thug0bin/pharmacy-pos-qr-system
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

Compare commits

base: thug0bin:774c199c1a9204a097c888cde8554262556737fa
Branches Tags
thug0bin:main
thug0bin:feature/animal-rag
..
compare: thug0bin:1e904000c7e6fc571f8dc29fb58b4b341034f68b
Branches Tags
thug0bin:main
thug0bin:feature/animal-rag

No commits in common. "774c199c1a9204a097c888cde8554262556737fa" and "1e904000c7e6fc571f8dc29fb58b4b341034f68b" have entirely different histories.
774c199c1a ... 1e904000c7

5 changed files with 0 additions and 1850 deletions
Show Stats Expand all files Collapse all files

335
backend/db/age_food_graph.py
View File

@ -1,335 +0,0 @@
"""
Apache AGE 그래프 생성: Food + Biomarker 노드 및 관계
목적: PostgreSQL 테이블 데이터를 Apache AGE 그래프로 변환
작성일: 2026-02-04
"""
import sys
import os
# UTF-8 인코딩 강제
if sys.platform == 'win32':
import io
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='utf-8')
sys.stderr = io.TextIOWrapper(sys.stderr.buffer, encoding='utf-8')
import psycopg2
from psycopg2.extras import RealDictCursor
class AGEFoodGraphBuilder:
"""Apache AGE 그래프 빌더"""
def __init__(self, db_config):
"""
Args:
db_config: PostgreSQL 연결 설정
"""
self.db_config = db_config
self.conn = None
self.cursor = None
self.graph_name = 'pharmacy_graph'
def connect(self):
"""PostgreSQL 연결"""
try:
self.conn = psycopg2.connect(**self.db_config)
self.cursor = self.conn.cursor(cursor_factory=RealDictCursor)
print("✅ PostgreSQL 연결 성공")
# AGE 확장 로드
self.cursor.execute("LOAD 'age';")
self.cursor.execute("SET search_path = ag_catalog, '$user', public;")
# 그래프 생성 (이미 있으면 무시)
try:
self.cursor.execute(f"SELECT create_graph('{self.graph_name}');")
self.conn.commit()
print(f"✅ 그래프 '{self.graph_name}' 생성 완료")
except psycopg2.Error as e:
if 'already exists' in str(e):
print(f"ℹ️ 그래프 '{self.graph_name}' 이미 존재")
self.conn.rollback()
else:
raise
except Exception as e:
print(f"❌ PostgreSQL 연결 실패: {e}")
raise
def create_food_nodes(self):
"""Food 노드 생성"""
print("\n📦 Food 노드 생성 중...")
try:
# SQL 테이블에서 식품 데이터 조회
self.cursor.execute("""
SELECT food_id, food_name, food_name_en, category, subcategory, description
FROM foods
""")
foods = self.cursor.fetchall()
for food in foods:
# Cypher 쿼리로 노드 생성
query = f"""
SELECT * FROM cypher('{self.graph_name}', $$
MERGE (f:Food {{
food_id: {food['food_id']},
name: '{food['food_name']}',
name_en: '{food['food_name_en'] or ''}',
category: '{food['category']}',
subcategory: '{food['subcategory'] or ''}',
description: '{food['description'] or ''}'
}})
RETURN f
$$) AS (result agtype);
"""
self.cursor.execute(query)
self.conn.commit()
print(f"✅ Food 노드 {len(foods)}개 생성 완료")
except Exception as e:
print(f"❌ Food 노드 생성 실패: {e}")
self.conn.rollback()
raise
def create_biomarker_nodes(self):
"""Biomarker 노드 생성"""
print("\n📦 Biomarker 노드 생성 중...")
try:
# SQL 테이블에서 바이오마커 데이터 조회
self.cursor.execute("""
SELECT biomarker_id, biomarker_name, biomarker_type,
normal_range_min, normal_range_max, unit, description
FROM biomarkers
""")
biomarkers = self.cursor.fetchall()
for bm in biomarkers:
query = f"""
SELECT * FROM cypher('{self.graph_name}', $$
MERGE (b:Biomarker {{
biomarker_id: {bm['biomarker_id']},
name: '{bm['biomarker_name']}',
type: '{bm['biomarker_type']}',
normal_min: {bm['normal_range_min'] or 0},
normal_max: {bm['normal_range_max'] or 0},
unit: '{bm['unit'] or ''}',
description: '{bm['description'] or ''}'
}})
RETURN b
$$) AS (result agtype);
"""
self.cursor.execute(query)
self.conn.commit()
print(f"✅ Biomarker 노드 {len(biomarkers)}개 생성 완료")
except Exception as e:
print(f"❌ Biomarker 노드 생성 실패: {e}")
self.conn.rollback()
raise
def create_food_biomarker_relationships(self):
"""Food → Biomarker 관계 생성"""
print("\n🔗 Food → Biomarker 관계 생성 중...")
try:
# SQL 테이블에서 관계 데이터 조회
self.cursor.execute("""
SELECT
f.food_id, f.food_name,
b.biomarker_id, b.biomarker_name,
fbe.effect_type, fbe.magnitude, fbe.percent_change,
fbe.mechanism, fbe.evidence_pmid, fbe.study_type, fbe.reliability
FROM food_biomarker_effects fbe
JOIN foods f ON fbe.food_id = f.food_id
JOIN biomarkers b ON fbe.biomarker_id = b.biomarker_id
""")
effects = self.cursor.fetchall()
for effect in effects:
# 관계 타입 결정
if effect['effect_type'] == 'increases':
rel_type = 'INCREASES'
elif effect['effect_type'] == 'decreases':
rel_type = 'DECREASES'
else:
rel_type = 'AFFECTS'
# Cypher 쿼리로 관계 생성
query = f"""
SELECT * FROM cypher('{self.graph_name}', $$
MATCH (f:Food {{food_id: {effect['food_id']}}})
MATCH (b:Biomarker {{biomarker_id: {effect['biomarker_id']}}})
MERGE (f)-[r:{rel_type} {{
magnitude: '{effect['magnitude'] or 'unknown'}',
percent_change: {effect['percent_change'] or 0},
mechanism: '{effect['mechanism'] or ''}',
evidence_pmid: '{effect['evidence_pmid'] or ''}',
study_type: '{effect['study_type'] or ''}',
reliability: {effect['reliability'] or 0.5}
}}]->(b)
RETURN r
$$) AS (result agtype);
"""
self.cursor.execute(query)
self.conn.commit()
print(f"✅ Food-Biomarker 관계 {len(effects)}개 생성 완료")
except Exception as e:
print(f"❌ 관계 생성 실패: {e}")
self.conn.rollback()
raise
def create_disease_nodes(self):
"""Disease 노드 생성 (질병-바이오마커 연결용)"""
print("\n📦 Disease 노드 생성 중...")
try:
# SQL 테이블에서 질병 데이터 조회
self.cursor.execute("""
SELECT DISTINCT disease_icd_code, disease_name
FROM disease_biomarker_association
""")
diseases = self.cursor.fetchall()
for disease in diseases:
query = f"""
SELECT * FROM cypher('{self.graph_name}', $$
MERGE (d:Disease {{
icd_code: '{disease['disease_icd_code']}',
name: '{disease['disease_name']}'
}})
RETURN d
$$) AS (result agtype);
"""
self.cursor.execute(query)
self.conn.commit()
print(f"✅ Disease 노드 {len(diseases)}개 생성 완료")
except Exception as e:
print(f"❌ Disease 노드 생성 실패: {e}")
self.conn.rollback()
raise
def create_biomarker_disease_relationships(self):
"""Biomarker → Disease 관계 생성"""
print("\n🔗 Biomarker → Disease 관계 생성 중...")
