회사 자료를 불러오는 중…
회사 자료를 불러오는 중…
검증 단계 — 어디까지 확인했나
L0 · 국민연금 인력 · 공시 재무 · 특허 — 공공자료
서울특별시에 있는 2020년 설립 회사입니다. 물리, 화학 및 생물학 연구개발업을 합니다. 2025년 매출은 0입니다. 2026년 8월 기준 국민연금 가입자는 9명입니다. 외부감사를 받는 회사이고, 가장 최근 감사의견은 「적정」입니다.
읽어오는 중입니다…
최근 출원 2024-04-23 · 최근 등록 2026-08-25 · 최신 출원순
본 출원은 종양침윤림프구를 포함하는 면역세포 조성물을 생산하는 방법, 및 이를 통해 생산된 면역세포 조성물의 용도에 관한 것이다.
본 발명은 트랜스포존 시스템의 고활성 트랜스포사제 단백질 및 이의 용도에 관한 것으로, 트랜스포사제의 활성 향상을 통해 유전자를 효과적으로 전달할 수 있어 다양한 유전자를 발현하는 게놈 변형 세포주 개발에 유용하게 활용될 수 있을 뿐만 아니라, 본 발명에 따른 고활성 트랜스포사제를 이용하여 T 세포를 형질전환 시 항암 작용을 하는 cytotoxic T (CD8+ T) 세포의 비율이 증가하고, 체내 지속성이 좋은 T CM (Central memory T cell) , T SCM (Stem cell like memory T cell) 메모리 타입의 T 세포 비율이 증가하였으므로, 본 발명의 트랜스포존 시스템을 이용하여 체내 지속성이 좋은 TCR-T 세포 및 CAR-T 세포를 제작할 수 있을 것으로 기대된다.
컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 펩타이드에 대응되는 제 1 입력 데이터, 주조직 적합 복합체(MHC: Major Histocompatibility Complex)에 대응되는 제 2 입력 데이터 및 상기 펩타이드와 상기 MHC에 대응되는 TCR(T Cell Receptor)과 관련된 제 3 입력 데이터를 획득하는 단계 - 상기 제 1 입력 데이터는 상기 펩타이드에 대응되는 제 1 서열의 아미노산들을 포함하며, 상기 제 2 입력 데이터는 상기 MHC에 대응되는 제 2 서열의 아미노산들을 포함하며, 그리고 상기 TCR과 관련된 제 3 입력 데이터는 상기 TCR에 대응되는 제 3 서열의 아미노산들을 포함함 -, 및 제 1 예측 모델을 이용하여 상기 제 1 입력 데이터, 상기 제 2 입력 데이터 및 상기 제 3 입력 데이터로부터, 상기 제 1 서열의 아미노산들 및 상기 제 2 서열의 아미노산들을 포함하는 펩타이드-MHC 결합체(pMHC)에 대응되는 TCR의 아미노산 서열을 포함하는 예측 결과를 생성하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는, 인공지능 기술을 이용하여 예측 결과를 생성하기 위한 방법이 개시된다. 상기 방법은, 펩타이드에 대응되는 제 1 데이터 및 주조직 적합 복합체(MHC: Major Histocompatibility Complex)에 대응되는 제 2 데이터를 포함하는 제 1 입력 데이터 세트를 획득하는 단계 - 상기 제 1 데이터는 상기 펩타이드에 대응되는 아미노산 서열을 포함하며, 그리고 상기 제 2 데이터는 상기 MHC에 대응되는 아미노산 서열을 포함함 -, 및 인공지능 기반의 예측 모델을 사용하여, 상기 제 1 입력 데이터 세트로부터 상기 펩타이드와 상기 MHC에 대응되는 TCR(T Cell Receptor)의 CDR3α와 관련된 제 3 데이터 및 상기 펩타이드와 상기 MHC에 대응되는 상기 TCR의 CDR3β와 관련된 제 4 데이터를 포함하는 예측 결과를 획득하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는, 인공지능 기술을 이용하여 예측 결과를 생성하기 위한 방법이 개시된다. 상기 방법은, TCR의 CDR3α에 대응되는 제 1 데이터 및 TCR의 CDR3β에 대응되는 제 2 데이터를 획득하는 단계 - 상기 제 1 데이터는 상기 CDR3α에 대응되는 아미노산 서열을 포함하며, 그리고 상기 제 2 데이터는 상기 CDR3β에 대응되는 아미노산 서열을 포함함 -, 인공지능 기반의 제 1 모델을 사용하여, 상기 제 1 데이터 및 상기 제 2 데이터를 입력받아, 상기 CDR3α를 포함하는 상기 제 1 데이터와 상기 CDR3β를 포함하는 상기 제 2 데이터가 선후행 관계에 해당하는지 여부를 결정하는 단계 및 상기 제 1 데이터와 상기 제 2 데이터가 상기 선후행 관계에 해당한다는 결과가 출력된 경우, 상기 제 1 데이터와 상기 제 2 데이터의 조합을 CDR 세트 후보 리스트에 저장하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은: 제 1 주조직 적합 복합체(MHC: Major Histocompatibility Complex) 타입에 대응되는 제 1 세트의 데이터 및 제 2 세트의 데이터를 포함하는 로우 데이터를 획득하는 단계 - 상기 제 1 세트의 데이터는 복수의 펩타이드들을 포함하고, 하나의 펩타이드는 복수의 아미노산들로 이루어진 서열을 포함하며 그리고 상기 제 2 세트의 데이터는 상기 제 1 MHC 타입에 대한 위치 별 아미노산 식별자들을 포함함 -, 상기 제 1 세트의 데이터 및 상기 제 2 세트의 데이터에 기초하여, 상기 제 1 MHC 타입에 대응되는 인코딩 데이터를 생성하는 단계, 상기 인코딩 데이터에서의 적어도 일부를 변경한 섭동 입력 데이터를 포함하는 복수의 입력 데이터를 생성하는 단계, 복수의 제 1 기계학습 모델들을 사용하여, 상기 