제약회사 연구원의 블로그

– LC-MS 기반 metabolomics 데이터에서 가장 조용히 사라지는 정보 LC-MS 기반 untargeted metabolomics 데이터를 처음 접하는 연구자라면 거의 비슷한 경험을 하게 된다. 분석이 끝난 뒤 feature table을 열어보면 수천 개, 때로는 수만 개의 peak가 존재한다. 그러나 annotation 단계로 넘어가면 그중 상당수는 이름을 얻지 못한다. spectral library와 매칭되지도 않고, 정확한 분자식도 확정되지 않으며, biological pathway에도 쉽게 연결되지 않는다. 이렇게 남겨진 peak들은 대부분 “unknown feature”라는 이름으로 정리된다.문제는 많은 metabolomics 연구에서 바로 이 지점에서 중요한 선택이 이루어진다는 것이다..

Metabolomics 해석에서 발생하는 ‘확신의 역설’ Metabolomics 연구를 수행하다 보면 연구자들은 자연스럽게 하나의 목표를 향해 달려가게 된다. 바로 metabolite identification 정확도를 최대한 높이는 것이다. LC-MS 기반 metabolomics 데이터는 수천에서 수만 개의 feature를 생성하고, 그 중 상당수는 이름이 붙지 않은 채 “unknown” 상태로 남는다. 이 때문에 많은 연구자들은 annotation 정확도를 높이고 가능한 많은 metabolite를 Level 1 혹은 Level 2 수준으로 식별하는 것을 연구의 핵심 목표로 설정한다.그러나 metabolomics 연구가 축적되면서 한 가지 흥미로운 현상이 반복적으로 관찰되기 시작했다. annotatio..

1. Metabolomics에서 identification이 어려운 구조적 이유LC-MS 기반 untargeted metabolomics에서 검출되는 feature는 매우 많습니다.일반적인 plasma metabolomics 데이터:검출 feature: 5,000–20,000개정확히 identification된 metabolite: 5–15%즉 대부분의 신호는 unknown feature입니다.이 현상이 발생하는 이유는 몇 가지가 있습니다.1) metabolome의 다양성Human metabolome에는 다음이 포함됩니다.endogenous metabolitemicrobiome metabolitediet-derived compounddrug metaboliteenvironmental chemical즉 가..

세포 평균의 시대에서 세포 개별 해석의 시대로1. 왜 single-cell proteomics가 필요한가기존 proteomics는 수천~수백만 개 세포의 평균값을 측정합니다.하지만 실제 생물학은 평균이 아니라 이질성(heterogeneity) 위에서 작동합니다.평균의 함정예: 종양 조직 세포 유형비율특징약물 민감 세포80%치료 반응약물 내성 세포20%재발 원인Bulk proteomics 결과 → “치료 효과 있음”Single-cell proteomics → “내성 클론 존재”👉 치료 실패 예측 가능2. 기술적 전환점: single-cell proteomics를 가능하게 한 혁신2.1 초저량 샘플 준비 기술핵심 과제:단일 세포 단백질 양: ~200 pg손실 최소화 필수주요 접근:✔ nanoPOTS (na..

유전자와 표현형 사이의 ‘기능적 번역 계층’1. Multi-omics의 구조: 정보 흐름 관점생명 시스템을 정보 흐름으로 보면 다음과 같습니다.Genome → Transcriptome → Proteome → Metabolome → Phenotype각 단계의 의미: Omics의미한계Genomics가능성 (potential)실제 발현 여부 모름Transcriptomics발현 계획단백질 생성 보장 없음Proteomics실제 실행자동적 조절 복잡Metabolomics결과물원인 추적 어려움👉 Proteomics는 계획과 결과 사이의 실행 계층2. 왜 transcriptomics만으로는 충분하지 않은가흔한 오해:mRNA가 증가하면 단백질도 증가한다현실:mRNA–protein 상관계수: 0.3–0.6 수준번역 효율..

많이 검출된 단백질이 생물학적으로 중요한가?1. Proteomics 데이터의 기본 착각Proteomics 결과에서 흔히 보는 표: ProteinFold changep-valueAlbumin↑ 1.20.01CRP↑ 1.50.02Transcription factor X변화 없음0.8👉 대부분 연구자는 변화가 큰 단백질에 집중합니다.하지만 실제 생물학적 영향력은 정반대일 수 있습니다.✔ Albumin: 농도 높지만 기능 변화 없음✔ TF X: 농도 변화 없지만 활성 변화 → 질병 핵심 조절자2. Abundance는 측정 용이성의 결과일 뿐이다왜 어떤 단백질이 더 자주 보이는가?✔ 고농도✔ 이온화 효율 높음✔ tryptic peptide 생성 용이✔ database 매칭 용이👉 기술적 검출 편향(detect..

혈장 단백질 데이터가 ‘진짜 생물학’을 반영하지 못하는 이유1. Plasma proteome은 원래부터 “편향된 시스템”이다혈장은 가장 많이 연구되는 시료이지만, proteomics 관점에서는 극단적으로 불균형한 매트릭스입니다.✔ 단백질 농도 범위: 10^10 이상 차이예시:단백질농도Albumin~35–50 mg/mLIgG~10 mg/mLCytokinespg/mL 수준👉 상위 20개 단백질이 전체 단백질의 99% 차지👉 저농도 단백질은 물리적으로 “가려짐”이 구조 자체가 첫 번째 편향입니다.2. High-abundance protein이 만드는 구조적 왜곡2.1 Ion suppressionAlbumin, IgG 등 고농도 단백질 → ionization 경쟁결과:저농도 단백질 검출 실패batch 간 s..

왜 유망한 지표가 병원에서는 사라지는가1. 통계적 유의성 ≠ 임상적 유용성연구에서 흔히 보는 결과:p AUC = 0.82환자군 vs 대조군 차이 명확하지만 임상 질문은 다릅니다.임상의가 묻는 질문✔ 치료 결정을 바꿀 수 있는가?✔ 기존 검사보다 더 빠른가?✔ 비용 대비 이득이 있는가?✔ 결과 해석이 명확한가?👉 통계적으로 유의해도 의사결정에 영향이 없으면 탈락2. 효과 크기(effect size)가 너무 작다연구에서는 평균 차이가 유의하지만:개인 수준에서는 겹침(overlap) 큼cut-off 설정이 불안정위양성/위음성 증가예:그룹평균분산환자12±5대조군10±5👉 통계적 차이 존재👉 임상에서는 구분 불가3. Cohort bias: “발견된 biomarker”는 특정 집단에만 유효흔한 문제단일 병원 ..