목차
1. 배경 소개 " > 1. 배경 소개
1. 배경 소개" >1. 배경 소개
2. 질문 " >2. 질문
2. MDNN 모델 소개 " > 2. MDNN 모델 소개
1. MDNN 전체 프레임워크" >1. MDNN 전체 프레임워크
2. DKG 모듈 구축" >2. DKG 모듈 구축
3. HF 모듈 구성 " >3. HF 모듈 구성
3. MDNN 모델 효과 " >3. MDNN 모델 효과
4. 요약 " > 4. 요약
5. 질의응답 세션" >5. 질의응답 세션
Q1: "Drug Bank" 데이터 세트는 공개 데이터 세트인가요? " >Q1: "Drug Bank" 데이터 세트는 공개 데이터 세트인가요?
Q2: 지식 그래프, 다중 모드 융합 등 공유 연구 방법은 제약 분야 외 어떤 용도로 활용되나요? 단백질, 면역력 등? " >Q2: 지식 그래프, 다중 모드 융합 등 공유 연구 방법은 제약 분야 외 어떤 용도로 활용되나요? 단백질, 면역력 등?
기술 주변기기 일체 포함 약물 상호작용 예측 작업에 다중 모드 DNN 모델 적용

약물 상호작용 예측 작업에 다중 모드 DNN 모델 적용

May 31, 2023 am 11:01 AM
ai DNN 모델

多模态 DNN 模型在药物相互作用预测任务中的应用

1. 배경 소개

먼저 신약 발굴과 관련된 배경을 말씀드리겠습니다.

1. 배경 소개

多模态 DNN 模型在药物相互作用预测任务中的应用

최근 몇 년간 신약 발굴 분야가 매우 뜨겁습니다. 특히 신약 연구를 포함한 제약회사의 신약 발굴 작업을 지원하기 위해 AI를 활용하는 경우가 많습니다. 그리고 개발. 일반적으로 특정 유형의 임상 질환에 대한 첫 번째 약물의 연구 개발 과정에는 수십억 달러의 자금이 필요하며 10년 이상이 소요됩니다. 크게 다음과 같은 단계로 나누어집니다.

(1) 질병 표적 연구 및 질병 핵심 단백질 규명.

(2) 임상시험 전 약품의 유효성을 검증합니다. 약물의 독성, 유효성, 복용방법 등에 대한 연구를 포함합니다.

(3) 임상시험.

(4) FDA 승인 및 인증.

그래서 전통적인 의약품 개발 과정 주기는 매우 깁니다. 또한, 최초 1만개 이상의 약물이 인지된 이후 5개 약물이 임상시험 단계에 진입했고, 최종적으로 1개 약물만 시판 승인을 받았다. 이러한 맥락에서, 제약회사가 후보약물 중에서 효과적인 약물을 보다 신속하게 선택할 수 있도록 지원하는 방법과, 임상시험 단계에서 약물의 효과, 효과, 유효성을 신속하게 사전조사할 수 있는 방법이 뜨거운 연구분야가 되고 있습니다. AI, 특히 심층 신경망 기술은 약물 연구 및 개발 프로세스를 크게 가속화할 수 있습니다.

多模态 DNN 模型在药物相互作用预测任务中的应用

오늘 공유하는 내용은 약물 스크리닝과 관련이 없습니다. 주로 후보 약물의 부작용 및 효능에 초점을 맞추고 있습니다. 약물 독성을 줄이고 약물 효과를 향상시키는 것입니다.

위 그림처럼 DDI(Drug-Drug Interaction)는 약물 간의 상호작용을 말합니다. 연구약물과 기존약물 간의 교차분석을 실시하여 연구약물의 인체에 미치는 영향 등 부작용을 발굴하고, 실험을 통해 사전에 발굴하고 분류합니다. 간단한 예로, "약은 독으로 셋으로 나눈다" 인데, 약의 독성이 주로 어디에 반영되는가? 많은 경우, 이는 약물이 다른 약물과 결합될 때, 즉 두 가지 이상의 약물 간의 화학적 상호작용으로 발생합니다. 오른쪽 하단의 사진은 세 가지 약물을 보여줍니다. 이트라코나졸은 종양 관련 약물입니다. 아베마시클립과 혼합하면 이 두 약물을 사용하면 간부전, 신부전 등 심각한 부작용이 발생합니다. 기능 장애가 있는 환자는 심각한 결과를 초래할 수 있습니다. 아베시클립과 다브라페닙을 혼합하면 혈중농도 저하를 유발해 다른 질환을 유발할 수 있다. 따라서 신약을 개발하는 과정에서는 수많은 테스트가 필요하지만, 실제 사람을 이용한 테스트는 불가능하고, 쥐나 다른 동물을 대상으로만 테스트할 수 있다.

