KR20200110141A - Method for data processing to derive new drug candidate substance - Google Patents
Method for data processing to derive new drug candidate substance Download PDFInfo
- Publication number
- KR20200110141A KR20200110141A KR1020190163398A KR20190163398A KR20200110141A KR 20200110141 A KR20200110141 A KR 20200110141A KR 1020190163398 A KR1020190163398 A KR 1020190163398A KR 20190163398 A KR20190163398 A KR 20190163398A KR 20200110141 A KR20200110141 A KR 20200110141A
- Authority
- KR
- South Korea
- Prior art keywords
- node
- knowledge network
- nodes
- drug
- search word
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
본 발명은 신약 개발 방법에 관한 것으로, 보다 구체적으로는 인체 오믹스 데이터베이스(OMICS Database)로부터 신약 후보 물질을 도출하기 위한 데이터 처리 방법에 관한 것이다.The present invention relates to a new drug development method, and more particularly, to a data processing method for deriving a new drug candidate substance from the human Omics database (OMICS Database).
하나의 신약을 개발하기 위하여 평균적으로 총 15년의 기간이 소요되며, 2~3조원의 비용이 발생하는 것으로 알려져 있다. 이 중에서도 전임상(preclinical trial) 이전의 신약 후보 물질을 발굴하기 위하여 약 6년의 기간이 소요되는 것으로 알려져 있다. It is known that it takes a total of 15 years to develop a new drug on average, and costs 2-3 trillion won. Among them, it is known that it takes about 6 years to discover new drug candidates before the preclinical trial.
일반적으로, 신약을 개발하기 위한 파이프라인의 첫 단계인 신약 후보 물질을 발굴하기 위하여, 다수의 전문 연구 인력들이 막대한 양의 정보를 일일이 탐색하고, 이로부터 주요한 생물학적 엔티티(entity) 간의 연관성을 추론하는 과정을 거치고 있다.In general, in order to discover new drug candidates, which is the first step in the pipeline to develop new drugs, a large number of specialized research personnel search for enormous amounts of information one by one, and from this, infer associations between major biological entities. Going through the process.
한편, 최근 일본에서 출범된 라이프 인텔리전스 컨소시엄(Life Intelligence Consortium, 2017)에 따르면, 신약 개발에 인공지능 기술을 활용할 경우, 신약을 개발하기 위하여 소요되는 기간은 약 40% 수준으로 단축될 수 있고, 비용은 약 50% 수준으로 절감될 수 있는 것으로 예측되고 있다.Meanwhile, according to the Life Intelligence Consortium (2017) recently launched in Japan, when using artificial intelligence technology for new drug development, the time required to develop a new drug can be shortened to about 40%, and the cost Is expected to be reduced to about 50%.
본 발명이 해결하고자 하는 기술적 과제는 신약 후보 물질 발굴을 위한 데이터 처리 방법을 제공하는 것이다. 본 발명이 해결하고자 하는 다른 기술적 과제는 인체 오믹스 데이터베이스(DB)로부터 계층 구조를 가지는 멀티오믹스 네트워크를 생성하고, 멀티오믹스 네트워크로부터 정제된 지식 네트워크를 생성하는 방법에 관한 것이다.The technical problem to be solved by the present invention is to provide a data processing method for discovering new drug candidates. Another technical problem to be solved by the present invention relates to a method of generating a multi-omics network having a hierarchical structure from a human body omics database (DB) and generating a refined knowledge network from the multi-omics network.
데이터 처리 장치에서 수행되는 신약 후보 물질 발굴을 위한 데이터 처리 방법에 있어서, 선택된 생물학적 엔티티와 선택된 상호 연관도 종류로 구성되는 DB 매트릭스를 오믹스 DB로부터 생성하는 단계, 검색어를 수신하는 단계, 상기 DB 매트릭스로부터 상기 검색어와 다른 오믹스 레벨에 속하고 상기 검색어와 관련된 생물학적 엔티티들을 추출하는 단계, 상기 DB 매트릭스로부터 상기 검색어와 상기 생물학적 엔티티들 간의 상호 연관도를 추출하는 단계, 상기 검색어와 상기 생물학적 엔티티들 각각을 노드로 하고, 상기 검색어와 상기 생물학적 엔티티들 사이의 상호 연관도 또는 상기 생물학적 엔티티들 간 상호 연관도에 따라 연결선을 이용하여 복수의 노드들을 연결한 제1지식 네트워크를 생성하는 단계, 상기 제1지식 네트워크의 복수의 노드들 각각에 대해 그래프 이론 지표를 계산하는 단계, 및 상기 제1지식 네트워크의 복수의 노드들 중 상기 그래프 이론 지표를 이용하여 선택된 일부 노드들을 이용하여 제2지식 네트워크를 생성하는 단계를 포함하고, 상기 검색어는 유전자명, 단백질명, 신진대사체명, 증상명, 질환명, 화합물명 및 약품명 중 적어도 하나를 포함하고, 상기 생물학적 엔티티는 유전자, 단백질, 신진대사체, 증상, 질환, 화합물 및 약품 중 적어도 하나를 포함하며, 상기 상호 연관도의 범주는 참여(participate), 공변(covariate), 조절(regulate), 연관(associate), 결합(bind), 업레귤레이트(upregulate), 유사(resemble), 치료(treat), 다운레귤레이트(downregulates), 완화(palliate), 포함(include), 및 표출(express)을 포함하며, 상기 그래프 이론 지표는 상기 제1지식 네트워크를 구성하는 복수의 노드들 중 적어도 하나에 대한 노드 간 최단 경로, 노드 별 클러스터링 계수, 노드 별 센트럴리티 계수를 포함하고, 상기 연결선이 나타내는 상호연관도의 범주에 따라 상기 연결선의 가중치가 다르게 설정되고, 상기 노드 간 최단 경로는 상기 설정된 가중치를 반영하여 산출되고, 상기 제2지식 네트워크를 생성하는 단계는, 상기 제1지식 네트워크를 구성하는 복수의 노드들 각각에 대해 상기 노드 간 최단 경로, 상기 노드 별 클러스터링 계수, 및 상기 노드 별 센트럴리티 계수 중 적어도 하나에 대한 표준 점수를 계산하고, 상기 표준 점수가 임계 값 미만인 노드와 상기 임계 값 미만인 노드의 연결선을 삭제함으로써 상기 제2지식 네트워크를 생성하고, 상기 표준 점수는 제1 지식 네트워크를 구성하는 각 노드에 대한 소정의 그래프 이론 지표의 지표값과 제1 지식 네트워크를 구성하는 복수의 노드에 대한 그래프 이론 지표의 평균 지표값 간의 차를 표준 에러로 나눈 값이고, 상기 DB 매트릭스는, 상기 선택된 생물학적 엔티티들이 가로축 및 세로축 각각에 배치되며, 가로축과 세로축이 교차하는 지점에 상기 상호 연관도 종류가 표시되도록 생성될 수 있다.A data processing method for discovering new drug candidate substances performed in a data processing apparatus, the method comprising: generating a DB matrix consisting of a selected biological entity and a selected correlation type from an ohmics DB, receiving a search word, the DB matrix Extracting biological entities belonging to the search word and related to the search word from the search word, extracting a correlation between the search word and the biological entities from the DB matrix, the search word and the biological entities, respectively As a node, and generating a first knowledge network connecting a plurality of nodes using a connection line according to a correlation between the search word and the biological entities or a correlation between the biological entities, the first Computing a graph theory index for each of the plurality of nodes of the knowledge network, and generating a second knowledge network using some nodes selected using the graph theory index among the plurality of nodes of the first knowledge network Including a step, wherein the search word includes at least one of a gene name, a protein name, a metabolite name, a symptom name, a disease name, a compound name, and a drug name, and the biological entity is a gene, a protein, a metabolite, a symptom, a disease , At least one of a compound and a drug, and the category of the degree of correlation is participate, covariate, regulate, associate, bind, upregulate, Resemble, treatment, downregulates, palliate, include, and express, and the graph theory index is a plurality of the first knowledge network. Including the shortest path between nodes for at least one of the nodes, a clustering coefficient for each node, and a centrality coefficient for each node, and the weight of the connection line is different according to the category of the correlation diagram indicated by the connection line. Is set, and the shortest path between nodes is calculated by reflecting the set weight, and the step of generating the second knowledge network includes the shortest path between nodes for each of the plurality of nodes constituting the first knowledge network. , The second knowledge network is established by calculating a standard score for at least one of the clustering coefficient for each node and the centrality coefficient for each node, and deleting a connection line between a node having the standard score less than a threshold value and a node less than the threshold value. And the standard score is a standard difference between an index value of a predetermined graph theory index for each node constituting the first knowledge network and an average index value of a graph theory index for a plurality of nodes constituting the first knowledge network. It is a value divided by an error, and the DB matrix may be generated so that the selected biological entities are disposed on each of a horizontal axis and a vertical axis, and the correlation type is displayed at a point where the horizontal axis and the vertical axis intersect.
상기 제2지식 네트워크를 생성하는 단계는, 상기 제1지식 네트워크를 구성하는 전체 연결선을 임의로 섞은 다음 상기 제1지식 네트워크의 노드들 각각에 대해 상기 표준 점수를 계산하는 단계를 포함하고, 상기 임의로 섞는 회수는 1000회 이상일 수 있다.The step of generating the second knowledge network includes randomly mixing all connection lines constituting the first knowledge network, and then calculating the standard score for each of the nodes of the first knowledge network, and the randomly mixing The number of times may be 1000 or more.
상기 제2지식 네트워크를 생성하는 단계는, 상기 제1지식 네트워크를 구성하는 노드들 중에서 연결선이 하나인 노드를 삭제하는 단계, 및 상기 제1지식 네트워크를 구성하는 노드들 중에서 클러스터링 계수가 0인 노드를 삭제하는 단계를 더 포함할 수 있다.The generating of the second knowledge network may include deleting a node having one connection line among nodes constituting the first knowledge network, and a node having a clustering coefficient of 0 among nodes constituting the first knowledge network. It may further include the step of deleting.
