제약회사 연구원의 블로그

– discovery 연구와 clinical biomarker 연구는 전혀 다른 문제다 Metabolomics 연구는 지난 10여 년 동안 폭발적으로 증가했다. 특히 LC-MS 기반 untargeted metabolomics 기술이 발전하면서 수천 개의 metabolite feature를 동시에 관찰할 수 있게 되었고, 다양한 질병에서 새로운 biomarker 후보들이 제시되었다.논문만 보면 metabolomics는 이미 precision medicine의 핵심 기술처럼 보인다. 특정 metabolite 패턴을 이용해 질병을 진단하고, 환자를 분류하며, 치료 반응을 예측할 수 있다는 연구 결과들이 매우 많기 때문이다.하지만 현실적으로 보면 상황은 조금 다르다.수많은 metabolomics biomarke..

– 기대와 현실 사이에서 생기는 간극Precision medicine(정밀의학)은 환자 개개인의 유전적 특성, 환경 요인, 생활 습관 등을 종합적으로 고려하여 맞춤형 치료 전략을 설계하려는 접근이다. 이러한 흐름 속에서 metabolomics는 매우 매력적인 기술로 주목받아 왔다.그 이유는 비교적 명확하다. Genome이나 transcriptome은 잠재적인 정보를 담고 있지만, metabolome은 현재의 생리적 상태를 직접적으로 반영하는 분자 수준의 결과물이기 때문이다. 세포 대사의 최종 산물이 바로 metabolite이기 때문에 질병 상태나 약물 반응을 가장 직접적으로 보여주는 층위라고 설명되곤 한다.이러한 논리 때문에 metabolomics는 종종 precision medicine의 핵심 기술처럼..

– p-value가 의미를 보장하지 않는 순간 생명과학 연구에서 통계적 유의성(statistical significance)은 매우 중요한 기준처럼 보인다. 연구 결과를 해석할 때 대부분의 논문은 p-value를 중심으로 결과를 설명한다. p-value가 0.05보다 작으면 의미 있는 결과로 간주되고, 그보다 크면 의미 없는 결과로 간주되는 경우가 많다.그러나 실제 연구 현장, 특히 임상 연구나 omics 연구를 진행하다 보면 통계적으로는 매우 유의하지만 임상적으로는 거의 의미가 없는 결과를 자주 만나게 된다. 논문에서는 강력한 결과처럼 보이지만 실제 환자 진료나 치료 결정에는 아무런 영향을 주지 못하는 경우다.이러한 현상은 통계 분석 자체의 문제가 아니라 통계적 질문과 임상적 질문이 서로 다르기 때문에..

– 왜 다른 병원에서 같은 결과가 재현되지 않을까Metabolomics 연구를 진행하다 보면 한 번쯤 이런 경험을 하게 된다.처음 연구에서는 특정 metabolite가 환자군과 대조군을 매우 잘 구분하는 것처럼 보인다. 통계적으로도 매우 강한 차이를 보이며, PCA나 PLS-DA 같은 multivariate 분석에서도 분명한 separation이 나타난다. 논문으로 정리하면 충분히 설득력이 있어 보인다.하지만 이후 다른 병원에서 환자를 모집하거나, 새로운 코호트를 확보하여 분석을 반복하면 예상치 못한 일이 발생한다. 이전 연구에서 가장 중요한 biomarker처럼 보였던 metabolite가 더 이상 유의하지 않거나, 심지어 변화 방향조차 달라지는 경우가 나타난다.이 현상은 metabolomics 연구에..

– 논문에서는 성공하지만 병원에서는 사라지는 이유 생명과학 연구에서 biomarker 발견은 매우 중요한 목표 중 하나이다. 새로운 biomarker는 질병의 조기 진단, 치료 반응 예측, 환자 분류 등 다양한 임상 의사결정에 활용될 수 있기 때문이다. 실제로 genomics, proteomics, metabolomics 연구에서는 매년 수많은 biomarker 후보가 보고된다.그러나 흥미로운 사실이 하나 있다. 논문에서는 매우 유망해 보이던 biomarker가 실제 임상 검사로 이어지는 경우는 극히 드물다는 점이다.많은 연구에서 다음과 같은 과정을 거친다.discovery cohort에서 유의미한 biomarker 발견논문 발표후속 연구에서 재현 실패임상 적용 단계에서 중단이러한 패턴은 특정 분야에만 ..

– 데이터는 많지만 ‘의미 있는 기준’은 부족한 현실 지난 15년 동안 metabolomics 연구는 폭발적으로 증가했다. 고해상도 LC-MS/MS, Orbitrap, QTOF 같은 장비가 보편화되면서 수백에서 수천 개의 대사체를 동시에 측정하는 것이 가능해졌고, 수많은 논문에서 새로운 metabolite biomarker 후보가 보고되었다.특히 다음과 같은 분야에서 metabolomics 연구는 매우 활발하게 진행되고 있다.암 대사 연구심혈관 질환 biomarker 탐색대사질환 진단약물 반응 예측microbiome–host interaction그러나 이러한 연구 성과에도 불구하고 실제 임상 의사결정(clinical decision making)에 사용되는 metabolomics 기반 검사는 생각보다 많..

– Multi-omics 연구에서 가장 먼저 결정되어야 하는 것최근 생명과학 연구에서 multi-omics 통합 분석은 하나의 표준 전략처럼 자리 잡았다. 유전체(genomics), 전사체(transcriptomics), 단백질체(proteomics), 대사체(metabolomics)를 함께 분석하면 생물학적 시스템을 훨씬 더 깊이 이해할 수 있을 것이라는 기대 때문이다. 실제로 많은 연구 프로젝트는 다음과 같은 구조로 설계된다.RNA-seq 데이터 확보Proteomics 데이터 확보Metabolomics 데이터 확보통합 분석 수행그리고 마지막 단계에서 network 분석이나 pathway 분석을 통해 biological insight를 도출한다. 이러한 연구 설계는 매우 자연스럽게 보인다. 그러나 실제..

– 데이터가 많아질수록 해석이 쉬워질 것이라는 착각최근 생명과학 연구에서 multi-omics는 거의 하나의 표준 전략처럼 받아들여지고 있다. 유전체, 전사체, 단백질체, 대사체 데이터를 함께 분석하면 생물학적 시스템을 훨씬 더 정확하게 이해할 수 있을 것이라는 기대 때문이다. 실제로 많은 연구 설계는 다음과 같은 논리 위에서 출발한다.genomics → 가능한 유전자 변화transcriptomics → 실제 발현 변화proteomics → 기능 단백질 수준metabolomics → 최종 대사 상태이렇게 서로 다른 층위의 정보를 연결하면 질병 메커니즘을 보다 명확하게 설명할 수 있을 것처럼 보인다. 하지만 실제 연구를 진행해 보면 예상과는 다른 현실을 마주하게 되는 경우가 많다. 여러 omics 데이터를..