의약품 개발에서 마케팅까지: 제약 분야 빅데이터의 잠재력

게시 됨: 2023-08-01

기사 요약:

제약 부문은 전자 건강 기록, 게놈 정보, 실제 증거 등 많은 데이터에 액세스할 수 있습니다. 이렇게 결합된 모든 데이터를 빅 데이터라고 할 수 있습니다. 빅 데이터에 숨겨진 패턴을 활용하면 해당 부문에 막대한 가치를 창출할 수 있습니다.
빅 데이터로 전환함으로써 제약 부문은 약물 발견에서 시작하여 임상 시험 및 규제 승인을 통해 마케팅 및 출시 후 모니터링을 통해 새로운 대상을 식별하는 약물 개발 프로세스의 각 단계에서 개선을 주도할 수 있습니다.
제약 분야에서 빅 데이터를 채택하는 것은 기업이 조직의 사일로를 극복하고, 이질적인 데이터 소스를 원활하게 통합하고, 규제 준수를 보장해야 하는 도전적인 기업입니다.

3년 전, 제약 부문은 전례 없는 도전에 직면했습니다. 이제 위기에서 배운 교훈은 산업 전반의 변화를 촉진하고 있습니다.

소동은 신종 코로나바이러스가 전 세계적으로 빠르게 확산된 지 얼마 되지 않아 시작됐다. 제약사들은 코로나19에 대한 새로운 백신 개발에 힘쓰는 동시에 도움이 필요한 환자들에게 필수 의약품 공급을 지속해 전 세계적으로 주목을 받았다.

이 부문은 위기를 놀랍도록 잘 견뎌냈습니다. 그러나 시야에 들어온 것은 제약 회사가 더 이상 반응적 위기 관리를 감당할 수 없다는 것입니다. 업계가 오랫동안 지연된 문제, 즉 다음과 같은 문제를 해결하는 데 도움이 될 수 있는 새로운 패러다임이 등장해야 합니다.

2022년 신약 개발 비용 22억 8,400만 달러 달성
2022년에는 평균 주기 시간이 7.09년으로 증가
제약 R&D에 대한 투자 수익률은 1.2%로 떨어졌습니다.

업계 참여자들은 과학적 파트너십을 체결하고, 신흥 시장에 투자하고, 이러한 문제를 해결하기 위해 제품 포트폴리오를 다양화할 수 있습니다. 그러나 10년 동안 빅 데이터 컨설팅 서비스 및 제약 소프트웨어 솔루션을 제공한 경험이 있는 기술 애호가라면 데이터를 기반으로 하는 다른 방법을 고려할 것을 제안합니다.

이 블로그 게시물에서는 제약 분야에서 빅 데이터의 잠재력을 살펴보고 빅 데이터 기술이 의약품 개발, 승인 및 판매 방식을 바꾸는 필수적인 방법을 살펴봅니다.

제약 분야의 빅 데이터는 무엇이며 어떻게 가치로 변환됩니까?

제약 부문은 엄청난 양의 정보를 생성합니다. 임상 시험 데이터, 전자 건강 기록, 유전체학 정보, 실제 증거 및 환자 보고 결과 - 이러한 모든 데이터 항목을 결합하면 빅 데이터라고 할 수 있습니다.

기본적으로 빅 데이터는 분석을 통해 통찰력으로 변환할 수 있는 모든 형식 및 소스의 방대하고 다양한 정보입니다.

빅 데이터를 빅 인사이트로 변환하는 표준 프로세스는 다음과 같습니다.

모든 것은 관련 데이터 수집에서 시작됩니다. 그것의 유형과 출처는 많이 다를 수 있습니다. 제약 분야에서 빅데이터를 구성하는 일반적인 유형의 정보:

