1 |
1
시뮬레이션 장치(810)가, 복수 개의 약물들에 대한 복수 개의 약물 반응성 네트워크들에 각각 제1암세포주의 변이정보를 반영하여 복수 개의 스페시픽 섭동 네트워크들을 생성하는 단계;상기 시뮬레이션 장치가, 상기 복수 개의 스페시픽 섭동 네트워크들이 출력한 상기 제1암세포주에 관한 복수 개의 사멸확률들을 기초로, 상기 복수 개의 약물들 중 복수 개의 후보 약물을 선택하는 단계;상기 결정된 복수 개의 후보 약물에 관한 정보를 약물 반응 스크리닝 장치에게 제공하는 단계;상기 약물 반응 스크리닝 장치가, 상기 복수 개의 후보 약물을 상기 제1암세포주가 저장되어 있는 복수 개의 웰(well)들에 투여하는 in-vitro 실험을 실행하는 단계;상기 약물 반응 스크리닝 장치가, 세포이미지 촬영장치를 이용하여 상기 복수 개의 웰들에서의 상기 제1암세포주의 이미지를 촬영하여 분석하는 단계; 및상기 약물 반응 스크리닝 장치가, 상기 분석한 결과를 기초로 상기 복수 개의 후보 약물 중 적어도 일부에 대한 in vitro 실험결과를 출력하는 단계;를 포함하는,암치료 후보 약물 결정방법
|
2 |
2
제1항에 있어서,상기 생성하는 단계 이전에, 컴퓨팅 장치(710)가, 상기 복수 개의 약물 반응성 네트워크들 중 제k 약물에 반응하는 제k 약물 반응성 네트워크의 가중치를 결정하는 프로세스(=에피소드)를 수행하는 단계를 더 포함하며,상기 프로세스를 수행하는 단계는, 강화 학습에 의해 학습이 완료된 에이전트를 이용하도록 되어 있고,상기 프로세스를 수행하는 단계는, 상기 컴퓨팅 장치가, 상기 복수 개의 약물들 중 제k 약물을 이용한 in vitro 실험에 의한 반응성에 관한 정보가 존재하는 N(=pk) 개의 셀라인들의 변이정보들을 획득하는 단계; 상기 컴퓨팅 장치가, N개의 상기 변이정보들을 상기 제k 약물에 반응하는 상기 제k 약물 반응성 네트워크에 적용하여, N개의 스페시픽 섭동 네트워크들을 생성하는 단계; 상기 컴퓨팅 장치가, 상기 제k 약물 반응성 네트워크의 링크들의 가중치를 갱신하는 학습스텝을 상기 에이전트를 이용하여 복수 회 반복하여 수행하는 단계; 상기 컴퓨팅 장치가, 상기 복수 회의 학습스텝들 중 상기 에이전트에 제공되는 리워드가 가장 큰 값을 갖는 학습스텝을 선택하는 단계; 및 상기 컴퓨팅 장치가, 상기 선택된 학습스텝에서 상기 에이전트가 출력한 링크 가중치들을 상기 제k 약물 반응성 네트워크의 링크들의 가중치인 것으로 확정하는 단계;를 포함하는,암치료 후보 약물 결정방법
|
3 |
3
제2항에 있어서,상기 에이전트는 상기 리워드와 현재 학습스텝에서의 상기 제k 약물 반응성 네트워크의 링크들의 가중치를 기초로, 다음 학습스텝에서의 상기 제k 약물 반응성 네트워크의 링크들의 가중치를 결정하도록 되어 있는,암치료 후보 약물 결정방법
|
4 |
4
제3항에 있어서,상기 리워드를 결정하는 프로세스는,상기 컴퓨팅 장치가, 상기 복수 회의 학습스텝들 중 현재 학습스텝에서, 상기 N개의 스페시픽 섭동 네트워크들이 출력한 N개의 사멸확률들로 구성된 벡터 Y와, 상기 제k 약물을 상기 제1암세포주에 투여하는 in vitro 실험에 의해 관찰된 N개의 상기 제1암세포주의 사멸비율에 관한 값들로 구성된 벡터 Z를 준비하는 단계;상기 컴퓨팅 장치가, 상기 벡터 Y와 상기 벡터 Z 간의 거리에 반비례하는 제1값을 산출하는 단계; 및상기 컴퓨팅 장치가, 상기 제1값과 제2값 간의 차이값을 기초로 상기 리워드를 산출하는 단계;를 포함하며, 상기 제2값은, 상기 현재 학습스텝의 직전 학습스텝에서 준비한 상기 벡터 Y와 상기 벡터 Z 간의 거리에 반비례하는 값인,암치료 후보 약물 결정방법
