| 초록 |
1.분석자 서문 분자 바이오마커를 측정하기 위하여 혈액, 소변과 같은 액체 형태의 인체 유래물을 이용하는 기술들이 소개되어 보다 정확한 질병의 진단과 정밀의료의 실현을 앞당기고 있다. 마이크로칩 디바이스 기술의 발전으로 보다 좋은 민감도와 특이도로 많은 바이오마커를 측정해낼 수 있게 되었지만 이 중에서 임상적으로 유효한 감별점을 검출해내는 것은 쉽지 않다. 액체생검(liquid biopsy)을 통해 확인한 단일 바이오마커로 질병의 상태를 예측하는 것은 질병 표현형의 이종성(heterogeneity)과, 개인차가 존재하기 때문에 정확하지 않다. 따라서 다양한 바이오마커에 대한 측정을 통합하여 특정 질병 상태에 대한 감별점(disease signatures)을 정의하고자 하는 연구를 진행하고 있다. 기계학습은 분자 바이오마커의 양이 매우 많을 때, 자동으로 질병의 진단을 위한 감별점들을 검출할 수 있는 매우 유용한 툴이다. 본 논문은 이러한 액체생검을 통한 진단에 적용될 수 있는 최신의 기계학습 기법들을 소개하고, 실제 활용에 매우 유용한 가이드를 제공하고 있다 2. 목차 1. 개요 2. 액체생검의 기계학습 응용과 한계점 3. 기계학습 알고리즘 선택 시 고려사항 3.1. 데이터의 크기는 어떠한가 3.2. 풀고자 하는 문제가 무엇인가 3.3. 어떤 알고리즘이 존재하는가 3.4. 어떤 알고리즘을 이용해야 하는가 4. 적은 수의 데이터를 이용할 때의 고려사항 5. Model Averaging과 Boot-strapping 방법 6. 결론 액체생검 연구에 있어서 다양하고 복잡한 데이터에서 특정 질병 상태의 특징을 식별할 수 있는 기계학습의 능력은 마이크로칩 기반의 시스템에서 추출할 수 있는 분자 바이오마커 정보들을 활용하는 데 핵심적 역할을 한다. 액체생검 기술 개발에 내재된 문제인 적은 수의 데이터 문제는 신중한 연구 설계와 기존 알고리즘의 앙상블 모델 등 다양한 방법을 통해 극복될 수 있다. References 1. Singireddy, Siva, et al. ldquo;Identifying differentially expressed transcripts associated with prostate cancer progression using RNA-Seq and machine learning techniques. rdquo; Computational Intelligence in Bioinformatics and Computational Biology (CIBCB), 2015 IEEE Conference on. IEEE, 2015. 2. Kim, Yunee, et al. ldquo;Targeted proteomics identifies liquid-biopsy signatures for extracapsular prostate cancer. rdquo; Nature communications 7 (2016): 11906. 3. Borrebaeck, Carl AK. ldquo;Precision diagnostics: moving towards protein biomarker signatures of clinical utility in cancer. rdquo; Nature Reviews Cancer 17.3 (2017): 199. 4. Aravanis, Alexander M., Mark Lee, and Richard D. Klausner. ldquo;Next-generation sequencing of circulating tumor DNA for early cancer detection. rdquo; Cell 168.4 (2017): 571-574. ※ 이 자료의 분석은 연세대학교의 김휘영님께서 수고해주셨습니다. |