상기 상호연관도의 범주는, 상호작용(interact), 원인(cause), 발현(present), 및 위치(localize) 중 적어도 하나를 더 포함할 수 있다.The category of the correlation diagram may further include at least one of interaction, cause, present, and localize.
상기 제2지식 네트워크로부터 약물 가능 경로를 추출하는 단계를 더 포함하고, 상기 약물 가능 경로를 추출하는 단계는, 상기 제2지식 네트워크에 존재하는 약물-질환 노드들 각각에 대한 근접도의 표준 점수가 기준 값보다 작은 약물-질환 노드 페어들을 선택하는 단계, 상기 선택된 약물-질환 노드 페어들에 대한 경로들 중에서, 상기 경로들 각각에 존재하는 중간 노드가 기준 개수 이상인 경로들을 추출하는 단계, 및 상기 추출된 경로들 중에서, 상기 추출된 경로들의 중간 노드들의 센트렐리티 계수의 총합이 기준 값 이상인 경로를 상기 약물 가능 경로로서 추출하는 단계를 포함할 수 있다.Further comprising the step of extracting the drug possible path from the second knowledge network, the step of extracting the drug possible path, the standard score of the proximity to each of the drug-disease nodes existing in the second knowledge network Selecting drug-disease node pairs smaller than a reference value, extracting paths in which intermediate nodes present in each of the paths are greater than or equal to a reference number from among paths to the selected drug-disease node pairs, and the extraction Among the extracted paths, a path in which a sum of centrality coefficients of intermediate nodes of the extracted paths is equal to or greater than a reference value may be extracted as the drug-enabled path.
상기 데이터 처리 방법을 컴퓨터에서 실행시키기 위한 프로그램이 기록된 기록매체가 제공될 수 있다.A recording medium in which a program for executing the data processing method is recorded on a computer may be provided.
신약 후보 물질 발굴을 위하여 막대한 양의 정보를 일일이 탐색하지 않고도, 소정의 검색어와 관련된 생물학적 엔티티 및 이들의 상호 연관도에 관한 정제된 정보를 단시간 내에 추출할 수 있다. 이에 따라, 신약 후보 물질 또는 신약 후보 물질의 타겟을 발굴하는데 소요되는 비용 및 기간을 현저히 줄일 수 있다.In order to discover new drug candidates, refined information on biological entities related to a predetermined search word and their correlations can be extracted within a short time without searching for a huge amount of information. Accordingly, it is possible to significantly reduce the cost and period required to discover a new drug candidate substance or a target of a new drug candidate substance.
도1은 일 실시 예에 따라, 신약 후보 물질 발굴을 위한 데이터 처리 장치의 블록도이다.
도2는 일 실시 예에 따라, 데이터 처리 장치의 신약 후보 물질 발굴을 위한 데이터 처리 방법의 흐름도를 나타낸다.
도3은 일 실시 예에 따라, 입력되는 소정의 검색어를 나타낸다.
도4는 일 실시 예에 따라, 단계 S205 에서 생성된 DB매트릭스를 나타낸다.
도5는 일 실시 예에 따라, 단계 S205 에서 생성된 DB매트릭스를 나타낸다.
도6은 일 실시 예에 따른 제1 지식 네트워크이다.
도7은 일 실시 예에 따라, Participation coefficient(PC)에 따라 허브의 종류를 구분하는 것을 나타낸다.
도8은 일 실시 예에 따라, 검색어 "epilepsy syndrome"로부터 생성된 제2 지식 네트워크이다.
도9는 일 실시 예에 따라, 오믹스 레벨(생물학적 엔티티)이 입력되는 예를 나타낸다.
도10은 일 실시 예에 따라, 상호 연관도 종류가 입력되는 예를 나타낸다.
도11은 추가적 실시 예에 따라, 신약 후보 물질 발굴을 위한 데이터 처리 장치의 블록도이다.
도12는 추가적 실시 예에 따라, 데이터 처리 장치의 신약 후보 물질 발굴을 위한 데이터 처리 방법의 흐름도를 나타낸다.
도13은 일 실시 예에 따라, 데이터 처리 장치가 약물 가능 경로를 탐색하는 방법의 흐름도를 나타낸다.1 is a block diagram of a data processing apparatus for discovering a new drug candidate, according to an exemplary embodiment.
2 is a flowchart illustrating a data processing method for discovering a new drug candidate substance by a data processing device, according to an exemplary embodiment.
3 shows a predetermined search word input according to an embodiment.
4 shows a DB matrix generated in step S205 according to an embodiment.
5 shows a DB matrix generated in step S205 according to an embodiment.
6 is a first knowledge network according to an embodiment.
7 illustrates classification of hub types according to a Participation coefficient (PC), according to an embodiment.
8 is a second knowledge network generated from a search word "epilepsy syndrome" according to an embodiment.
9 shows an example in which an ohmic level (biological entity) is input, according to an embodiment.
10 illustrates an example in which a correlation degree type is input according to an embodiment.
11 is a block diagram of a data processing apparatus for discovering a new drug candidate, according to a further embodiment.
12 is a flowchart illustrating a data processing method for discovering a new drug candidate substance by a data processing apparatus, according to an additional embodiment.
13 is a flowchart of a method for a data processing device to search for a drug available path, according to an embodiment.
아래에서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자들(이하, 통상의 기술자들)이 본 발명을 용이하게 실시할 수 있도록, 첨부되는 도면들을 참조하여 몇몇 실시 예가 명확하고 상세하게 설명될 것이다.In the following, some embodiments will be described clearly and in detail with reference to the accompanying drawings so that those with ordinary knowledge in the technical field to which the present invention pertains (hereinafter, ordinary technicians) can easily implement the present invention. will be.
또한, 명세서에서 사용되는 "부" 이라는 용어는 FPGA(Field Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)과 같은 하드웨어 구성요소 또는 회로를 의미할 수 있다.In addition, the term "unit" used in the specification may mean a hardware component or circuit such as a field programmable gate array (FPGA) or an application specific integrated circuit (ASIC).
도1은 일 실시예에 따른 신약 후보 물질 발굴을 위한 데이터 처리 장치의 블록도이고, 도2는 일 실시 예에 따른 데이터 처리 장치의 신약 후보 물질 발굴을 위한 데이터 처리 방법의 흐름도를 나타낸다. 1 is a block diagram of a data processing apparatus for discovering a new drug candidate according to an exemplary embodiment, and FIG. 2 is a flowchart of a data processing method for discovering a new drug candidate by a data processing apparatus according to an exemplary embodiment.
도1을 참조하면, 신약 후보 물질 발굴을 위한 데이터 처리 장치(100)는 DB 매트릭스 생성부(105), 검색어 수신부(110), 데이터 추출부(120), 데이터 생성부(130), 데이터 처리부(140), 데이터 정제부(150), 출력부(160), 및 저장부(170)를 포함할 수 있다. 데이터 처리 장치(100)는 적어도 하나의 컴퓨팅 장치를 포함할 수 있다. 예를 들어, 데이터 처리 장치(100)는 적어도 하나의 프로세서와 적어도 하나의 메모리를 포함할 수 있다.Referring to FIG. 1, a
도1 내지 2를 참조하면, DB 매트릭스 생성부(105)는 오믹스 DB(200)로부터 적어도 일부의 오믹스 레벨(생물학적 엔티티)들에 관한 DB 및 적어도 일부의 상호 연관도 종류들에 관한 DB로 구성되는 DB 매트릭스를 생성할 수 있다(S205). DB 매트릭스를 생성하기 위한 오믹스 레벨(생물학적 엔티티)들과 상호 연관도 종류들은 사용자에 의해 선택될 수 있다. 이를 위해, DB 매트릭스 생성부(105)는 DB 매트릭스를 생성하기 위해, 오믹스를 이루는 복수의 레벨 중 적어도 일부의 오믹스 레벨(생물학적 엔티티)을 입력 받고, 오믹스를 이루는 복수의 상호 연관도 종류 중 적어도 일부의 상호 연관도 종류를 입력 받을 수 있다. 1 to 2, the DB
오믹스(omics)는 체학이라고도 하며, 예를 들어 유전자체학, 전사체학, 단백질체학, 신진대사체학, 후성유전체학, 지질체학 등이 있고, 세부적으로 해부학적 구조(anatomy), 생물학적 경로(biological process), 전도경로(pathway), 약리학적 계층(pharmacological class), 증상, 질환, 화합물, 약물, 부작용 등에 관련된 내용을 포함할 수 있으나, 이로 제한되는 것은 아니다. 복수의 오믹스 레벨은 유전자 레벨, 전사 레벨, 단백질 레벨, 신진대사체 레벨, 후성유전자 레벨, 지질 레벨, 해부학적 구조 레벨, 생물학적 경로 레벨, 전도경로 레벨, 약리학적 계층레벨, 증상 레벨, 질환 레벨, 화합물 레벨, 약물 레벨 및 부작용 레벨 등을 포함할 수 있으나, 이로 제한되는 것은 아니다. 여기서, 해부학적 구조는 조직(tissue), 기관(organ) 등을 의미할 수 있고, 생물학적 경로는 세포 내 구조의 레벨에서의 위치와 같은 세포 구성성분, 유전자 온톨로지로부터 추출된 분자 기능을 포함하는 일련의 이벤트일 수 있으며, 약리학적 계층은 약리학적 효과, 작용의 메커니즘일 수 있다. Omics are also called somatics. For example, there are genomics, transcriptomes, proteomics, metabolomics, epigenetics, and geology, and detailed anatomy and biological processes. , The conduction path (pathway), pharmacological class (pharmacological class), symptoms, diseases, compounds, drugs, side effects, etc. may include, but are not limited thereto. Multiple ohmic levels are gene level, transcription level, protein level, metabolite level, epigene level, lipid level, anatomical structure level, biological pathway level, conduction pathway level, pharmacological hierarchy level, symptom level, disease level. , Compound level, drug level, side effect level, and the like, but are not limited thereto. Here, the anatomical structure may mean a tissue, an organ, etc., and the biological pathway is a series of cellular components such as location at the level of the intracellular structure, and molecular functions extracted from gene ontology. May be an event of, and the pharmacological layer may be a pharmacological effect, a mechanism of action.