약물 평가 중에 수집된 정보를 포함하는 임상 시험 데이터 입니다. 여기에는 연구 프로토콜, 참가자 인구 통계, 병력, 치료 반응, 부작용, 실험실 테스트 결과 등이 포함될 수 있습니다.
실제 임상 실습에서 통제된 임상 시험 설정 외부에서 수집된 데이터를 포함하는 실제 증거 . 청구, 웨어러블 및 전자 건강 기록의 데이터는 물론 환자가 보고한 결과까지 포괄할 수 있습니다.
DNA 변이, 유전자 발현 프로필, 게놈 바이오마커를 포함한 개별 유전 정보와 약물 발견과 관련된 분자의 구조, 상호 작용 및 기능에 대한 정보를 포함하는 게놈 및 분자 데이터 입니다.
환자의 병력, 알레르기, 진단, 실험실 결과 및 기타 관련 정보를 포함하는 전자 건강 기록 .
X-레이, MRI 및 CT 스캔에 걸친 영상 데이터 .
약물 감시 및 부작용 보고서 는 약물과 관련된 부작용 및 안전 문제를 조명합니다.
연구 논문, 회의 진행 및 특허를 포괄하는 과학 문헌 입니다.
genomics, metabolomics, proteomics, transcriptomics 등과 같은 소위 "omics" 분야에서 생성된 대규모 데이터 세트를 의미하는 "Omics 데이터" .

데이터 웨어하우스(생각: 모든 제약 빅데이터를 위한 중앙 집중식 스토리지)에 로드되기 전에 여러 소스에서 검색된 정보가 정리 및 변환됩니다. 이는 데이터가 명확하고 정확하며 통합된 형식으로 변환되도록 하는 중요한 단계입니다. 정리 및 정리된 데이터는 분석을 위해 쉽게 액세스할 수 있는 데이터 웨어하우스에 저장됩니다.

제약 산업에서 빅 데이터의 필수 사용 사례

약물 개발은 길고 위험한 길입니다. 매우 소수의 약물 후보가 시장에 출시됩니다. 전임상 테스트에 들어가는 5,000개의 화합물 중 평균적으로 5개만이 인체 테스트에 사용됩니다. 그리고 초기 5,000개 중 한 개만 임상용으로 승인됩니다.

좋은 소식은 약물 개발 프로세스의 모든 단계에서 제약 빅데이터가 유용할 수 있다는 것입니다.

약물 발견

제약 R&D의 기본 단계인 약물 발견은 연구자들이 세포 또는 분자 수준에서 질병의 배후 과정을 이해하는 것에서 시작됩니다. 잠재적인 표적이 확인되면 표적과 상호 작용하고 그 활동을 방해할 수 있는 화합물을 찾는 과정이 이어집니다.

이 단계에서 연구자들이 직면한 주요 과제에는 효과적이고 안전한 표적을 식별하고 원하는 효능, 선택성 및 안전성 프로필을 가진 화합물을 찾는 것이 포함됩니다.

제약 빅 데이터로 전환함으로써 연구자들은 이러한 문제를 해결하고 약물 발견의 속도와 효율성을 개선할 수 있습니다.

대상 식별 및 검증

빅 데이터를 사용하여 다양한 소스의 데이터 세트를 통합할 수 있습니다. 이러한 다차원 데이터 세트를 분석함으로써 연구자들은 새로운 표적, 약물 적응증 및 약물 반응 바이오마커를 더 빠르고 더 적은 위험으로 식별할 수 있습니다.

전임상 약물 발견을 위한 많은 참조 제약 빅데이터 세트가 최근 생성되어 공개되었습니다.

dbSNP: 1억 5천만 개 이상의 인간 참조 SNP를 포함하여 다양한 유기체에 대한 단일 뉴클레오티드 다형성(SNP).
dbVar: 210만 개 이상의 인간 CNV를 포함하여 주로 다양한 유기체에 대한 발표된 연구에서 생성된 게놈 구조 변이.
COSMIC: 350만 개 이상의 코딩 돌연변이를 포함하여 전문가 큐레이션 및 게놈 전체 스크리닝에서 주로 체세포 돌연변이.
1000 게놈 프로젝트(1000 Genomes Project): 인간의 유전적 변이에 대한 포괄적인 자원을 제공하는 많은 사람들의 게놈; 이 데이터 세트는 2,500개 이상의 샘플에 걸쳐 있습니다.
TCGA: 10,000개 샘플에서 30개 이상의 암에 대한 유전체학 및 기능적 유전체학 데이터 저장소입니다. 기본 데이터 유형에는 돌연변이, 복제 수, mRNA 및 단백질 발현이 포함됩니다.
GEO: 160만 개 이상의 샘플을 포함하여 NCBI에서 호스팅하는 기능 유전체학 데이터 저장소입니다.
ArrayExpress: EBI에서 호스팅하는 기능적 유전체학 데이터 저장소로 180만 개 이상의 샘플이 포함되어 있습니다.
GTEx: 45개 조직 유형에 걸친 7,000개 이상의 샘플을 포함하는 정상 조직의 전사 프로파일.
CCLE: 1,000개 이상의 암 세포주의 유전적 및 약리학적 특성.

