1 |
1
분석장치가 샘플의 유전체 데이터를 입력받는 단계;상기 분석장치가 상기 유전체 데이터를 이용하여 MHC(major histocompatibility complex)의 제1 아미노산 서열 및 암 세포가 생성하는 항원의 제2 아미노산 서열을 획득하는 단계;상기 분석장치가 상기 제1 아미노산 서열 및 상기 제2 아미노산 서열을 이용하여 아미노산 쌍의 정보를 나타내는 매트릭스를 생성하는 단계; 및상기 분석장치가 상기 매트릭스를 사전에 학습된 신경망 모델에 입력하여, 상기 MHC와 상기 항원의 결합 정도를 예측하는 단계를 포함하되,상기 매트릭스는 제1 축이 상기 제1 아미노산 서열이고, 제2 축이 상기 제2 아미노산 서열이고, 상기 제1 아미노산 서열과 상기 제2 아미노산 서열이 이루는 각 아미노산 쌍에 대하여, 상기 아미노산 쌍을 구성하는 두 개의 아미노산 사이의 거리상의 근접도의 정보를 포함하고,상기 근접도는 공개된 단백질 구조 데이터베이스에서 상기 아미노산 쌍이 근접한 빈도를 기준으로 결정되는 암 세포 표면의 MHC-펩타이드 결합도 예측 방법
|
2 |
2
제1항에 있어서,상기 분석장치는 상기 유전체 데이터에서 HLA(human leukocyte antigen) 대립 유전자를 검출하는 프로그램을 사용하여 상기 제1 아미노산 서열을 검출하는 암 세포 표면의 MHC-펩타이드 결합도 예측 방법
|
3 |
3
제1항에 있어서,상기 제2 아미노산 서열은 암 세포가 생성하는 신항원으로, 돌연변이 서열을 포함하는 암 세포 표면의 MHC-펩타이드 결합도 예측 방법
|
4 |
4
제1항에 있어서,상기 매트릭스는 상기 MHC의 Cα와 상기 항원의 Cα를 기준으로 상기 아미노산 쌍의 결합 선호도를 나타내는 암 세포 표면의 MHC-펩타이드 결합도 예측 방법
|
5 |
5
삭제
|
6 |
6
제1항에 있어서,상기 신경망 모델은 CNN(Convolutional Neural Network)이고, CNN의 커널이 MHC-펩타이드 결합에 대한 특징을 검출하는 암 세포 표면의 MHC-펩타이드 결합도 예측 방법
|
7 |
7
제1항에 있어서,상기 신경망 모델은 복수의 컨볼루션 계층, 전연결 계층 및 시그모이드 출력 계층으로 구성되는 CNN(Convolutional Neural Network) 모델인 암 세포 표면의 MHC-펩타이드 결합도 예측 방법
|
8 |
8
제7항에 있어서,상기 컨볼루션 계층은 컨볼루션 연산과 ReLU(Rectified Linear Unit) 함수를 적용한 변환을 수행하고, 상기 전연결 계층은 ReLU 함수를 사용하여 이전 컨볼루션 계층의 출력값을 통합하고,상기 시그모이드 출력 계층은 상기 전연결 계층의 출력값을 0 ~ 1 사이의 결합 상태를 나타내는 값으로 변환하는 암 세포 표면의 MHC-펩타이드 결합도 예측 방법
|
9 |
9
제7항에 있어서,상기 컨볼루션 계층은 아래 수식에 따른 컨볼루션 연산(convolution(X))을 수행하는 암 세포 표면의 MHC-펩타이드 결합도 예측 방법
|
10 |
10
제1항에 있어서,상기 신경망 모델은 아래의 목적 함수(Objective)로 가중치가 학습되는 암 세포 표면의 MHC-펩타이드 결합도 예측 방법
|
11 |
11