오늘 공유하는 콘텐츠는 다중 모드 신경망을 활용하여 기존(개발 중이거나 알려진 것 포함) 약물 성분, 알레르기 등을 기반으로 약물 DDI를 사전에 예측하는 것입니다.

2. 질문

多模态 DNN 模型在药物相互作用预测任务中的应用

위 그림에 표시된 것처럼 약물 상호작용은 DDI 매트릭스로 요약할 수 있습니다. 매트릭스는 약물 상호작용의 결과를 설명합니다. 예를 들어 약물 d1(abexiclib)과 d2(dabrafenib)는 y1(혈청 농도 감소)로 이어집니다. ). 이 연구에는 572개의 약물(d)과 65개의 반응 결과(y, 혈청 농도 감소 등)가 포함된 37,264개의 DDI 데이터가 포함되었습니다. 그리고 이 데이터를 바탕으로 DKG(Drug Knowledge Graph)가 구성되었습니다. 노드는 약물이고 가장자리는 약물 간의 관계입니다. DKG 트리플은 {D: 약물, R: 약물간 관계, T: 꼬리 엔터티}입니다.

위의 데이터 외에도 다중 모드 모델은 약물의 이질적인 특징(HF, 이질적인 특징)도 통합합니다: {대상: 표적, 하위 구조: 성분/화학 구조, 효소: 효소}, 각 각 특징의 차원은 다릅니다. 예를 들어 대상 정보는 단백질입니다. 마지막으로 DDI 매트릭스, DKG 및 HF는 모델링을 위해 동일한 확률 분포에 융합됩니다.

2. MDNN 모델 소개

다음으로 이종 다중 모드 MDNN 모델의 프레임워크를 소개하겠습니다.

1. MDNN 전체 프레임워크

多模态 DNN 模型在药物相互作用预测任务中的应用

이 모델은 주로 DDI 매트릭스와 이종 데이터의 두 부분으로 구성됩니다. 다음 세 부분:

(1) DKG 부분 기준: 주로 약품을 구성하여 약품 자체의 성분(유효 성분, 독성 성분), 약품 간의 관계 등에 관한 정보를 표현합니다. 지식 그래프.

(2) HF 부분을 기준으로 : 타겟, 효소, 분자 구조 등 이질적인 특성 데이터를 통합하여 약물 자체의 기본 특성 정보를 기술합니다.

(3) 다중 모드 융합 신경망: 두 가지 특징 데이터인 DKG와 HF를 효과적으로 융합하고 융합된 데이터의 통합 모델링을 수행합니다.

2. DKG 모듈 구축

다음은 DKG를 기반으로 한 구축 과정을 소개합니다.

多模态 DNN 模型在药物相互作用预测任务中的应用

위 그림은 약물 지식 그래프의 주요 내용을 보여줍니다. 왼쪽 그림은 DDI 매트릭스에 해당 약물의 성분과 작용 정보가 저장되어 있습니다. 데이터베이스(DrugBank, 즉 "Drug Bank"). 오른쪽 그림은 효소, 운반체, 표적 및 기타 이질적인 기본 특징과 같은 "Drug Bank"의 약물 정보의 예를 보여줍니다. 그 중 4가지가 표적 외에 약물 DB05812를 예로 들어보겠습니다. , 효소와 분자 구조 외에도 운반체와 운반체도 있습니다. 그러나 이 두 가지 유형의 데이터는 상대적으로 희박하고 다른 기능만큼 많은 차원을 갖지 않습니다. 따라서 현재 데이터 세트의 차이는 크지 않습니다. 이 두 데이터는 당분간 사용되지 않습니다. 사용되는 주요 데이터는 표적, 효소, 분자 구조입니다.