이러한 제약 빅 데이터 세트는 표적 분자를 식별하는 데 광범위하게 사용되고 있습니다.

예를 들어, 약물 발견에서 유전자 발현은 표적 선택을 알리는 데 사용되어 온 가장 널리 사용되는 분자 기능 중 하나입니다.

연구자 그룹은 공개적으로 사용 가능한 제약 빅데이터 세트 중 하나를 선택하여 주요 844개의 유방암 샘플의 mRNA 발현을 검사하고 정상 유방 조직과 비교했습니다. 데이터셋에 포함된 빅데이터를 분석한 결과, 암 샘플에서 MTBP 유전자가 유의하게 상승하는 것을 발견했다. 결과를 생존 데이터와 상호 참조한 결과 MTBP 증가가 환자 생존율 저하와 유의미하게 연관되어 있음이 밝혀졌습니다.

위의 예에서 목표는 연구자가 제안한 것입니다. 제약산업의 빅데이터를 활용하면 공공 빅데이터를 분석해 타깃도 직접 발굴할 수 있다. 이런 식으로 연구자 그룹은 특정 표적을 염두에 두지 않고 유방암에서 발암성인 약물화 가능한 키나아제를 찾았습니다. 그들은 공개 제약 빅 데이터 세트의 유전자 발현 데이터와 유방 종양 시작 세포의 유전자 발현 프로필을 분석하여 암 세포주에서 mRNA 발현이 더 높은 13개의 키나아제를 찾았습니다. 후속 검증은 후보 목록을 8개의 키나아제로 줄였으며, 그 중 3개는 치료 표적으로 선택되었습니다.

예측 모델링

전통적으로 연구자들은 후보 약물을 테스트하기 위해 식물 또는 동물 화합물을 사용했습니다. 2022년 9월 미국 상원은 FDA 현대화법 2.0을 통과시켜 컴퓨터 모델을 포함하여 동물 실험에 대한 대안을 사용할 수 있도록 했습니다.

컴퓨터 모델에 기반한 접근 방식은 동물 실험과 관련된 부정확성 및 윤리적 문제를 우회할 수 있습니다. 또한 이 분야를 인간의 생물학적 활동의 실제 표현에 더 가깝게 만들 수 있는 잠재력이 있습니다.

제약 분야에서 사용되는 예측 모델링 기술 중 하나는 약동학 모델링입니다. 생각해 보십시오: 제약 빅 데이터, 수학 방정식 및 컴퓨터 시뮬레이션을 사용하여 약물이 인체에서 어떻게 "작용"하는지 이해합니다. 이 방법은 흡수, 분포, 대사 및 제거 방법을 포함하여 일단 복용한 약물에 어떤 일이 발생하는지 예측하는 데 도움이 됩니다.

제약 분야의 빅 데이터를 기반으로 하는 또 다른 유망한 기술은 장기 온 칩 기술입니다. 장기 온 칩은 체외 질병 모델링, 약물 테스트 및 정밀 의학을 위해 인간 장기 기능과 생리적 환경을 모방하기 위해 미세유체 세포 구조를 사용하는 폴리머 칩입니다. ITRex는 동물 실험과 관련된 문제를 해결하는 데 효과가 있는 장기 칩 플랫폼을 만드는 데 도움을 주었습니다. 100개가 넘는 연구소에서 채택한 이 플랫폼은 약물 개발을 가속화하고 관련 비용을 줄이는 데 도움이 되었습니다.

정밀의학

정밀의학은 적시에 적절한 사람에게 적절한 치료를 제공하는 것을 목표로 하는 접근 방식으로 정의할 수 있습니다. 전통적으로 정밀 전략은 대부분의 임상 문제에 대한 열망으로 남아 있었습니다. 오늘날 제약 분야에서 빅 데이터의 사용이 증가함에 따라 열망하는 목표를 달성할 수 있는 가능성이 있습니다.

