| 1 |
1
단백질 구조 예측 방법으로서,단백질의 초기 구조를 생성하는 단계,상기 초기 구조를 사용하여 단백질의 정확한 구조를 구분할 수 있도록 에너지 함수에 대해 기계 학습을 수행시키는 단계 - 상기 에너지 함수는 신경망 기반 함수로서 정의되며, 아미노산 서열로부터 단백질 구조 예측을 수행하는 데 사용됨 -,기계 학습된 에너지 함수를 사용하여 단백질 구조 예측을 수행하여 새로운 단백질 구조를 생성하는 단계, 상기 새로운 단백질 구조에 대해 성능 수렴 여부를 판단하는 단계, 상기 새로운 단백질 구조에 대해 성능이 수렴하지 않는 것으로 판단되는 경우, 상기 초기 구조와 상기 새로운 단백질 구조를 함께 사용하여 상기 기계 학습된 에너지 함수에 대해 기계 학습을 재수행시키는 단계, 그리고상기 새로운 단백질 구조에 대해 성능이 수렴하는 것으로 판단되는 경우, 상기 기계 학습된 에너지 함수를 최종 에너지 함수로 결정하는 단계를 포함하며,상기 에너지 함수에 대해 기계 학습을 수행시키는 단계, 상기 새로운 단백질 구조를 생성하는 단계, 및 상기 성능 수렴 여부를 판단하는 단계가 상기 새로운 단백질 구조에 대해 성능이 수렴할 때까지 반복 수행되는,단백질 구조 예측 방법
|
| 2 |
2
제1항에 있어서,상기 초기 구조는, 상기 단백질의 정확한 구조를 나타내는 니어-네이티브(near-native) 구조와 상기 단백질의 틀린 구조를 나타내는 논-네이티브(non-native) 구조를 포함하는, 단백질 구조 예측 방법
|
| 3 |
3
제2항에 있어서,상기 기계 학습을 수행시키는 단계는,상기 니어-네이티브 구조와 상기 논-네이티브 구조를 구별하도록 상기 에너지 함수를 훈련시키는 단계를 포함하는, 단백질 구조 예측 방법
|
| 4 |
4
제1항에 있어서,상기 기계 학습은 다층 퍼셉트론으로 구성된 딥 러닝 학습을 통해 수행되고,상기 기계 학습의 모델은 총 세 개의 순차적 블록으로 구성되어, 첫 번째 블록은 아미노산 유형에서 8가지 속성을 추출하고, 두 번째 블록은 나머지 두 개의 블록의 상호작용을 고려하여 256개의 히든 변수로 요약하며, 세 번째 블록은 각각의 중앙 잔류물에 대한 256-딤 및 나머지 두 개의 블록의 상호작용 변수를 병합하고 해당 잔류물에 대한 점수를 추정하는,단백질 구조 예측 방법
|
| 5 |
5
제4항에 있어서,상기 기계 학습의 모델의 손실 함수에 대해 상기 니어-네이티브 구조의 에너지 값이 상기 논-네이티브 구조의 에너지 값 대비 낮아 되도록 정의함으로써 상기 에너지 함수에 대한 기계 학습이 수행되는,단백질 구조 예측 방법
|
| 6 |
6
제4항에 있어서,상기 새로운 단백질 구조는 상기 에너지 함수에 의해 가장 낮은 에너지 값을 갖는 구조인,단백질 구조 예측 방법
|
| 7 |
7
제1항에 있어서,상기 새로운 단백질 구조에 대해 산출되는 스코어가 미리 설정된 스코어 이상이거나, 또는 상기 새로운 단백질 구조의 GDT-TS(Global Distance Test) 또는 에너지가 미리 설정된 값 이상인 경우에 상기 새로운 단백질 구조에 대한 성능이 수렴하는 것으로 판단되는,단백질 구조 예측 방법
|
| 8 |
8
제1항에 있어서,상기 단백질의 초기 구조를 생성하는 단계 전에,RCSB 단백질 데이터 은행(Protein Data Bank)에서 상기 단백질 구조의 예측을 위해 사용되는 단백질 세트를 준비하는 단계를 더 포함하는, 단백질 구조 예측 방법
|
| 9 |
9
단백질 구조 예측 장치로서,프로세서 및 메모리를 포함하며,상기 메모리는 코드의 집합을 저장하도록 구성되고,상기 코드는,단백질의 초기 구조를 생성하는 프로세스,상기 초기 구조를 사용하여 단백질의 정확한 구조를 구분할 수 있도록 에너지 함수에 대해 기계 학습을 수행시키는 프로세스 - 상기 에너지 함수는 신경망 기반 함수로서 정의되며, 아미노산 서열로부터 단백질 구조 예측을 수행하는 데 사용됨 -,기계 학습된 에너지 함수를 사용하여 단백질 구조 예측을 수행하여 새로운 단백질 구조를 생성하는 프로세스, 상기 새로운 단백질 구조에 대해 성능 수렴 여부를 판단하는 프로세스, 상기 새로운 단백질 구조에 대해 성능이 수렴하지 않는 것으로 판단되는 경우, 상기 초기 구조와 상기 새로운 단백질 구조를 함께 사용하여 상기 기계 학습된 에너지 함수에 대해 기계 학습을 재수행시키는 프로세스, 그리고상기 새로운 단백질 구조에 대해 성능이 수렴하는 것으로 판단되는 경우, 상기 기계 학습된 에너지 함수를 최종 에너지 함수로 결정하는 프로세스를 실행하도록 상기 프로세스를 제어하는 데 사용되며,상기 에너지 함수에 대해 기계 학습을 수행시키는 프로세스, 상기 새로운 단백질 구조를 생성하는 프로세스, 및 상기 성능 수렴 여부를 판단하는 프로세스가 상기 새로운 단백질 구조에 대해 성능이 수렴할 때까지 반복 수행되는,단백질 구조 예측 장치
|
| 10 |
10
제9항에 있어서,상기 초기 구조는, 상기 단백질의 정확한 구조를 나타내는 니어-네이티브(near-native) 구조와 상기 단백질의 틀린 구조를 나타내는 논-네이티브(non-native) 구조를 포함하고, 상기 기계 학습을 수행시키는 프로세스는,상기 니어-네이티브 구조와 상기 논-네이티브 구조를 구별하도록 상기 에너지 함수를 훈련시키는 프로세스를 포함하는, 단백질 구조 예측 장치
|
| 11 |
11
제10항에 있어서,상기 기계 학습의 모델의 손실 함수에 대해 상기 니어-네이티브 구조의 에너지 값이 상기 논-네이티브 구조의 에너지 값 대비 낮게 되도록 정의함으로써 상기 에너지 함수에 대한 기계 학습이 수행되는,단백질 구조 예측 장치
|
| 12 |
12
제9항에 있어서,상기 새로운 단백질 구조는 상기 에너지 함수에 의해 가장 낮은 에너지 값을 갖는 구조인,단백질 구조 예측 장치
|
| 13 |
13
제9항에 있어서,상기 새로운 단백질 구조에 대해 산출되는 스코어가 미리 설정된 스코어 이상이거나, 또는 상기 새로운 단백질 구조의 GDT-TS 또는 에너지가 미리 설정된 값 이상인 경우에 상기 새로운 단백질 구조에 대한 성능이 수렴하는 것으로 판단되는,단백질 구조 예측 장치
|
