제약회사 연구원의 블로그

우리는 단백질의 양을 측정하고 있는가, 아니면 신호의 결과를 해석하고 있는가proteomics 데이터를 처음 접했을 때,대부분의 사람들은 같은 방식으로 이해한다.“이 값은 단백질의 양이다.”그래서 자연스럽게 이렇게 이어진다.값이 높다 → 단백질이 많다값이 낮다 → 단백질이 적다이 논리는 직관적이고,그래서 더 위험하다.왜냐하면 이 전제는절반만 맞고, 절반은 틀리기 때문이다.그리고 이 차이를 이해하지 못하는 순간,proteomics 해석은 완전히 다른 방향으로 흘러가기 시작한다.1. 우리가 보고 있는 ‘abundance’의 정체proteomics에서 말하는 abundance는실제로 무엇일까?많은 경우 이것은 다음에서 나온다.peptide intensityspectral countreporter ion sig..

— 우리는 단백질을 보고 있는가, 아니면 데이터가 만든 환상을 해석하고 있는가proteomics 데이터를 처음 접했을 때의 기억은대부분 비슷하다.수천 개의 단백질 리스트,정교하게 정리된 정량값,그리고 통계적으로 정리된 결과.모든 것이 완성된 것처럼 보인다.마치 우리가생물학적 시스템을 직접 들여다보고 있는 것처럼 느껴진다.그리고 자연스럽게이런 생각에 도달한다.“이 데이터는 실제 단백질 상태를 반영한다.”하지만 이 문장은proteomics에서 가장 위험한 착각이다.1. proteomics는 ‘전체’를 보여주지 않는다많은 사람들이 proteomics를전체 단백질 분석이라고 생각한다.하지만 실제로는 전혀 다르다.우리가 보는 것은 다음 조건을 만족한 것들뿐이다.추출된 단백질digestion에 성공한 peptide..

— 환자의 상태가 아니라, 샘플의 변화가 결과를 만들고 있을 수도 있다임상 연구에서 metabolomics를 적용하면항상 기대가 크다.질병 특이적 biomarker 발견치료 반응 예측환자 stratification데이터는 화려하다.통계적으로 유의미한 결과도 나온다.그런데 어느 순간이상한 일이 발생한다.다른 병원에서 같은 연구를 했는데결과가 재현되지 않는다.또는같은 cohort에서도batch에 따라 결과가 달라진다.이때 대부분 이렇게 생각한다.환자군 차이인가분석 장비 차이인가하지만 실제 원인은훨씬 더 단순한 곳에 있는 경우가 많다.샘플이 이미 변해버렸기 때문이다.1. 임상 샘플은 ‘통제되지 않는 변수의 집합’이다실험실 샘플과 달리임상 샘플은 완전히 통제할 수 없다.채혈 시간 다름공복 여부 다름약물 복용 상..

— 우리는 보정을 하고 있는 걸까, 아니면 또 다른 편향을 만들고 있는 걸까처음 LC-MS 기반 metabolomics를 시작하면누구나 이렇게 배운다.“internal standard(IS)를 쓰면 정량이 정확해진다.”그래서 자연스럽게 생각한다.IS 넣었으니까 문제 없겠지normalization 했으니까 괜찮겠지하지만 실제 데이터를 다루다 보면이 믿음은 금방 흔들린다.internal standard를 넣었는데도결과가 이상하게 변하는 순간이 온다.batch마다 값이 달라지고특정 metabolite만 튀고biological interpretation이 맞지 않는다그때 비로소 깨닫게 된다.문제는 internal standard의 ‘존재’가 아니라‘선택’이었다는 것.1. internal standard는 만능이..

— 우리는 샘플을 분석하는 것이 아니라, 이미 ‘가공된 결과’를 해석하고 있다처음 metabolomics 실험을 설계할 때많은 사람들이 이렇게 생각한다.“전처리는 그냥 준비 단계 아닌가?”단백질 제거하고추출하고정리해서 LC-MS에 넣는다분석의 핵심은LC-MS라고 믿는다.하지만 몇 번의 프로젝트를 지나고 나면이 생각은 완전히 바뀐다.같은 샘플을 사용했는데전처리 방법만 바꿨을 뿐인데결과가 완전히 달라지는 순간을 경험하기 때문이다.어떤 경우에는결론 자체가 뒤집힌다.그때 깨닫게 된다.문제는 분석이 아니라,이미 전처리에서 시작되었다는 것.1. 전처리는 ‘손실’과 ‘선택’의 과정이다전처리는 단순히 샘플을 정리하는 과정이 아니다.이건 본질적으로 두 가지를 동시에 수행한다.무엇을 남길 것인가무엇을 버릴 것인가즉,전처리..

— 우리는 데이터를 보고 있는가, 아니면 조건이 만든 환상을 보고 있는가metabolomics 데이터를 처음 열어보는 순간,대부분의 사람들은 비슷한 감정을 느낀다.“이 안에 모든 정보가 들어 있다.”수천 개의 peak,정리된 feature table,그리고 통계적으로 정리된 결과들.이 모든 것이샘플의 상태를 그대로 보여주는 것처럼 느껴진다.하지만 이 믿음은생각보다 쉽게 무너진다.왜냐하면 metabolomics에서가장 중요한 구분이 하나 있기 때문이다.“보이는 것”과 “실제로 존재하는 것”은 다르다.그리고 이 차이를 이해하지 못하는 순간,해석은 이미 틀어지기 시작한다.1. LC-MS는 ‘현실’을 보여주지 않는다많은 사람들이 LC-MS 데이터를현실의 반영이라고 생각한다.하지만 실제로 LC-MS는현실을 그대로..

— 우리는 같은 샘플을 분석하고 있는 것이 아닐지도 모른다처음 LC-MS를 다루기 시작했을 때,가장 이해하기 어려웠던 순간이 있다.같은 샘플을 분석했는데결과가 다르게 나오는 순간이다.처음에는 이렇게 생각한다.“장비 상태가 안 좋은가?”“샘플이 변했나?”하지만 시간이 지나면서조금씩 다른 결론에 도달하게 된다.문제는 샘플이 아니라조건이었다.그리고 더 놀라운 사실은 이것이다.LC-MS에서 조건 하나만 바뀌어도우리는 사실상 ‘다른 데이터를 보고 있는 것’과 같다.1. LC-MS는 측정 장비가 아니라 ‘필터’다많은 사람들이 LC-MS를“농도를 측정하는 도구”라고 생각한다.하지만 실제로는 다르다.LC-MS는모든 것을 보여주는 장비가 아니라일부만 선택해서 보여주는 필터다.이 필터는 다음 요소로 구성된다.chromat..

— 우리는 발견하고 있는 것이 아니라, 선택하고 있을지도 모른다untargeted metabolomics를 처음 접했을 때,많은 사람들이 비슷한 감정을 느낀다.“이건 완전히 다른 차원의 데이터다.”수천 개의 feature,예상하지 못한 metabolite,그리고 그 안에서 보이는 패턴들.마치 아무것도 모르는 상태에서새로운 생물학을 발견하는 느낌이다.하지만 이 기대감은생각보다 쉽게 착각으로 바뀐다.그리고 그 착각은 하나의 문장으로 정리할 수 있다.“이 데이터는 샘플의 실제 상태를 그대로 보여준다.”이 문장이야말로untargeted metabolomics에서 가장 위험한 착각이다.1. 우리가 보고 있는 것은 ‘전체’가 아니다untargeted라는 단어는모든 것을 본다는 인상을 준다.하지만 실제로는 전혀 다르..