COVID-19 스타일 변환 모델을 이용한 세포 이미지 자동 생성 시스템 설계 및 성능평가
A Design and Performance Evaluation of Automatic Cell Image Generating System Using COVID-19 Style Transformation Model
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 들어 COVID-19를 위한 백신이 여러 종류 개발되어 전 세계적으로 사용되고 있다. 그러나 백신에 의한 예방 효과가 나오기 위해서는 아직 많은 시간이 필요하다. 따라서 COVID-19에 걸렸을 때에 사용할 수 있는 감염증 치료제의 개발은 매우 중요한 문제라고 할 수 있다. 그러나 COVID-19 치료제를 개발하는 데에는 백신 개발보다도 더 많은 시간이 필요하다. 여러 가지 이유가 있겠지만 치료제에 사용될 수 있는 많은 약물 후보 중에서 COVID-19를 억제하거나 극복할 수 있는 좋은 약물 후보를 발견할 때까지 세포배양 및 화학 반응에 대한 실험을 계속 반복적으로 해야 하고 그 반응 결과를 연구자들이 일일이 확인하고 판단하여야 하기 때문이다. 이에 본 논문에서는 COVID-19 바이러스의 치료제 개발에 필요한 임상시험의 시간을 단축하기 위해 COVID-19 바이러스에 후보 약물을 투약하였을 경우의 반응 결과를 빠른 시간에 이미지로 자동 변환하여 보여줄 수 있는 시스템을 설계하고 성능을 평가하였다. 본 논문에서 설계한 StarGAN-v2 기반의 스타일 변환 모델 시스템은 여러 스타일 사이의 변환을 지원한다. 또한, 자동화된 스타일 변환 시스템을 이용하면 특정 바이러스 세포에 후보 약물이나 화합물을 직접 투약하고 결과를 기다리는 임상시험의 결과를 기다리지 않고 빠르게 결과를 시뮬레이션 해 볼 수 있는 장점이 있다. 따라서 본 논문에서 설계된 스타일 변환 시스템을 신약 개발의 임상시험 단계에서 투약 결과에 대한 시뮬레이터로 사용하게 되면 임상시험의 절차와 시간을 단축하는데 기여할 수 있을 것이다.
Abstract
Recently, several types of vaccines for COVID-19 have been developed and are being used worldwide. However, there is still a lot of time is needed for the preventive effect by the vaccine to come out. Therefore, it can be said that the development of an infectious disease treatment that can be used when contracting COVID-19 is a very important issue. However, developing a treatment for COVID-19 requires more time than developing a vaccine. There are many reasons, but among the many drug candidates that can be used in remedy, until a good drug candidate is found that can inhibit or overcome COVID-19, experiments on cell culture and chemical reactions must continue and iteratively, and the results of the chemical reaction must be evaluated. This is because researchers have to check and make judgments one by one. Therefore, in this paper, in order to shorten the clinical trial time required for the development of a remedy agent for the COVID-19, we designed a system that can automatically transform and show the chemical reaction result when a candidate drugs are administered to the COVID-19 virus in a short time and the performance was evaluated. A style transformation model based on StarGAN-v2 designed in this paper supports conversion between multiple styles. In addition, using the automated style transformation model, a candidate drug or compound is directly administered to a specific virus cell and the results can be simulated quickly without waiting for the results of a clinical trial waiting for the results. Therefore, if the style transformation model designed in this paper is used as a simulator for administration results in the clinical trial stage of new drug development, it will be able to contribute to shortening the clinical trial procedure and time
참고문헌 (23)
- J. T. Wu, "Nowcasting and forecasting the potential domestic and international spread of the 2019-ncov outbreak originating in wuhan, china: a modelling study", The Lancet, 395(10225), pp.689~697 (2020)
- Z. Wu, "Characteristics of and important lessons from the coronavirus disease 2019(covid-19)outbreak in china : Summary of a report of 72314cases from the chinese center for disease control and prevention", JAMA, 323(13), pp.1239~1242 (2020)
- Z. Xu, "Pathological findings of covid-19 associated with acute respiratory distress syndrome", The Lancet Respiratory Medicine, 8(4), pp.420~422 (2020)
- "CellSignal:Disentangling biological signal from experimental nosie in cellular images"[URL]
- B. F. Lamblin, "new features and speed improvements", Deep Learning and Unsupervised Feature Learning NIPS 2012 Workshop (2012)
- Y. Choi, "StarGAN v2: Diverse image synthesis for multiple domains", 2020 IEEE, 2020, 8185~8194
- A. Creswell, "Generative adversarial networks: An overview", IEEE Signal Processing Magazine, 35(1), pp.53~65 (2018)
- "Wasserstein GAN"[URL]
- "A style-based generator architecture for generative adversarial networks"[URL]
- "StarGAN: Unified generative adversarial networks for multi-domain image-to-image translation"[URL]
- "Unpaired image-to-image translation using cycle-consistent adversarial networks"[URL]
- "RxRx19a: The first morphological imageing dataset on SARS-CoV-2 virus"[URL]
- "Deep residual learning for image recognition"[URL]
- M. D. Zeiler, "Visualizing and understanding convolutional neural networks", ECCV (2014)
- L. E. Shelhamer, "Fully convolutional networks for semantic segmentation", CVPR (2015)
- M. Heusel, "GANs trained by a two time-scale update rule converge to a local nash equilibrium", Advances in Neural Information Processing Systems, NIPS 2017, 30 (2017)
- R. Zhang, "The unreasonable effectiveness of deep features as a perceptual metric", 2018 IEEE, 2018, 586~595
- L. Scott, "A unified approach to interpreting model predictions", Advances in Neural Information Processing Systems, 30 (2017)
- R. R. Selvaraju, "Grad-CAM: Visual explanations from deep networks via gradient-based localization", Proceedings of the IEEE International Conference on Computer Vision (ICCV), pp.618~626 (2017)
- L. Chen, "Adapting grad-cam for embedding networks", Proceedings of the IEEE, 2020, 2794~2803
- 박주석, "횡단보도 탐지 머신러닝 시스템", 한국지식정보기술학회 논문지, 16(1), pp.9~19 (2021), 한국지식정보기술학회[DOI]
- 강민정, "조류 울음소리를 이용한 조류 분류 딥러닝 시스템 개발", 한국지식정보기술학회 논문지, 15(2), pp.195~203 (2020), 한국지식정보기술학회[DOI]
- 김종윤, "Semantic-based Word Embedding Measure for COVID-19 Healthcare on Big Data Environment", 한국지식정보기술학회 논문지, 16(2), pp.313~319 (2021), 한국지식정보기술학회[DOI]