으로 하는, 기능성 기전 별 유효성분 및 식품 소재 예측 방법
|
| 3 |
3
삭제
|
| 4 |
4
제1항에 있어서,상기 기능성-단백질 데이터베이스는 기구축한 통합 데이터베이스로부터 추출한 질환 연관 단백질 및 유전자 정보를 포함하는 것을 특징으로 하는, 기능성 기전 별 유효성분 및 식품 소재 예측 방법
|
| 5 |
5
삭제
|
| 6 |
6
제1항에 있어서,상기 세포내 위치는 세포외, 원형질막, 세포질 또는 핵으로 분류하는 것을 특징으로 하는, 기능성 기전 별 유효성분 및 식품 소재 예측 방법
|
| 7 |
7
삭제
|
| 8 |
8
삭제
|
| 9 |
9
제1항에 있어서,상기 단계 2)에, 작용제-길항제 특성 정보를 학습시킨 기계학습 기반 예측 모델로부터 도출된 유효성분 후보의 작용제-길항제 분류 단계를 더 포함하는 것을 특징으로 하는, 기능성 기전 별 유효성분 및 식품 소재 예측 방법
|
| 10 |
10
삭제
|
| 11 |
11
제1항에 있어서,상기 단계 3)은, 독성 화합물의 특성 데이터를 학습시킨 기계학습 기반 독성 예측 모델로부터 특성 정보 유사도에 기반한 상기 유효성분 후보의 독성을 예측하고, 안전한 최종 유효성분 후보를 추출하는 것을 특징으로 하는, 기능성 기전 별 유효성분 및 식품 소재 예측 방법
|
| 12 |
12
제1항에 있어서,상기 간독성은 알려진 화합물과의 구조 유사성을 통해 예측하는 것을 특징으로 하는, 기능성 기전 별 유효성분 및 식품 소재 예측 방법
|
| 13 |
13
제1항에 있어서,상기 LD50은 알려진 화합물과의 구조 유사성을 통해 예측하는 것을 특징으로 하는, 기능성 기전 별 유효성분 및 식품 소재 예측 방법
|
| 14 |
14
삭제
|
| 15 |
15
제1항에 있어서,상기 단계 4)는,4-1) 안전한 최종 유효성분 후보를 입력하는 단계; 및 4-2) 화합물-식품소재 데이터베이스로부터 최종 유효성분 후보가 함유된 식품 소재 목록을 출력하는 단계;를 포함하는 것을 특징으로 하는, 기능성 기전 별 유효성분 및 식품 소재 예측 방법
|
| 16 |
16
제15항에 있어서,상기 화합물-식품소재 데이터베이스는 기구축한 통합 데이터베이스로부터 수 집된 식품 소재에 함유되어 있는 화합물 정보를 포함하는 것을 특징으로 하는, 기능성 기전 별 유효성분 및 식품 소재 예측 방법
|
| 17 |
17
삭제
|
| 18 |
18
삭제
|
| 19 |
19
삭제
|
| 20 |
20
삭제
|
| 21 |
21
삭제
|
| 22 |
22
삭제
|
| 23 |
23
삭제
|