|
5 |
5
제2항에 있어서,상기 제k 약물 반응성 네트워크의 가중치를 결정하는 프로세스(=에피소드)를 수행하는 단계 이전에, 상기 컴퓨팅 장치(710)가 상기 에이전트를 학습시키는 단계를 더 포함하며,상기 에이전트의 학습시키는 단계에서, 상기 에이전트를 학습시키는 프로세스(=에피소드)를 서로 다른 G 개의 약물에 대하여 반복하여 수행하도록 되어 있고, 제g 약물에 대하여 수행되는 상기 에이전트의 학습 프로세스는, 상기 컴퓨팅 장치(710)가, 상기 제g 약물을 이용한 in vitro 실험에 의한 반응성에 관한 정보가 존재하는 pg 개의 셀라인들의 변이정보들을 획득하는 단계; 상기 컴퓨팅 장치가, pg 개의 상기 변이정보들을 상기 제p 약물에 반응하는 상기 제p 약물 반응성 네트워크에 적용하여, pg 개의 스페시픽 섭동 네트워크들을 생성하는 단계; 상기 컴퓨팅 장치가, 상기 제g 약물 반응성 네트워크의 링크들의 가중치를 갱신하는 학습스텝을 상기 에이전트를 이용하여 복수 회 반복하여 수행하는 단계; 및 상기 컴퓨팅 장치가, 상기 학습스텝을 상기 복수 회 반복하여 수행하는 과정에서 획득한 상기 리워드 값들과 상기 가중치들을 이용하여 상기 에이전트를 학습시키는 단계;를 포함하는,암치료 후보 약물 결정방법
|
6 |
6
제5항에 있어서,상기 에이전트는 상기 리워드와 현재 학습스텝에서의 상기 제g 약물 반응성 네트워크의 링크들의 가중치를 기초로, 다음 학습스텝에서의 상기 제g 약물 반응성 네트워크의 링크들의 가중치를 결정하도록 되어 있는,암치료 후보 약물 결정방법
|
7 |
7
컴퓨팅 장치(710)가, 상기 복수 개의 약물 반응성 네트워크들 중 제k 약물에 반응하는 제k 약물 반응성 네트워크의 가중치를 결정하는 프로세스(=에피소드)를 수행하는 단계;시뮬레이션 장치(810)가, 복수 개의 약물들에 대한 복수 개의 약물 반응성 네트워크들에 각각 제1암세포주의 변이정보를 반영하여 복수 개의 스페시픽 섭동 네트워크들을 생성하는 단계; 및 상기 시뮬레이션 장치가, 상기 복수 개의 스페시픽 섭동 네트워크들이 출력한 상기 제1암세포주에 관한 복수 개의 사멸확률들을 기초로, 상기 복수 개의 약물들 중 복수 개의 후보 약물을 선택하는 단계;를 포함하며,상기 프로세스를 수행하는 단계는, 강화 학습에 의해 학습이 완료된 에이전트를 이용하도록 되어 있고,상기 프로세스를 수행하는 단계는, 상기 컴퓨팅 장치가, 상기 복수 개의 약물들 중 제k 약물을 이용한 in vitro 실험에 의한 반응성에 관한 정보가 존재하는 N(=pk) 개의 셀라인들의 변이정보들을 획득하는 단계; 상기 컴퓨팅 장치가, N개의 상기 변이정보들을 상기 제k 약물에 반응하는 상기 제k 약물 반응성 네트워크에 적용하여, N개의 스페시픽 섭동 네트워크들을 생성하는 단계; 상기 컴퓨팅 장치가, 상기 제k 약물 반응성 네트워크의 링크들의 가중치를 갱신하는 학습스텝을 상기 에이전트를 이용하여 복수 회 반복하여 수행하는 단계; 상기 컴퓨팅 장치가, 상기 복수 회의 학습스텝들 중 상기 에이전트에 제공되는 리워드가 가장 큰 값을 갖는 학습스텝을 선택하는 단계; 및 상기 컴퓨팅 장치가, 상기 선택된 학습스텝에서 상기 에이전트가 출력한 링크 가중치들을 상기 제k 약물 반응성 네트워크의 링크들의 가중치인 것으로 확정하는 단계;를 포함하는,암치료 후보 약물 결정방법
|
8 |
8