복수의 입력 데이터로부터 상기 복수의 펩타이드들과 상기 위치 별 아미노산 식별자들 간의 결합 친화도(binding affinity)에 대한 예측 결과를 획득하는 단계, 및 상기 예측 결과에 적어도 부분적으로 기초하여, 상기 로우 데이터에 포함된 피쳐(feature)들 중에서 제 2 기계학습 모델에서 사용될 적어도 하나의 피쳐를 선정하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은, 제 1 타입의 주조직 적합 복합체(Major Histocompatibility Complex: MHC)에 대응되는 제 1 클러스터(cluster) 데이터를 획득하는 단계, 상기 제 1 클러스터 데이터에서의 배열 순서가 변경된 제 2 클러스터 데이터를 생성하는 단계, 및 상기 제 2 클러스터 데이터에 적어도 부분적으로 기초하여 분류(classification) 모델을 학습시키는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은: 주조직 적합 복합체(MHC: Major Histocompatibility Complex)와 펩타이드의 결합체에 대응되는 제 1 세트의 데이터 및 제 2 세트의 데이터를 포함하는 입력 데이터를 획득하는 단계 - 상기 제 1 세트의 데이터는 상기 MHC에 대응되는 제 1 서열의 아미노산들을 포함하며, 그리고 상기 제 2 세트의 데이터는 상기 펩타이드에 대응되는 제 2 서열의 아미노산들을 포함함 -; 및 상기 입력 데이터를 이용하는 제 1 모델을 사용하여, 상기 입력 데이터에 대응되는 TCR(T Cell Receptor)의 CDR3(Third Complementarity Determining Region)에 대한 길이 정보(length information)를 결정하는 단계; 상기 결정된 길이 정보 및 상기 입력 데이터를 이용하는 제 2 모델을 사용하여, 상기 입력 데이터에 대응되는 TCR(T Cell Receptor)의 CDR3 서열을 포함하는 예측 결과를 생성하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는, 인공지능 기반의 예측 모델을 학습시키는(training) 방법이 개시된다. 상기 방법은, 주조직 적합 복합체(MHC: Major Histocompatibility Complex)에 대응되는 제 1 입력 데이터, 펩타이드에 대응되는 제 2 입력 데이터 및 상기 MHC와 상기 펩타이드에 대응되는 TCR(T Cell Receptor)의 CDR3에 대응되는 제 3 입력 데이터를 획득하는 단계 - 상기 제 1 입력 데이터는 상기 MHC에 대응되는 제 1 서열의 아미노산들을 포함하며, 상기 제 2 입력 데이터는 상기 펩타이드에 대응되는 제 2 서열의 아미노산들을 포함하며, 그리고 상기 제 3 입력 데이터는 상기 CDR3에 대응되는 제 3 서열의 아미노산들을 포함함 -, 상기 제 1 입력 데이터, 상기 제 2 입력 데이터 및 상기 제 3 입력 데이터에 대한 그룹화(grouping) 프로세스 및 세그멘팅(segmenting) 프로세스를 포함하는 전처리(preprocessing)를 수행함으로써, 학습 데이터 세트를 생성하는 단계, 및 상기 학습 데이터 세트를 사용하여, 상기 인공지능 기반의 예측 모델이 상기 제 1 입력 데이터 및 상기 제 2 입력 데이터로부터 상기 제 3 입력 데이터를 포함하는 예측 결과를 생성하도록, 상기 인공지능 기반의 예측 모델을 학습시키는 단계를 포함할 수 있...(이하생략)
컴퓨팅 장치에 의해 수행되는, 펩타이드-주조직 적합 복합체(pMHC: peptide Major Histocompatibility Complex)에 결합 가능한 TCR(T Cell Receptor)의 아미노산 서열을 예측하기 위한 방법이 개시된다. 상기 방법은: MHC에 대응되는 제 1 입력 데이터 및 펩타이드에 대응되는 제 2 입력 데이터를 획득하는 단계 - 상기 제 1 입력 데이터는 상기 MHC에 대응되는 제 1 서열의 아미노산들을 포함하며 그리고 상기 제 2 입력 데이터는 상기 펩타이드에 대응되는 제 2 서열의 아미노산들을 포함함 -; 및 인공지능 기반의 예측 모델을 이용하여, 상기 제 1 입력 데이터 및 상기 제 2 입력 데이터와 연관된 TCR의 CDR3에 대응되는 제 3 서열의 아미노산들을 포함하는 예측 결과를 획득하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는, 인공지능 기반의 예측 모델을 학습시키는(training) 방법이 개시된다. 상기 방법은, TCR(T Cell Receptor)의 CDR3와 관련된 제 1 학습 데이터 세트를 획득하는 단계 - 상기 제 1 학습 데이터 세트는 인공지능 기반의 제 1 예측 모델의 학습에서 활용될 가이드(guide) 정보를 포함함 -, 상기 가이드 정보에 기초하여, 상기 제 1 학습 데이터 세트를 상기 제 1 예측 모델의 학습을 위해 전처리하는 단계, 및 상기 전처리된 제 1 학습 데이터 세트를 이용하여, 상기 제 1 예측 모델이 주조직 적합 복합체(MHC: Major Histocompatibility Complex)) 및 펩타이드에 대응되는 TCR의 CDR3의 아미노산 서열을 예측하도록, 상기 제 1 예측 모델을 학습시키는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은: 피검체로부터 유래된, 주조직 적합 복합체(Major Histocompatibility Complex: MHC)와 펩타이드 간의 