KCC2018 정보과학회 후기
지난 2018.06.20 ~ 2018.06.22까지 KCC2018(한국컴퓨터종합학술대회)가 제주도에서 진행되었습니다. 재밌는 주제도 많았으나 주제의 폭이 좁았다는 것이 아쉬웠습니다. 그리고 세션의 시간이 가이드북에 나와있는 것과 달라서 원하는 주제를 들으러가면 순서가 바껴서 이미 진행이 됐다는 등 이런 점이 빈번하게 있어서 원하는 발표를 모두 들을 수 없었습니다. 여러가지 아쉬운 점이 있었으나, 이번 학회에서 제가 흥미롭게 들었던 두 개의 논문에 대해 소개드리겠습니다.
바이오메디컬 네트워크의 계층구조를 활용한 희귀질환 약물 예측
희귀질환의 치료 의약품을 개발하는 방법은 크게 2가지가 있다고 합니다. 하나는 신약재창출, 다른 하나는 신약개발입니다. 신약개발을 하는 것은 많은 시간과 비용이 투자되기 때문에 이 연구는 신약재창출을 주장합니다. 그렇다면 신약재창출이란 무엇인가. 신약재창출은 희귀질환과 병리학적으로 유사한 다른 질병의 치료 약물을 대체제로 이용하는 방법입니다. 이 논문을 요약하자면, 질병-유전자-약물 네트워크를 구성하여 희귀병을 유발한 네트워크로 연결된 유전자에 대해서 치료가능한 약물들을 추천을 받는 것입니다.
다음 그림처럼 질병-유전자-약물의 네트워크를 계층적으로 구성합니다. 각 계층의 개체들은 동일 계층 내에서 다른 개체들과 관련성을 갖습니다.
- 질병 계층에서는, 두 질병이 유사한 증상을 갖거나 유전자를 공유하거나 비슷한 약물을 사용하면 두 질병은 유사하다고 판단합니다.
- 유전자 계층에서는, 두 유전자들로부터 발현된 단백질들이 구조적으로 유사하거나 동일 질병에 관여하면 서로 유사하다고 판단합니다.
- 약물 계층에서는, 분자구조가 비슷한 경우나 같은 표적 유전자를 가질 경우 유사하다고 판단합니다.
질병은 유전자의 변이로 발현되고 약물은 이 변형된 유전자를 목표로 하여 개발되기 때문에 계층들 간의 연관성도 강합니다. 하지만 희귀질환은 질병 네트워크에서 고립될 가능성이 높습니다. 왜냐하면 희귀병일수록 다른 병과 linking될 가능성이 낮기 때문입니다. 따라서 이 때는, 외부 노드를 넣어서 또 네트워크를 덧붙이는 알고리즘을 통해서 희귀병 노드가 다른 노드와 linking될 수 있도록 만들었다고 합니다.
구성된 네트워크에 계층 네트워크 기반 준지도학습을 적용하고 제안 방법론을 통해 희귀질환의 후보 약물을 추천합니다. 실험의 하나의 예로, 희귀질환인 고셔병을 들었습니다. 고셔병에 대한 약물 예측 결과를 해보니 당뇨병 치료약인 메타포민이 첫 번째로 추천되었습니다. 즉, 이미 시중에 나와있는 당뇨병 치료제가 고셔병 치료에도 긍정적인 효과를 줄 수 있다는 것입니다.
즉, 세상에 등장한 지 별로 안 된 희귀질환에 대해서 신약을 개발하면 돈도 돈이지만 많은 시간이 투자됩니다. 이미 이 희귀질환을 앓고 있는 환자가 존재하기 때문에, 신약을 개발하는 동안이라도 이 환자는 또 다른 약을 받아야할 것입니다. 그 약은 이미 세상에 나와 있는 약일 것이고, 이 희귀질환을 치료하는 목적으로부터 나온 약은 아닐 것입니다. 이 때, 이 연구에서 제안하는 프레임워크를 사용하여, 그 환자들에게 신약의 대체제인 약을 처방해준다면 그들은 너무나 도움이 될 것입니다.
대량의 데이터와 인공신경망을 이용한 뇌-컴퓨터 인터페이스의 학습단계 최소화
뇌-컴퓨터 인터페이스(BCI:Brain-Computer Interface)는 뇌파를 통해 기기를 제어하는 기술입니다. 현존하는 BCI는 긴 학습시간을 요구합니다.
여기서 학습시간이란 뇌파는 각 사람마다 다르게 나타나고, 동일한 사람이라 하더라도 시간에 따라 뇌파의 속성이 변하기 때문에 거치는 학습단계에 소요되는 시간입니다. 이 학습시간을 줄이기 위해서는 두 가지 범주로 나눈다고 합니다.
- 비지도 학습을 이용하는 방법
- 다른 피험자의 데이터를 사용하는 방법
그렇기 때문에 이 논문에서는 학습시간을 줄이기 위해 다수의 피험자에게 측정한 뇌파로부터 공통 정보를 추출해서 일반화된 분류기를 구성하였습니다.
뇌의 신경세포는 전기적인 방식으로 통신합니다. 그 때, P300신호라는 것이 있습니다. 이것은 뇌파 중 하나인데 인지적으로 의미가 있는 데시벨일 때, 뇌에서 측정되는 뇌파입니다. 예를 들어, 10장의 랜덤 사진을 보여주고, 그 중에 한 장만 의미가 있다면 그 한 장에 대해서 P300 하나가 나오는 것입니다. 거짓말 탐지기도 이렇게 작동한다고 합니다.
P300을 사용하는 뇌파타자기가 있습니다. P300이 의미있는 자극에 반응하는 것이기 때문에 글자들을 스크린에 펼쳐놓고 피실험자가 어떤 한 글자에 집중하는 지를 찾기 위해 여러 개의 글자를 깜빡여봅니다. 무의미한 글자의 깜빡임에는 P300이 나오지 않기 때문에 P300을 사용하여 의미있는 글자만을 뽑는 형식의 뇌파 타자기입니다.
이 뇌파타자기를 사용해서 55명의 피험자에게 실험을 진행하여 데이터를 얻었다고 합니다. 이를 토대로 오프라인 분석을 위한 분류기를 Feedforward Neural Network(FNN)을 사용하여 구성했습니다. 결과적으로, 분류기 구성 방식 별 글자 정확도를 나타내보니 커뮤니케이션을 위해서 필요한 최소의 정확도 이상의 정확도를 확인 할 수 있었다고 합니다.
즉, 동일성 사용자이더라도 시스템을 사용할 때마다 새로운 학습단계(데이터측정, 분류기구성)을 거쳐야 합니다. 시간투자가 많고 일반화되어있지않아 할 때마다 처음부터 측정해야한다고 합니다. 이 때, 이 발표에서 구성한 분류기를 사용한다면, 보다 이 분야의 사람들이 편해질 수 있을 것이라고 생각합니다.