시뮬레이션 장치(810); 및약물 반응 스크리닝 장치(600)를 포함하며,상기 시뮬레이션 장치는, 복수 개의 약물들에 대한 복수 개의 약물 반응성 네트워크들에 각각 제1암세포주의 변이정보를 반영하여 복수 개의 스페시픽 섭동 네트워크들을 생성하고, 상기 복수 개의 스페시픽 섭동 네트워크들이 출력한 상기 제1암세포주에 관한 복수 개의 사멸확률들을 기초로, 상기 복수 개의 약물들 중 복수 개의 후보 약물을 선택하고, 그리고 상기 결정된 복수 개의 후보 약물에 관한 정보를 약물 반응 스크리닝 장치에게 제공하도록 되어 있고,상기 약물 반응 스크리닝 장치는, 상기 복수 개의 후보 약물을 상기 제1암세포주가 저장되어 있는 복수 개의 웰(well)들에 투여하는 in-vitro 실험을 실행하고, 상기 약물 반응 스크리닝 장치가, 세포이미지 촬영장치를 이용하여 상기 복수 개의 웰들에서의 상기 제1암세포주의 이미지를 촬영하여 분석하고, 그리고 상기 약물 반응 스크리닝 장치가, 상기 분석한 결과를 기초로 상기 복수 개의 후보 약물 중 적어도 일부에 대한 in vitro 실험결과를 출력하도록 되어 있는,암치료 후보 약물 결정 시스템
|
9 |
9
제8항에 있어서,컴퓨팅 장치(710);를 더 포함하며,상기 컴퓨팅 장치는, 상기 시뮬레이션 장치가 상기 복수 개의 스페시픽 섭동 네트워크들을 생성하기 이전에, 상기 복수 개의 약물 반응성 네트워크들 중 제k 약물에 반응하는 제k 약물 반응성 네트워크의 가중치를 결정하는 프로세스(=에피소드)를 수행하도록 되어 있고,상기 프로세스를 수행하는 과정은, 강화 학습에 의해 학습이 완료된 에이전트를 이용하도록 되어 있고,상기 프로세스를 수행하는 과정은, 상기 컴퓨팅 장치가, 상기 복수 개의 약물들 중 제k 약물을 이용한 in vitro 실험에 의한 반응성에 관한 정보가 존재하는 N(=pk) 개의 셀라인들의 변이정보들을 획득하는 단계; 상기 컴퓨팅 장치가, N개의 상기 변이정보들을 상기 제k 약물에 반응하는 상기 제k 약물 반응성 네트워크에 적용하여, N개의 스페시픽 섭동 네트워크들을 생성하는 단계; 상기 컴퓨팅 장치가, 상기 제k 약물 반응성 네트워크의 링크들의 가중치를 갱신하는 학습스텝을 상기 에이전트를 이용하여 복수 회 반복하여 수행하는 단계; 상기 컴퓨팅 장치가, 상기 복수 회의 학습스텝들 중 상기 에이전트에 제공되는 리워드가 가장 큰 값을 갖는 학습스텝을 선택하는 단계; 및 상기 컴퓨팅 장치가, 상기 선택된 학습스텝에서 상기 에이전트가 출력한 링크 가중치들을 상기 제k 약물 반응성 네트워크의 링크들의 가중치인 것으로 확정하는 단계;를 포함하는,암치료 후보 약물 결정 시스템
|
10 |
10
제9항에 있어서,상기 에이전트는 상기 리워드와 현재 학습스텝에서의 상기 제k 약물 반응성 네트워크의 링크들의 가중치를 기초로, 다음 학습스텝에서의 상기 제k 약물 반응성 네트워크의 링크들의 가중치를 결정하도록 되어 있는,암치료 후보 약물 결정 시스템
|
11 |
11
제10항에 있어서,상기 리워드를 결정하는 프로세스는,상기 컴퓨팅 장치가, 상기 복수 회의 학습스텝들 중 현재 학습스텝에서, 상기 N개의 스페시픽 섭동 네트워크들이 출력한 N개의 사멸확률들로 구성된 벡터 Y와, 상기 제k 약물을 상기 제1암세포주에 투여하는 in vitro 실험에 의해 관찰된 N개의 상기 제1암세포주의 사멸비율에 관한 값들로 구성된 벡터 Z를 준비하는 과정;상기 컴퓨팅 장치가, 상기 벡터 Y와 상기 벡터 Z 간의 거리에 반비례하는 제1값을 산출하는 과정; 및상기 컴퓨팅 장치가, 상기 제1값과 제2값 간의 차이값을 기초로 상기 리워드를 산출하는 과정;을 포함하며, 상기 제2값은, 상기 현재 학습스텝의 직전 학습스텝에서 준비한 상기 벡터 Y와 상기 벡터 Z 간의 거리에 반비례하는 값인,암치료 후보 약물 결정 시스템