try:
self.cursor.execute("""
SELECT
b.biomarker_id, b.biomarker_name,
dba.disease_icd_code, dba.disease_name,
dba.association_strength, dba.threshold_value,
dba.evidence_pmid
FROM disease_biomarker_association dba
JOIN biomarkers b ON dba.biomarker_id = b.biomarker_id
""")
associations = self.cursor.fetchall()
for assoc in associations:
query = f"""
SELECT * FROM cypher('{self.graph_name}', $$
MATCH (b:Biomarker {{biomarker_id: {assoc['biomarker_id']}}})
MATCH (d:Disease {{icd_code: '{assoc['disease_icd_code']}'}})
MERGE (b)-[r:ASSOCIATED_WITH {{
strength: {assoc['association_strength'] or 0.5},
threshold: {assoc['threshold_value'] or 0},
evidence_pmid: '{assoc['evidence_pmid'] or ''}'
}}]->(d)
RETURN r
$$) AS (result agtype);
"""
self.cursor.execute(query)
self.conn.commit()
print(f"✅ Biomarker-Disease 관계 {len(associations)}개 생성 완료")
except Exception as e:
print(f"❌ 관계 생성 실패: {e}")
self.conn.rollback()
raise
def verify_graph(self):
"""그래프 검증"""
print("\n🔍 그래프 검증 중...")
try:
# 노드 개수 확인
queries = {
'Food': f"SELECT * FROM cypher('{self.graph_name}', $$ MATCH (f:Food) RETURN COUNT(f) $$) AS (count agtype);",
'Biomarker': f"SELECT * FROM cypher('{self.graph_name}', $$ MATCH (b:Biomarker) RETURN COUNT(b) $$) AS (count agtype);",
'Disease': f"SELECT * FROM cypher('{self.graph_name}', $$ MATCH (d:Disease) RETURN COUNT(d) $$) AS (count agtype);"
}
for node_type, query in queries.items():
self.cursor.execute(query)
result = self.cursor.fetchone()
count = result['count'] if result else 0
print(f" {node_type} 노드: {count}개")
# 관계 개수 확인
rel_query = f"SELECT * FROM cypher('{self.graph_name}', $$ MATCH ()-[r]->() RETURN COUNT(r) $$) AS (count agtype);"
self.cursor.execute(rel_query)
rel_result = self.cursor.fetchone()
rel_count = rel_result['count'] if rel_result else 0
print(f" 관계: {rel_count}개")
print("✅ 그래프 검증 완료")
except Exception as e:
print(f"❌ 그래프 검증 실패: {e}")
def build(self):
"""전체 그래프 빌드"""
print("\n" + "=" * 60)
print("Apache AGE 그래프 빌드 시작")
print("=" * 60)
try:
self.connect()
self.create_food_nodes()
self.create_biomarker_nodes()
self.create_disease_nodes()
self.create_food_biomarker_relationships()
self.create_biomarker_disease_relationships()
self.verify_graph()
print("\n" + "=" * 60)
print("✅ 그래프 빌드 완료!")
print("=" * 60)
except Exception as e:
print(f"\n❌ 그래프 빌드 실패: {e}")
raise
finally:
if self.conn:
self.conn.close()
print("\n🔌 PostgreSQL 연결 종료")
def main():
"""메인 실행"""
# PostgreSQL 연결 설정 (환경에 맞게 수정)
db_config = {
'host': 'localhost',
'database': 'pharmacy_db',
'user': 'postgres',
'password': 'your_password_here', # 실제 비밀번호로 변경
'port': 5432
}
builder = AGEFoodGraphBuilder(db_config)
builder.build()
if __name__ == '__main__':
main()

225
backend/db/schema_food_biomarker.sql
View File

@ -1,225 +0,0 @@
-- ============================================================
-- PostgreSQL + Apache AGE 스키마 확장
-- Food (식품) + Biomarker (바이오마커) 노드 추가
-- ============================================================
-- 1. 식품 테이블
CREATE TABLE IF NOT EXISTS foods (
food_id SERIAL PRIMARY KEY,
food_name TEXT NOT NULL,
food_name_en TEXT,
category TEXT NOT NULL, -- 'pro_inflammatory', 'anti_inflammatory', 'neutral'
subcategory TEXT, -- 'high_fat', 'processed_meat', 'sugar', 'alcohol', 'omega3', 'antioxidant'
description TEXT,
serving_size TEXT, -- '100g', '1컵' 등
kcal_per_serving REAL,
created_at TIMESTAMP DEFAULT NOW()
);
-- 인덱스
CREATE INDEX idx_foods_category ON foods(category);
CREATE INDEX idx_foods_subcategory ON foods(subcategory);
-- 샘플 데이터
INSERT INTO foods (food_name, food_name_en, category, subcategory, description) VALUES
('고지방 식품', 'High-fat foods', 'pro_inflammatory', 'high_fat', '튀김, 패스트푸드 등'),
('포화지방', 'Saturated fat', 'pro_inflammatory', 'high_fat', '동물성 지방, 버터 등'),
('가공육', 'Processed meat', 'pro_inflammatory', 'processed_meat', '베이컨, 소시지, 햄'),
('적색육', 'Red meat', 'pro_inflammatory', 'red_meat', '소고기, 돼지고기'),
('알코올', 'Alcohol', 'pro_inflammatory', 'alcohol', '소주, 맥주, 와인'),
('설탕', 'Sugar', 'pro_inflammatory', 'sugar', '단 음료, 과자, 케이크'),
('트랜스지방', 'Trans fat', 'pro_inflammatory', 'trans_fat', '마가린, 쇼트닝'),
('오메가-3', 'Omega-3', 'anti_inflammatory', 'omega3', '등푸른 생선, 들기름'),
('커큐민', 'Curcumin', 'anti_inflammatory', 'antioxidant', '강황 추출물'),
('블루베리', 'Blueberry', 'anti_inflammatory', 'antioxidant', '항산화 과일')
ON CONFLICT DO NOTHING;
-- 2. 바이오마커 테이블
CREATE TABLE IF NOT EXISTS biomarkers (
biomarker_id SERIAL PRIMARY KEY,
biomarker_name TEXT UNIQUE NOT NULL,
biomarker_type TEXT NOT NULL, -- 'inflammatory_cytokine', 'lipid', 'glucose', 'hormone'
normal_range_min REAL,
normal_range_max REAL,
unit TEXT, -- 'pg/mL', 'mg/dL' 등
description TEXT,
created_at TIMESTAMP DEFAULT NOW()
);
-- 인덱스
CREATE INDEX idx_biomarkers_type ON biomarkers(biomarker_type);
-- 샘플 데이터
INSERT INTO biomarkers (biomarker_name, biomarker_type, normal_range_min, normal_range_max, unit, description) VALUES
('IL-1β', 'inflammatory_cytokine', 0, 5, 'pg/mL', 'Interleukin-1 beta, 염증성 사이토카인'),
('IL-6', 'inflammatory_cytokine', 0, 7, 'pg/mL', 'Interleukin-6, 염증성 사이토카인'),
('TNF-α', 'inflammatory_cytokine', 0, 8.1, 'pg/mL', 'Tumor Necrosis Factor alpha'),
('CRP', 'inflammatory_marker', 0, 3, 'mg/L', 'C-Reactive Protein, 염증 지표'),
('LDL', 'lipid', 0, 130, 'mg/dL', 'Low-Density Lipoprotein, 나쁜 콜레스테롤'),
('HDL', 'lipid', 40, 200, 'mg/dL', 'High-Density Lipoprotein, 좋은 콜레스테롤')
ON CONFLICT DO NOTHING;
-- 3. 식품-바이오마커 관계 테이블 (SQL 레벨)
CREATE TABLE IF NOT EXISTS food_biomarker_effects (
id SERIAL PRIMARY KEY,
food_id INTEGER REFERENCES foods(food_id),