제1항에 있어서,상기 신경망 모델은 상기 MHC의 길이 및 상기 항원의 아미노산 길이에 따라 서로 다른 크기의 필터를 사용하는 컨볼루션 계층을 포함하는 암 세포 표면의 MHC-펩타이드 결합도 예측 방법
|
12 |
12
샘플의 유전체 데이터를 입력받는 입력장치;MHC(major histocompatibility complex)를 구성하는 아미노산 서열 및 항원을 구성하는 아미노산 서열이 이루는 각 아미노산 쌍의 근접도를 나타내는 정보를 기준으로 MHC와 항원의 결합 정도를 예측하는 신경망 모델을 저장하는 저장장치; 및상기 유전체 데이터에서 MHC의 제1 아미노산 서열 및 항원 펩타이드의 제2 아미노산 서열을 검출하고, 상기 제1 아미노산 서열의 아미노산과 상기 제2 아미노산 서열이 이루는 각 아미노산 쌍의 근접도를 나타내는 매트릭스를 생성하고, 생성한 상기 매트릭스를 상기 신경망 모델에 입력하여 상기 샘플에 대한 MHC와 항원의 결합 정도를 예측하는 연산장치를 포함하되,상기 매트릭스는 제1 축이 상기 제1 아미노산 서열이고, 제2 축이 상기 제2 아미노산 서열이고, 상기 제1 아미노산 서열과 상기 제2 아미노산 서열이 이루는 각 아미노산 쌍에 대하여, 상기 아미노산 쌍을 구성하는 두 개의 아미노산 사이의 거리상의 근접도의 정보를 포함하고,상기 근접도는 공개된 단백질 구조 데이터베이스에서 상기 아미노산 쌍이 근접한 빈도를 기준으로 결정되는 MHC-펩타이드 결합도를 예측하는 분석장치
|
13 |
13
제12항에 있어서,상기 연산장치는 상기 유전체 데이터에서 HLA(human leukocyte antigen) 대립 유전자를 검출하는 프로그램을 사용하여 상기 샘플에 대한 상기 제1 아미노산 서열을 검출하는 MHC-펩타이드 결합도를 예측하는 분석장치
|
14 |
14
제12항에 있어서,상기 제2 아미노산 서열은 암 세포가 생성하는 신항원으로, 돌연변이 서열을 포함하는 MHC-펩타이드 결합도를 예측하는 분석장치
|
15 |
15
제12항에 있어서,상기 연산장치는 상기 MHC의 Cα와 상기 항원의 Cα를 기준으로 상기 아미노산 쌍의 결합 선호도를 나타내는 상기 매트릭스를 생성하는 MHC-펩타이드 결합도를 예측하는 분석장치
|
16 |
16
제12항에 있어서,상기 신경망 모델은 복수의 컨볼루션 계층, 전연결 계층 및 시그모이드 출력 계층으로 구성되는 CNN(Convolutional Neural Network) 모델인 MHC-펩타이드 결합도를 예측하는 분석장치
|
17 |
17
제16항에 있어서,상기 컨볼루션 계층은 아래 수식에 따른 컨볼루션 연산(convolution(X))을 수행하는 MHC-펩타이드 결합도를 예측하는 분석장치
|
18 |
18
제12항에 있어서,상기 신경망 모델은 아래의 목적 함수(Objective)로 가중치가 학습되는 MHC-펩타이드 결합도를 예측하는 분석장치
|
19 |
19
제12항에 있어서,상기 신경망 모델은 상기 MHC의 길이 및 상기 항원의 아미노산 길이에 따라 서로 다른 크기의 필터를 사용하는 컨볼루션 계층을 포함하는 MHC-펩타이드 결합도를 예측하는 분석장치
|
20 |
20
컴퓨터에서 제1항 내지 제4항 및 제6항 내지 제11항 중 어느 하나의 항에 기재된 암 세포 표면의 MHC-펩타이드 결합도 예측 방법을 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체
|