제약회사 연구원의 블로그

1. 규모 확장 시 LC-MS 조직이 망가지는 7개의 지점1️⃣ Method 다양성 폭발 (Method Proliferation Collapse)📉 현상유사한 분석이지만 method가 계속 새로 생성됨method 수는 늘어나는데 재사용률은 감소예:plasma method v1, v2, v3…같은 analyte인데 column만 다른 method 5개 존재🔥 왜 망가지는가개인별 최적화 → 표준 부재기술 이전 실패 경험 → 새로 개발 선호“내 method가 더 안정적” 심리🚨 조기 신호같은 분석 대상인데 SOP가 여러 개method transfer보다 method redevelopment가 더 많음2️⃣ Data 해석 기준의 분열 (Interpretation Drift)📉 현상분석자마다 accept/..

1. 왜 ‘에이스 의존 구조’가 생기는가1) LC-MS 분석의 특성: 암묵지 비중이 높다LC-MS 분석은 SOP만으로 해결되지 않는 영역이 많습니다.예:이온 억제 패턴을 보고 column 교체 시점 판단특정 매트릭스에서만 나타나는 carryover 원인 추정calibration drift가 “기기 문제인지 시료 문제인지” 직감적으로 판단이러한 판단은 문서화되지 않고 개인 경험에 축적됩니다.👉 결과:문서보다 사람이 method를 대표하게 됨2) 조직이 ‘빠른 해결사’를 보상하는 구조문제가 생겼을 때:SOP 개선 → 느림교육 → 시간 소요에이스 호출 → 즉시 해결조직은 자연스럽게 후자를 선택합니다.👉 결과:에이스의 개입 빈도 증가다른 팀원의 학습 기회 감소의존성 강화 (self-reinforcing lo..

– 같은 암이어도 같은 대사가 아니다1️⃣ 종양 이질성(Tumor heterogeneity): 동일 질병이 아니다암은 단일 질병이 아니라 분자적으로 서로 다른 질환들의 집합입니다.같은 진단명, 다른 대사 상태예: 유방암HER2+ER/PR+Triple negative각 subtype은:에너지 대사지질 대사아미노산 소비산화 스트레스 대응가 서로 다릅니다.👉 같은 “유방암” 환자군이라도 metabolomics signature는 달라질 수밖에 없습니다.2️⃣ 종양 내 이질성(Intra-tumor heterogeneity)하나의 종양 내부에서도 대사가 균일하지 않습니다.저산소 영역 → glycolysis 증가혈관 인접 영역 → oxidative phosphorylation 유지면역세포 침윤 영역 → 면역 대사..

p-value가 처방을 바꾸지 못할 때1️⃣ 차이는 있지만 ‘치료 범위 안’에 있을 때예시그룹 A 평균 농도: 8.2 µg/mL그룹 B 평균 농도: 9.1 µg/mLp = 0.003 (통계적으로 유의)하지만 치료 범위가 5–15 µg/mL라면?👉 두 그룹 모두 치료 범위 내👉 용량 조절 필요 없음임상 결론→ 의미 없음2️⃣ 평균 차이가 개별 환자 결정에 적용되지 않을 때TDM은 집단 연구가 아니라 개별 환자 최적화가 목적입니다.연구 결과:특정 유전자형에서 평균 농도 20% 증가 (p 임상 현실:환자 간 변동성 ±50%개별 환자 예측 불가👉 집단 평균 차이는 개별 환자 용량 결정에 쓸 수 없음3️⃣ 효과 크기(effect size)가 임상 임계값보다 작을 때예시농도 차이: 0.7 µg/mL통계적으로 ..

– 측정에서 ‘행동 가능한 정보(actionable insight)’로1️⃣ 첫 번째 오해: “정량 정확도 = 임상 유용성”많은 연구가 여기서 멈춥니다.✔ LLOQ 달성✔ CV ✔ recovery 안정✔ matrix effect 통제→ 논문 출판 가능→ 하지만 임상에서는 질문이 다릅니다.임상의가 묻는 질문:이 수치가 위험한가?치료를 바꿔야 하는가?예후를 예측하는가?다른 검사보다 나은가?👉 정량 정확도는 필수 조건이지만👉 임상 유용성은 완전히 다른 차원입니다.2️⃣ 임상 의사결정으로 연결되기 위한 4단계 구조Targeted metabolomics 결과가 임상에서 쓰이려면다음 4단계를 모두 통과해야 합니다.① Analytical validity→ 정확하게 측정되는가② Clinical validity→ 질..

‘모르기 때문에 안전했던 시기’가 끝난다1️⃣ 문제 ①: “과잉 해석(over-interpretation)”의 폭발기존:대부분의 feature는 unknown해석 가능한 신호만 제한적으로 사용보수적 결론 가능bottleneck 붕괴 이후:수천 개 feature에 구조 class 추정pathway 연결 가능biological 의미 자동 생성👉 문제는 여기서 시작됩니다.위험한 문장 예시“이 환자군에서 산화 스트레스 증가가 관찰됨”“지질 대사 이상이 암 진행과 관련됨”이 문장들이:실제 causal 관계가 아니라annotation 알고리즘의 편향일 가능성2️⃣ 문제 ②: False plausibility의 증가Foundation model 또는 고급 annotation 시스템은“그럴듯한 설명”을 매우 잘 만들..

실험 도구가 아니라 “검증된 시스템”이 되기 위해1️⃣ 모델의 역할 정의: “보조”인지 “결정”인지SOP에 포함되기 위해 가장 먼저 명확해야 할 것:모델 역할 분류역할설명규제 부담보조 도구QC flag, 이상치 탐지낮음의사결정 지원재분석 권고, batch reject 제안중간자동 결정결과 승인/거부매우 높음👉 대부분의 조직은 보조 도구 단계에서 시작해야 현실적입니다.2️⃣ 입력 데이터 범위와 전처리 고정AI 모델은 입력이 달라지면 결과가 달라집니다.SOP에 포함되려면 다음이 고정되어야 합니다.허용 데이터 형식 (raw, centroid, mzML 등)전처리 방법 (smoothing, baseline correction)feature extraction 방식normalization 방법👉 “데이터가 조..

rule 기반 판단에서 ‘패턴 이해’로의 이동1️⃣ 기존 LC-MS 해석의 출발점: “이 피크는 무엇인가?”전통적인 LC-MS 해석은 항상 단일 질문에서 시작합니다.이 피크의 m/z는 무엇인가RT가 맞는가fragment가 reference와 일치하는가library hit score가 기준을 넘는가즉, 해석의 구조는 늘 이랬습니다.관측 → 기준 대조 → 일치 여부 판단이 방식은 정확하지만, 근본적인 한계를 갖습니다.2️⃣ 기존 방식의 구조적 한계 (annotation bottleneck의 본질)① reference가 없는 것은 해석 불가novel metaboliteunexpected fragmentin-source fragmentationmatrix-specific adduct→ “모르겠다”로 끝남② 피크..