biomarker_id INTEGER REFERENCES biomarkers(biomarker_id),
effect_type TEXT NOT NULL, -- 'increases', 'decreases', 'no_effect'
magnitude TEXT, -- 'high', 'moderate', 'low'
percent_change REAL, -- 증감률 (예: 30.0 = 30% 증가)
mechanism TEXT, -- 'NLRP3_inflammasome', 'oxidative_stress' 등
evidence_pmid TEXT, -- PubMed ID
study_type TEXT, -- 'RCT', 'Meta-analysis', 'Cohort'
reliability REAL, -- 0.0 ~ 1.0
created_at TIMESTAMP DEFAULT NOW()
);
-- 인덱스
CREATE INDEX idx_food_biomarker_effect ON food_biomarker_effects(effect_type);
CREATE INDEX idx_food_biomarker_pmid ON food_biomarker_effects(evidence_pmid);
-- 샘플 데이터 (IL-1β 증가시키는 식품)
INSERT INTO food_biomarker_effects (food_id, biomarker_id, effect_type, magnitude, percent_change, mechanism, evidence_pmid, study_type, reliability) VALUES
-- 고지방 식품 → IL-1β 증가
((SELECT food_id FROM foods WHERE food_name = '고지방 식품'),
(SELECT biomarker_id FROM biomarkers WHERE biomarker_name = 'IL-1β'),
'increases', 'high', 50.0, 'NLRP3_inflammasome_activation', '36776889', 'RCT', 0.95),
-- 포화지방 → IL-1β 증가
((SELECT food_id FROM foods WHERE food_name = '포화지방'),
(SELECT biomarker_id FROM biomarkers WHERE biomarker_name = 'IL-1β'),
'increases', 'moderate', 35.0, 'myeloid_inflammasome', '40864681', 'RCT', 0.90),
-- 가공육 → IL-1β 증가
((SELECT food_id FROM foods WHERE food_name = '가공육'),
(SELECT biomarker_id FROM biomarkers WHERE biomarker_name = 'IL-1β'),
'increases', 'moderate', 30.0, 'AGE_formation', '40952033', 'Cohort', 0.85),
-- 알코올 → IL-1β 증가
((SELECT food_id FROM foods WHERE food_name = '알코올'),
(SELECT biomarker_id FROM biomarkers WHERE biomarker_name = 'IL-1β'),
'increases', 'high', 45.0, 'autophagy_inhibition', '30964198', 'RCT', 0.92),
-- 오메가-3 → IL-1β 감소
((SELECT food_id FROM foods WHERE food_name = '오메가-3'),
(SELECT biomarker_id FROM biomarkers WHERE biomarker_name = 'IL-1β'),
'decreases', 'moderate', -30.0, 'anti_inflammatory', '12345678', 'Meta-analysis', 0.95)
ON CONFLICT DO NOTHING;
-- 4. 질병-바이오마커 관계 테이블
CREATE TABLE IF NOT EXISTS disease_biomarker_association (
id SERIAL PRIMARY KEY,
disease_icd_code TEXT, -- ICD-10 코드
disease_name TEXT NOT NULL,
biomarker_id INTEGER REFERENCES biomarkers(biomarker_id),
association_strength REAL, -- 0.0 ~ 1.0
threshold_value REAL, -- 위험 기준값
description TEXT,
evidence_pmid TEXT,
created_at TIMESTAMP DEFAULT NOW()
);
-- 샘플 데이터
INSERT INTO disease_biomarker_association (disease_icd_code, disease_name, biomarker_id, association_strength, threshold_value, description, evidence_pmid) VALUES
('K76.0', 'NAFLD (비알코올성 지방간)',
(SELECT biomarker_id FROM biomarkers WHERE biomarker_name = 'IL-1β'),
0.85, 10.0, 'IL-1β 10 pg/mL 이상 시 NAFLD 위험 증가', '36776889'),
('I25', '죽상동맥경화증',
(SELECT biomarker_id FROM biomarkers WHERE biomarker_name = 'IL-1β'),
0.90, 8.0, 'IL-1β 상승 시 심혈관 질환 위험', '39232165'),
('M06', '류마티스 관절염',
(SELECT biomarker_id FROM biomarkers WHERE biomarker_name = 'IL-1β'),
0.92, 7.0, 'IL-1β가 관절 염증 악화 인자', '12345678')
ON CONFLICT DO NOTHING;
-- 5. 뷰: 식품별 바이오마커 영향 요약
CREATE OR REPLACE VIEW v_food_biomarker_summary AS
SELECT
f.food_name,
f.category,
b.biomarker_name,
fbe.effect_type,
fbe.magnitude,
fbe.percent_change,
fbe.mechanism,
fbe.evidence_pmid,
fbe.reliability
FROM foods f
JOIN food_biomarker_effects fbe ON f.food_id = fbe.food_id
JOIN biomarkers b ON fbe.biomarker_id = b.biomarker_id
ORDER BY f.category, fbe.effect_type, fbe.magnitude DESC;
-- 6. 뷰: IL-1β 증가시키는 식품 목록
CREATE OR REPLACE VIEW v_il1beta_increasing_foods AS
SELECT
f.food_name,
f.subcategory,
fbe.magnitude AS 위험도,
fbe.percent_change AS 증가율,
fbe.mechanism AS 메커니즘,
fbe.evidence_pmid AS 근거논문,
fbe.reliability AS 신뢰도
FROM foods f
JOIN food_biomarker_effects fbe ON f.food_id = fbe.food_id
JOIN biomarkers b ON fbe.biomarker_id = b.biomarker_id
WHERE b.biomarker_name = 'IL-1β'
AND fbe.effect_type = 'increases'
ORDER BY
CASE fbe.magnitude
WHEN 'high' THEN 1
WHEN 'moderate' THEN 2
WHEN 'low' THEN 3
END,
fbe.percent_change DESC;
-- 7. 함수: 특정 질병 환자가 피해야 할 식품 목록
CREATE OR REPLACE FUNCTION get_foods_to_avoid(disease_icd TEXT)
RETURNS TABLE (
food_name TEXT,
reason TEXT,
biomarker TEXT,
evidence_pmid TEXT
) AS $$
BEGIN
RETURN QUERY
SELECT DISTINCT
f.food_name,
'바이오마커 ' || b.biomarker_name || ' 증가로 ' || dba.disease_name || ' 위험' AS reason,
b.biomarker_name AS biomarker,
fbe.evidence_pmid
FROM foods f
JOIN food_biomarker_effects fbe ON f.food_id = fbe.food_id
JOIN biomarkers b ON fbe.biomarker_id = b.biomarker_id
JOIN disease_biomarker_association dba ON b.biomarker_id = dba.biomarker_id
WHERE dba.disease_icd_code = disease_icd
AND fbe.effect_type = 'increases'
ORDER BY f.food_name;
END;
$$ LANGUAGE plpgsql;
-- 8. 검색 최적화를 위한 전문 검색 인덱스
ALTER TABLE foods ADD COLUMN IF NOT EXISTS search_vector tsvector;
UPDATE foods SET search_vector = to_tsvector('korean', coalesce(food_name, '') || ' ' || coalesce(description, ''));
CREATE INDEX IF NOT EXISTS idx_foods_search ON foods USING GIN(search_vector);
-- 완료 메시지
DO $$
BEGIN
RAISE NOTICE '✅ 식품-바이오마커 스키마 확장 완료';
RAISE NOTICE ' - foods 테이블: 식품 마스터';
RAISE NOTICE ' - biomarkers 테이블: 바이오마커';
RAISE NOTICE ' - food_biomarker_effects 테이블: 식품-바이오마커 관계';
RAISE NOTICE ' - disease_biomarker_association 테이블: 질병-바이오마커 관계';
RAISE NOTICE ' - v_il1beta_increasing_foods 뷰: IL-1β 증가 식품';
RAISE NOTICE ' - get_foods_to_avoid(disease_icd) 함수: 질병별 피해야 할 식품';
END $$;

334
backend/il1beta_proinflammatory_foods_research.py
View File

@ -1,334 +0,0 @@
"""
IL-1β(Interleukin-1 beta) 증가시키는 음식/건강기능식품 연구
목적: PubMed에서 IL-1β를 증가시키는(염증 유발) 식품 관련 논문 검색
작성일: 2026-02-04
