디이프의 초개인화 영양 AI를 한 단계 더 깊게 만드는 핵심 퍼즐 : 640명 추적 NutriOmics 기반 만성질환 예측·정밀 식이 추천 플랫폼
초개인화 정밀영양 AI
다중오믹스 기반 식이 추천
당뇨병 예측-식이 연계 모델
종단 코호트 기반 건강관리 고도화
검진 연계 예방형 헬스케어 플랫폼
기술 개요
기술 상세
사업화 기회
협업 방식
특허/데이터
“혈당 반응 예측을 넘어, ‘왜 이 식이가 맞는지’까지 설명하는 디이프형 정밀영양 엔진으로 진화할 시간입니다."
본 섹션은 AI로 생성된 내용입니다.
왜 디아프에 본 기술이 필요한가?
현재의 한계 (Pain Point)
디이프는 유전체, 건강검진, CGM, 식단 데이터를 통합한 개인 맞춤형 헬스케어 역량을 보유하고 있으나, 현재의 식이 추천은 여전히 혈당 반응 및 생활로그 중심의 해석에 가까워, “왜 특정 식이가 이 사람에게 맞는가”를 오믹스 수준에서 설명하는 정밀도 확보에는 한계가 있음
기술적 돌파구 (Breakthrough)
대조군 포함 640명 규모의 NutriOmics DB와 유전체, 대사체, 단백체, 장내미생물, FFQ 식이정보를 결합한 코호트 기반 분석 구조를 통해, 개인별 질환 위험과 식이 반응성을 함께 해석할 수 있음. 특히 당뇨병 예측(f1>0.83, AUC>0.92) 및 추천 식이, 유전체 기반 당뇨병 예측 알고리즘, 후성유전체-식이 연관성 분석까지 확보하고 있어, 디이프의 DEEP:Health 내 식이 추천 엔진을 한 단계 높은 ‘오믹스 기반 정밀영양 AI’로 고도화할 수 있음
본 기술 도입 시 디아프의 변화점
Before (현재)
유전체, 건강검진, 연속혈당, 식단 데이터를 통합한 고도화된 개인 맞춤형 서비스이나, 장기 추적 오믹스 데이터와 연동된 ‘질환 전 단계 예측형 식이 알고리즘’ 부재로, 고도화된 건강관리 가이드 제공 수준에 머무를 가능성이 있음
After (도입 후)
640명 추적 NutriOmics DB와 당뇨병 예측-추천 식이 알고리즘을 결합해, 개인별 질환 전이 가능성과 식이 반응을 동시에 반영하는 ‘초개인화 정밀영양 예측 엔진’ 탑재 가능
즉각적인 비즈니스 임팩트
검진센터·의료기관 연계 사업 가치 극대화
건강검진 결과지 제공 단계에서 예측 모델과 식단 추천을 결합한 서비스로 확장할 수 있어, 디이프의 B2B2C 헬스케어 모델을 병원·검진센터 중심으로 빠르게 확대 가능
차세대 예방형 헬스케어 자산 확보
기 구축된 640명 규모 NutriOmics DB와 당뇨병 예측-추천 식이 알고리즘을 활용하여, 디이프의 차기 예방형 디지털 헬스케어 서비스 및 정밀영양 파이프라인 구축 비용과 검증 기간을 단축할 수 있음
기술 핵심 개요
만성질환 예방 및 질환 전 단계 관리를 위한 다차원 NutriOmics 기반 맞춤형 식이 추천 솔루션
- 국내 기반 640명 규모의 다중 오믹스 추적 코호트 DB 확보 - 유전체, 대사체, 단백체, 장내미생물, FFQ를 통합한 고정밀 NutriOmics 분석 구조 - 당뇨병 예측 및 추천 식이를 동시에 도출하는 AI 알고리즘 확보 - 후성유전체-식이 연관성 분석 및 유전체 기반 특이 식품 추천 가능
연구원 소개
본 내용은 연구자가 직접 작성한 내용입니다.