|
12 |
12
제9항에 있어서,상기 제k 약물 반응성 네트워크의 가중치를 결정하는 프로세스(=에피소드)를 수행하기 이전에, 상기 컴퓨팅 장치(710)가 상기 에이전트를 학습시키도록 되어 있고,상기 에이전트의 학습시키는 과정에서, 상기 에이전트를 학습시키는 프로세스(=에피소드)를 서로 다른 G 개의 약물에 대하여 반복하여 수행하도록 되어 있고, 제g 약물에 대하여 수행되는 상기 에이전트의 학습 프로세스는, 상기 컴퓨팅 장치(710)가, 상기 제g 약물을 이용한 in vitro 실험에 의한 반응성에 관한 정보가 존재하는 pg 개의 셀라인들의 변이정보들을 획득하는 단계; 상기 컴퓨팅 장치가, pg 개의 상기 변이정보들을 상기 제p 약물에 반응하는 상기 제p 약물 반응성 네트워크에 적용하여, pg 개의 스페시픽 섭동 네트워크들을 생성하는 단계; 상기 컴퓨팅 장치가, 상기 제g 약물 반응성 네트워크의 링크들의 가중치를 갱신하는 학습스텝을 상기 에이전트를 이용하여 복수 회 반복하여 수행하는 단계; 및 상기 컴퓨팅 장치가, 상기 학습스텝을 상기 복수 회 반복하여 수행하는 과정에서 획득한 상기 리워드 값들과 상기 가중치들을 이용하여 상기 에이전트를 학습시키는 단계;를 포함하는,암치료 후보 약물 결정 시스템
|
13 |
13
제12항에 있어서,상기 에이전트는 상기 리워드와 현재 학습스텝에서의 상기 제g 약물 반응성 네트워크의 링크들의 가중치를 기초로, 다음 학습스텝에서의 상기 제g 약물 반응성 네트워크의 링크들의 가중치를 결정하도록 되어 있는,암치료 후보 약물 결정 시스템
|
14 |
14
시뮬레이션 장치(810); 약물 반응 스크리닝 장치(600); 및컴퓨팅 장치(710);를 포함하며,상기 컴퓨팅 장치는, 상기 복수 개의 약물 반응성 네트워크들 중 제k 약물에 반응하는 제k 약물 반응성 네트워크의 가중치를 결정하는 프로세스(=에피소드)를 수행하도록 되어 있고,상기 시뮬레이션 장치는, 복수 개의 약물들에 대한 복수 개의 약물 반응성 네트워크들에 각각 제1암세포주의 변이정보를 반영하여 복수 개의 스페시픽 섭동 네트워크들을 생성하고, 그리고 상기 복수 개의 스페시픽 섭동 네트워크들이 출력한 상기 제1암세포주에 관한 복수 개의 사멸확률들을 기초로, 상기 복수 개의 약물들 중 복수 개의 후보 약물을 선택하도록 되어 있고, 상기 프로세스를 수행하는 단계는, 강화 학습에 의해 학습이 완료된 에이전트를 이용하도록 되어 있고,상기 프로세스를 수행하는 단계는, 상기 컴퓨팅 장치가, 상기 복수 개의 약물들 중 제k 약물을 이용한 in vitro 실험에 의한 반응성에 관한 정보가 존재하는 N(=pk) 개의 셀라인들의 변이정보들을 획득하는 단계; 상기 컴퓨팅 장치가, N개의 상기 변이정보들을 상기 제k 약물에 반응하는 상기 제k 약물 반응성 네트워크에 적용하여, N개의 스페시픽 섭동 네트워크들을 생성하는 단계; 상기 컴퓨팅 장치가, 상기 제k 약물 반응성 네트워크의 링크들의 가중치를 갱신하는 학습스텝을 상기 에이전트를 이용하여 복수 회 반복하여 수행하는 단계; 상기 컴퓨팅 장치가, 상기 복수 회의 학습스텝들 중 상기 에이전트에 제공되는 리워드가 가장 큰 값을 갖는 학습스텝을 선택하는 단계; 및 상기 컴퓨팅 장치가, 상기 선택된 학습스텝에서 상기 에이전트가 출력한 링크 가중치들을 상기 제k 약물 반응성 네트워크의 링크들의 가중치인 것으로 확정하는 단계;를 포함하는,암치료 후보 약물 결정 시스템
|