사전 지식에 덜 의존하는 빅 데이터 기반 약물 개발은 질병과 관련된 예상치 못한 경로를 밝혀내어 더 높은 수준의 정확성과 개인화를 위한 길을 열어줍니다. 일부 기관은 이미 새로운 접근 방식을 활용하고 있습니다.

예를 들어, 유사한 암 하위 유형을 가진 환자는 종종 동일한 화학 요법을 받을 때 다르게 반응합니다. 약물 반응은 게놈 불안정성에 의해 영향을 받는 것으로 여겨집니다. 빅데이터를 사용하는 것은 유전체학과 화학요법제 내성, 독성 및 민감도 사이의 복잡한 관계를 연구하는 데 널리 사용되는 방법이 되고 있습니다.

예를 들어 과학자들은 Cancer Genome Atlas 연구 네트워크에서 시작한 Pan-Cancer 프로젝트를 통해 새로운 암 수차를 발견할 수 있습니다. Cancer Cell Line Encyclopedia 및 Genomics of Drug Sensitivity in Cancer와 같은 여러 다른 프로젝트에서도 게놈 바이오마커와 약물 감수성 사이의 연관성을 조사하는 제약 빅데이터를 생성하고 있습니다.

임상 시험

임상 시험의 목표는 치료가 인간에게 안전하고 효과적인지 여부를 알려주는 것입니다.

일반적으로 3개의 순차적인 단계가 이어집니다. 즉, 소수의 건강한 개인을 대상으로 약물을 테스트하는 1단계부터 시작하여 특정 조건을 목표로 하는 더 큰 그룹의 사람들을 대상으로 약물을 테스트하는 2단계까지 모두 더 많은 환자가 참여하는 3상으로 가는 길.

그 과정은 항상 길고 지루했습니다. 다행스럽게도 제약 분야에서 빅 데이터가 더 광범위하게 채택되면서 임상 시험도 변화하고 있습니다.

더 빠른 채용

전 세계 임상시험 10개 중 9개는 목표 기간 내에 충분한 사람을 모집할 수 없습니다. 일부 실험, 특히 희귀하거나 생명을 위협하는 질병에 대한 치료법을 테스트하는 실험은 충분한 사람을 모집하는 데 어려움을 겪고 있습니다. 일반적으로 임상 시험에는 두 그룹이 포함됩니다. 새로운 치료법을 테스트하는 테스트 그룹과 치료를 받지 않는 대조군, 위약 또는 현재 표준 치료를 받는 그룹입니다.

생명을 위협하는 상태에 있는 환자는 빠른 도움이 필요하다는 점을 염두에 두고 대조군으로 무작위 배정되는 것을 원하지 않습니다. 상대적으로 희귀한 질환을 가진 환자를 모집해야 하는 필요성을 추가하면 모집 시간이 몇 달씩 늘어납니다.

빅 데이터는 통제 집단을 고용할 필요성을 우회하는 데 도움이 될 수 있습니다. 과거 임상시험에서 생성된 제약 빅데이터를 기반으로 만든 '가상 대조군'을 활용하자는 아이디어다.

가능한 대조군 후보를 찾기 위해 연구자들은 조사 시험의 주요 자격 기준(예: 질병의 주요 특징 및 진행 정도)을 사용합니다. 표준 임상 시험은 유사한 방식으로 대조군 환자를 선택합니다. 차이점은 현재 시도 중에 수집된 데이터에 의존하지 않고 과거 데이터를 사용한다는 것입니다. 그러나 현재로서는 가상 대조군이 전통적인 임상 시험을 대체하는 것이 아니라 새로운 치료법이 추구할 가치가 있는지 평가하는 빠른 방법입니다.

제약 임상 시험에서 빅 데이터의 또 다른 측면은 표적 모집을 허용하는 것입니다. 새로운 기술을 사용하여 연구원은 소셜 미디어와 같은 새로운 데이터 소스를 기반으로 환자를 등록할 수 있습니다. 유전 정보, 질병 상태, 개인의 특성 등의 기준을 가늠하기가 더 쉬워집니다.

효율적인 시험 관리

제약 분야에서 빅 데이터를 사용하면 임상 시험을 설계하고 관리하는 방식을 바꿀 수 있습니다. 이제 연구자들은 약물 노출 수준, 약물이 제공하는 면역성, 치료의 내약성 및 안전성, 임상시험이 완료된 직후가 아니라 신병의 안전에 중요한 기타 요인을 실시간으로 추적하고 감지할 수 있습니다.