복수의 상호 연관도 종류는 "상호작용(interact)", "참여(participate)", "공변(covariate)", "조절(regulate)", "연관(associate)", "결합(bind)", "업레귤레이트(upregulate)", "원인(cause)", "유사(resemble)", "치료(treat)", "다운레귤레이트(downregulates)", "완화(palliate)", "발현(present)", "위치(localize)", "포함(include)", "표출(express)", "감소(decrease)", "증가(increase)" 등을 포함할 수 있으며, 종류 별로 식별 번호 또는 식별 기호가 임의로 부여될 수 있다. 종류 별 식별 번호 또는 식별 기호는 사용자에 의하여 설정되거나, 자동으로 설정될 수 있다. Multiple types of interrelationships are "interact", "participate", "covariate", "regulate", "associate", "bind", "Upregulate", "cause", "resemble", "treat", "downregulates", "palliate", "present )", "localize", "include", "express", "decrease", "increase", etc., and identification number or identification by type Symbols can be given arbitrarily. The identification number or identification symbol for each type may be set by the user or may be automatically set.
오믹스 DB(200)는 빅데이터 DB일 수 있으며, 본 발명의 실시예에 따른 데이터 처리 장치(100) 외부의 DB일 수 있고, 누구나 접근 가능하거나 소정의 조건 하에 인증 받은 자가 접근 가능한 글로벌 공공 DB일 수 있다. 오믹스 DB(200)는 오믹스 레벨(생물학적 엔티티)에 관한 정보 및 오믹스 레벨 내 생물학적 엔티티 간 상호 연관도에 관한 정보를 미리 저장할 수 있다. 예를 들어, 오믹스 DB는 오믹스 레벨 별 DB 및 상호 연관도 종류 별 DB를 포함할 수 있다. The Omix DB 200 may be a big data DB, a DB outside the
오믹스 레벨 별 DB는, 예를 들어 유전자 DB, 전사 DB, 단백질 DB, 신진대사체 DB, 후성유전자 DB, 지질 DB, 해부학적 구조 DB, 생물학적 경로 DB, 전도경로 DB, 증상 DB, 질환 DB, 화합물 DB, 약물 DB 및 부작용 DB를 포함할 수 있다. The DB for each level of omics is, for example, gene DB, transcription DB, protein DB, metabolite DB, epigene DB, lipid DB, anatomical structure DB, biological pathway DB, conduction pathway DB, symptom DB, disease DB, It may include compound DB, drug DB, and side effect DB.
상호 연관도 종류 별 DB는 상호작용(interact) DB, 참여(participate) DB, 공변(covariate) DB, 조절(regulate) DB, 연관(associate) DB, 결합(bind) DB, 업레귤레이트(upregulate) DB, 원인(cause) DB, 유사(resemble) DB, 치료(treat) DB, 다운레귤레이트(downregulates) DB, 완화(palliate) DB, 발현(present) DB, 위치(localize) DB, 포함(include) DB, 표출(express) DB, 감소(decrease) DB, 증가(increase) DB 를 포함할 수 있다. 이들 DB는 하나의 빅데이터 DB로 통합하여 관리 및 운영되거나, 분산되어 관리 및 운용될 수 있다.DB for each type of correlation is interaction DB, participate DB, covariate DB, regulate DB, associate DB, bind DB, and upregulate DB, cause DB, resemble DB, treatment DB, downregulates DB, palliate DB, present DB, localize DB, include It can include DB, expression DB, decrease DB, and increase DB. These DBs can be managed and operated by integrating into one big data DB, or distributed and managed and operated.
도9는 일 실시예에 따라, DB 매트릭스를 생성하기 위해 오믹스 레벨(생물학적 엔티티)이 입력되는 예를 나타내고, 도10은 일 실시예에 따라 DB 매트릭스를 생성하기 위해 상호 연관도 종류가 입력되는 예를 나타낸다. 도9를 참조하면, 출력부(160)를 통하여 복수의 오믹스 레벨이 선택될 수 있는 화면이 노출될 수 있으며, 복수의 오믹스 레벨 중 사용자 인터페이스를 통하여 적어도 일부의 오믹스 레벨이 선택될 수 있다. 그리고, 도10을 참조하면, 출력부(160)를 통하여 복수의 상호 연관도 종류가 선택될 수 있는 화면이 노출될 수 있으며, 복수의 상호 연관도 종류 중 사용자 인터페이스를 통하여 적어도 일부의 상호 연관도 종류가 선택될 수 있다.9 shows an example in which an ohmic level (biological entity) is input to generate a DB matrix according to an embodiment, and FIG. 10 is a correlation diagram type input to generate a DB matrix according to an embodiment. Shows an example. Referring to FIG. 9, a screen in which a plurality of ohmic levels can be selected may be exposed through the
도4와 도5는 DB 매트릭스의 예를 나타낸다. 만약, 사용자가 DB 매트릭스를 생성하기 위해 오믹스 DB의 모든 오믹스 레벨(생물학적 엔티티)과 모든 상호 연관도 종류를 선택한다면 DB 매트릭스는 도4과 같이 생성될 수 있다. 도4를 참조하면, 선택된 오믹스 레벨(생물학적 엔티티)들이 가로축 및 세로축 각각에 배치되며, 가로축 및 세로축이 교차하는 지점에 선택된 상호 연관도 종류들이 표시되도록 생성될 수 있다. 4 and 5 show examples of the DB matrix. If the user selects all ohmic levels (biological entities) and all correlation types of the ohmics DB to generate the DB matrix, the DB matrix may be generated as shown in FIG. 4. Referring to FIG. 4, selected ohmic levels (biological entities) are disposed on each of the horizontal and vertical axes, and selected types of correlations may be generated to be displayed at points where the horizontal and vertical axes intersect.
예를 들어, 유전자 레벨(Gene), 단백질 레벨(Protein), 지질 레벨(Lipid), 신진대사체 레벨(Metabolite), 해부학적 구조 레벨(Anatomy), 생물학적 경로 레벨(Biological Process), 세포적 기반(Cellular Component), 분자 기능 레벨(Molecular Function), 약물 레벨(Drug), 부작용 레벨(Side Effect), 질병 레벨(Disease), 약리학적 계층 레벨(Pharmacological Class), 및 증상 레벨(Symptom)이 DB 매트릭스의 가로축 및 세로축 각각에 배치될 수 있으며, 가로축과 세로축이 교차하는 지점에 상호 연관도 종류인 상호작용(interact, Int), 참여(participate, P), 공변(covariate, Co), 조절(regulate, Reg), 연관(associate,A), 결합(bind, B), 업레귤레이트(upregulate, U), 원인(cause, Ca), 유사(resemble, R), 치료(treat, T), 다운레귤레이트(downregulates, D), 완화(palliate, Pa), 발현(present, Pr), 위치(localize, L), 포함(include, Inc), 감소(decrease, Decre), 증가(increase, Incre), 전이(translation, Tr), 및 표출(express, E) 중 적어도 하나가 표시될 수 있다.For example, gene level (Gene), protein level (Protein), lipid level (Lipid), metabolite level (Metabolite), anatomical structure level (Anatomy), biological pathway level (Biological Process), cellular basis ( Cellular Component, Molecular Function, Drug Level, Side Effect, Disease Level, Pharmacological Class, and Symptom Level (Symptom) of the DB matrix. It can be placed on each of the horizontal and vertical axes, and at the point where the horizontal and vertical axes intersect, the types of interaction (interact, Int), participation (participate, P), covariate (Co), and regulation (regulate, Reg) ), associate (A), bind (B), upregulate (U), cause (Ca), resemble (R), treatment (T), downregulate ( downregulates, D), palliate (Pa), expression (present, Pr), localize (L), include (Inc), decrease (decrease, Decre), increase (increase, Incre), translation , Tr), and at least one of expression (express, E) may be displayed.
만약, 사용자가 DB 매트릭스를 생성하기 위해 DB 종류를 유전자 레벨(Gene), 약물 레벨(Drug), 질병 레벨(Disease)로 선택하고 DB 사이의 상호 연관도의 종류를 공변(Co), 조절(Reg), 업레귤레이트(U), 결합(B), 다운레귤레이트(D), 연관(A), 유사(R), 치료(T), 완화(Pa)로 선택한다면 DB 매트릭스는 도5와 같이 생성될 수 있다. If the user selects the DB type as Gene level (Gene), Drug level (Drug), and Disease level (Disease) in order to create the DB matrix, the type of correlation between DBs is covariate (Co), control (Reg ), upregulation (U), binding (B), downregulation (D), association (A), similarity (R), treatment (T), relief (Pa), the DB matrix is as shown in FIG. Can be created.
