초록 ▼

□ 연구의 목적 및 내용

본 연구의 목적은 personalized multi-target drug suggestion system 구축에 필요한 다양한 bio-data analysis method들의 개발에 있다. 구체적으로 본 연구는 Genome-based personalized diagnosis 위한 genome analysis method 개발, multi-target drug suggestion 위한 scoring method와 빠른 logistic regression 방법론 개발을 하였다.

□ 연구의 목적 및 내용

본 연구의 목적은 personalized multi-target drug suggestion system 구축에 필요한 다양한 bio-data analysis method들의 개발에 있다. 구체적으로 본 연구는 Genome-based personalized diagnosis 위한 genome analysis method 개발, multi-target drug suggestion 위한 scoring method와 빠른 logistic regression 방법론 개발을 하였다.


□ 연구결과

본 연구의 결과는 아래와 같다.

ㅇGenome-based Personalized Diagnosis을 위한 방법론 개발
- Somatic mutation based patient profile similarity searching 방법론 개발로 정확도 높은 patient stratification을 함.
- Multi-kernel based patient stratification method 개발로 다양한 bio-data의 융합 분석을 가능하게 함.

ㅇGraph-Based Multiple Drug Target Finding을 위한 방법론 개발
- 새로운 graph clustering (Parallel Shotgun Coarsened MCL)을 통해 graph clustering accuracy 향상시킴.
- 새로운 RWR기반 new community detection 방법 (BEAR) 개발을 통해 분석 속도 accuracy 및 scalability를 향상시킴.
- Scalable tensor decomposition 방법 (HaTen2) 개발을 통해 다중 다량의 바이오 데 이터 분석 가능하게 함.

ㅇDrug Suggestion을 위한 방법론 개발
- Data/Feature Distributed Stochastic Coordinate Descent 방법론 개발로 large scale distributed logistic regression을 통한 drug classification을 가능하게 함.
- 적합한 multi-target drug 추천을 위한 Drug-to-targets score 제안


□ 연구결과의 활용계획

본 과제의 연구 성과는 수정목표인 personalized multi-target drug suggestion system 구축에 활용될 수 있을 뿐 아니다 아래와 같이 다양하게 활용될 수 있다.

- 새로운 somatic mutation profile은 환자 진단 뿐 아니라 clinical trials를 위한 cohort finding, 비슷한 환자들을 찾음으로서 예후예측에 활용 가능.
- Scalable data analysis: scalable random walk with restart, scalable tensor factoring, and scalable logistic regression 방법들은 social network analysis, hospital data analysis, 그리고 business intelligence data analysis 등 다양한 big data 분석방법으로 활용 가능
- Multi-kernel based data integration 방법은 한 환자 또는 한 물체에 대해 다각적 data가 생성되는 상황에서 복합적 데이터 분석을 가능하게 한다.

(출처:연구결과 요약문 p.4)

Abstract ▼

□ Purpose & contents

The output of the project is development of methods for personalized multi-target drug suggestion system. Through the project, we have developed several bio-data analysis methods that aid the drug suggestion system such that it allows for suggestion of a drug that can tar

□ Purpose & contents

The output of the project is development of methods for personalized multi-target drug suggestion system. Through the project, we have developed several bio-data analysis methods that aid the drug suggestion system such that it allows for suggestion of a drug that can target multiple proteins involved in the disease a patient has.


□ Result

The project consist of development of method that are essential for Personalized Multi-target Drug Suggestion System. The process is composed of three subproblems and methods develop to solve the subproblems are as follow:

ㅇGenome-based personalized diagnosis
- Somatic mutation based patient profile similarity searching achieved patient stratification with high accuracy.
- Developed Multi-kernel based patient stratification method that utilizes heterogenous data

ㅇGraph-Based Multiple Drug Target Finding
- Develop new graph clustering method: Parallel Shotgun Coarsened MCL (PS-MCL)
- Develop new community detection method: BEAR, a fast, scalable, and accurate method for computing RWR on large graphs
- Develop scalable tensor decomposition method: HaTen2, a distributed method for large-scale tensor decompositions that runs on the MapReduce framework

ㅇDrug Suggestion
- Developed DF-DSCD (Data/Feature Distributed Stochastic Coordinate Descent), an efficient distributed algorithm for logistic regression.
- Suggest drug-to-targets score for predicting the best drug for the patient.


□ Expected Contribution

The expected contribution of the methods developed is to increase accuracy in the drug suggestion. In addition, since the data analysis methods, i.e., scalable random walk with restart, scalable tensor factoring, and scalable logistic regression, that have been developed is general purpose, they can be used for various big data analysis such as social network analysis, hospital data analysis, and business intelligence data analysis. Also, our fast somatic mutation based method can be used to search for similar patients. This is useful in various accounts, such as cohort finding in clinical trials, better prognostics, and better diagnostics. Methods for heterogeneous data integration is also useful in various environments where various data are collected for single subject.

(출처:SUMMARY p.5)

목차 Contents

• 표지 ... 1
• 목차 ... 2
• 연구계획 요약문 ... 3
• 연구결과 요약문 ... 4
• 한글요약문 ... 4
• SUMMARY ... 5
• 연구내용 및 결과 ... 6
• 1. 연구개발과제의 개요 ... 6
• 2. 국내외 기술개발 현황 ... 6
• 3. 연구수행 내용 및 결과 ... 9
• 4. 목표달성도 및 관련분야에의 기여도 ... 17
• 5. 연구결과의 활용계획 ... 17
• 6. 연구과정에서 수집한 해외 과학기술정보 ... 18
• 7. 참고문헌 ... 18
• 8. 연구성과 ... 20
• 9. 국가과학기술지식정보서비스에 등록한 연구시설·장비 현황 ... 21
• 10. 연구개발과제 수행에 따른 연구실 등의 안전조치 이행실적 ... 21
• 11. 기타사항 ... 21
• 끝페이지 ... 21