연구자들이 제약 빅데이터 범위로 전환하여 얻을 수 있는 이점은 다음과 같습니다.

최적의 표본 크기 계산 : 과거 시험 데이터를 분석하면 표본 크기 계산에 도움이 될 수 있습니다.
계층화 및 하위 그룹 분석 : 빅 데이터는 치료 반응에 영향을 미치는 환자 특성, 바이오마커 또는 유전적 요인을 식별하는 데 도움이 될 수 있습니다. 이를 통해 연구자는 환자를 하위 그룹으로 계층화하여 특정 모집단 내에서 치료 효과를 분석할 수 있습니다.
적응형 임상시험 설계 : 제약 빅데이터를 분석하면 적응형 임상시험 설계를 촉진하고 연구자가 중간 결과에 따라 임상시험 매개변수를 변경할 수 있습니다. 연구자들은 이제 추세, 치료 반응 또는 안전 신호를 파헤쳐 샘플 크기 또는 등록 기준과 같은 시험 매개변수 수정에 대한 정보에 입각한 결정을 내릴 수 있습니다.

품질 관리 및 규정 준수

제약 업계의 빅 데이터는 제약 회사가 더 나은 품질 관리 프로세스를 구현하고 규정 준수 노력을 간소화하며 더 안전하고 효과적인 의약품을 제공할 수 있도록 제약 품질 관리에 대한 기존 접근 방식을 혁신하고 있습니다. 제약 빅데이터가 상당한 영향을 미칠 수 있는 영역은 다음과 같습니다.

#약물감시 및 부작용 모니터링 개선

많은 부작용, 특히 드문 부작용은 임상 시험에서 제한된 수의 표본 개인으로 인해 감지되지 않은 상태로 유지됩니다. 그렇기 때문에 출시 후에도 약물 모니터링이 필요합니다.

소셜 미디어가 고객의 우려를 표명하고 부작용을 보고하는 플랫폼이 된 것을 고려하여 제약 회사는 이 귀중한 정보를 활용하기 위해 빅 데이터 도구를 활용하기 시작했습니다.

소셜 미디어에서 수집한 환자가 보고한 약물 부작용은 의료 전문가가 기록한 것보다 더 정확할 수 있습니다. FDA와 Epidemico가 실시한 연구에서 690만 개의 트윗을 조사한 결과 그 중 4,401개가 부작용 보고와 유사한 것으로 나타났습니다. 결과를 FDA가 보유한 데이터와 추가로 비교하면 비공식 소셜 미디어 보고서와 임상 시험에서 문서화된 보고서 사이에 높은 연관성이 있음이 밝혀졌습니다.

향상된 규정 준수 관리

제약 분야의 빅 데이터는 규제 준수를 촉진하는 데 중요한 역할을 합니다. 제약 산업의 회사는 엄격한 데이터 개인 정보 보호법뿐만 아니라 GMP(Good Manufacturing Practices) 및 GCP(Good Clinical Practices)를 비롯한 복잡한 규정의 적용을 받습니다. 제약 분야의 빅 데이터는 기업이 핵심 성과 지표를 모니터링하고, 규정 준수 격차를 식별하고, 잠재적인 문제를 선제적으로 해결하는 데 도움이 될 수 있습니다.

제약 회사는 자동화된 모니터링 시스템과 빅 데이터 분석 솔루션을 사용하여 이상, 편차 및 비준수 활동을 조기에 감지하여 규제 위험을 최소화할 수 있습니다. 또한 과거 데이터, 기계 학습 알고리즘 및 고급 통계 기술을 결합하여 제약 회사는 잠재적인 품질 위험을 예측하고 예방적 유지 관리 일정을 최적화하며 데이터 기반 의사 결정을 용이하게 하는 예측 모델을 개발할 수 있습니다.

영업 및 마케팅

기업은 제약 빅데이터를 활용하여 산업 동향을 예측하고 인구통계학적 요인을 기반으로 특정 의약품의 판매를 예측할 수 있습니다. 이를 통해 제약 마케팅 캠페인을 고객 행동에 맞게 조정할 수 있습니다.