결합체(complex)를 포함하는 생물학적 시료로부터, 상기 결합체 내에서의 pMHC 바인딩(binding) 스코어를 결정하는 단계; 및 상기 pMHC 바인딩 스코어에 기초하여, 상기 피검체에 대한 면역활성을 나타낼 복수개의 T 세포 수용체(T cell receptor, TCR)들 - 상기 복수개의 TCR들 각각은 상기 결합체에 결합 가능함 - 의 정량 정보를 결정하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은: 주조직 적합 복합체(MHC: Major Histocompatibility Complex)와 결합 가능한 펩타이드들의 제 1 리스트를 획득하는 단계, 상기 펩타이드들의 제 1 리스트로부터 제 1 타입의 MHC에 결합가능한 펩타이드들의 제 2 리스트를 획득하는 단계, 상기 펩타이드들의 제 2 리스트로부터 아미노산들 각각에 대한 PTM(Post Translational Modification) 분석 정보를 생성하는 단계, 및 상기 PTM 분석 정보에 기초하여, 펩타이드와 MHC 간의 결합 가능성을 결정하는 예측 모델을 활용하기 위한 전처리를 수행하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는, 인공지능 기반의 예측 모델을 훈련시키는(training) 방법이 개시된다. 상기 방법은, 펩타이드 및 주조직 적합 복합체(Major Histocompatibility Complex; MHC)에 대응되는 제 1 입력 데이터 및 상기 제 1 입력 데이터에 대응되는 제 1 라벨링(labeling) 데이터를 포함하는 제 1 학습 데이터를 획득하는 단계 - 상기 제 1 라벨링 데이터는 펩타이드와 MHC의 결합(binding)과 관련된 제 1 개수의 클래스들과 대응됨 -, 펩타이드와 MHC의 결합과 관련된 제 2 개수의 클래스들을 분류하도록 제 2 학습 데이터에 기초하여 사전 학습된 제 1 예측 모델을 이용하여, 상기 제 1 학습 데이터로부터, 상기 제 2 개수의 클래스들에 대한 제 1 예측 결과를 획득하는 단계, 상기 제 1 예측 결과 및 상기 제 1 라벨링 데이터에 기초하여, 상기 제 1 학습 데이터의 제 1 라벨링 데이터를, 펩타이드와 MHC의 결합과 관련된 제 3 개수의 클래스들과 대응되는 제 2 라벨링 데이터로 업데이트하는 단계, 상기 제 2 라벨링 데이터 및 상기 제 1 입력 데이터를 포함하는 제 3 학습 데이터를 생성하는 단계, 및 상기 제 3 학습 데이터에 기초하여, 상기 제 3 개수의 클래스들을 분류하도록 제 2 예측 모델을 훈련하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은: 사전 결정된 복수의 PTM(Post-Translational Modification: 전사 후 변형) 옵션들에 따라서, 복수의 펩타이드들을 포함하는 생물학적 시료에 대한 질량 분석(Mass Spectrometry)을 수행하는 질량 분석 기기(MS: Mass Spectrometer)를 이용하여, 펩타이드 시퀀스들의 리스트를 획득하는 단계, 상기 리스트에 포함된 펩타이드 시퀀스들에 대한 신뢰도 정보를 결정하기 위하여, 상기 리스트에 대한 전처리를 수행하는 단계, 및 상기 리스트에 상기 신뢰도 정보를 반영함으로써, 상기 생물학적 시료에 대한 PTM 아미노산과 Non-PTM 아미노산이 고려된 펩타이드 시퀀스들을 포함하는 데이터베이스를 구축하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는 인간 백혈구 항원(Human Leukocyte Antigen; HLA)의 타입을 결정하기 위한 방법이 개시된다. 상기 방법은, 피검체 유래의 생물학적 시료로부터 획득된 DNA 또는 RNA에 대한 염기 서열 분석을 수행한 결과를 획득하는 단계 및 상기 염기 서열 분석 결과를 입력으로 하는 복수개의 HLA 타이핑(typing) 툴(tool)들의 결과 및 상호 보완 스코어를 사용하여 상기 생물학적 시료에 대한 HLA 타입을 결정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라, 면역세포를 획득하기 위한 방법이 개시된다. 구체적으로는, 항원 특이적인 면역세포를 획득하기 위하여, 상기 면역세포를 상기 항원에 노출시켜, 상기 유효 바이오마커를 결정하고, 상기 유효 바이오마커를 발현하는 면역세포를 확인하여 획득하는 방법에 관한 것이다.
본 개시의 일 실시예에 따라, 면역세포를 획득하기 위한 방법이 개시된다. 구체적으로는, 항원 특이적인 면역세포를 획득하기 위하여, 상기 면역세포를 상기 항원에 노출시켜, 상기 유효 바이오마커를 결정하고, 상기 유효 바이오마커를 발현하는 면역세포를 확인하여 획득하는 방법에 관한 것이다.
컴퓨터 판독가능 저장 매체에 저장되는 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 장치의 적어도 하나의 프로세서에 의해 실행되는 경우: 적어도 하나의 피검체로부터 유래된 MHC-펩타이드 결합체를 포함하는 생물학적 시료로부터 펩타이드 시퀀스들의 리스트를 획득하는 동작, 클러스터링 모델을 사용하여 상기 펩타이드 시퀀스들의 리스트로부터 제 1 클러스터링 결과를 획득하는 동작, 상기 제 1 클러스터링 결과에 포함된 복수의 클러스터들과 참조 데이터 간의 제 1 유사도를 연산하는 동작 및 상기 제 1 유사도에 적어도 부분적으로 기초하여, 상기 복수의 클러스터들 중 적어도 하나의 클러스터와 매칭되는 MHC 타입을 결정하는 동작을 수행할 수 있다.
컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은: 특정 주조직 적합 복합체(MHC: Major Histocompatibility Complex) 타입에 대응되는 제 1 세트의 데이터 및 제 2 세트의 데이터를 포함하는 입력 데이터를 획득하는 단계 - 상기 제 1 세트의 데이터는 복수의 펩타이드들을 포함하고, 하나의 펩타이드는 복수의 아미노산들로 이루어진 서열을 포함하며 그리고 상기 제 2 세트의 데이터는 상기 특정 MHC 타입에 대한 위치 별 아미노산 식별자들을 포함함 -, 및 인공지능 기반의 제 1 모델을 사용하여, 상기 입력 데이터로부터 상기 복수의 펩타이드들과 상기 위치 별 아미노산 식별자들 간의 결합 가능성에 대한 제 1 예측 결과를 획득하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은: 적어도 하나의 피검체로부터 유래된 주조직 적합 복합체(Major Histocompatibility Complex: MHC)-펩타이드 결합체(complex)를 포함하는 생물학적 시료로부터 제 1 펩타이드 시퀀스들을 획득하는 단계, 상기 생물학적 시료로부터 분석된 MHC 타입들 각각과 매칭되는 제 2 펩타이드 시퀀스들을 획득하는 단계, 및 상기 제 2 펩타이드 시퀀스들의 적어도 일부에 기초하여, 상기 제 1 펩타이드 시퀀스들에 대한 MHC 타입을 결정하기 위한 클러스터링을 수행하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은: 적어도 하나의 피검체로부터 유래된 주조직 적합 복합체(Major Histocompatibility Complex: MHC)-펩타이드 결합체(complex)를 포함하는 생물학적 시료로부터 제 1 펩타이드 시퀀스들을 획득하는 단계, 상기 생물학적 시료로부터 분석된 MHC 타입들 각각과 매칭되는 제 2 펩타이드 시퀀스들을 획득하는 단계, 및 상기 제 2 펩타이드 시퀀스들의 적어도 일부에 기초하여, 상기 제 1 펩타이드 시퀀스들에 대한 MHC 타입을 결정하기 위한 클러스터링을 수행하는 단계를 포함할 수 있다.
컴퓨터 판독가능 저장 매체에 저장되는 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 장치의 적어도 하나의 프로세서에 의해 실행되는 경우: 적어도 하나의 피검체로부터 유래된 MHC-펩타이드 결합체를 포함하는 생물학적 시료로부터 펩타이드 시퀀스들의 리스트를 획득하는 동작, 클러스터링 모델을 사용하여 상기 펩타이드 시퀀스들의 리스트로부터 제 1 클러스터링 결과를 획득하는 동작, 상기 제 1 클러스터링 결과에 포함된 복수의 클러스터들과 참조 데이터 간의 제 1 유사도를 연산하는 동작 및 상기 제 1 유사도에 적어도 부분적으로 기초하여, 상기 복수의 클러스터들 중 적어도 하나의 클러스터와 매칭되는 MHC 타입을 결정하는 동작을 수행할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은: 제 1 주조직 적합 복합체(MHC: Major Histocompatibility Complex) 타입에 대응되는 제 1 세트의 펩타이드 서열(sequence)들을 획득하는 단계, 제 2 MHC 타입에 대응되는 제 2 세트의 펩타이드 서열들을 획득하는 단계, 상기 제 1 세트의 펩타이드 서열들과 상기 제 2 세트의 펩타이드 서열들 간의 제 1 유사도를 연산하는 단계, 및 상기 제 1 유사도에 기초하여, 데이터베이스에 저장된 면역 펩티돔(immunopeptidome) 정보의 신뢰도(reliability)를 결정하는 단계를 포함할 수 있다.
본 개시내용의 일 실시예에 따라, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 인간 백혈구 항원(Human Leukocyte Antigen; HLA)의 타입을 결정하기 위한 방법이 개시된다. 상기 방법은: 피검체 유래의 생물학적 시료로부터 획득된 DNA 또는 RNA에 대한 염기 서열 분석을 수행한 결과를 획득하는 단계, 및 OptiType, HLA-HD, PHLAT, HLAscan, 및 HLA*LA 중 3개 이상의 툴(tool)들을 사용하여, 상기 염기 서열 분석의 결과로부터 HLA 타입을 결정하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는, 인공지능 기술을 이용하여 예측 결과를 생성하기 위한 방법이 개시된다. 상기 방법은, TCR의 CDR3α에 대응되는 제 1 데이터 및 TCR의 CDR3β에 대응되는 제 2 데이터를 획득하는 단계 - 상기 제 1 데이터는 상기 CDR3α에 대응되는 아미노산 서열을 포함하며, 그리고 상기 제 2 데이터는 상기 CDR3β에 대응되는 아미노산 서열을 포함함 -, 인공지능 기반의 제 1 모델을 사용하여, 상기 제 1 데이터 및 상기 제 2 데이터를 입력받아, 상기 CDR3α를 포함하는 상기 제 1 데이터와 상기 CDR3β를 포함하는 상기 제 2 데이터가 선후행 관계에 해당하는지 여부를 결정하는 단계 및 상기 제 1 데이터와 상기 제 2 데이터가 상기 선후행 관계에 해당한다는 결과가 출력된 경우, 상기 제 1 데이터와 상기 제 2 데이터의 조합을 CDR 세트 후보 리스트에 저장하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는, 인공지능 기술을 이용하여 예측 결과를 생성하기 위한 방법이 개시된다. 