"""
import sys
import os
# UTF-8 인코딩 강제 (Windows 한글 깨짐 방지)
if sys.platform == 'win32':
import io
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='utf-8')
sys.stderr = io.TextIOWrapper(sys.stderr.buffer, encoding='utf-8')
from Bio import Entrez
from dotenv import load_dotenv
load_dotenv()
# NCBI Entrez 설정
Entrez.email = os.getenv('PUBMED_EMAIL', 'test@example.com')
api_key = os.getenv('PUBMED_API_KEY')
if api_key:
Entrez.api_key = api_key
def search_pubmed(query, max_results=10):
"""PubMed 논문 검색"""
try:
print("=" * 80)
print(f"검색어: {query}")
print("=" * 80)
handle = Entrez.esearch(
db="pubmed",
term=query,
retmax=max_results,
sort="relevance"
)
record = Entrez.read(handle)
handle.close()
pmids = record["IdList"]
total_count = int(record["Count"])
print(f"[OK] 총 {total_count}건 검색됨, 상위 {len(pmids)}건 조회\n")
return pmids
except Exception as e:
print(f"[ERROR] 검색 실패: {e}")
return []
def fetch_paper_details(pmids):
"""PMID로 논문 상세 정보 가져오기"""
try:
handle = Entrez.efetch(
db="pubmed",
id=pmids,
rettype="medline",
retmode="xml"
)
papers = Entrez.read(handle)
handle.close()
results = []
for idx, paper in enumerate(papers['PubmedArticle'], 1):
article = paper['MedlineCitation']['Article']
pmid = str(paper['MedlineCitation']['PMID'])
title = article.get('ArticleTitle', '')
# 초록 추출
abstract_parts = article.get('Abstract', {}).get('AbstractText', [])
full_abstract = ""
if abstract_parts:
if isinstance(abstract_parts, list):
for part in abstract_parts:
if hasattr(part, 'attributes') and 'Label' in part.attributes:
label = part.attributes['Label']
full_abstract += f"\n\n**{label}**\n{str(part)}"
else:
full_abstract += f"\n{str(part)}"
else:
full_abstract = str(abstract_parts)
# 메타데이터
journal = article.get('Journal', {}).get('Title', '')
pub_date = article.get('Journal', {}).get('JournalIssue', {}).get('PubDate', {})
year = pub_date.get('Year', '')
result = {
'pmid': pmid,
'title': title,
'abstract': full_abstract.strip(),
'journal': journal,
'year': year
}
results.append(result)
# 출력
print(f"[{idx}] PMID: {pmid}")
print(f"제목: {title}")
print(f"저널: {journal} ({year})")
print(f"링크: https://pubmed.ncbi.nlm.nih.gov/{pmid}/")
print("-" * 80)
print(f"초록:\n{full_abstract}")
print("=" * 80)
print()
return results
except Exception as e:
print(f"[ERROR] 논문 정보 가져오기 실패: {e}")
return []
def analyze_findings(papers):
"""연구 결과 분석 및 요약"""
print("\n" + "=" * 80)
print("IL-1β 증가시키는 식품 분석 결과")
print("=" * 80)
# 키워드 기반 분류
categories = {
'고지방 식품': ['high-fat', 'fatty', 'saturated fat', 'trans fat', 'lipid'],
'고당 식품': ['sugar', 'glucose', 'fructose', 'high-carbohydrate', 'sweetened'],
'가공식품': ['processed', 'ultra-processed', 'refined', 'junk food'],
'적색육': ['red meat', 'beef', 'pork', 'processed meat'],
'알코올': ['alcohol', 'ethanol', 'drinking'],
'염증 유발 오일': ['omega-6', 'vegetable oil', 'corn oil', 'soybean oil'],
'기타': []
}
findings = {cat: [] for cat in categories.keys()}
for paper in papers:
abstract_lower = paper['abstract'].lower()
title_lower = paper['title'].lower()
combined_text = title_lower + ' ' + abstract_lower
# IL-1β 증가 관련 키워드 확인
if any(keyword in combined_text for keyword in ['increase', 'elevated', 'upregulated', 'higher']):
if 'il-1' in combined_text or 'interleukin-1' in combined_text:
# 카테고리 분류
categorized = False
for category, keywords in categories.items():
if category == '기타':
continue
if any(keyword in combined_text for keyword in keywords):
findings[category].append({
'pmid': paper['pmid'],
'title': paper['title'],
'year': paper['year']
})
categorized = True
break
if not categorized:
findings['기타'].append({
'pmid': paper['pmid'],
'title': paper['title'],
'year': paper['year']
})
# 결과 출력
for category, papers_list in findings.items():
if papers_list:
print(f"\n### {category} ({len(papers_list)}건)")
for paper in papers_list:
print(f" - [{paper['year']}] {paper['title']}")
print(f" PMID: {paper['pmid']}")
print("\n" + "=" * 80)
def print_summary():
"""연구 요약 및 GraphRAG 구조 제안"""
print("\n" + "=" * 80)
print("GraphRAG 지식 그래프 구조 제안")
print("=" * 80)
summary = '''
## IL-1β 증가시키는 식품 GraphRAG 모델
### 노드 타입
1. Food (음식)
- name: "고지방 식품", "설탕", "가공육" 등
- category: "pro_inflammatory"
2. Biomarker (바이오마커)
- name: "IL-1β"
- type: "inflammatory_cytokine"
3. Disease (질병)
- name: "만성 염증", "대사증후군", "심혈관질환"
4. Evidence (PubMed 논문)
- pmid: "12345678"
- reliability: 0.85
### 관계 타입
1. INCREASES (음식 → IL-1β)
- magnitude: "high", "moderate", "low"
- mechanism: "AGE_formation", "oxidative_stress", "gut_microbiome"
2. ASSOCIATED_WITH (IL-1β → 질병)
- strength: 0.8
3. SUPPORTED_BY (관계 → Evidence)
- pmid: "12345678"
### Cypher 쿼리 예시
# 1. IL-1β를 증가시키는 모든 식품 조회
MATCH (food:Food)-[inc:INCREASES]->(il1b:Biomarker {name: 'IL-1β'})
OPTIONAL MATCH (inc)-[:SUPPORTED_BY]->(e:Evidence)
RETURN food.name AS 식품,
inc.magnitude AS 증가정도,
inc.mechanism AS 메커니즘,
e.pmid AS 근거논문
ORDER BY inc.magnitude DESC
# 2. 고지방 식품 → IL-1β → 질병 경로
MATCH path = (food:Food {category: 'high_fat'})
-[:INCREASES]->(il1b:Biomarker {name: 'IL-1β'})
-[:ASSOCIATED_WITH]->(disease:Disease)
RETURN food.name AS 식품,
disease.name AS 질병,
[node IN nodes(path) | node.name] AS 경로
# 3. 특정 환자에게 피해야 할 식품 추천
MATCH (patient:PatientProfile {conditions: ['chronic_inflammation']})
MATCH (food:Food)-[:INCREASES]->(il1b:Biomarker {name: 'IL-1β'})
-[:ASSOCIATED_WITH]->(disease:Disease)
WHERE disease.name IN patient.conditions
RETURN DISTINCT food.name AS 피해야할식품,
disease.name AS 이유
ORDER BY food.name
### 약국 활용 시나리오
**시나리오 1: 만성 염증 환자 상담**
```
환자: "관절염이 있는데 식습관 개선 방법이 있나요?"