다시 도1 내지 2를 참조하면, 검색어 수신부(110)는 소정의 검색어를 수신할 수 있다(S200). 소정의 검색어는 사용자 인터페이스를 통하여 입력될 수 있으며, 유전자명, 단백질명, 신진대사체명, 증상명, 질환명, 화합물명 및 약물명 중 적어도 하나를 포함할 수 있다. 예를 들어, 사용자는 검색어 수신부(110)를 통해 Bupropion 이라는 약물을 검색어로서 입력하거나 epilepsy syndrome 라는 질환을 검색어로 입력할 수 있다. 도3은 소정의 검색어가 입력되는 예를 나타낸다. 도 3을 참조하면, 출력부(160)를 통하여 소정의 검색어를 입력하기 위한 화면이 노출될 수 있으며, 사용자 인터페이스를 통하여 소정의 검색어가 입력될 수 있다. 도3은 질환명을 범주로 선택하며, 소정의 검색어로 epilepsy syndrome를 입력하는 예를 나타낸다.Referring back to FIGS. 1 to 2, the search
다음으로, 데이터 추출부(120)는 단계 S200에서 수신된 소정의 검색어와 관련된 적어도 하나의 생물학적 엔티티(entity)를 생성한 DB 매트릭스를 이용하여 추출하며(S210), 소정의 검색어와 추출한 생물학적 엔티티 간 상호 연관도를 생성한 DB 매트릭스를 이용하여 추출할 수 있다(S220). 여기서, 생물학적 엔티티는 유전자, 단백질, 신진대사체, 증상, 질환, 화합물 및 약물 중 적어도 하나를 포함할 수 있으며, 소정의 검색어가 속한 레벨은 생물학적 엔티티가 속한 오믹스 레벨과 동일할 수도 있고, 상이할 수도 있다. 예를 들어, 도 3에서 예시한 바와 같이, 소정의 검색어가 질환명인 epilepsy syndrome인 경우, 단계 S210에서 추출되는 생물학적 엔티티는 epilepsy syndrome과 연관된 유전자, epilepsy syndrome과 연관된 단백질, epilepsy syndrome과 연관된 신진대사체, epilepsy syndrome과 연관된 증상, epilepsy syndrome과 연관된 질환, epilepsy syndrome과 연관된 화합물 및 epilepsy syndrome과 연관된 약물 중 적어도 하나를 포함할 수 있다. 그리고, 단계 S210에서 추출되는 생물학적 엔티티는 레벨 별로 복수의 생물학적 엔티티를 포함할 수도 있다. 도3에서 예시한 바와 같이, 소정의 검색어가 질환명인 epilepsy syndrome인 경우, 단계 S210에서 추출되는 생물학적 엔티티는 epilepsy syndrome과 연관된 복수의 유전자, epilepsy syndrome과 연관된 복수의 단백질, epilepsy syndrome과 연관된 복수의 신진대사체, epilepsy syndrome과 연관된 복수의 증상, epilepsy syndrome과 연관된 복수의 질환, epilepsy syndrome과 연관된 복수의 화합물 및 epilepsy syndrome과 연관된 복수의 약물 중 적어도 하나를 포함할 수도 있다.Next, the
이와 같이, 단계 S210 및 단계 S220에서 DB 매트릭스를 이용하여 소정의 검색어와 연관된 생물학적 엔티티 및 상호 연관도를 추출할 경우, 탐색되어야 할 DB의 양을 현저히 줄일 수 있으며, 이에 따라 정보를 탐색하기 위한 시간 및 비용을 줄일 수 있으며, 사용자가 원하는 정보만을 추출하는 것이 가능하다. In this way, when extracting biological entities and correlations associated with a predetermined search word using the DB matrix in steps S210 and S220, the amount of DB to be searched can be significantly reduced, and accordingly, time for searching information And it is possible to reduce the cost, it is possible to extract only the information desired by the user.
다음으로, 데이터 생성부(130)는 단계 S210과 단계 S220에서 추출한 결과를 이용하여 제1지식 네트워크를 생성할 수 있다(S230). 도6은 일 실시예에 따라 생성된 제1지식 네트워크의 일 예이다. 원 모양은 노드를, 선은 연결선(에지)을 나타낼 수 있다. 여기서, 제1 지식 네트워크는 단계 S200에서 수신된 소정의 검색어와 단계 S210에서 추출된 생물학적 엔티티들 각각을 노드로 하며, 단계 S220에서 추출한 소정의 검색어와 생물학적 엔티티 사이의 상호 연관도 또는 생물학적 엔티티들 사이의 상호 연관도에 따라 연결선을 이용하여 복수의 노드를 연결한 그래프 형태일 수 있다. 동일한 오믹스 레벨 내 노드들이 연결선을 통해 연결될 수도 있고, 서로 다른 오믹스 레벨 내 노드들이 연결선을 통해 연결될 수 있다. 제1 지식 네트워크 내 노드 중 하나인 노드 A로부터 다른 하나인 노드 B로 가는 경로는 다양할 수 있으며, 가능한 모든 경로가 연결선에 의하여 연결될 수 있다. 여기서, 지식 네트워크는 생물학적 엔티티 간의 상호 연관도로 이루어진 네트워크로, 생물학적 네트워크로도 불릴 수 있다. Next, the
다음으로, 데이터 처리부(140)는 단계 S230에서 생성한 제1 지식 네트워크의 그래프 이론 지표를 계산할 수 있다(S240). 일 실시 예에 따라, 그래프 이론 지표는 제1 지식 네트워크를 구성하는 복수의 노드들에 대한 노드 간 최단 경로, 노드 별 클러스터링 계수, 노드 별 센트럴리티 계수, 노드 별 허브 성격 중 적어도 하나를 포함할 수 있다.Next, the
노드 간 최단 경로는 제1지식 네트워크에서 노드 A로부터 노드 B로 가는 수 많은 경로 중 가장 짧은 경로를 의미할 수 있다. 이하, 생물학적 엔티티 중 하나인 노드 A와 생물학적 엔티티 중 다른 하나인 노드 B 간 최단 경로를 산출하는 방법을 설명한다.The shortest path between nodes may mean the shortest path among a number of paths from node A to node B in the first knowledge network. Hereinafter, a method of calculating the shortest path between Node A as one of the biological entities and Node B as the other one of the biological entities will be described.
노드 A로부터 노드 B로 가는 경로는 다양하며, 노드 A와 노드 B가 직접 연결되거나, 노드 A와 노드 B 사이의 각 경로 상에 적어도 하나의 중간 노드가 존재할 수도 있다. 데이터 처리부(140)는 노드 A와 노드 B 사이의 최단 경로를 경로 별 중간 노드의 개수를 이용하여 획득할 수 있다. 예를 들어, 데이터 처리부(140)는, 노드 A와 노드 B 간 다양한 경로 중 중간 노드의 개수가 적을수록 짧은 경로인 것으로 판단할 수 있다. There are various paths from node A to node B, and node A and node B may be directly connected, or at least one intermediate node may exist on each path between node A and node B. The
또는, 데이터 처리부(140)는 노드 A와 노드 B 간 최단 경로는 경로 별 중간 노드의 개수를 이용하여 얻되, 연결선 별 상호 연관성의 종류를 반영할 수도 있다. 즉, 상호 연관성의 범주 별로 가중치를 다르게 설정할 수 있으며, 경로 별로 존재하는 상호 연관성에 가중치를 적용할 수도 있다. Alternatively, the
수학식 1은 노드 간 최단 경로를 산출하는 식의 한 예이다.
여기서, wst는 두 노드 s와 t간의 상호 연관성 지표이며, f는 가중치 변환 함수이고, 는 두 노드 i와 j 사이의 최단 경로이다. 데이터 처리부(140)는 각 경로 별로 수학식 1의 값을 결정하며, 가장 낮은 값 또는 가장 높은 값을 가지는 경로를 최단 경로로서 선택할 수 있다. Where w st is an index of correlation between two nodes s and t, f is a weight transformation function, Is the shortest path between two nodes i and j. The
다음으로, 노드 별 클러스터링 계수(clustering coefficient)는 수학식 2 및 수학식 3에 의하여 계산될 수 있다. 여기서, 클러스터링 계수는 집단화 계수라고 지칭될 수도 있으며, 특정 노드와 이웃한 노드들이 서로 연결되어 있을 확률 또는 특정 노드와 이웃한 노드들 간의 연결 밀도를 의미할 수 있다. Next, a clustering coefficient for each node may be calculated by
여기서, ti w는 지식 네트워크의 각 노드 i 주변에 만들어지는 그래프 내의 삼각형의 개수를 의미하며, N은 지식 네트워크의 전체 노드 집합이며, wij 는 노드 i와 노드 j 사이의 상호 연관성 지표이고, wih는 노드 i와 노드 h 사이의 상호 연관성 지표이며, wjh는 노드 j와 노드 h 사이의 상호 연관성 지표이다. Here, t i w is the number of triangles in the graph created around each node i of the knowledge network, N is the total node set of the knowledge network, and w ij is the correlation index between node i and node j, w ih is a correlation index between node i and node h, and w jh is a correlation index between node j and node h.
여기서, Cw 는 클러스터링 계수를 의미하며, ti w는 지식 네트워크의 각 노드 i 주변에 만들어지는 그래프 내의 삼각형의 개수고, ki 는 노드 i의 degree, 즉 노드 i의 지식 네트워크 내 연결성 정도 값을 의미한다. Here, C w is the clustering coefficient, t i w is the number of triangles in the graph around each node i of the knowledge network, and k i is the degree of node i, that is, the degree of connectivity of node i in the knowledge network. Means.