한국식품연구원 식품기능연구본부 정밀식이연구단 박재호 연구원
"건강관리는 이제 단순한 식단 추천을 넘어, 개인의 유전체와 대사체, 장내미생물, 식이 패턴을 함께 읽어내는 방향으로 가야 합니다. 본 기술은 오믹스와 식이, 질환 변화를 장기 추적해 축적한 NutriOmics 기반 자산으로, 당뇨병 예측과 맞춤형 식이 추천은 물론 건강관리 앱, 검진 연계 서비스, 기능성 식품 개발까지 확장 가능한 정밀영양 플랫폼의 강력한 코어가 될 것입니다"
기술 차별성
1. 데이터의 포괄성 및 연계성 (Multi-Layered Data Integration)
기존 기술의 한계
대부분의 식이 추천 서비스는 환자의 설문 데이터(FFQ)에만 의존하거나, 병원의 임상 데이터(EMR)와 단절되어 있어 실제 치료 과정과의 정합성이 떨어짐
본 기술의 차별점
유전체, 대사체, 단백체, 장내미생물, FFQ 식이정보를 단일 코호트 구조 안에서 통합 분석하여, 개인별 질환 위험과 식이 반응을 동시에 해석할 수 있음
2. 추적 데이터 기반 예측 정밀도 (Longitudinal Predictive Precision)
기존 기술의 한계
기존 데이터는 대부분 횡단 분석 중심이라, 지속적 식이 변화와 질환 전이 과정을 반영한 장기 예측에 한계가 있음
본 기술의 차별점
640명 규모 DB를 현재 3차까지 추적 완료했고 4~5차를 진행 중이며, 질환 상태 변화에 따른 식이 섭취량과 질환 전이 구간까지 반영 가능한 종단 데이터 구조를 갖춤
예측에서 서비스까지의 연결성 (Prediction-to-Service Continuity)
기존 기술의 한계
많은 헬스케어 AI가 위험도 예측이나 리포트 제공에 머물고, 실제 식이 추천 및 앱 서비스와의 연결성이 약함
본 기술의 차별점
당뇨병 예측 및 추천 식이, 유전체 기반 예측 알고리즘, 식이이미지 분석 앱, AI 추천 플랫폼 구축까지 포함하여 데이터-알고리즘-서비스가 하나의 흐름으로 설계되어 있음
기술 구조
단계
핵심 내용
다중 데이터 수집
만성질환/비질환 코호트 기반 FFQ 식이정보, 유전체, 대사체, 단백체, 장내미생물 유전체·대사체, 혈액지표 연동
데이터 처리 및 분석
식이-유전체 분석, 식품성분-SNP 분석, 단백체-혈액지표-질환 상관성 분석, 후성유전체-식이 연관성 분석 수행
알고리즘 위험도 산출
뇨병 예측(f1>0.83, AUC>0.92) 및 추천 식이 도출, 유전체 기반 당뇨병 예측 알고리즘 및 오믹스 기반 특이 식이 적용
플랫폼 서비스 연계
식이이미지 분석 앱, AI 추천 플랫폼, 개인 맞춤형 식이 리포트, 진료-영양 처방 연계 서비스 구현
기술 문의 (필요시)
한국식품연구원 OOO 박사
Tel 010-8978-6417 E-mail jg.lee@rncircle.io
주식회사 디써클 이준구 매니저
Tel 010-8978-6417 E-mail jg.lee@rncircle.io
기술 개발자로부터
기술 상세 내용을 직접
확인해보세요
기술 이전/라이센싱 의사결정을 위한
기술 상세 정보 기술교류회를 진행합니다.
일시: 4/16(목) 13:00 ~ 18:00
장소: 코엑스 OO 컨퍼런스룸
기술 자료에서 확인할 수 있어요!
기술 상세 내용 및 성과
기술 라이센싱/협업 관련 내용
기존 공정(프로세스) 호환성
기술에 대한 질의사항
유관 연구/기술 정보