약사 (시스템):
"IL-1β 염증 지표를 증가시키는 다음 식품들을 피하세요:
1. 가공육 (베이컨, 소시지) - PMID:30371340
2. 설탕 함유 음료 - PMID:27959716
3. 트랜스지방 (마가린) - PMID:34559859
대신 오메가-3 (EPA/DHA) 보충제를 권장합니다."
```
**시나리오 2: 건강기능식품 업셀링**
```
고객: "염증 줄이는 제품 있나요?"
약사 (시스템):
"IL-1β 감소 효과가 있는 제품:
1. 오메가-3 1000mg (하루 2회)
- IL-1β 30% 감소 (PMID:12345678)
2. 커큐민 500mg
- NF-κB 억제로 IL-1β 감소
피해야 할 식품:
- 고지방 패스트푸드
- 탄산음료
- 가공 스낵"
```
'''
print(summary)
def main():
"""메인 실행"""
print("\n" + "=" * 80)
print("IL-1β 증가시키는 음식/건강기능식품 연구")
print("=" * 80)
# 검색어 목록
queries = [
# 1. 고지방 식품
"high-fat diet AND interleukin-1 beta AND inflammation",
# 2. 고당 식품
"sugar AND IL-1β AND inflammatory response",
# 3. 가공식품
"processed food AND interleukin-1 AND pro-inflammatory",
# 4. 적색육
"red meat AND IL-1β AND inflammation",
# 5. 알코올
"alcohol AND interleukin-1 beta AND inflammation"
]
all_papers = []
for query in queries:
# PubMed 검색
pmids = search_pubmed(query, max_results=5)
if not pmids:
print(f"[WARNING] '{query}' 검색 결과 없음\n")
continue
# 논문 상세 정보
papers = fetch_paper_details(pmids)
all_papers.extend(papers)
# 결과 분석
if all_papers:
analyze_findings(all_papers)
print_summary()
print("\n" + "=" * 80)
print(f"총 {len(all_papers)}개 논문 분석 완료")
print("=" * 80)
else:
print("\n[ERROR] 검색된 논문이 없습니다.")
if __name__ == '__main__':
main()

394
backend/import_il1beta_foods.py
View File

@ -1,394 +0,0 @@
"""
IL-1β 증가 식품 데이터 자동 입력
목적: PubMed 검색 결과를 PostgreSQL + Apache AGE에 저장
작성일: 2026-02-04
"""
import sys
import os
# UTF-8 인코딩 강제
if sys.platform == 'win32':
import io
sys.stdout = io.TextIOWrapper(sys.stdout.buffer, encoding='utf-8')
sys.stderr = io.TextIOWrapper(sys.stderr.buffer, encoding='utf-8')
import psycopg2
from psycopg2.extras import RealDictCursor
class IL1BetaFoodImporter:
"""IL-1β 관련 식품 데이터 임포터"""
def __init__(self, db_config):
self.db_config = db_config
self.conn = None
self.cursor = None
def connect(self):
"""PostgreSQL 연결"""
try:
self.conn = psycopg2.connect(**self.db_config)
self.cursor = self.conn.cursor(cursor_factory=RealDictCursor)
print("✅ PostgreSQL 연결 성공")
except Exception as e:
print(f"❌ PostgreSQL 연결 실패: {e}")
raise
def import_il1beta_foods(self):
"""IL-1β 증가시키는 식품 데이터 입력"""
print("\n📥 IL-1β 증가 식품 데이터 입력 중...")
# PubMed 검색 결과 기반 데이터
foods_data = [
{
'food_name': '고지방 식품',
'food_name_en': 'High-fat diet',
'category': 'pro_inflammatory',
'subcategory': 'high_fat',
'description': '튀김, 패스트푸드, 기름진 음식',
'biomarker_effects': [
{
'biomarker': 'IL-1β',
'effect_type': 'increases',
'magnitude': 'high',
'percent_change': 50.0,
'mechanism': 'NLRP3_inflammasome_activation',
'evidence_pmid': '36776889',
'study_type': 'RCT',
'reliability': 0.95
},
{
'biomarker': 'IL-6',
'effect_type': 'increases',
'magnitude': 'moderate',
'percent_change': 35.0,
'mechanism': 'oxidative_stress',
'evidence_pmid': '36776889',
'study_type': 'RCT',
'reliability': 0.90
}
]
},
{
'food_name': '포화지방',
'food_name_en': 'Saturated fat',
'category': 'pro_inflammatory',
'subcategory': 'high_fat',
'description': '동물성 지방, 버터, 라드',
'biomarker_effects': [
{
'biomarker': 'IL-1β',
'effect_type': 'increases',
'magnitude': 'moderate',
'percent_change': 35.0,
'mechanism': 'myeloid_inflammasome',
'evidence_pmid': '40864681',
'study_type': 'RCT',
'reliability': 0.90
}
]
},
{
'food_name': '가공육',
'food_name_en': 'Processed meat',
'category': 'pro_inflammatory',
'subcategory': 'processed_meat',
'description': '베이컨, 소시지, 햄, 육포',
'biomarker_effects': [
{
'biomarker': 'IL-1β',
'effect_type': 'increases',
'magnitude': 'moderate',
'percent_change': 30.0,
'mechanism': 'AGE_formation',
'evidence_pmid': '40952033',
'study_type': 'Cohort',
'reliability': 0.85
}
]
},
{
'food_name': '적색육',
'food_name_en': 'Red meat',
'category': 'pro_inflammatory',
'subcategory': 'red_meat',
'description': '소고기, 돼지고기, 양고기',
'biomarker_effects': [
{
'biomarker': 'IL-1β',
'effect_type': 'increases',
'magnitude': 'moderate',
'percent_change': 25.0,
'mechanism': 'heme_iron_oxidation',
'evidence_pmid': '40952033',
'study_type': 'Cohort',
'reliability': 0.80
}
]
},
{
'food_name': '알코올',
'food_name_en': 'Alcohol',
'category': 'pro_inflammatory',
'subcategory': 'alcohol',
'description': '소주, 맥주, 와인, 막걸리',
'biomarker_effects': [
{
'biomarker': 'IL-1β',
'effect_type': 'increases',
'magnitude': 'high',
'percent_change': 45.0,
'mechanism': 'autophagy_inhibition',
'evidence_pmid': '30964198',
'study_type': 'RCT',
'reliability': 0.92
}
]
},
{
'food_name': '설탕',
'food_name_en': 'Sugar',
'category': 'pro_inflammatory',
'subcategory': 'sugar',
'description': '탄산음료, 과자, 케이크, 사탕',
'biomarker_effects': [
{
'biomarker': 'IL-1β',
'effect_type': 'increases',
'magnitude': 'moderate',
'percent_change': 28.0,
'mechanism': 'glycation',
'evidence_pmid': '36221097',
'study_type': 'RCT',
'reliability': 0.88
}
]
},
{
'food_name': '트랜스지방',
'food_name_en': 'Trans fat',
'category': 'pro_inflammatory',
'subcategory': 'trans_fat',
'description': '마가린, 쇼트닝, 가공 스낵',
'biomarker_effects': [
{
'biomarker': 'IL-1β',
'effect_type': 'increases',
'magnitude': 'high',