다음으로, 노드 별 센트렐리티(centrality) 지표는 특정 노드가 허브의 기능을 가지는지에 대한 지표이며, Dnodal(nodal degree)값, BC(betweenness centrality) , Enodal (nodal efficiency) 값 등으로 나타낼 수 있다. 여기서, Dnodal 값은 각 노드의 지식 네트워크 내 연결성 정도 값, 즉, 지식 네트워크 내에서 노드 i가 얼마나 강한 또는 약한 연결성을 가지고 있는지를 나타내는 지표이고, Enodal 값은 노드 i의 지식 네트워크 내 효율성 정도 값, 즉 수학식 1의 최단 경로의 역수로 표현된 값으로, 경로가 짧을수록 높은 효율성을 가지고, BC 값은 지식 네트워크 내 노드 간 경로에서 노드 i가 지름길이 되는 횟수를 나타내는 지표이다. Next, the centrality index for each node is an index for whether a specific node has the function of a hub, and is based on D nodal (nodal degree) values, BC (betweenness centrality), and E nodal (nodal efficiency) values. Can be indicated. Here, the D nodal value is a value of the connectivity level of each node in the knowledge network, that is, an index indicating how strong or weak node i has connectivity in the knowledge network, and the E nodal value is the efficiency level in the knowledge network of node i A value, that is, a value expressed by the reciprocal of the shortest path in
먼저, Dnodal 값은 수학식 4에 의하여 계산될 수 있다.First, the value of D nodal can be calculated by
여기서, wij는 노드 i와 노드 j간 상호 연관성 지표이고, N은 지식 네트워크의 전체 노드 집합이다.Here, wij is an index of correlation between node i and node j, and N is the total node set of the knowledge network.
그리고, Enodal 값은 수학식 5에 의하여 계산될 수 있다.And, the E nodal value may be calculated by
여기서, N은 지식 네트워크의 전체 노드 집합이고, dW i,j는 수학식 1에서 계산한 최단 경로를 나타내는 값이다.Here, N is a set of all nodes of the knowledge network, and d and i,j are values representing the shortest path calculated in
다음으로, Betweenness centrality(BC)는 수학식 6에 의하여 계산될 수 있다. Next, Betweenness centrality (BC) can be calculated by
여기서, ghj는 노드 h 와 j 사이의 최단 거리를 의미하고, ghj(i)는 노드 i를 통과하는 h 와 j 사이의 최단 거리를 의미한다. Here, g hj means the shortest distance between nodes h and j, and g hj (i) means the shortest distance between h and j passing through the node i.
다음으로, 소정의 노드가 허브의 기능을 가지는 것으로 판단되는 경우, 데이터 처리부(140)는 허브의 성격을 분류할 수 있다. 이때, 허브의 성격은 kinless 허브, connector 허브, provincial 허브 등으로 분류될 수 있다. 여기서, kinless 허브는 영향력이 가장 높은 허브, 즉 많은 모듈 내 노드들과 연결된 허브를 의미하고, connector 허브는 지식 네트워크 내 모듈을 연결하는 성격의 허브를 의미하며, provincial 허브는 주로 모듈 내에서 높은 영향력을 가지는 허브를 의미한다. 여기서, 모듈(module)은 전체 지식 네트워크를 세분화한 구조적 구성 그룹일 수 있다.Next, when it is determined that the predetermined node has the function of the hub, the
이를 위하여, 지식 네트워크 내의 모듈 지수(Modularity)는 수학식 7과 같이 계산될 수 있다. 모듈 지수(modularity)는 전체 지식 네트워크의 구성 모듈 종류 수를 의미한다.To this end, the module index (Modularity) in the knowledge network may be calculated as in
여기서, 는 노드 i에서의 가중치 합을 의미하고, 는 가중치 합을 의미한다. δmi,mj 는 크로네커의 델타(kronecker delta)이고, mi=mj인 경우 1이고, 나머지인 경우 0이다. here, Means the sum of weights at node i, Means the sum of weights. δ mi,mj is the kronecker delta, 1 when mi=mj, and 0 when the remainder.
다음으로, 지식 네트워크 모듈의 참여지수(participation coefficient, PC)는 수학식 8과 같이 계산될 수 있다.Next, the participation coefficient (PC) of the knowledge network module may be calculated as shown in
여기서, M은 모듈의 집합을 의미하고, 는 모듈 m 내에서 노드 i와 나머지 모든 노드 간의 연결 수를 의미하고, 모듈 m은 전체 지식 네트워크를 세분화한 구조적 구성 그룹을 의미한다.Here, M means a set of modules, Denotes the number of connections between node i and all other nodes in module m, and module m denotes a structural group of subdivided entire knowledge network.
그리고, 지식 네트워크 모듈의 z스코어(within-module degree)는 수학식 9와 같이 계산될 수 있다.In addition, the z score (within-module degree) of the knowledge network module may be calculated as in
여기서, mi 는 모듈 m 내의 노드 i를 의미하고, 는 노드 i의 모듈 m 내에서의 연결 정도(degree)를 의미하며, 는 각각 모듈 m내의 연결 정도 분포(degree distribution)의 평균과 표준 편차를 의미한다.Here, m i means node i in module m, Means the degree of connection in module m of node i, Denotes the mean and standard deviation of the degree distribution in module m, respectively.
이상의 수학식 9의 지표 계산을 통해 각 노드가 모듈 내에서 허브인지 아닌지를 구분할 수 있다. 예를 들어, 다음과 같이, 지식 네트워크 모듈의 Z 스코어가 2.5 이상인 경우 허브인 것으로 판정될 수 있다.It is possible to distinguish whether each node is a hub in the module through the calculation of the index of
1.within-module z-score ≥ 2.5: 허브 1.within-module z-score ≥ 2.5: hub
2. within-module z-score < 2.5: 허브 아님 2. within-module z-score <2.5: not hub
또한, 노드가 모듈 내 허브인 것으로 판정될 경우, 수학식 8의 지표 계산을 통해 다음과 같이 허브의 종류를 분류할 수 있으며, 도7은 PC에 따라 허브의 종류를 구분하는 일례를 나타낸다. In addition, when it is determined that the node is a hub in the module, the type of hub can be classified as follows through the calculation of the index of
1. Provincial 허브: PC ≤ 0.30 1.Provincial Hub: PC ≤ 0.30
2. Connector 허브: 0.3 < PC ≤ 0.75 2. Connector Hub: 0.3 <PC ≤ 0.75
3. Kinless 허브: PC > 0.75 3. Kinless Hub: PC> 0.75
상술한 바와 같이, 데이터 처리부(140)가 단계 S240에서 그래프 이론 지표를 계산한 경우, 데이터 정제부(150)는 그래프 이론 지표를 이용하여 제1 지식 네트워크로부터 정제된 제2 지식 네트워크를 생성할 수 있다(S250). As described above, when the
제2 지식 네트워크는 제1 지식 네트워크보다 단순화된 네트워크로, 제1 지식 네트워크를 구성하는 복수의 노드 중 그래프 이론 측면에서 상관성이 높은 일부 노드들만으로 구성될 수 있다. The second knowledge network is a network that is more simplified than the first knowledge network, and may be composed of only some nodes having a high correlation in terms of graph theory among a plurality of nodes constituting the first knowledge network.
제2 지식 네트워크를 구성하는 노드는 제1 지식 네트워크를 구성하는 복수의 노드들 중 단계 S240에서 계산한 그래프 이론 지표가 기준 값 이상인 노드로 구성될 수 있다. 예를 들어, 제1지식 네트워크를 구성하는 복수의 노드들 중에서 노드 간 최단 경로에 대한 지표값, 노드 별 클러스터링 계수에 대한 지표값 및 노드 별 센트럴리티 계수에 대한 지표값 중 적어도 일부가 기준 값 이상인 일부 노드가 제2지식 네트워크에 포함될 수 있다. 즉, 제2지식 네트워크는 제1 지식 네트워크를 구성하는 복수의 노드 중에서 노드 간 최단 경로에 대한 지표값, 노드 별 클러스터링 계수에 대한 지표값 및 노드 별 센트럴리티 계수에 대한 지표값 중 적어도 일부가 임계 값 미만인 노드를 삭제하고, 삭제된 노드에 연관된 연결을 삭제하는 방법으로 생성될 수 있다. The node constituting the second knowledge network may be composed of a node in which the graph theory index calculated in step S240 is greater than or equal to a reference value among a plurality of nodes constituting the first knowledge network. For example, among a plurality of nodes constituting the first knowledge network, at least some of the indicator value for the shortest path between nodes, the indicator value for the clustering coefficient for each node, and the indicator value for the centrality coefficient for each node are equal to or greater than the reference value. Some nodes may be included in the second knowledge network. That is, in the second knowledge network, at least some of the index values for the shortest path between nodes, the clustering coefficient for each node, and the centrality coefficient for each node among the plurality of nodes constituting the first knowledge network are critical. It can be created by deleting the node that is less than the value and deleting the connection associated with the deleted node.
여기서, 기준 값과 비교되는 그래프 이론 지표는 노드 간 최단 경로에 대한 지표값, 노드 별 클러스터링 계수에 대한 지표값, 노드 별 센트럴리티 계수에 대한 지표값 각각일 수 있다. 또는, 기준 값과 비교되는 그래프 이론 지표는 노드 간 최단 경로에 대한 지표값, 노드 별 클러스터링 계수에 대한 지표값, 노드 별 센트럴리티 계수에 대한 지표값 중 적어도 두 개를 통합하여 산출된 값일 수 있다. Here, the graph theory index compared with the reference value may be an index value for a shortest path between nodes, an index value for a clustering coefficient for each node, and an index value for a centrality coefficient for each node. Alternatively, the graph theory index compared with the reference value may be a value calculated by integrating at least two of an index value for the shortest path between nodes, an index value for a clustering coefficient for each node, and an index value for a centrality coefficient for each node. .
일 실시 예에 따라, 노드 간 최단 경로에 대한 지표값, 노드 별 클러스터링 계수에 대한 지표값 및 노드 별 센트럴리티 계수에 대한 지표값 중 적어도 하나는 노드 별 표준 점수로 계산될 수 있으며, 계산된 표준 점수가 임계 값과 비교될 수 있다. According to an embodiment, at least one of an indicator value for the shortest path between nodes, an indicator value for a clustering coefficient for each node, and an indicator value for a centrality coefficient for each node may be calculated as a standard score for each node, and the calculated standard The score can be compared to a threshold value.