상기 방법은, 펩타이드에 대응되는 제 1 데이터 및 주조직 적합 복합체(MHC: Major Histocompatibility Complex)에 대응되는 제 2 데이터를 포함하는 제 1 입력 데이터 세트를 획득하는 단계 - 상기 제 1 데이터는 상기 펩타이드에 대응되는 아미노산 서열을 포함하며, 그리고 상기 제 2 데이터는 상기 MHC에 대응되는 아미노산 서열을 포함함 -, 및 인공지능 기반의 예측 모델을 사용하여, 상기 제 1 입력 데이터 세트로부터 상기 펩타이드와 상기 MHC에 대응되는 TCR(T Cell Receptor)의 CDR3α와 관련된 제 3 데이터 및 상기 펩타이드와 상기 MHC에 대응되는 상기 TCR의 CDR3β와 관련된 제 4 데이터를 포함하는 예측 결과를 획득하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은: 특정 주조직 적합 복합체(MHC: Major Histocompatibility Complex) 타입에 대응되는 제 1 세트의 데이터 및 제 2 세트의 데이터를 포함하는 입력 데이터를 획득하는 단계 - 상기 제 1 세트의 데이터는 복수의 펩타이드들을 포함하고, 하나의 펩타이드는 복수의 아미노산들로 이루어진 서열을 포함하며 그리고 상기 제 2 세트의 데이터는 상기 특정 MHC 타입에 대한 위치 별 아미노산 식별자들을 포함함 -, 및 인공지능 기반의 제 1 모델을 사용하여, 상기 입력 데이터로부터 상기 복수의 펩타이드들과 상기 위치 별 아미노산 식별자들 간의 결합 가능성에 대한 제 1 예측 결과를 획득하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는, 인공지능 기술을 이용하여 예측 결과를 생성하기 위한 방법이 개시된다. 상기 방법은, 펩타이드에 대응되는 제 1 데이터, 주조직 적합 복합체(MHC: Major Histocompatibility Complex)에 대응되는 제 2 데이터 및 상기 펩타이드와 상기 MHC에 대응되는 TCR(T Cell Receptor)과 관련된 제 3 데이터를 획득하는 단계 - 상기 제 1 데이터는 상기 펩타이드에 대응되는 제 1 서열의 아미노산들을 포함하고, 상기 제 2 데이터는 상기 MHC에 대응되는 제 2 서열의 아미노산들을 포함하며, 그리고 상기 제 3 데이터는 상기 TCR에 대응되는 제 3 서열의 아미노산들을 포함함 -, 상기 제 1 데이터, 상기 제 2 데이터, 및 상기 제 3 데이터에 대한 전처리(preprocessing)를 수행함으로써, 입력 데이터 세트를 생성하는 단계, 및 상기 입력 데이터 세트를 이용하여, 인공지능 기반의 예측 모델을 통해 상기 펩타이드, 상기 MHC 및 상기 TCR의 면역원성(pMHC-TCR immunogenicity)을 포함하는 예측 결과를 생성하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은: 사전 결정된 복수의 PTM(Post-Translational Modification: 전사 후 변형) 옵션들에 따라서, 복수의 펩타이드들을 포함하는 생물학적 시료에 대한 질량 분석(Mass Spectrometry)을 수행하는 질량 분석 기기(MS: Mass Spectrometer)를 이용하여, 펩타이드 시퀀스들의 리스트를 획득하는 단계, 상기 리스트에 포함된 펩타이드 시퀀스들에 대한 신뢰도 정보를 결정하기 위하여, 상기 리스트에 대한 전처리를 수행하는 단계, 및 상기 리스트에 상기 신뢰도 정보를 반영함으로써, 상기 생물학적 시료에 대한 PTM 아미노산과 Non-PTM 아미노산이 고려된 펩타이드 시퀀스들을 포함하는 데이터베이스를 구축하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은: 제 1 타입의 주조직 적합 복합체(Major Histocompatibility Complex: MHC)에 대응되는 제 1 클러스터(cluster) 데이터를 획득하는 단계. 상기 제 1 클러스터 데이터에서의 적어도 하나의 값을 변경하기 위한 노이즈 생성 모델을 사용하여, 상기 제 1 클러스터 데이터로부터 상기 제 1 타입의 MHC에 대응되는 제 2 클러스터 데이터를 생성하는 단계 - 상기 제 2 클러스터 데이터는 상기 제 1 클러스터 데이터와 상이한 값을 포함함 - , 및 상기 제 2 클러스터 데이터에 적어도 부분적으로 기초하여 분류(classification) 모델을 학습시키는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 펩타이드에 대응되는 제 1 입력 데이터, 주조직 적합 복합체(MHC: Major Histocompatibility Complex)에 대응되는 제 2 입력 데이터 및 상기 펩타이드와 상기 MHC에 대응되는 TCR(T Cell Receptor)과 관련된 제 3 입력 데이터를 획득하는 단계 - 상기 제 1 입력 데이터는 상기 펩타이드에 대응되는 제 1 서열의 아미노산들을 포함하며, 상기 제 2 입력 데이터는 상기 MHC에 대응되는 제 2 서열의 아미노산들을 포함하며, 그리고 상기 TCR과 관련된 제 3 입력 데이터는 상기 TCR에 대응되는 제 3 서열의 아미노산들을 포함함 -, 및 제 1 예측 모델을 이용하여 상기 제 1 입력 데이터, 상기 제 2 입력 데이터 및 상기 제 3 입력 데이터로부터, 상기 제 1 서열의 아미노산들 및 상기 제 2 서열의 아미노산들을 포함하는 펩타이드-MHC 결합체(pMHC)에 대응되는 TCR의 아미노산 서열을 포함하는 예측 결과를 생성하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는, 인공지능 기반의 예측 모델을 훈련시키는(training) 방법이 개시된다. 상기 방법은, 펩타이드 및 주조직 적합 복합체(Major Histocompatibility Complex; MHC)에 대응되는 제 1 입력 데이터 및 상기 제 1 입력 데이터에 대응되는 제 1 라벨링(labeling) 데이터를 포함하는 제 1 학습 데이터를 획득하는 단계 - 상기 제 1 라벨링 데이터는 펩타이드와 MHC의 결합(binding)과 관련된 제 1 개수의 클래스들과 대응됨 -, 펩타이드와 MHC의 결합과 관련된 제 2 개수의 클래스들을 분류하도록 제 2 학습 데이터에 기초하여 사전 학습된 제 1 예측 모델을 이용하여, 상기 제 1 학습 데이터로부터, 상기 제 2 개수의 클래스들에 대한 제 1 예측 결과를 획득하는 단계, 상기 제 1 예측 결과 및 상기 제 1 라벨링 데이터에 기초하여, 상기 제 1 학습 데이터의 제 1 라벨링 데이터를, 펩타이드와 MHC의 결합과 관련된 제 3 개수의 클래스들과 대응되는 제 2 라벨링 데이터로 업데이트하는 단계, 상기 제 2 라벨링 데이터 및 상기 제 1 입력 데이터를 포함하는 제 3 학습 데이터를 생성하는 단계, 및 상기 제 3 학습 데이터에 기초하여, 상기 제 3 개수의 클래스들을 분류하도록 제 2 예측 모델을 훈련하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은: 주조직 적합 복합체(MHC: Major Histocompatibility Complex)와 