위에서 설명한 사용 사례와 마찬가지로 소셜 미디어 데이터를 포함하여 인터넷에서 사용할 수 있는 데이터를 스크랩하면 제약 회사가 제품에 대한 고객 감정을 측정하는 데 도움이 될 수 있습니다. 이는 제약 회사가 제품을 받는 방법을 이해하는 데 도움이 될 수 있습니다.

제약 분야에서 빅 데이터를 채택하는 데 따르는 어려움

제약 산업에서 빅 데이터가 주도하는 이점에도 불구하고 회사는 여전히 데이터 관리 프로세스를 정밀 검사하는 것에 대해 의식하고 있습니다. 구현 프로세스의 위험을 줄이기 위해 기업이 제약 분야에서 빅 데이터를 채택할 때 직면할 수 있는 문제 목록을 정리했습니다.

과제 1. 데이터 소스 통합

모든 데이터 소스를 잘 연결하는 것은 빅 데이터의 이점을 얻기 위해 제약 부문이 극복해야 할 주요 과제 중 하나입니다. 제약 부문에서 빅 데이터를 효과적으로 사용하려면 발견에서 규제 승인, 실제 적용에 이르기까지 약물 개발 프로세스의 모든 단계에서 생성된 데이터를 통합해야 합니다.

종단 간 데이터 통합에는 신뢰할 수 있는 데이터 수집, 이러한 소스 연결, 강력한 품질 보증 수행, 워크플로 관리 등 많은 기능이 필요합니다.

일반적으로 관련된 위험과 비용으로 인해 데이터 인프라를 한 번에 전면 개편하는 것은 피하는 것이 좋습니다. 더 안전한 접근 방식은 데이터 소스를 단계별로 통합하여 먼저 처리해야 하는 특정 데이터 유형을 식별하고 필요에 따라 추가 웨어하우징 기능을 생성하는 것입니다. 목표는 가능한 한 빨리 ROI를 얻기 위해 중요한 데이터를 먼저 처리하는 것입니다. 동시에 우선 순위가 낮은 데이터 원본을 통합하기 위한 시나리오를 개발할 수 있습니다.

과제 2. 조직의 사일로 극복

종단 간 데이터 통합은 조직 내 사일로를 극복하지 않고는 거의 불가능합니다. 전통적으로 제약 분야에서는 서로 다른 팀이 시스템과 데이터를 담당했습니다. 기능적 사일로와 데이터 파이프라인을 통해 각 유형의 데이터에 대한 명확한 소유자가 있는 데이터 중심 접근 방식으로 전환하면 제약 분야의 빅 데이터에서 가치를 생성할 수 있습니다.

과제 3. 규정 준수

제약 분야에서 빅 데이터를 채택하고 중앙 집중식 데이터 관리 시스템을 구축하려면 데이터가 안전하게 처리되는지 확인해야 합니다. FDA는 액세스 제어 절차, 사용자 신원 확인, 수행된 작업 추적 등 여러 요구 사항을 충족하기 위해 해당 부문에서 사용되는 소프트웨어(예: 전자 건강 기록을 처리하거나 임상 시험을 관리하는 데 사용되는 시스템)를 요구합니다. 프로젝트를 계획할 때 관련 규정 준수 요구 사항을 주의 깊게 연구하고 이를 데이터 관리 솔루션 설계에 통합해야 합니다.

Challenge 4. 빅데이터를 다루는 인재 부족

제약 부문은 전통적으로 기술 채택이 더디기 때문에 많은 기업들이 야심 찬 계획을 실현하는 데 필요한 인재가 여전히 부족합니다. 제약 산업 종사자들은 내부 인재를 양성하거나 외부 팀으로 전환하는 등 지식 격차를 해소할 적절한 방법을 생각해야 합니다.

결론 대신

제약 분야의 빅데이터는 혁신, 효율성 및 환자 결과 개선을 위한 막대한 기회를 제공합니다. 제약 빅데이터 시장이 계속해서 성장함에 따라 기업들은 경쟁력을 유지하기 위해 이 혁신적인 기술을 수용하고 있습니다.

빅 데이터의 진정한 힘을 찾고 약물 개발의 혁신을 주도하고 싶다면 당사 전문가에게 문의하십시오 . 답변되지 않은 질문에 답변해 드리겠습니다.

2023년 6월 22일에 https://itrexgroup.com 에 원래 게시되었습니다 .