여기서, 표준 점수는 z 스코어일 수 있으며, 임계 값은 95%의 유의성을 의미할 수 있다. z 스코어는 수학식 10과 같이 계산될 수 있다.Here, the standard score may be a z score, and the threshold value may mean 95% significance. The z score can be calculated as in
여기서, z는 z 스코어이고, X는 제1 지식 네트워크 내 특정 노드에 대한 소정의 그래프 이론 지표의 지표값이며, mean(x)는 제1 지식 네트워크 내의 적어도 일부 노드들에 대한 소정의 그래프 이론 지표의 평균 지표값이고, SE(x)는 제1 지식 네트워크 내의 적어도 일부 노드들의 그래프 이론 지표의 지표값의 표준 에러이다. 여기서, SE = 로 나타낼 수 있으며, σ는 표준 편차이고, n은 제1 지식 네트워크를 구성하는 적어도 일부 노드들의 개수이다. 일 실시 예에 따라, z 스코어를 결정하기 위해 선택되는 제1지식 네트워크의 적어도 일부 노드들의 개수는 1000개일 수 있다. Here, z is a z score, X is an index value of a predetermined graph theory index for a specific node in the first knowledge network, and mean(x) is a predetermined graph theory index for at least some nodes in the first knowledge network. Is the average index value, and SE(x) is the standard error of the index value of the graph theory index of at least some nodes in the first knowledge network. Where SE = , Where σ is the standard deviation, and n is the number of at least some nodes constituting the first knowledge network. According to an embodiment, the number of at least some nodes of the first knowledge network selected to determine the z score may be 1000.
즉, z 스코어는 제1 지식 네트워크를 구성하는 각 노드에 대한 소정의 그래프 이론 지표의 지표값과 제1 지식 네트워크를 구성하는 복수의 노드에 대한 소정의 그래프 이론 지표의 평균 지표값 간의 차를 표준 에러로 나눈 값일 수 있다. That is, the z score is the standard difference between the index value of a predetermined graph theory index for each node constituting the first knowledge network and the average index value of a predetermined graph theory index for a plurality of nodes constituting the first knowledge network. It can be a value divided by the error.
일 실시 예에 따라, z 스코어는 퍼뮤테이션 테스트(permutation test)를 통하여 계산될 수 있다. 퍼뮤테이션 테스트는 제1 지식 네트워크를 구성하는 전체 연결선을 임의로 섞은 다음, 각 노드에 대해 z 스코어를 계산하는 방법으로 행해질 수 있다. 이때, 임의로 섞는 횟수는 1000회 이상일 수 있다.According to an embodiment, the z score may be calculated through a permutation test. The permutation test may be performed by randomly mixing all connection lines constituting the first knowledge network and then calculating a z score for each node. At this time, the number of random mixing may be 1000 or more.
제2 지식 네트워크를 구성하는 노드는 제1 지식 네트워크를 구성하는 복수의 노드 중에서 단계 S240에서 계산한 그래프 이론 지표 중 노드 별 허브 성격에 대한 지표 값을 이용하여 추출한 일부 노드일 수도 있다. 즉, 제2 지식 네트워크를 구성하는 노드는 수학식 9의 지표 계산을 통해 모듈 내 허브인 것으로 판정된 노드, 바람직하게는 kinless 허브, connector 허브 및 provincial 허브 중 하나로 분류된 노드, 더욱 바람직하게는 kinless 허브 및 connector 허브 중 하나로 분류된 노드, 더욱 바람직하게는 kinless 허브로 분류된 노드일 수 있다. The nodes constituting the second knowledge network may be some nodes extracted by using an index value for the hub characteristic of each node among the graph theory indexes calculated in step S240 from among the plurality of nodes constituting the first knowledge network. That is, the node constituting the second knowledge network is a node determined to be a hub in the module through the calculation of the index of
데이터 정제부(150)는 지식 네트워크 분석 과정에서 불필요한 제1지식 네트워크의 노드를 추가적으로 제거할 수 있다. 데이터 정제부(150)는 연결선이 하나인 노드를 해당 노드의 연결선과 함께 제거할 수 있다. 연결선이 한 개에 불과한 노드는 멀티오믹스 네트워크의 개념에 부합하지 않는 네트워크 노드로 해석될 수 있기 때문이다. 또한, 데이터 정제부(150)는 클러스터링 계수(clustering coefficient)가 0인 노드를 해당 노드의 연결선과 함께 제거할 수 있다. 클러스터링 계수의 값이 0인 노드의 경우, 주요 허브 노드가 될 가능성이 없는 노드로 해석될 수 있기 때문이다. The
다음으로, 출력부(160)는 단계 S250에서 생성된 제2 지식 네트워크를 출력한다(S260). 출력부(160)는, 예를 들어 디스플레이일 수 있다. 도 8은 본 발명의 실시예에 따라 "epilepsy syndrome"를 검색어로 하여 생성된 제2지식 네트워크의 일예이다. 도 8을 참조하면, 도 6의 제1 지식 네트워크에 비하여 현저히 단순화되고 정제된 제2지식 네트워크를 얻을 수 있음을 알 수 있다. 또한, 도 8을 참조하면, "epilepsy syndrome"와 연관된 서로 다른 오믹스 레벨 내 생물학적 엔티티 및 이들 간 상호 연관성을 직관적으로 얻을 수 있음을 알 수 있다. Next, the
이와 같이, 데이터 처리 장치(100)는 소정의 검색어와 관련하여 정제된 노드만으로 구성된 제2 지식 네트워크를 생성할 수 있으며, 이에 따라 신약 후보 물질 또는 신약 후보 물질의 타겟을 용이하게 결정할 수 있다.In this way, the
도11은 추가적 실시예에 따른 신약 후보 물질 발굴을 위한 데이터 처리 장치의 블록도이고, 도12는 추가적 실시 예에 따른 데이터 처리 장치의 신약 후보 물질 발굴을 위한 데이터 처리 방법의 흐름도를 나타낸다. 11 is a block diagram of a data processing apparatus for discovering a new drug candidate according to an additional embodiment, and FIG. 12 is a flowchart of a data processing method for discovering a new drug candidate by a data processing apparatus according to an additional embodiment.
도11 내지 12를 참조하면, 데이터 처리 장치(100)는 약물 가능 경로를 추출하기 위한 경로 추출부(180)를 더 포함할 수 있다. 11 to 12, the
여기서, 약물 가능 경로는 약물이 반응하는 경로 또는 약물이 작용하는 경로를 의미하며, 약물 반응 경로 또는 약물 작용 경로와 혼용될 수 있다. 이때, 약물 가능 경로는 서로 다른 오믹스 레벨 내 생물학적 엔티티들 간 상호 연관도에 따라 표시될 수 있으며, 본 명세서에서 생성된 제2지식 네트워크 내 일부 연결 경로를 의미할 수 있다.Here, the drug-enabled route means a route through which a drug reacts or a route through which a drug acts, and may be mixed with a drug reaction route or a drug action route. In this case, the drug-enabled pathway may be displayed according to a degree of correlation between biological entities in different ohmic levels, and may mean some connection pathways in the second knowledge network generated in the present specification.
경로 추출부(180)는 제2지식 네트워크에 존재하는 약물-질환 노드 페어(Pair, 쌍)들을 분석하여 신약 후보 물질을 도출하기 위한 기초 약물을 결정하기 위한 약물 가능 경로를 추출할 수 있다(S270). The
도13은 일 실시 예에 따라, 데이터 처리 장치가 약물 가능 경로를 탐색하는 방법의 흐름도를 나타낸다. 도13의 흐름도는 약물 가능 경로를 추출하는 단계(S270)의 하위 단계들을 나타낼 수 있다.13 is a flowchart of a method for a data processing device to search for a drug available path, according to an embodiment. The flowchart of FIG. 13 may represent sub-steps of the step S270 of extracting a drug-enabled route.