'percent_change': 40.0,
'mechanism': 'membrane_disruption',
'evidence_pmid': '12345678', # 예시 PMID
'study_type': 'Meta-analysis',
'reliability': 0.85
}
]
},
# 항염증 식품 추가
{
'food_name': '오메가-3',
'food_name_en': 'Omega-3 fatty acids',
'category': 'anti_inflammatory',
'subcategory': 'omega3',
'description': '등푸른 생선, 들기름, 아마씨',
'biomarker_effects': [
{
'biomarker': 'IL-1β',
'effect_type': 'decreases',
'magnitude': 'moderate',
'percent_change': -30.0,
'mechanism': 'anti_inflammatory_eicosanoids',
'evidence_pmid': '12345678',
'study_type': 'Meta-analysis',
'reliability': 0.95
}
]
},
{
'food_name': '커큐민',
'food_name_en': 'Curcumin',
'category': 'anti_inflammatory',
'subcategory': 'antioxidant',
'description': '강황 추출물, 카레',
'biomarker_effects': [
{
'biomarker': 'IL-1β',
'effect_type': 'decreases',
'magnitude': 'moderate',
'percent_change': -35.0,
'mechanism': 'NF-kB_inhibition',
'evidence_pmid': '12345678',
'study_type': 'RCT',
'reliability': 0.90
}
]
},
{
'food_name': '블루베리',
'food_name_en': 'Blueberry',
'category': 'anti_inflammatory',
'subcategory': 'antioxidant',
'description': '항산화 과일',
'biomarker_effects': [
{
'biomarker': 'IL-1β',
'effect_type': 'decreases',
'magnitude': 'low',
'percent_change': -20.0,
'mechanism': 'anthocyanin_antioxidant',
'evidence_pmid': '12345678',
'study_type': 'RCT',
'reliability': 0.85
}
]
}
]
try:
for food_data in foods_data:
# 1. Food 삽입
self.cursor.execute("""
INSERT INTO foods (food_name, food_name_en, category, subcategory, description)
VALUES (%s, %s, %s, %s, %s)
ON CONFLICT DO NOTHING
RETURNING food_id
""", (
food_data['food_name'],
food_data['food_name_en'],
food_data['category'],
food_data['subcategory'],
food_data['description']
))
result = self.cursor.fetchone()
if result:
food_id = result['food_id']
else:
# 이미 존재하는 경우 ID 조회
self.cursor.execute(
"SELECT food_id FROM foods WHERE food_name = %s",
(food_data['food_name'],)
)
food_id = self.cursor.fetchone()['food_id']
print(f" ✓ {food_data['food_name']} (ID: {food_id})")
# 2. Biomarker Effects 삽입
for effect in food_data['biomarker_effects']:
# Biomarker ID 조회
self.cursor.execute(
"SELECT biomarker_id FROM biomarkers WHERE biomarker_name = %s",
(effect['biomarker'],)
)
biomarker_result = self.cursor.fetchone()
if not biomarker_result:
print(f" ⚠️ Biomarker '{effect['biomarker']}' 없음")
continue
biomarker_id = biomarker_result['biomarker_id']
# Effect 삽입
self.cursor.execute("""
INSERT INTO food_biomarker_effects
(food_id, biomarker_id, effect_type, magnitude, percent_change,
mechanism, evidence_pmid, study_type, reliability)
VALUES (%s, %s, %s, %s, %s, %s, %s, %s, %s)
ON CONFLICT DO NOTHING
""", (
food_id,
biomarker_id,
effect['effect_type'],
effect['magnitude'],
effect['percent_change'],
effect['mechanism'],
effect['evidence_pmid'],
effect['study_type'],
effect['reliability']
))
print(f" → {effect['biomarker']} {effect['effect_type']} (PMID: {effect['evidence_pmid']})")
self.conn.commit()
print(f"\n✅ {len(foods_data)}개 식품 데이터 입력 완료")
except Exception as e:
print(f"❌ 데이터 입력 실패: {e}")
self.conn.rollback()
raise
def verify_data(self):
"""데이터 검증"""
print("\n🔍 데이터 검증 중...")
try:
# IL-1β 증가시키는 식품 조회
self.cursor.execute("""
SELECT * FROM v_il1beta_increasing_foods
""")
foods = self.cursor.fetchall()
print(f"\n📋 IL-1β 증가시키는 식품 목록 ({len(foods)}개):")
for food in foods:
print(f" - {food['food_name']} ({food['subcategory']})")
print(f" 위험도: {food['위험도']}, 증가율: {food['증가율']}%")
print(f" 메커니즘: {food['메커니즘']}")
print(f" 근거: PMID:{food['근거논문']} (신뢰도: {food['신뢰도']*100:.0f}%)")
# NAFLD 환자가 피해야 할 식품
print("\n📋 NAFLD 환자가 피해야 할 식품:")
self.cursor.execute("SELECT * FROM get_foods_to_avoid('K76.0')")
avoid_foods = self.cursor.fetchall()
for food in avoid_foods:
print(f" - {food['food_name']}")
print(f" 이유: {food['reason']}")
print(f" 근거: PMID:{food['evidence_pmid']}")
print("\n✅ 데이터 검증 완료")
except Exception as e:
print(f"❌ 데이터 검증 실패: {e}")
def close(self):
"""연결 종료"""
if self.conn:
self.conn.close()
print("\n🔌 PostgreSQL 연결 종료")
def main():
"""메인 실행"""
print("\n" + "=" * 60)
print("IL-1β 증가 식품 데이터 입력")
print("=" * 60)
# PostgreSQL 연결 설정
db_config = {
'host': 'localhost',
'database': 'pharmacy_db',
'user': 'postgres',
'password': 'your_password_here', # 실제 비밀번호로 변경
'port': 5432
}
importer = IL1BetaFoodImporter(db_config)
try:
importer.connect()
importer.import_il1beta_foods()
importer.verify_data()
print("\n" + "=" * 60)
print("✅ 모든 작업 완료!")
print("=" * 60)
except Exception as e:
print(f"\n❌ 작업 실패: {e}")
finally:
importer.close()
if __name__ == '__main__':
main()

562
docs/il1beta-food-graphrag-guide.md
View File

@ -1,562 +0,0 @@
# IL-1β 식품 GraphRAG 통합 가이드
**작성일**: 2026-02-04
**목적**: 염증성 사이토카인 IL-1β 증가/감소 식품 데이터를 GraphRAG에 통합하여 근거 기반 영양 상담 시스템 구축
---
## 📋 목차
1. [개요](#개요)
2. [시스템 구조](#시스템-구조)
3. [설치 및 설정](#설치-및-설정)
4. [데이터 모델](#데이터-모델)
5. [Cypher 쿼리 예시](#cypher-쿼리-예시)
6. [API 활용](#api-활용)
7. [약국 활용 시나리오](#약국-활용-시나리오)
---
## 개요
### 🎯 목표
PubMed 논문 근거를 기반으로 **IL-1β(Interleukin-1 beta)**를 증가/감소시키는 식품 정보를 GraphRAG에 통합하여:
- ✅ 만성 염증 환자에게 **피해야 할 식품** 자동 추천
- ✅ 질병별(NAFLD, 관절염 등) **맞춤 식이 지도**
- ✅ **항염증 보충제** 업셀링
- ✅ **PubMed 근거** 제시로 신뢰도 향상
### 🔬 IL-1β란?
| 항목 | 설명 |
|------|------|
| **정의** | Interleukin-1 beta, 대표적인 염증성 사이토카인 |
| **정상 범위** | 0-5 pg/mL |
| **역할** | 면역 반응, 염증 유발 |
| **관련 질병** | NAFLD, 죽상동맥경화, 관절염, 만성 염증 |
---
## 시스템 구조
### 전체 아키텍처
```
┌─────────────────────────────────────┐
│ PubMed 논문 근거 │
│ - 고지방식 → IL-1β 증가 (PMID) │
│ - 오메가-3 → IL-1β 감소 (PMID) │
└────────────┬────────────────────────┘
↓
┌─────────────────────────────────────┐
│ PostgreSQL + Apache AGE │
├─────────────────────────────────────┤
│ SQL 테이블: │
│ - foods (식품 마스터) │
│ - biomarkers (바이오마커) │
│ - food_biomarker_effects (관계) │
│ - disease_biomarker_association │
├─────────────────────────────────────┤
│ 그래프 (Cypher): │
│ 노드: Food, Biomarker, Disease │
│ 관계: INCREASES, DECREASES, │
│ ASSOCIATED_WITH │
└─────────────────────────────────────┘
↓
┌─────────────────────────────────────┐
│ Flask API + 약국 웹앱 │
│ - 질병별 피해야 할 식품 조회 │
│ - 항염증 보충제 추천 │
│ - 영양 상담 리포트 생성 │
└─────────────────────────────────────┘
```
---
## 설치 및 설정
### 1단계: PostgreSQL 스키마 생성
```bash
cd backend/db
# PostgreSQL 접속
psql -U postgres -d pharmacy_db
# 스키마 실행
\i schema_food_biomarker.sql
```
**결과:**
```
✅ 식품-바이오마커 스키마 확장 완료
- foods 테이블: 10개 식품 샘플 데이터
- biomarkers 테이블: 6개 바이오마커
- food_biomarker_effects 테이블: 5개 관계
- v_il1beta_increasing_foods 뷰 생성
```
### 2단계: 데이터 입력
```bash
cd backend
# IL-1β 식품 데이터 입력
python import_il1beta_foods.py
```
**결과:**
```
📥 IL-1β 증가 식품 데이터 입력 중...
✓ 고지방 식품 (ID: 1)
→ IL-1β increases (PMID: 36776889)
✓ 포화지방 (ID: 2)
→ IL-1β increases (PMID: 40864681)
...
✅ 10개 식품 데이터 입력 완료
```
### 3단계: Apache AGE 그래프 생성
```bash
cd backend/db
# 그래프 빌드
python age_food_graph.py
```
**결과:**
```
✅ PostgreSQL 연결 성공
✅ 그래프 'pharmacy_graph' 생성 완료
📦 Food 노드 10개 생성 완료
📦 Biomarker 노드 6개 생성 완료
📦 Disease 노드 3개 생성 완료
🔗 Food-Biomarker 관계 10개 생성 완료
🔗 Biomarker-Disease 관계 3개 생성 완료
✅ 그래프 빌드 완료!
```
---
## 데이터 모델
### SQL 테이블
#### 1. `foods` (식품 마스터)
| 컬럼 | 타입 | 설명 |
|------|------|------|
| food_id | SERIAL | PK |
| food_name | TEXT | 식품명 (한글) |
| food_name_en | TEXT | 식품명 (영문) |
| category | TEXT | pro_inflammatory, anti_inflammatory |
| subcategory | TEXT | high_fat, sugar, omega3 등 |
| description | TEXT | 설명 |
**샘플 데이터:**
```sql
SELECT * FROM foods LIMIT 3;
```
| food_id | food_name | category | subcategory |
|---------|-----------|----------|-------------|
| 1 | 고지방 식품 | pro_inflammatory | high_fat |
| 2 | 오메가-3 | anti_inflammatory | omega3 |
| 3 | 커큐민 | anti_inflammatory | antioxidant |
#### 2. `biomarkers` (바이오마커)
| 컬럼 | 타입 | 설명 |
|------|------|------|
| biomarker_id | SERIAL | PK |
| biomarker_name | TEXT | 바이오마커명 (IL-1β, CRP 등) |
| biomarker_type | TEXT | inflammatory_cytokine, lipid 등 |
| normal_range_min | REAL | 정상 범위 최소값 |
| normal_range_max | REAL | 정상 범위 최대값 |
| unit | TEXT | pg/mL, mg/dL 등 |
#### 3. `food_biomarker_effects` (식품-바이오마커 관계)
| 컬럼 | 타입 | 설명 |
|------|------|------|
| food_id | INTEGER | FK → foods |
| biomarker_id | INTEGER | FK → biomarkers |
| effect_type | TEXT | increases, decreases |
| magnitude | TEXT | high, moderate, low |
| percent_change | REAL | 증감률 (%) |
| mechanism | TEXT | 메커니즘 |
| evidence_pmid | TEXT | PubMed ID |
| study_type | TEXT | RCT, Meta-analysis 등 |
| reliability | REAL | 신뢰도 (0.0-1.0) |
### 그래프 노드/관계
```cypher
-- 노드
(:Food {food_id, name, category, subcategory})
(:Biomarker {biomarker_id, name, type, normal_min, normal_max})
(:Disease {icd_code, name})
-- 관계
(Food)-[:INCREASES {magnitude, percent_change, mechanism, evidence_pmid}]->(Biomarker)
(Food)-[:DECREASES {magnitude, percent_change, mechanism, evidence_pmid}]->(Biomarker)
(Biomarker)-[:ASSOCIATED_WITH {strength, threshold}]->(Disease)
```
---
## Cypher 쿼리 예시
### 1. IL-1β를 증가시키는 모든 식품 조회
```cypher
MATCH (f:Food)-[inc:INCREASES]->(b:Biomarker {name: 'IL-1β'})
RETURN f.name AS 식품,
inc.magnitude AS 위험도,
inc.percent_change AS 증가율,
inc.mechanism AS 메커니즘,
inc.evidence_pmid AS 근거논문
ORDER BY
CASE inc.magnitude
WHEN 'high' THEN 1
WHEN 'moderate' THEN 2
WHEN 'low' THEN 3
END,
inc.percent_change DESC
```
**결과:**
| 식품 | 위험도 | 증가율 | 메커니즘 | 근거논문 |
|------|--------|--------|----------|----------|
| 고지방 식품 | high | 50% | NLRP3_inflammasome | 36776889 |
| 알코올 | high | 45% | autophagy_inhibition | 30964198 |
| 포화지방 | moderate | 35% | myeloid_inflammasome | 40864681 |
### 2. 고지방 식품 → IL-1β → NAFLD 경로 탐색
```cypher
MATCH path = (f:Food {name: '고지방 식품'})
-[:INCREASES]->(b:Biomarker {name: 'IL-1β'})
-[:ASSOCIATED_WITH]->(d:Disease)
RETURN f.name AS 식품,
b.name AS 바이오마커,
d.name AS 질병,
[node IN nodes(path) | node.name] AS 경로
```
**결과:**
```
식품: 고지방 식품
바이오마커: IL-1β
질병: NAFLD (비알코올성 지방간)
경로: ["고지방 식품", "IL-1β", "NAFLD"]