多模态 DNN 模型在药物相互作用预测任务中的应用

위 그림과 같이 지식 그래프는 주로 노드(Node)와 엣지(Edge)로 구성되는데, 노드는 약품과 성분, 엣지는 관계를 의미합니다. 예에서 삼중항으로 표시된 관계는 독성 성분 관계입니다. 즉, 노드 약물 "DB05812"와 노드 성분 "P02768" 사이에 독성 성분 관계가 있습니다. "Drug Bank"에서 얻은 약물 성분 관계 트리플을 기반으로 572종의 약물을 포함하는 DKG 지식 그래프가 형성됩니다. 트리플의 모서리(관계)를 의미 관계 유형이라고 합니다. 성분 꼬리 엔터티 노드에는 1043가지 유형이 있습니다. 각 DKG는 작업 요구 사항에 따라 "Drug Bank"에서 해당 정보를 추출하고 구성할 수 있으므로 DKG는 "Drug Bank" 지식 그래프의 하위 그래프와 동일합니다.

多模态 DNN 模型在药物相互作用预测任务中的应用

DKG를 기준으로 두 가지 유형의 정보를 정리하면 위의 그림은 의미관계 정보모델의 구성을 보여준다. 독성 성분을 기준으로 먼저 이전 층의 약물 내적(d)과 관계(r)를 계산하고 이를 현재 층 가중치(W1)를 통해 합산하여 π함수, 즉 약물의 edge 정보와 node 정보를 π 함수를 통해 합산한 후, π 함수와 이전 레이어 성분(t)을 가중치 합산하여 e를 구하는 즉, edge 정보를 구한다.

多模态 DNN 模型在药物相互作用预测任务中的应用

마찬가지로 위 그림은 그래프의 위상적 구조 정보 모델의 구성을 보여줍니다. 독성 성분 외에도 약물에는 여러 다른 성분 관계가 포함될 수 있습니다. 동일한 약물의 다중 관계(예: e)와 해당 가중치 W2를 연결하여 최종적으로 각 약물에 해당하는 E를 얻을 수 있습니다. 위의 방법을 통해 DKG 에지와 토폴로지 구조 정보가 효과적으로 융합되어 표현된다.

3. HF 모듈 구성

아래와 같이 약물에는 위에서 언급한 부가 정보 및 DDI 정보 외에도 매우 풍부한 다중 모드 정보가 있습니다. 동일한 약물이 여러 대상을 타겟팅할 수 있습니다. 다양한 약물은 서로 다른 분자 구조를 갖고 있으며 이는 해당 분자 특성을 나타냅니다. 약물은 서로 다른 효소의 작용에 따라 서로 다른 표적에 결합합니다. 이 세 가지 정보를 벡터화한 후 단순 Jaccard 유사성을 통해 약물간 유사성을 측정하여 해당 유사성 매트릭스를 구한다. ㅋㅋㅋ 이 특징 벡터의 크기도 1162개의 타겟, 583개의 구조 및 202개의 효소에 대한 정보를 포함하여 작습니다.

4. 다중 모델 융합층 多模态 DNN 模型在药物相互作用预测任务中的应用

多模态 DNN 模型在药物相互作用预测任务中的应用

위 그림과 같이 각 약물의 DKG 결과 E와 HF 결과 E'가 최종적으로 접합되어 융합됩니다. 얻을 수 있는 융합 레이어:

그런 다음 소프트맥스 기능을 통해 출력 레이어를 가져옵니다. 多模态 DNN 模型在药物相互作用预测任务中的应用

多模态 DNN 模型在药物相互作用预测任务中的应用

전체 모델 프레임워크는 위와 같습니다. 프레임워크 구조는 복잡하지 않지만, 약물 정보를 비교적 효과적으로 결합합니다.

3. MDNN 모델 효과

다음으로 모델 효과를 공유하겠습니다.

多模态 DNN 模型在药物相互作用预测任务中的应用

위 그림은 현재 가장 일반적으로 사용되는 알고리즘과의 비교 결과를 보여줍니다. MDNN 알고리즘은 Acc, AUC, F1, AUPR, Precision, Recall 및 기타 평가 지표를 달성했습니다. 예술의 결과. (위의 알고리즘은 GNN 알고리즘에 포함되지 않습니다.)