결합 가능한 펩타이드들의 제 1 리스트를 획득하는 단계, 상기 펩타이드들의 제 1 리스트로부터 제 1 타입의 MHC에 결합가능한 펩타이드들의 제 2 리스트를 획득하는 단계, 상기 펩타이드들의 제 2 리스트로부터 아미노산들 각각에 대한 PTM(Post Translational Modification) 분석 정보를 생성하는 단계, 및 상기 PTM 분석 정보에 기초하여, 펩타이드와 MHC 간의 결합 가능성을 결정하는 예측 모델을 활용하기 위한 전처리를 수행하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은: 피검체로부터 유래된, 주조직 적합 복합체(Major Histocompatibility Complex: MHC)와 펩타이드 간의 결합체(complex)를 포함하는 생물학적 시료로부터, 상기 결합체 내에서의 pMHC 바인딩(binding) 스코어를 결정하는 단계; 및 상기 pMHC 바인딩 스코어에 기초하여, 상기 피검체에 대한 면역활성을 나타낼 복수개의 T 세포 수용체(T cell receptor, TCR)들 - 상기 복수개의 TCR들 각각은 상기 결합체에 결합 가능함 - 의 정량 정보를 결정하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는, 펩타이드-주조직 적합 복합체(pMHC: peptide Major Histocompatibility Complex)에 결합 가능한 TCR(T Cell Receptor)의 아미노산 서열을 예측하기 위한 방법이 개시된다. 상기 방법은: MHC에 대응되는 제 1 입력 데이터 및 펩타이드에 대응되는 제 2 입력 데이터를 획득하는 단계 - 상기 제 1 입력 데이터는 상기 MHC에 대응되는 제 1 서열의 아미노산들을 포함하며 그리고 상기 제 2 입력 데이터는 상기 펩타이드에 대응되는 제 2 서열의 아미노산들을 포함함 -; 및 인공지능 기반의 예측 모델을 이용하여, 상기 제 1 입력 데이터 및 상기 제 2 입력 데이터와 연관된 TCR의 CDR3에 대응되는 제 3 서열의 아미노산들을 포함하는 예측 결과를 획득하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는, 인공지능 기반의 예측 모델을 학습시키는(training) 방법이 개시된다. 상기 방법은, TCR(T Cell Receptor)의 CDR3와 관련된 제 1 학습 데이터 세트를 획득하는 단계 - 상기 제 1 학습 데이터 세트는 인공지능 기반의 제 1 예측 모델의 학습에서 활용될 가이드(guide) 정보를 포함함 -, 상기 가이드 정보에 기초하여, 상기 제 1 학습 데이터 세트를 상기 제 1 예측 모델의 학습을 위해 전처리하는 단계, 및 상기 전처리된 제 1 학습 데이터 세트를 이용하여, 상기 제 1 예측 모델이 주조직 적합 복합체(MHC: Major Histocompatibility Complex)) 및 펩타이드에 대응되는 TCR의 CDR3의 아미노산 서열을 예측하도록, 상기 제 1 예측 모델을 학습시키는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는, 인공지능 기반의 예측 모델을 학습시키는(training) 방법이 개시된다. 상기 방법은, 주조직 적합 복합체(MHC: Major Histocompatibility Complex)에 대응되는 제 1 입력 데이터, 펩타이드에 대응되는 제 2 입력 데이터 및 상기 MHC와 상기 펩타이드에 대응되는 TCR(T Cell Receptor)의 CDR3에 대응되는 제 3 입력 데이터를 획득하는 단계 - 상기 제 1 입력 데이터는 상기 MHC에 대응되는 제 1 서열의 아미노산들을 포함하며, 상기 제 2 입력 데이터는 상기 펩타이드에 대응되는 제 2 서열의 아미노산들을 포함하며, 그리고 상기 제 3 입력 데이터는 상기 CDR3에 대응되는 제 3 서열의 아미노산들을 포함함 -, 상기 제 1 입력 데이터, 상기 제 2 입력 데이터 및 상기 제 3 입력 데이터에 대한 그룹화(grouping) 프로세스 및 세그멘팅(segmenting) 프로세스를 포함하는 전처리(preprocessing)를 수행함으로써, 학습 데이터 세트를 생성하는 단계, 및 상기 학습 데이터 세트를 사용하여, 상기 인공지능 기반의 예측 모델이 상기 제 1 입력 데이터 및 상기 제 2 입력 데이터로부터 상기 제 3 입력 데이터를 포함하는 예측 결과를 생성하도록, 상기 인공지능 기반의 예측 모델을 학습시키는 단계를 포함할 수 있...(이하생략)
컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은: 염기서열 분석 데이터를 획득하는 단계, 상기 염기서열 분석 데이터를 입력으로 하는 적어도 하나의 변이 검출(variant calling) 모델로부터 생성되는 중간(intermediate) 변이 검출 결과를 획득하는 단계, 상기 중간 변이 검출 결과에 대한 전처리(pre-processing)를 수행함으로써, 기계학습 모델에 적용 가능한 입력 데이터를 생성하는 단계, 및 상기 입력 데이터를 상기 기계학습 모델에 적용함으로써, 상기 염기서열 분석 데이터에 대응되는 최종 변이 검출 결과를 획득하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은: 주조직 적합 복합체(MHC: Major Histocompatibility Complex)와 펩타이드의 결합체에 대응되는 제 1 세트의 데이터 및 제 2 세트의 데이터를 포함하는 입력 데이터를 획득하는 단계 - 상기 제 1 세트의 데이터는 상기 MHC에 대응되는 제 1 서열의 아미노산들을 포함하며, 그리고 상기 제 2 세트의 데이터는 상기 펩타이드에 대응되는 제 2 서열의 아미노산들을 포함함 -; 및 상기 입력 데이터를 이용하는 제 1 모델을 사용하여, 상기 입력 데이터에 대응되는 TCR(T Cell Receptor)의 CDR3(Third Complementarity Determining Region)에 대한 길이 정보(length information)를 결정하는 단계; 상기 결정된 길이 정보 및 상기 입력 데이터를 이용하는 제 2 모델을 사용하여, 상기 입력 데이터에 대응되는 TCR(T Cell Receptor)의 CDR3 서열을 포함하는 예측 결과를 생성하는 단계를 포함할 수 있다.