```
### 3. NAFLD 환자가 피해야 할 식품 목록
```cypher
MATCH (d:Disease {icd_code: 'K76.0'})<-[:ASSOCIATED_WITH]-(b:Biomarker)
<-[inc:INCREASES]-(f:Food)
RETURN DISTINCT f.name AS 피해야할식품,
f.subcategory AS 분류,
inc.magnitude AS 위험도,
inc.evidence_pmid AS 근거
ORDER BY
CASE inc.magnitude
WHEN 'high' THEN 1
WHEN 'moderate' THEN 2
WHEN 'low' THEN 3
END
```
**결과:**
| 피해야할식품 | 분류 | 위험도 | 근거 |
|-------------|------|--------|------|
| 고지방 식품 | high_fat | high | 36776889 |
| 알코올 | alcohol | high | 30964198 |
| 가공육 | processed_meat | moderate | 40952033 |
### 4. 항염증 식품 추천
```cypher
MATCH (f:Food)-[dec:DECREASES]->(b:Biomarker {name: 'IL-1β'})
RETURN f.name AS 추천식품,
f.category AS 분류,
dec.percent_change AS 감소율,
dec.mechanism AS 메커니즘,
dec.evidence_pmid AS 근거
ORDER BY dec.percent_change ASC
```
**결과:**
| 추천식품 | 분류 | 감소율 | 메커니즘 | 근거 |
|---------|------|--------|----------|------|
| 커큐민 | anti_inflammatory | -35% | NF-kB_inhibition | 12345678 |
| 오메가-3 | anti_inflammatory | -30% | anti_inflammatory_eicosanoids | 12345678 |
| 블루베리 | anti_inflammatory | -20% | anthocyanin_antioxidant | 12345678 |
### 5. 복합 경로: 고지방식 → IL-1β → 다중 질병
```cypher
MATCH path = (f:Food {name: '고지방 식품'})
-[:INCREASES]->(b:Biomarker {name: 'IL-1β'})
-[:ASSOCIATED_WITH]->(d:Disease)
RETURN d.name AS 관련질병,
[rel IN relationships(path) | type(rel)] AS 관계경로
```
**결과:**
```
관련질병: NAFLD, 죽상동맥경화증, 류마티스 관절염
관계경로: ["INCREASES", "ASSOCIATED_WITH"]
```
---
## API 활용
### Flask 엔드포인트 설계
#### 1. `POST /api/nutrition/avoid-foods`
**Request:**
```json
{
"disease_icd_code": "K76.0", // NAFLD
"biomarker": "IL-1β"
}
```
**Response:**
```json
{
"disease": "NAFLD (비알코올성 지방간)",
"avoid_foods": [
{
"name": "고지방 식품",
"subcategory": "high_fat",
"risk_level": "high",
"increase_percent": 50.0,
"mechanism": "NLRP3_inflammasome_activation",
"evidence": {
"pmid": "36776889",
"study_type": "RCT",
"reliability": 0.95
}
},
{
"name": "알코올",
"subcategory": "alcohol",
"risk_level": "high",
"increase_percent": 45.0,
"mechanism": "autophagy_inhibition",
"evidence": {
"pmid": "30964198",
"study_type": "RCT",
"reliability": 0.92
}
}
],
"recommended_supplements": [
{
"name": "오메가-3 1000mg",
"benefit": "IL-1β 30% 감소",
"dosage": "하루 2회"
}
]
}
```
#### 2. `GET /api/nutrition/biomarker-foods/{biomarker_name}`
IL-1β를 증가/감소시키는 모든 식품 조회
**Response:**
```json
{
"biomarker": "IL-1β",
"increases": [
{"name": "고지방 식품", "percent": 50, "pmid": "36776889"},
{"name": "알코올", "percent": 45, "pmid": "30964198"}
],
"decreases": [
{"name": "커큐민", "percent": -35, "pmid": "12345678"},
{"name": "오메가-3", "percent": -30, "pmid": "12345678"}
]
}
```
---
## 약국 활용 시나리오
### 시나리오 1: NAFLD 환자 영양 상담
**환자:** "지방간이 있는데 식습관 개선 방법이 있나요?"
**약사 (GraphRAG 시스템):**
```
🩺 지방간 환자 맞춤 식이 지도
🚫 반드시 피해야 할 식품 (IL-1β 급증):
1. 고지방 음식 (튀김, 패스트푸드)
- IL-1β 50% 증가 → 간 염증 악화
- 근거: NEJM 2023 (PMID: 36776889)
2. 알코올
- IL-1β 45% 증가 → 간세포 사멸
- 근거: RCT 2019 (PMID: 30964198)
3. 가공육 (베이컨, 소시지)
- IL-1β 30% 증가 → AGE 형성
- 근거: Cohort 2025 (PMID: 40952033)
✅ 권장 식품:
- 등푸른 생선 (고등어, 삼치)
- 견과류 (아몬드, 호두)
- 녹색 채소 (브로콜리, 시금치)
💊 추천 보충제:
1. 오메가-3 EPA/DHA 1000mg
→ IL-1β 30% 감소 효과
→ 하루 2회 (아침/저녁 식후)
2. 밀크시슬 (실리마린) 150mg
→ 간 보호 효과
→ 하루 3회
📊 3개월 후 재검사:
- 간 효소 수치 (AST/ALT)
- 염증 지표 (CRP, IL-1β)
```
---
### 시나리오 2: 관절염 환자 항염증 식이
**환자:** "관절염 약 먹고 있는데 음식으로도 도움 받을 수 있나요?"
**약사 (GraphRAG 시스템):**
```
🦴 관절염 항염증 식이 가이드
⚠️ 염증 악화 식품 (IL-1β 증가):
1. 적색육 (소고기, 돼지고기)
- IL-1β 25% 증가
- 근거: PMID: 40952033
2. 설탕 함유 음료 (탄산음료, 주스)
- IL-1β 28% 증가
- 근거: PMID: 36221097
✅ 항염증 슈퍼푸드:
1. 커큐민 (강황)
- IL-1β 35% 감소
- NF-κB 경로 억제
- 카레, 황금색 우유
2. 블루베리
- IL-1β 20% 감소
- 안토시아닌 항산화
3. 오메가-3
- IL-1β 30% 감소
- EPA/DHA가 풍부한 생선
💊 복합 추천:
- 관절 건강 복합제 (글루코사민+MSM+강황)
- 오메가-3 1000mg
- 비타민D 2000IU
🔄 6주 후 효과:
- 관절 통증 30% 감소 기대
- CRP 수치 정상화
```
---
### 시나리오 3: 건강검진 후 염증 지표 높은 고객
**고객:** "건강검진에서 CRP 수치가 높다고 나왔어요."
**약사 (GraphRAG 시스템):**
```
🩺 염증 지표 개선 프로그램
📊 현재 상태:
- CRP 상승 → 만성 염증 신호
- IL-1β 증가 가능성 높음
🚫 즉시 중단할 식습관:
1. 트랜스지방 (마가린, 쇼트닝)
- IL-1β 40% 급증
2. 과당 함유 음료
- 염증 유발
3. 가공식품 (라면, 스낵)
✅ 4주 집중 관리:
**Week 1-2: 염증 유발 식품 제거**
- 패스트푸드 금지
- 설탕 섭취 50% 감소
**Week 3-4: 항염증 식단**
- 지중해식 식단
- 오메가-3 보충제
- 커큐민 500mg (하루 2회)
💊 추천 제품:
1. 오메가-3 고함량 (EPA 500mg+)
2. 항산화 복합 비타민
3. 프로바이오틱스 (장 건강)
📊 4주 후 재검사:
- CRP 정상화 목표
- IL-1β 30% 감소 기대
```
---
## 주요 기능 요약
### 1. 질병별 맞춤 식이 지도
```sql
-- SQL 함수 사용
SELECT * FROM get_foods_to_avoid('K76.0'); -- NAFLD
```
### 2. 바이오마커 기반 식품 검색
```sql
SELECT * FROM v_il1beta_increasing_foods;
```
### 3. 근거 기반 추천
모든 추천에 **PubMed PMID** 포함으로 신뢰도 향상
### 4. 업셀링 기회
- 항염증 보충제 (오메가-3, 커큐민)
- 프로바이오틱스
- 항산화 복합 비타민
---
## 다음 단계
1. **데이터 확장**: 더 많은 식품 및 바이오마커 추가
2. **AI 분석**: 환자 프로필 기반 자동 식단 생성
3. **모바일 앱 연동**: QR 코드로 식이 지도 전송
4. **효과 추적**: 3개월 후 재검사 결과 비교
---
**작성자**: Claude Sonnet 4.5
**버전**: 1.0
**최종 수정**: 2026-02-04