多模态 DNN 模型在药物相互作用预测任务中的应用

위 그림은 DKG, HK와 융합된 MDNN과 융합되지 않은 MDNN의 효과 차이를 보여줍니다. 두 방법 중 하나를 단독으로 사용하는 것보다 융합 결과가 더 좋다는 것을 쉽게 알 수 있습니다.

多模态 DNN 模型在药物相互作用预测任务中的应用

멀티모달 매개변수 조정 분석, 즉 매개변수 민감도를 위 그림에 나타내었는데, 신경망 레이어 수 l과 노드 수 N을 보여줍니다. s 매개변수가 변경되면 각 평가 지표에 해당하는 변동이 발생합니다.

多模态 DNN 模型在药物相互作用预测任务中的应用

또한, 훈련 세트에 포함된 약물과 약물 간의 DDI를 예측하기 위해 훈련 세트를 통해 다중 작업 분석을 수행했습니다. 테스트 세트; 작업 B에 대한 예측 모델도 훈련 세트를 통해 구성되었지만 테스트 세트의 약물 간 DDI를 예측했습니다. 훈련 세트와 테스트 세트 약물을 엄격하게 분리하면 모델 예측 효과가 크게 감소합니다.

단순히 DDI를 연구하는 것이 아닌, 어떻게 하면 약물을 효과적으로 발굴/스크리닝할 수 있을지, 약물 연구개발 분야에는 아직 해결해야 할 문제가 많습니다.

4. 요약

마지막으로 이번에 공유한 내용을 요약하자면, MDNN 알고리즘 자체는 복잡하지 않으며, 가장 중요한 것은 다중 모드 데이터와 구조적 정보를 사용하는 것입니다.

多模态 DNN 模型在药物相互作用预测任务中的应用

(1) 약물 효과를 기반으로 약물 지식 그래프를 구축하고, 약물 자체의 특성(표적, 분자 구조, 효소)을 기반으로 다중 모달 데이터 특성을 구성하고 최종적으로 이 두 특성을 통합하여 MDNN 모델.

(2) DDI의 예측 문제를 개선했습니다.

(3) 기존 방법과 비교하여 MDNN은 데이터 세트에 가장 좋은 영향을 미칩니다.

그러나 실제 응용 분야에서 MDNN 모델에는 더 나은 방법론이나 더 나은 데이터 등 추가적인 최적화와 개선이 필요한 영역이 여전히 많이 있습니다.

5. 질의응답 세션

Q1: "Drug Bank" 데이터 세트는 공개 데이터 세트인가요?

A1: 본 연구의 지식 그래프 데이터 세트는 공개 데이터 세트이며, 원본 데이터 세트 "Drug Bank"도 공개 데이터 세트입니다. 그러나 각 연구 분야의 약물에 따라 구성되는 지식 그래프 데이터 세트도 다르며, 통일되고 보편적인 지식 그래프는 없습니다.

Q2: 지식 그래프, 다중 모드 융합 등 공유 연구 방법은 제약 분야 외 어떤 용도로 활용되나요? 단백질, 면역력 등?

A2: 바이오의약품 외에도 전자상거래 분야에는 다양한 응용 분야가 있습니다. 예를 들어, User-Item 클래스 데이터 세트에서 User는 직업, 나이, 쇼핑 태그 등과 같은 많은 다중 모드 정보를 가지고 있습니다. 아이템 제품도 많은 정보를 가지고 있으며, 이들 사이에는 많은 관계가 있습니다. 쇼핑, 평가, 즐겨찾기, 클릭 등 행동. 도메인 데이터가 이질적인 형태를 따르는 경우 이러한 방법을 분석에 사용해 볼 수 있습니다. 특정 도메인에 대한 지식 그래프를 구축하는 것이 어렵습니다.

위 내용은 약물 상호작용 예측 작업에 다중 모드 DNN 모델 적용의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

본 웹사이트의 성명
본 글의 내용은 네티즌들의 자발적인 기여로 작성되었으며, 저작권은 원저작자에게 있습니다. 본 사이트는 이에 상응하는 법적 책임을 지지 않습니다. 표절이나 침해가 의심되는 콘텐츠를 발견한 경우 admin@php.cn으로 문의하세요.

핫 AI 도구

Undresser.AI Undress

Undresser.AI Undress

사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover

AI Clothes Remover

사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool

Undress AI Tool

무료로 이미지를 벗다

Clothoff.io

Clothoff.io

AI 옷 제거제

AI Hentai Generator

AI Hentai Generator

AI Hentai를 무료로 생성하십시오.