본 발명은 트랜스포존 벡터, 이를 포함하는 트랜스포존 시스템, 트랜스포존 키트, 상기 트랜스포존 벡터가 삽입된 세포, 및 이들의 용도에 관한 것으로서, 외인성 유전자를 타겟 세포의 염색체 내로 효과적으로 전달하여 유전적으로 변형된 세포를 고수율로 제작할 수 있음을 확인하여 완성된 것이다. 특히, 본 발명에 따른 트랜스포존은 TCR 또는 CAR를 암호화하는 유전자를 면역세포로 효과적으로 전달할 수 있으며, 이를 통해 상기 TCR 또는 CAR을 발현하게 된 세포는 항원에 대한 높은 반응성을 보이는 것이 확인된 바, 본 발명에 따른 트랜스포존 시스템을 이용하여 다양한 TCR-T 세포 및 CAR-T 세포를 제작할 수 있을 것으로 기대된다. 특히, 종래 CAR-T 세포는 CAR 제작뿐만 아니라 목적세포로의 전달을 위해 높은 비용을 필요로 했으나, 본 발명의 트랜스포존을 이용하면 낮은 비용으로 고수율의 CAR-T 세포를 수득할 수 있으므로, CAR-T 세포치료제의 생산단가를 낮춤으로써 치료제 가격을 낮출 수 있다. 뿐만 아니라, 본 발명의 트랜스포존은 종양바이러스-타겟 중화항체와 같은 항체 유전자를 항체의 대량 생산에 사용되는 HEK293 세포에 효과적으로 전달할 수 있음이 확인된 바, 본 발명의 트랜스포존을 통해 다양한 항체를 대량으로 손쉽게 생산할 수 있다. 특히, 본 발명에 따른 트랜스포존은 유전자 전달...(이하생략)
컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은: 적어도 하나의 피검체로부터 유래된 주조직 적합 복합체(Major Histocompatibility Complex: MHC)-펩타이드 결합체(complex)를 포함하는 생물학적 시료로부터 제 1 펩타이드 시퀀스들을 획득하는 단계, 상기 생물학적 시료로부터 분석된 MHC 타입들 각각과 매칭되는 제 2 펩타이드 시퀀스들을 획득하는 단계, 및 상기 제 2 펩타이드 시퀀스들의 적어도 일부에 기초하여, 상기 제 1 펩타이드 시퀀스들에 대한 MHC 타입을 결정하기 위한 클러스터링을 수행하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은: 특정 주조직 적합 복합체(MHC: Major Histocompatibility Complex) 타입에 대응되는 제 1 세트의 데이터 및 제 2 세트의 데이터를 포함하는 입력 데이터를 획득하는 단계 - 상기 제 1 세트의 데이터는 복수의 펩타이드들을 포함하고, 하나의 펩타이드는 복수의 아미노산들로 이루어진 서열을 포함하며 그리고 상기 제 2 세트의 데이터는 상기 특정 MHC 타입에 대한 위치 별 아미노산 식별자들을 포함함 -, 및 인공지능 기반의 제 1 모델을 사용하여, 상기 입력 데이터로부터 상기 복수의 펩타이드들과 상기 위치 별 아미노산 식별자들 간의 결합 가능성에 대한 제 1 예측 결과를 획득하는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은: 제 1 타입의 주조직 적합 복합체(Major Histocompatibility Complex: MHC)에 대응되는 제 1 클러스터(cluster) 데이터를 획득하는 단계. 상기 제 1 클러스터 데이터에서의 적어도 하나의 값을 변경하기 위한 노이즈 생성 모델을 사용하여, 상기 제 1 클러스터 데이터로부터 상기 제 1 타입의 MHC에 대응되는 제 2 클러스터 데이터를 생성하는 단계 - 상기 제 2 클러스터 데이터는 상기 제 1 클러스터 데이터와 상이한 값을 포함함 - , 및 상기 제 2 클러스터 데이터에 적어도 부분적으로 기초하여 분류(classification) 모델을 학습시키는 단계를 포함할 수 있다.
컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은, 제 1 타입의 주조직 적합 복합체(Major Histocompatibility Complex: MHC)에 대응되는 제 1 클러스터(cluster) 데이터를 획득하는 단계, 상기 제 1 클러스터 데이터에서의 배열 순서가 변경된 제 2 클러스터 데이터를 생성하는 단계, 및 상기 제 2 클러스터 데이터에 적어도 부분적으로 기초하여 분류(classification) 모델을 학습시키는 단계를 포함할 수 있다.
