1 |
1
컴퓨터 장치를 통해 수행되는 후성유전체 데이터 분석을 위한 인간 시각 검사를 모방하는 CNN 기반 머신러닝 시스템의 동작 방법에 있어서, CNN(Convolutional Neural Network) 모델이 암 유전체 데이터 분석 결과 데이터를 학습하는 단계; 및 학습된 상기 CNN 모델이 학습되지 않은 새로운 암 유전체 데이터에 대해 암 발생 기전이 될 수 있는 기능적 영역을 탐색하도록 피크를 호출하는 단계를 포함하는, CNN 기반 머신러닝 시스템의 동작 방법
|
2 |
2
제1항에 있어서, 상기 CNN 모델이 암 유전체 데이터 분석 결과 데이터를 학습하는 단계는, 전처리 모듈을 이용하여 상기 CNN 모델의 입력 데이터를 벡터로 변환하는 단계를 포함하는, CNN 기반 머신러닝 시스템의 동작 방법
|
3 |
3
제2항에 있어서, 상기 전처리 모듈을 이용하여 상기 CNN 모델의 입력 데이터를 벡터로 변환하는 단계는, ChIP-seq 읽기 매핑 데이터, 상기 ChIP-seq 읽기 매핑 데이터의 적어도 일부 영역에 대해 피크 위치에 라벨링된 데이터 및 RefSeq 주석 정보 중 적어도 어느 하나 이상의 상기 입력 데이터를 콘볼루션 계층을 통해 벡터로 변환하는 단계를 포함하는, CNN 기반 머신러닝 시스템의 동작 방법
|
4 |
4
제3항에 있어서, 상기 전처리 모듈을 이용하여 상기 CNN 모델의 입력 데이터를 벡터로 변환하는 단계는, 상기 입력 데이터의 노이즈를 줄이기 위해 맥스 풀링(max-pooling) 계층을 통해 변환된 상기 벡터의 차원(dimension)을 감소시키는 단계를 포함하는, CNN 기반 머신러닝 시스템의 동작 방법
|
5 |
5
제1항에 있어서, 상기 CNN 모델이 암 유전체 데이터 분석 결과 데이터를 학습하는 단계는, 콘볼루션, 맥스 풀링 및 평균 풀링 중 적어도 어느 하나 이상의 필터를 포함하여 이루어진 복수 개의 인셉션 모듈을 통해 상기 CNN 모델을 학습하는 단계를 포함하는, CNN 기반 머신러닝 시스템의 동작 방법
|
6 |
6
제5항에 있어서, 상기 복수 개의 인셉션 모듈을 통해 상기 CNN 모델을 학습하는 단계는, 콘볼루션, 맥스 풀링 및 평균 풀링 필터를 포함하는 적어도 하나 이상의 제1 인셉션 모듈을 통해 상기 CNN 모델에 피크 패턴과 강력한 피크 신호의 규모에 대한 정보를 제공하는 단계; 콘볼루션 및 맥스 풀링 필터를 포함하는 적어도 하나 이상의 제2 인셉션 모듈을 통해 맥스 풀링 및 평균 풀링 계층의 벡터 크기를 증가시키는 문제를 방지하는 단계; 및 상기 제1 인셉션 모듈 및 상기 제2 인셉션 모듈의 콘볼루션 필터보다 더 넓은 크기와 긴 스트라이드를 가진 콘볼루션 필터를 포함하는 적어도 하나 이상의 제3 인셉션 모듈을 제공하는 단계를 포함하는, CNN 기반 머신러닝 시스템의 동작 방법
|
7 |
7
제5항에 있어서, 상기 CNN 모델이 암 유전체 데이터 분석 결과 데이터를 학습하는 단계는, 기울기 손실(vanishing gradient) 문제를 방지하도록 상기 복수 개의 인셉션 모듈들 사이에는 잔여 연결(residual connection) 구조를 사용하는 것을 특징으로 하는, CNN 기반 머신러닝 시스템의 동작 방법
|
8 |
8
제5항에 있어서, 상기 CNN 모델이 암 유전체 데이터 분석 결과 데이터를 학습하는 단계는, 상기 복수 개의 인셉션 모듈들 끝에는 차원을 줄이기 위해 완전히 연결된 계층(fully connected layer)에 이은 평균 풀링 계층이 추가되는 것을 특징으로 하는, CNN 기반 머신러닝 시스템의 동작 방법
|
9 |
9
제1항에 있어서, 상기 CNN 모델이 암 유전체 데이터 분석 결과 데이터를 학습하는 단계는, 상기 CNN 모델을 통해 선택된 윈도우의 ChIP-seq 읽기 매핑 데이터를 기반으로 게놈 영역의 최적의 임계 값을 학습하도록 하는 것을 특징으로 하는, CNN 기반 머신러닝 시스템의 동작 방법
|
10 |
10
제1항에 있어서, 상기 CNN 모델이 암 유전체 데이터 분석 결과 데이터를 학습하는 단계는, 상기 CNN 모델의 출력 벡터의 크기가 입력 벡터보다 작아지기 때문에 상기 출력 벡터의 크기를 상기 입력 벡터와 동일하게 확장하여, 각 개별 위치에서 피크 유무를 예측하도록 하는 것을 특징으로 하는, CNN 기반 머신러닝 시스템의 동작 방법