인기 기사

R.E.P.O. 에너지 결정과 그들이하는 일 (노란색 크리스탈)
4 몇 주 전 By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. 최고의 그래픽 설정
4 몇 주 전 By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. 아무도들을 수없는 경우 오디오를 수정하는 방법
4 몇 주 전 By 尊渡假赌尊渡假赌尊渡假赌
WWE 2K25 : Myrise에서 모든 것을 잠금 해제하는 방법
1 몇 달 전 By 尊渡假赌尊渡假赌尊渡假赌

뜨거운 도구

메모장++7.3.1

메모장++7.3.1

사용하기 쉬운 무료 코드 편집기

SublimeText3 중국어 버전

SublimeText3 중국어 버전

중국어 버전, 사용하기 매우 쉽습니다.

스튜디오 13.0.1 보내기

스튜디오 13.0.1 보내기

강력한 PHP 통합 개발 환경

드림위버 CS6

드림위버 CS6

시각적 웹 개발 도구

SublimeText3 Mac 버전

SublimeText3 Mac 버전

신 수준의 코드 편집 소프트웨어(SublimeText3)

Debian Readdir의 파일 정렬을 구현하는 방법 Debian Readdir의 파일 정렬을 구현하는 방법 Apr 13, 2025 am 09:06 AM

Debian Systems에서 readDIR 함수는 디렉토리 내용을 읽는 데 사용되지만 반환하는 순서는 사전 정의되지 않습니다. 디렉토리에 파일을 정렬하려면 먼저 모든 파일을 읽은 다음 QSORT 기능을 사용하여 정렬해야합니다. 다음 코드는 데비안 시스템에서 readdir 및 qsort를 사용하여 디렉토리 파일을 정렬하는 방법을 보여줍니다.#포함#포함#포함#포함#포함 // QsortIntCompare (constvoid*a, constVoid*b) {returnStrcmp (*(*)

Debian Readdir의 성능을 최적화하는 방법 Debian Readdir의 성능을 최적화하는 방법 Apr 13, 2025 am 08:48 AM

Debian Systems에서 ReadDir 시스템 호출은 디렉토리 내용을 읽는 데 사용됩니다. 성능이 좋지 않은 경우 다음과 같은 최적화 전략을 시도해보십시오. 디렉토리 파일 수를 단순화하십시오. 대규모 디렉토리를 가능한 한 여러 소규모 디렉토리로 나누어 읽기마다 처리 된 항목 수를 줄입니다. 디렉토리 컨텐츠 캐싱 활성화 : 캐시 메커니즘을 구축하고 정기적으로 캐시를 업데이트하거나 디렉토리 컨텐츠가 변경 될 때 캐시를 업데이트하며 readDir로 자주 호출을 줄입니다. 메모리 캐시 (예 : Memcached 또는 Redis) 또는 로컬 캐시 (예 : 파일 또는 데이터베이스)를 고려할 수 있습니다. 효율적인 데이터 구조 채택 : 디렉토리 트래버스를 직접 구현하는 경우 디렉토리 정보를 저장하고 액세스하기 위해보다 효율적인 데이터 구조 (예 : 선형 검색 대신 해시 테이블)를 선택하십시오.

Debian Readdir가 다른 도구와 통합하는 방법 Debian Readdir가 다른 도구와 통합하는 방법 Apr 13, 2025 am 09:42 AM

데비안 시스템의 readdir 함수는 디렉토리 컨텐츠를 읽는 데 사용되는 시스템 호출이며 종종 C 프로그래밍에 사용됩니다. 이 기사에서는 ReadDir를 다른 도구와 통합하여 기능을 향상시키는 방법을 설명합니다. 방법 1 : C 언어 프로그램을 파이프 라인과 결합하고 먼저 C 프로그램을 작성하여 readDir 함수를 호출하고 결과를 출력하십시오.#포함#포함#포함#포함#includinTmain (intargc, char*argv []) {dir*dir; structdirent*entry; if (argc! = 2) {