단계 S13200에서, 경로 추출부(180)는 제2지식 네트워크에 존재하는 약물-질환 노드 페어들 각각에 대한 근접도의 표준 점수(z-score)가 기준 값보다 작은 약물-질환 노드 페어들을 선택할 수 있다. 경로 추출부(180)는 제2지식 네트워크로부터 특정 약물 노드과 상기 특정 약물 노드와 연결선을 통해 연결된 질환 노드를 각각 소스 노드와 타겟 노드로 하는 적어도 하나의 약물-질환 노드 페어들을 결정할 수 있다. 일 실시 예에 따라, 경로 추출부(180)는 제2지식 네트워크로부터 특정 약물에 대한 모든 약물-질환 페어들을 추출하고, 추출된 약물-질환 페어들 각각에 대한 근접도의 표준 점수를 계산할 수 있다. 일 실시 예에 따라, 노드 페어 (s, t)(s : 소스 노드(약물), t : 타겟 노드(질환))의 근접도의 표준 점수는 하기 수학식 11을 사용하여 계산될 수 있다.In step S13200, the
(s : 소스 노드, t : 현재 타겟 노드, T : 타겟 노드들의 집합, d(s, t) : 소스 노드 s와 현재 타겟 노드 t의 최단 경로(최단 거리), mean(d(s, T)) : 소스 노드 s 와 타겟 노드 집합 T로 구성되는 노드 페어들에 대한 최단 경로들의 평균, SD(d(s, T)) : 소스 노드 s 와 타겟 노드 집합 T로 구성되는 노드 페어들에 대한 최단 경로들의 표준 편차, z(s, t) : 소스 노드 s와 현재 타겟 노드 t의 근접도의 표준 점수(z-score))(s: source node, t: current target node, T: set of target nodes, d(s, t): shortest path (shortest distance) between source node s and current target node t, mean(d(s, T)) ): Average of shortest paths for node pairs consisting of source node s and target node set T, SD(d(s, T)): shortest for node pairs consisting of source node s and target node set T Standard deviation of the paths, z(s, t): the standard score of the proximity between the source node s and the current target node t (z-score))
경로 추출부(180)는 근접도의 표준 점수(z-score)가 기준 값보다 작은 적어도 하나의 약물-질환 노드 페어를 선택할 수 있다. 예를 들어, 신뢰도가 90%로 설정되는 경우 기준 값은 -1.645이고, 95%로 설정되는 경우 기준 값은 -1.960이고, 99%로 설정되는 경우 기준 값은 -2.576으로 결정될 수 있다. The
단계 S13400에서, 경로 추출부(180)는 단계 S13200에서 선택된 약물-질환 노드 페어의 근접도가 기준 값 이하인 페어들에 대한 경로들 중에서 경로들 각각에 존재하는 중간 노드(즉, 약물 노드와 질환 노드 사이에 존재하는 노드)가 기준 개수 이상인 경로들을 추출할 수 있다. 예를 들어, 경로 추출부(180)는 단계 S13200에서 추출된 페어들 중에서 두 개 이상의 중간 노드가 존재하는 약물-질환 노드 페어의 경로들을 추출할 수 있다. In step S13400, the
단계 S13600에서, 경로 추출부(180)는 단계 S13400에서 추출된 중간 노드가 기준 개수 이상인 경로들 중에서 중간 노드들의 센트럴리티(centrality) 계수의 총합이 기준 값 이상인 경로를 약물 가능 경로로서 추출할 수 있다. 예를 들어, 경로 추출부(180)는 단계 S13400에서 추출된 중간 노드가 기준 개수 이상인 경로들 각각에 대해 경로를 구성하는 중간 노드들의 센트렐리티(centrality) 계수의 총합을 계산하고, 계산된 총합이 상위(예를 들어, 단계 S13400에서 추출된 경로들의 중간 노드 센트렐리티(centrality) 계수의 총합에 대한 분포 중 상위 1% 이내)인 경로들을 약물 가능 경로로서 추출할 수 있다. 이로써, 경로 추출부(180)는 제2지식 네트워크 내에서 집중도가 높은 노드를 거치고 이동 경로의 효율을 높이는 약물 가능 경로를 추출할 수 있다.In step S13600, the
본 명세서에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-programmable gate array) 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.The term'~ unit' as used herein refers to software or hardware components such as field-programmable gate array (FPGA) or ASIC, and'~ unit' performs certain roles. However,'~ part' is not limited to software or hardware. The'~ unit' may be configured to be in an addressable storage medium, or may be configured to reproduce one or more processors. Thus, as an example,'~ unit' refers to components such as software components, object-oriented software components, class components and task components, processes, functions, properties, and procedures. , Subroutines, segments of program code, drivers, firmware, microcode, circuitry, data, database, data structures, tables, arrays, and variables. The components and functions provided in the'~ units' may be combined into a smaller number of elements and'~ units', or may be further divided into additional elements and'~ units'. In addition, components and'~ units' may be implemented to play one or more CPUs in a device or a security multimedia card.
한편, 상술한 데이터 처리 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽힐 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등을 포함할 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 프로세서가 읽을 수 있는 코드가 저장되고 실행될 수 있다.Meanwhile, the above-described data processing method can be implemented as a computer-readable code on a computer-readable recording medium. The computer-readable recording medium includes all types of recording devices that store data that can be read by a computer system. Examples of computer-readable recording media may include ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, and the like. In addition, the computer-readable recording medium is distributed over a computer system connected through a network, so that code that can be read by the processor can be stored and executed in a distributed manner.
설명들은 본 발명을 구현하기 위한 예시적인 구성들 및 동작들을 제공하도록 의도된다. 본 발명의 기술 사상은 위에서 설명된 실시 예들뿐만 아니라, 위 실시 예들을 단순하게 변경하거나 수정하여 얻어질 수 있는 구현들도 포함할 것이다. 또한, 본 발명의 기술 사상은 위에서 설명된 실시 예들을 앞으로 용이하게 변경하거나 수정하여 달성될 수 있는 구현들도 포함할 것이다.The descriptions are intended to provide exemplary configurations and operations for implementing the present invention. The technical idea of the present invention will include not only the embodiments described above, but also implementations that can be obtained by simply changing or modifying the above embodiments. In addition, the technical idea of the present invention will also include implementations that can be achieved by easily changing or modifying the embodiments described above.
Claims (6)
선택된 생물학적 엔티티와 선택된 상호 연관도 종류로 구성되는 DB 매트릭스를 오믹스 DB로부터 생성하는 단계;
검색어를 수신하는 단계;
상기 DB 매트릭스로부터 상기 검색어와 다른 오믹스 레벨에 속하고 상기 검색어와 관련된 생물학적 엔티티들을 추출하는 단계;
상기 DB 매트릭스로부터 상기 검색어와 상기 생물학적 엔티티들 간의 상호 연관도를 추출하는 단계;
상기 검색어와 상기 생물학적 엔티티들 각각을 노드로 하고, 상기 검색어와 상기 생물학적 엔티티들 사이의 상호 연관도 또는 상기 생물학적 엔티티들 간 상호 연관도에 따라 연결선을 이용하여 복수의 노드들을 연결한 제1지식 네트워크를 생성하는 단계;
상기 제1지식 네트워크의 복수의 노드들 각각에 대해 그래프 이론 지표를 계산하는 단계; 및
상기 제1지식 네트워크의 복수의 노드들 중 상기 그래프 이론 지표를 이용하여 선택된 일부 노드들을 이용하여 제2지식 네트워크를 생성하는 단계를 포함하고,
상기 검색어는 유전자명, 단백질명, 신진대사체명, 증상명, 질환명, 화합물명 및 약품명 중 적어도 하나를 포함하고,
상기 생물학적 엔티티는 유전자, 단백질, 신진대사체, 증상, 질환, 화합물 및 약품 중 적어도 하나를 포함하며,
상기 상호 연관도의 범주는 참여(participate), 공변(covariate), 조절(regulate), 연관(associate), 결합(bind), 업레귤레이트(upregulate), 유사(resemble), 치료(treat), 다운레귤레이트(downregulates), 완화(palliate), 포함(include), 및 표출(express)을 포함하며,
상기 그래프 이론 지표는 상기 제1지식 네트워크를 구성하는 복수의 노드들 중 적어도 하나에 대한 노드 간 최단 경로, 노드 별 클러스터링 계수, 노드 별 센트럴리티 계수를 포함하고,
상기 연결선이 나타내는 상호연관도의 범주에 따라 상기 연결선의 가중치가 다르게 설정되고, 상기 노드 간 최단 경로는 상기 설정된 가중치를 반영하여 산출되고,
상기 제2지식 네트워크를 생성하는 단계는,
상기 제1지식 네트워크를 구성하는 복수의 노드들 각각에 대해 상기 노드 간 최단 경로, 상기 노드 별 클러스터링 계수, 및 상기 노드 별 센트럴리티 계수 중 적어도 하나에 대한 표준 점수를 계산하고, 상기 표준 점수가 임계 값 미만인 노드와 상기 임계 값 미만인 노드의 연결선을 삭제함으로써 상기 제2지식 네트워크를 생성하고,
상기 표준 점수는 제1 지식 네트워크를 구성하는 각 노드에 대한 소정의 그래프 이론 지표의 지표값과 제1 지식 네트워크를 구성하는 복수의 노드에 대한 그래프 이론 지표의 평균 지표값 간의 차를 표준 에러로 나눈 값이고,
상기 DB 매트릭스는,
상기 선택된 생물학적 엔티티들이 가로축 및 세로축 각각에 배치되며, 가로축과 세로축이 교차하는 지점에 상기 상호 연관도 종류가 표시되도록 생성되는 방법.In the data processing method for discovering new drug candidate substances performed in a data processing device,
Generating a DB matrix composed of the selected biological entity and the selected correlation degree from the Ohmics DB;
Receiving a search word;
Extracting biological entities belonging to an ohmic level different from the search word and related to the search word from the DB matrix;
Extracting a degree of correlation between the search word and the biological entities from the DB matrix;
A first knowledge network in which the search word and the biological entities are each a node, and a plurality of nodes are connected using a connection line according to the correlation between the search word and the biological entities or the correlation between the biological entities Generating a;
Calculating a graph theory index for each of the plurality of nodes of the first knowledge network; And
Generating a second knowledge network using some nodes selected using the graph theory index among the plurality of nodes of the first knowledge network,
The search word includes at least one of a gene name, a protein name, a metabolite name, a symptom name, a disease name, a compound name, and a drug name,
The biological entity includes at least one of genes, proteins, metabolites, symptoms, diseases, compounds and drugs,
The category of correlation is participate, covariate, regulate, associate, bind, upregulate, resemble, treat, down. Includes downregulates, palliate, include, and express,
The graph theory index includes a shortest path between nodes for at least one of a plurality of nodes constituting the first knowledge network, a clustering coefficient for each node, and a centrality coefficient for each node,
The weight of the connection line is set differently according to the category of the correlation diagram indicated by the connection line, and the shortest path between nodes is calculated by reflecting the set weight,
The step of creating the second knowledge network,
For each of the plurality of nodes constituting the first knowledge network, a standard score for at least one of the shortest path between nodes, a clustering coefficient for each node, and a centrality coefficient for each node is calculated, and the standard score is critical The second knowledge network is created by deleting a connection line between the node less than the value and the node less than the threshold value,
The standard score is obtained by dividing the difference between the index value of a predetermined graph theory index for each node constituting the first knowledge network and the average index value of the graph theory index for a plurality of nodes constituting the first knowledge network by the standard error. Value,
The DB matrix,
The selected biological entities are disposed on each of a horizontal axis and a vertical axis, and the correlation type is generated to be displayed at a point where the horizontal axis and the vertical axis intersect.
