| 1 |
1
하나 이상의 프로세서 및 메모리를 포함하는 제어부에 의해 수행되는 약물-표적 상호작용 예측 방법에 있어서:(a) 약물 지문과 상기 약물 지문이 결합하는 단백질 서열의 바인딩 영역에 관한 정보를 포함하는 단백질 서열 데이터베이스에 의해 자기주의 기반 심층 신경망을 이용하여 트랜스포머(Transformer) 네트워크를 학습하는 단계;(b) 약물 지문을 덴스(Dense) 레이어에 통과시켜 약물 토큰으로 변환하는 단계;(c) 단백질 서열을 컨벌루션 연산한 후 일정한 단위 그리드로 나누어 맥스 풀링(Max Pooling)하여 단백질 그리드 인코딩으로 변환하는 단계;(d) 상기 약물 토큰과 단백질 그리드 인코딩을 연결하는 단계;(e) 상기 연결된 약물 토큰과 단백질 그리드 인코딩을 상기 트랜스포머 네트워크에 입력하는 단계; 및(f) 상기 트랜스포머 네트워크의 출력에 의해 상기 약물 지문이 결합하는 상기 단백질 서열의 바인딩 영역의 중심, 바인딩 영역의 폭, 바인딩 영역에서의 바인딩 확률을 포함하는 바인딩 영역에 관한 정보를 예측하는 단계; 및 (g) 상기 예측된 바인딩 영역에 관한 정보에 기반하여 약물과 표적 단백질의 상호작용을 예측하는 단계;를 포함하는, 자기주의 기반 심층 신경망을 이용한 약물-표적 상호작용 예측 방법
|
| 2 |
2
제1항에 있어서,상기 약물 지문은 모르간(Morgan) 알고리즘에 의해 해쉬된 모르간 지문인 것을 특징으로 하는, 자기주의 기반 심층 신경망을 이용한 약물-표적 상호작용 예측 방법
|
| 3 |
3
삭제
|
| 4 |
4
제1항에 있어서,상기 (a)단계에서 상기 바인딩 영역에 관한 정보 중 바인딩 사이트(Site)를 상기 바인딩 사이트의 인근 서열까지 포함하는 바인딩 영역(Region)으로 변환하여 상기 트랜스포머(Transformer) 네트워크를 학습하는 것을 특징으로 하는, 자기주의 기반 심층 신경망을 이용한 약물-표적 상호작용 예측 방법
|
| 5 |
5
제1항에 있어서,상기 (c)단계는 CNN(Convolution Neural Network)을 이용하여 단백질 서열을 컨벌루션 연산하는 것을 특징으로 하는, 자기주의 기반 심층 신경망을 이용한 약물-표적 상호작용 예측 방법
|
| 6 |
6
제1항에 있어서,상기 약물 토큰과 상기 단위 그리드는 동일한 길이를 가지는 것을 특징으로 하는, 자기주의 기반 심층 신경망을 이용한 약물-표적 상호작용 예측 방법
|
| 7 |
7
제1항에 있어서,상기 (e)단계는 상기 연결된 약물 토큰과 단백질 그리드 인코딩을 각각 Q(Query), K(Key), V(Value) 벡터로 변환하여 상기 트랜스포머 네트워크에 입력하는 것을 특징으로 하는, 자기주의 기반 심층 신경망을 이용한 약물-표적 상호작용 예측 방법
|
| 8 |
8
제1항에 있어서,상기 트랜스포머 네트워크는 둘 이상의 트랜스포머 네트워크로 구성되는 것을 특징으로 하는, 자기주의 기반 심층 신경망을 이용한 약물-표적 상호작용 예측 방법
|
| 9 |
9
제1항에 있어서,상기 (g)단계는 상기 약물과 상기 단백질 그리드 인코딩 사이의 어텐션 스코어를 이용하여 상기 약물과 상기 단백질 사이의 관련성을 예측하는 것을 특징으로 하는, 자기주의 기반 심층 신경망을 이용한 약물-표적 상호작용 예측 방법
|