데비안 메일 서버 방화벽 구성 팁 데비안 메일 서버 방화벽 구성 팁 Apr 13, 2025 am 11:42 AM

데비안 메일 서버의 방화벽 구성은 서버 보안을 보장하는 데 중요한 단계입니다. 다음은 iptables 및 방화구 사용을 포함하여 일반적으로 사용되는 여러 방화벽 구성 방법입니다. iptables를 사용하여 iptables를 설치하도록 방화벽을 구성하십시오 (아직 설치되지 않은 경우) : sudoapt-getupdatesudoapt-getinstalliptablesview 현재 iptables 규칙 : sudoiptables-l configuration

데비안 syslog를 배우는 방법 데비안 syslog를 배우는 방법 Apr 13, 2025 am 11:51 AM

이 안내서는 데비안 시스템에서 syslog를 사용하는 방법을 배우도록 안내합니다. Syslog는 로깅 시스템 및 응용 프로그램 로그 메시지를위한 Linux 시스템의 핵심 서비스입니다. 관리자가 시스템 활동을 모니터링하고 분석하여 문제를 신속하게 식별하고 해결하는 데 도움이됩니다. 1. syslog에 대한 기본 지식 syslog의 핵심 기능에는 다음이 포함됩니다. 로그 메시지 중앙 수집 및 관리; 다중 로그 출력 형식 및 대상 위치 (예 : 파일 또는 네트워크) 지원; 실시간 로그보기 및 필터링 기능 제공. 2. Syslog 설치 및 구성 (RSYSLOG 사용) Debian 시스템은 기본적으로 RSYSLOG를 사용합니다. 다음 명령으로 설치할 수 있습니다 : sudoaptupdatesud

데비안 syslog에 대한 방화벽 규칙을 구성하는 방법 데비안 syslog에 대한 방화벽 규칙을 구성하는 방법 Apr 13, 2025 am 06:51 AM

이 기사에서는 데비안 시스템에서 iptables 또는 UFW를 사용하여 방화벽 규칙을 구성하고 Syslog를 사용하여 방화벽 활동을 기록하는 방법에 대해 설명합니다. 방법 1 : iptablesiptables 사용은 데비안 시스템의 강력한 명령 줄 방화벽 도구입니다. 기존 규칙보기 : 다음 명령을 사용하여 현재 iptables 규칙을보십시오. Sudoiptables-L-N-V 특정 IP 액세스 허용 : 예를 들어, IP 주소 192.168.1.100 허용 포트 80 : Sudoiptables-eActip-ptcp-d- 포트80-S192.16

데비안 아파치 로그 레벨을 설정하는 방법 데비안 아파치 로그 레벨을 설정하는 방법 Apr 13, 2025 am 08:33 AM

이 기사에서는 데비안 시스템에서 Apacheweb 서버의 로깅 레벨을 조정하는 방법에 대해 설명합니다. 구성 파일을 수정하면 Apache가 기록한 로그 정보 수준을 제어 할 수 있습니다. 메소드 1 : 구성 파일을 찾으려면 기본 구성 파일을 수정합니다. 구성 파일 : APACHE2.X의 구성 파일은 일반적으로/etc/apache2/디렉토리에 있습니다. 파일 이름은 설치 방법에 따라 apache2.conf 또는 httpd.conf 일 수 있습니다. 구성 파일 편집 : 텍스트 편집기 (예 : Nano)를 사용하여 루트 권한이있는 구성 파일 열기 : sudonano/etc/apache2/apache2.conf

데비안을 오류하는 방법은 중간 중간의 공격을 방해합니다 데비안을 오류하는 방법은 중간 중간의 공격을 방해합니다 Apr 13, 2025 am 10:30 AM

Debian Systems에서 OpenSSL은 암호화, 암호 해독 및 인증서 관리를위한 중요한 라이브러리입니다. MITM (Man-in-the-Middle Attack)을 방지하려면 다음 측정을 수행 할 수 있습니다. HTTPS 사용 : 모든 네트워크 요청이 HTTP 대신 HTTPS 프로토콜을 사용하도록하십시오. HTTPS는 TLS (Transport Layer Security Protocol)를 사용하여 통신 데이터를 암호화하여 전송 중에 데이터가 도난 당하거나 변조되지 않도록합니다. 서버 인증서 확인 : 클라이언트의 서버 인증서를 수동으로 확인하여 신뢰할 수 있는지 확인하십시오. 서버는 대의원 메소드를 통해 수동으로 확인할 수 있습니다.

See all articles