|
11 |
11
제1항에 있어서, 상기 CNN 모델이 암 유전체 데이터 분석 결과 데이터를 학습하는 단계는, 상기 CNN 모델의 출력 데이터를 시그모이드(sigmoid) 활성화를 사용하여 각 피크에 점수를 부여하여 피크의 중요도를 측정하는 것을 특징으로 하는, CNN 기반 머신러닝 시스템의 동작 방법
|
12 |
12
제1항에 있어서, 상기 학습된 상기 CNN 모델이 학습되지 않은 새로운 암 유전체 데이터에 대해 암 발생 기전이 될 수 있는 기능적 영역을 탐색하도록 피크를 호출하는 단계는, 상기 학습된 상기 CNN 모델에 새로운 암 유전체 데이터를 입력하여 피크 호출 및 각 피크의 점수 부여를 통해 피크를 예측하는 것을 특징으로 하는, CNN 기반 머신러닝 시스템의 동작 방법
|
13 |
13
후성유전체 데이터 분석을 위한 인간 시각 검사를 모방하는 CNN 기반 머신러닝 시스템에 있어서, CNN(Convolutional Neural Network) 모델이 암 유전체 데이터 분석 결과 데이터를 학습하는 CNN 모델 학습부; 및 학습된 상기 CNN 모델이 학습되지 않은 새로운 암 유전체 데이터에 대해 암 발생 기전이 될 수 있는 기능적 영역을 탐색하도록 피크를 호출하는 CNN 모델 피크 예측부를 포함하는, CNN 기반 머신러닝 시스템의 동작 시스템
|
14 |
14
제13항에 있어서, 상기 CNN 모델 학습부는, ChIP-seq 읽기 매핑 데이터, 상기 ChIP-seq 읽기 매핑 데이터의 적어도 일부 영역에 대해 피크 위치에 라벨링된 데이터 및 RefSeq 주석 정보 중 적어도 어느 하나 이상의 상기 CNN 모델의 입력 데이터를 벡터로 변환하는 전처리 모듈을 포함하는, CNN 기반 머신러닝 시스템의 동작 시스템
|
15 |
15
제13항에 있어서, 상기 CNN 모델 학습부는, 콘볼루션, 맥스 풀링 및 평균 풀링 중 적어도 어느 하나 이상의 필터를 포함하여 이루어진 복수 개의 인셉션 모듈을 포함하는, CNN 기반 머신러닝 시스템의 동작 시스템
|
16 |
16
제15항에 있어서, 상기 복수 개의 인셉션 모듈은, 상기 CNN 모델에 피크 패턴과 강력한 피크 신호의 규모에 대한 정보를 제공하기 위해, 콘볼루션, 맥스 풀링 및 평균 풀링 필터를 포함하여 구성되는 적어도 하나 이상의 제1 인셉션 모듈; 맥스 풀링 및 평균 풀링 계층의 벡터 크기를 증가시키는 문제를 방지하기 위해, 콘볼루션 및 맥스 풀링 필터를 포함하여 구성되는 적어도 하나 이상의 제2 인셉션 모듈; 및 상기 제1 인셉션 모듈 및 상기 제2 인셉션 모듈의 콘볼루션 필터보다 더 넓은 크기와 긴 스트라이드를 가진 콘볼루션 필터를 포함하여 구성되는 적어도 하나 이상의 제3 인셉션 모듈을 포함하는, CNN 기반 머신러닝 시스템의 동작 시스템
|
17 |
17
제15항에 있어서, 상기 복수 개의 인셉션 모듈들 사이에는 잔여 연결(residual connection) 구조를 사용하여 기울기 손실(vanishing gradient) 문제를 방지하는 것을 특징으로 하는, CNN 기반 머신러닝 시스템의 동작 시스템
|
18 |
18
제15항에 있어서, 상기 CNN 모델 학습부는, 상기 복수 개의 인셉션 모듈들 끝에는 차원을 줄이기 위해 완전히 연결된 계층(fully connected layer)에 이은 평균 풀링 계층이 추가되는 것을 특징으로 하는, CNN 기반 머신러닝 시스템의 동작 시스템
|
19 |
19
제13항에 있어서, 상기 CNN 모델 학습부는, 상기 CNN 모델의 출력 데이터를 시그모이드(sigmoid) 활성화를 사용하여 각 피크에 점수를 부여하여 피크의 중요도를 측정하는 것을 특징으로 하는, CNN 기반 머신러닝 시스템의 동작 시스템
|
20 |
20
제13항에 있어서, 상기 CNN 모델 피크 예측부는, 상기 학습된 상기 CNN 모델에 새로운 암 유전체 데이터를 입력하여 피크 호출 및 각 피크의 점수 부여를 통해 피크를 예측하는 것을 특징으로 하는, CNN 기반 머신러닝 시스템의 동작 시스템
|