제약회사 연구원의 블로그

1. DDA에서 DIA로: 왜 변화가 필요했는가DDA의 강점새로운 단백질 발견에 유리높은 MS/MS 스펙트럼 품질라이브러리 구축 용이그러나 현실적 한계문제영향stochastic sampling재현성 저하missing value통계 분석 왜곡low-abundance 검출 불안정biomarker 신뢰도 하락multi-site 비교 어려움임상 적용 제한👉 연구 단계에서는 유용하지만,정량 플랫폼으로는 불안정했다.2. DIA의 핵심 개념: “모든 것을 본다”DIA 작동 방식m/z 범위를 일정 window로 분할각 window 내 모든 precursor를 fragmentation반복적으로 전체 범위 스캔👉 선택이 아닌 전수 조사 방식핵심 차이특징DDADIAprecursor 선택상위 N개전체샘플링 방식확률적체계적..

1. Shotgun proteomics의 기본 구조: 재현성에 불리한 설계Shotgun proteomics는 일반적으로 다음 workflow를 따른다:단백질 추출효소 소화 (trypsin digestion)LC-MS/MS 분석 (DDA)peptide identificationprotein inference정량 분석이 과정의 핵심 문제는 데이터 획득 방식(DDA) 에 있다.2. 근본 원인 1: DDA의 확률적(stochastic) 샘플링DDA(Data-Dependent Acquisition)의 작동 방식MS1에서 강한 precursor ion 선택상위 N개 이온만 MS/MS 수행즉, 기기는 매 스캔마다 “가장 강한 신호”만 선택한다.왜 이것이 재현성을 깨는가같은 샘플이라도:미세한 noise 차이이온화 효율..

1. Negative result는 “분석이 실패했다”는 의미가 아니다많은 연구자가 다음과 같이 오해한다:유의한 metabolite 없음 → 실험 실패그룹 간 차이 없음 → 분석 민감도 부족biomarker 발견 실패 → 연구 가치 없음하지만 metabolomics에서 negative result는 종종 다음을 의미한다:생물학적 차이가 실제로 없음질병 기전이 대사 수준이 아닌 다른 계층에 있음효과 크기가 임상적으로 의미 없는 수준분석 설계가 confounder를 제거했기 때문에 “진짜 신호”만 남음👉 즉, negative result는 오히려 과학적으로 더 정직한 결과일 수 있다.2. False discovery를 줄이는 가장 강력한 방어선Metabolomics는 high-dimensional 데이터 ..

1. QC는 “정밀도”를 확인할 뿐 “정확성”을 보장하지 않는다✔ QC가 평가하는 것instrument stability반복 측정 정밀도 (precision)signal drift✔ QC가 평가하지 않는 것biological relevancematrix representativenesssample-specific suppressionmetabolite misannotation👉 즉, QC는 기기가 안정적인지만 본다.2. QC가 실제 샘플을 대표하지 못하는 문제가장 흔한 구조적 오류QC sample = pooled sample하지만 실제 샘플은:질병 상태약물 복용극단적 대사 상태고지혈, 고단백, 용혈 등👉 QC는 평균 상태일 뿐극단적 matrix 조건을 반영하지 못한다.실제 영향상황QC 결과실제 샘플I..

1. Batch effect는 단순한 오차가 아니다✔ 일반적인 오해“조금의 drift”“보정하면 해결되는 기술적 문제”✔ 실제 영향Batch effect는 데이터를 다음과 같이 바꾼다:가짜 그룹 차이 생성진짜 biological signal 제거biomarker 후보 뒤바뀜모델 예측력 과대평가재현성 붕괴👉 즉, 연구 결론 자체를 바꿔버린다.2. 가장 위험한 왜곡: 가짜 biological difference 생성시나리오Batch 1 → ControlBatch 2 → Disease결과PCA에서 완벽한 separation 발생→ 연구자는 질병 특이 metabolite라고 해석실제 원인MS sensitivity driftcolumn agingmatrix effect 변화👉 질병이 아니라 분석 순서가 차이를..

1. 왜 이 구분이 그렇게 중요한가metabolomics 데이터의 변이는 크게 두 축에서 발생한다.✔ Biological variation (생물학적 변이)개인 간 유전적 차이식이, 생활습관, 약물 복용질병 상태circadian rhythmmicrobiome 차이👉 연구자가 찾고 싶은 진짜 신호✔ Analytical variation (분석 변이)sample preparation 오차extraction efficiency 차이LC retention time driftMS sensitivity fluctuationbatch effection suppression / matrix effect👉 제거하거나 보정해야 할 기술적 노이즈2. 가장 먼저 확인해야 할 질문실무에서는 항상 이 질문부터 시작한다.❓ 질..

같은 혈장 샘플을 두 번 분석했는데feature 수가 달라지고, PCA 위치가 바뀌고,심지어 주요 metabolite의 상대적 abundance까지 달라지는 경험.이때 가장 먼저 떠오르는 질문은 이것입니다.무엇이 바뀌었는가?놀랍게도, 표면적으로는 아무것도 바뀌지 않은 것처럼 보입니다.같은 샘플같은 LC 조건같은 MS 설정QC도 정상그럼에도 결과는 달라집니다.이 현상을 이해하려면“샘플”이라는 단어를 다시 정의해야 합니다.1️⃣ 샘플은 고정된 물질이 아니라 ‘변하는 시스템’이다우리는 종종 샘플을 정적인 대상으로 생각합니다.하지만 실제 생물학적 샘플은 시간에 따라 변합니다.보관 중에도 대사 반응은 계속된다냉동 보관 중이라도 완전히 멈추는 것은 아닙니다.효소 잔존 활성산화 반응미생물 대사 (특히 stool, u..

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/..