본 출원은 종양침윤림프구를 포함하는 면역세포 조성물을 생산하는 방법, 및 이를 통해 생산된 면역세포 조성물의 용도에 관한 것이다.
컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은: 제 1 주조직 적합 복합체(MHC: Major Histocompatibility Complex) 타입에 대응되는 제 1 세트의 데이터 및 제 2 세트의 데이터를 포함하는 로우 데이터를 획득하는 단계 - 상기 제 1 세트의 데이터는 복수의 펩타이드들을 포함하고, 하나의 펩타이드는 복수의 아미노산들로 이루어진 서열을 포함하며 그리고 상기 제 2 세트의 데이터는 상기 제 1 MHC 타입에 대한 위치 별 아미노산 식별자들을 포함함 -, 상기 제 1 세트의 데이터 및 상기 제 2 세트의 데이터에 기초하여, 상기 제 1 MHC 타입에 대응되는 인코딩 데이터를 생성하는 단계, 상기 인코딩 데이터에서의 적어도 일부를 변경한 섭동 입력 데이터를 포함하는 복수의 입력 데이터를 생성하는 단계, 복수의 제 1 기계학습 모델들을 사용하여, 상기 복수의 입력 데이터로부터 상기 복수의 펩타이드들과 상기 위치 별 아미노산 식별자들 간의 결합 친화도(binding affinity)에 대한 예측 결과를 획득하는 단계, 및 상기 예측 결과에 적어도 부분적으로 기초하여, 상기 로우 데이터에 포함된 피쳐(feature)들 중에서 제 2 기계학습 모델에서 사용될 적어도 하나의 피쳐를 선정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은: 제 1 주조직 적합 복합체(MHC: Major Histocompatibility Complex) 타입에 대응되는 제 1 세트의 펩타이드 서열(sequence)들을 획득하는 단계, 제 2 MHC 타입에 대응되는 제 2 세트의 펩타이드 서열들을 획득하는 단계, 상기 제 1 세트의 펩타이드 서열들과 상기 제 2 세트의 펩타이드 서열들 간의 제 1 유사도를 연산하는 단계, 및 상기 제 1 유사도에 기초하여, 데이터베이스에 저장된 면역 펩티돔(immunopeptidome) 정보의 신뢰도(reliability)를 결정하는 단계를 포함할 수 있다.
컴퓨터 판독가능 저장 매체에 저장되는 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 장치의 적어도 하나의 프로세서에 의해 실행되는 경우: 적어도 하나의 피검체로부터 유래된 MHC-펩타이드 결합체를 포함하는 생물학적 시료로부터 펩타이드 시퀀스들의 리스트를 획득하는 동작, 클러스터링 모델을 사용하여 상기 펩타이드 시퀀스들의 리스트로부터 제 1 클러스터링 결과를 획득하는 동작, 상기 제 1 클러스터링 결과에 포함된 복수의 클러스터들과 참조 데이터 간의 제 1 유사도를 연산하는 동작 및 상기 제 1 유사도에 적어도 부분적으로 기초하여, 상기 복수의 클러스터들 중 적어도 하나의 클러스터와 매칭되는 MHC 타입을 결정하는 동작을 수행할 수 있다.
컴퓨터 판독가능 저장 매체에 저장되는 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 장치의 적어도 하나의 프로세서에 의해 실행되는 경우: 적어도 하나의 피검체로부터 유래된 MHC-펩타이드 결합체를 포함하는 생물학적 시료로부터 펩타이드 시퀀스들의 리스트를 획득하는 동작, 클러스터링 모델을 사용하여 상기 펩타이드 시퀀스들의 리스트로부터 제 1 클러스터링 결과를 획득하는 동작, 상기 제 1 클러스터링 결과에 포함된 복수의 클러스터들과 참조 데이터 간의 제 1 유사도를 연산하는 동작 및 상기 제 1 유사도에 적어도 부분적으로 기초하여, 상기 복수의 클러스터들 중 적어도 하나의 클러스터와 매칭되는 MHC 타입을 결정하는 동작을 수행할 수 있다.
특허청 KIPRIS · 2026-10-15 조회 · 최신 출원순 · 오른쪽은 등록일(등록 전은 출원일) · 전체 58건 중 50건 · 줄을 누르면 자세한 내용이 펼쳐집니다 ▾
지금은 공공자료(국민연금 · 전자공시 · 특허 · 명부 · 보도)만 있습니다. 회사가 IR Room에 자료를 내면 L1로 올라갑니다. 저희는 회사에 점수나 등급을 매기지 않습니다 — 어디까지 확인했는지만 적습니다.
| 단위 억원 | 2024 | 2025 |
|---|---|---|
| 판매비와관리비 | 46.6 | 36.3 |
| 영업이익(손실) | 46.6 | 36.3 |
| 영업외수익 | 0.6 | 0.5 |
| 기타이익 | 0.0 | 0.0 |
| 금융수익 | 0.1 | 0.0 |
| 기타 | 0.5 | 0.5 |
| 영업외비용 | 4.7 | 4.3 |
| 기타손실 | 0.0 | 0.1 |
| 금융원가 | 4.7 | 4.2 |
| 법인세비용차감전순이익(손실) | 50.7 | 40.0 |
| 당기순이익(손실) | 50.7 | 40.0 |
매출은 —으로 나타났다.
영업이익률은 —다.
당기순이익은 40억으로 나타났다.
여기 실린 것보다 깊은 자료가 필요하십니까. 추가 정보 요청 — 종합 검토보고서 · 가치평가 · Executive Teaser · IM · 경쟁사 분석 · 실사 의뢰. 고르시면 산출비용과 걸리는 기간을 메일로 안내드립니다.