상기 제2지식 네트워크를 생성하는 단계는,
상기 제1지식 네트워크를 구성하는 전체 연결선을 임의로 섞은 다음 상기 제1지식 네트워크의 노드들 각각에 대해 상기 표준 점수를 계산하는 단계를 포함하고,
상기 임의로 섞는 회수는 1000회 이상인 방법.The method of claim 1,
The step of creating the second knowledge network,
Randomly mixing all the connecting lines constituting the first knowledge network and then calculating the standard score for each of the nodes of the first knowledge network,
The number of random mixing is 1000 or more.
상기 제2지식 네트워크를 생성하는 단계는,
상기 제1지식 네트워크를 구성하는 노드들 중에서 연결선이 하나인 노드를 삭제하는 단계; 및
상기 제1지식 네트워크를 구성하는 노드들 중에서 클러스터링 계수가 0인 노드를 삭제하는 단계를 더 포함하는 방법.The method of claim 1,
The step of creating the second knowledge network,
Deleting a node having one connection line among nodes constituting the first knowledge network; And
The method further comprising deleting a node having a clustering coefficient of 0 among nodes constituting the first knowledge network.
상기 상호연관도의 범주는, 상호작용(interact), 원인(cause), 발현(present), 및 위치(localize) 중 적어도 하나를 더 포함하는 방법.The method of claim 1,
The category of the correlation diagram further includes at least one of interaction, cause, present, and localize.
상기 제2지식 네트워크로부터 약물 가능 경로를 추출하는 단계를 더 포함하고,
상기 약물 가능 경로를 추출하는 단계는,
상기 제2지식 네트워크에 존재하는 약물-질환 노드들 각각에 대한 근접도의 표준 점수가 기준 값보다 작은 약물-질환 노드 페어들을 선택하는 단계;
상기 선택된 약물-질환 노드 페어들에 대한 경로들 중에서, 상기 경로들 각각에 존재하는 중간 노드가 기준 개수 이상인 경로들을 추출하는 단계; 및
상기 추출된 경로들 중에서, 상기 추출된 경로들의 중간 노드들의 센트렐리티 계수의 총합이 기준 값 이상인 경로를 상기 약물 가능 경로로서 추출하는 단계를 포함하는 방법.The method of claim 1,
Further comprising the step of extracting a drug possible pathway from the second knowledge network,
The step of extracting the drug possible pathway,
Selecting drug-disease node pairs in which a standard score of proximity to each of the drug-disease nodes existing in the second knowledge network is smaller than a reference value;
Extracting paths in which intermediate nodes present in each of the paths are greater than or equal to a reference number from among paths for the selected drug-disease node pairs; And
And extracting, from among the extracted paths, a path in which a sum of centrality coefficients of intermediate nodes of the extracted paths is equal to or greater than a reference value as the drug-enabled path.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/428,619 US20220020454A1 (en) | 2019-03-13 | 2019-12-16 | Method for data processing to derive new drug candidate substance |
PCT/KR2019/017793 WO2020184816A1 (en) | 2019-03-13 | 2019-12-16 | Data processing method for deriving new drug candidate |
KR1020200139362A KR102379214B1 (en) | 2019-03-13 | 2020-10-26 | New drug candidate substance search method based on multiomics network |
Applications Claiming Priority (8)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/KR2019/002919 WO2020138589A1 (en) | 2018-12-24 | 2019-03-13 | Apparatus and method for processing multi-omics data for discovering new-drug candidate material |
PCT/KR2019/002918 WO2020138588A1 (en) | 2018-12-24 | 2019-03-13 | Data processing device and method for discovering new drug candidate material |
KR1020190028789 | 2019-03-13 | ||
KR1020190028788 | 2019-03-13 | ||
KRPCT/KR2019/002918 | 2019-03-13 | ||
KR1020190028789 | 2019-03-13 | ||
KR1020190028788 | 2019-03-13 | ||
KRPCT/KR2019/002919 | 2019-03-13 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200139362A Division KR102379214B1 (en) | 2019-03-13 | 2020-10-26 | New drug candidate substance search method based on multiomics network |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20200110141A true KR20200110141A (en) | 2020-09-23 |
KR102181058B1 KR102181058B1 (en) | 2020-11-19 |
Family
ID=72708151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190163398A KR102181058B1 (en) | 2019-03-13 | 2019-12-10 | Method for data processing to derive new drug candidate substance |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102181058B1 (en) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20240040668A (en) | 2022-09-21 | 2024-03-28 | (주)신테카바이오 | Protein-compound docking stability Aanalysis methods for AI drug platform based on MD-simulation data |
KR20240040669A (en) | 2022-09-21 | 2024-03-28 | (주)신테카바이오 | Derivative creating methods using docking-pocket structure of target protein for AI drug platform |
KR20240040670A (en) | 2022-09-21 | 2024-03-28 | (주)신테카바이오 | Aanalysis methods of protein-ligand docking structure based on vector for AI drug platform |
KR20240040666A (en) | 2022-09-21 | 2024-03-28 | (주)신테카바이오 | Hit-compound discovery methods for AI drug platform using 3D Protein-Ligand interaction data |
KR20240040667A (en) | 2022-09-21 | 2024-03-28 | (주)신테카바이오 | Prediction method of protein-chemical complex structure using large scale conformer generation and 3D-CNN deep transfer learning model |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101450784B1 (en) * | 2013-07-02 | 2014-10-23 | 아주대학교산학협력단 | Systematic identification method of novel drug indications using electronic medical records in network frame method |
US20160140327A1 (en) * | 2014-11-14 | 2016-05-19 | International Business Machines Corporation | Generating drug repositioning hypotheses based on integrating multiple aspects of drug similarity and disease similarity |
JP2016099674A (en) * | 2014-11-18 | 2016-05-30 | 国立研究開発法人産業技術総合研究所 | Medicament search device, medicament search method and program |
KR20180109421A (en) * | 2017-03-28 | 2018-10-08 | 가천대학교 산학협력단 | Device, Method, and Computer-Readable Medium for Judging Drug Similarity |
-
2019
- 2019-12-10 KR KR1020190163398A patent/KR102181058B1/en active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101450784B1 (en) * | 2013-07-02 | 2014-10-23 | 아주대학교산학협력단 | Systematic identification method of novel drug indications using electronic medical records in network frame method |
US20160140327A1 (en) * | 2014-11-14 | 2016-05-19 | International Business Machines Corporation | Generating drug repositioning hypotheses based on integrating multiple aspects of drug similarity and disease similarity |
JP2016099674A (en) * | 2014-11-18 | 2016-05-30 | 国立研究開発法人産業技術総合研究所 | Medicament search device, medicament search method and program |
KR20180109421A (en) * | 2017-03-28 | 2018-10-08 | 가천대학교 산학협력단 | Device, Method, and Computer-Readable Medium for Judging Drug Similarity |
Non-Patent Citations (3)
Title |
---|
blueoss. "평가점수 조정방법(평균 표준편차 일치법)". 네이버 블로그, [online], 인터넷:<URL: https://m.blog.naver.com/blueoss/220896032115>(2016.12.27.) 1부.* * |
D. KENT ARRELL 외 1인. Network Systems Biology for Drug Discovery. Clinical Pharmacology & Therapeutics, 88권, 1호, pp. 120-125, 2010.07. 공개 1부.* * |
YING YU 외 14인 . PreMedKB: an integrated precision medicine knowledgebase for interpreting relationships between diseases, ~. Nucleic Acids Research, 47권, pp. D1090-D1101, 2018.11.08. 공개 1부.* * |
Also Published As
Publication number | Publication date |
---|---|
KR102181058B1 (en) | 2020-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102181058B1 (en) | Method for data processing to derive new drug candidate substance | |
CN110837550B (en) | Knowledge graph-based question answering method and device, electronic equipment and storage medium | |
US20230028046A1 (en) | Clinical omics data processing method and apparatus based on graph neural network, device and medium | |
CN103778349B (en) | Biomolecular network analysis method based on function module | |
KR102026871B1 (en) | Data processing apparatus and method for predicting safety and efficacy of new drug candidates | |
Demertzis et al. | Extreme deep learning in biosecurity: the case of machine hearing for marine species identification | |
Guendouz et al. | A discrete modified fireworks algorithm for community detection in complex networks | |
KR102110176B1 (en) | Method and apparatus for deriving new drug candidate substance | |
CN108491228A (en) | A kind of binary vulnerability Code Clones detection method and system | |
KR20220099504A (en) | Affinity prediction method, model training method, device, electronic equipment and medium | |
CN113470741A (en) | Drug target relation prediction method and device, computer equipment and storage medium | |
de Oliveira et al. | A comparison of two hybrid methods for constrained clustering problems | |
KR102174630B1 (en) | Method for providing disease associated gene ranking information | |
CN115271071A (en) | Knowledge graph entity alignment method, system and equipment based on graph neural network | |
CN114141361B (en) | Traditional Chinese medicine prescription recommendation method based on symptom term mapping and deep learning | |
KR102379214B1 (en) | New drug candidate substance search method based on multiomics network | |
Wei et al. | NeuronMotif: Deciphering cis-regulatory codes by layer-wise demixing of deep neural networks | |
CN114490926A (en) | Method and device for determining similar problems, storage medium and terminal | |
CN117079712B (en) | Method, device, equipment and medium for excavating pathway gene cluster | |
KR102187594B1 (en) | Multi-omics data processing apparatus and method for discovering new drug candidates | |
KR102187586B1 (en) | Data processing apparatus and method for discovering new drug candidates | |
US11915832B2 (en) | Apparatus and method for processing multi-omics data for discovering new drug candidate substance | |
Oloulade et al. | Cancer drug response prediction with surrogate modeling-based graph neural architecture search | |
US20210397978A1 (en) | Apparatus and method for processing data discovering new drug candidate substance | |
Ali | Multidisciplinary Computational Intelligence Techniques: Applications in Business, Engineering, and Medicine: Applications in Business, Engineering, and Medicine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
A107 | Divisional application of patent |