제약회사 연구원의 블로그

– 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..

– 데이터 해석 도구가 결론처럼 보이기 시작할 때Omics 연구를 진행하다 보면 거의 모든 분석의 마지막 단계에서 등장하는 그림이 있다. 바로 pathway enrichment 결과이다.Transcriptomics, proteomics, metabolomics, 심지어 multi-omics 연구에서도 분석이 끝나면 흔히 다음과 같은 결과가 등장한다.Glycolysis pathway enrichmentTCA cycle alterationAmino acid metabolism dysregulationLipid metabolism pathway activation그리고 많은 논문에서 이러한 결과는 다음과 같은 문장으로 이어진다.“본 연구 결과는 해당 질병에서 glycolysis pathway가 활성화되어 있음..

– 단백질 abundance와 대사 상태가 다른 방향을 가리킬 때 Multi-omics 연구를 진행하다 보면 자주 등장하는 상황이 있다. Proteomics 데이터와 metabolomics 데이터가 서로 다른 방향의 결과를 보여주는 경우이다.예를 들어 proteomics 분석에서는 특정 metabolic enzyme의 abundance가 증가한 것으로 나타났는데, metabolomics 데이터에서는 해당 pathway의 metabolite 농도가 거의 변하지 않거나 오히려 감소하는 경우가 나타날 수 있다. 반대로 metabolite 변화는 크게 나타나지만 관련 enzyme 단백질 수준에서는 뚜렷한 변화가 보이지 않는 경우도 있다.이러한 상황을 처음 접하면 연구자는 자연스럽게 데이터의 신뢰성부터 의심하게 ..

– 서로 다른 생물학적 층위가 다른 이야기를 할 때 Multi-omics 연구를 진행하다 보면 연구자들이 가장 당황하는 순간 중 하나가 있다. Transcriptomics 결과와 metabolomics 결과가 서로 다른 방향을 가리키는 상황이다.예를 들어 RNA-seq 분석에서는 특정 metabolic pathway 관련 유전자들이 강하게 up-regulated 되어 있는데, metabolomics 데이터에서는 해당 pathway의 metabolite 농도가 거의 변하지 않거나 오히려 감소하는 경우가 나타날 수 있다. 연구자는 자연스럽게 다음과 같은 질문을 던지게 된다.“둘 중 어느 데이터가 맞는 것일까?”하지만 실제 생물학에서는 이 질문 자체가 조금 잘못된 경우가 많다. transcriptomics와 ..

– 데이터가 많아질수록 오히려 결과가 흔들리는 이유최근 생명과학 연구에서 가장 많이 등장하는 단어 중 하나가 multi-omics이다.유전체, 전사체, 단백질체, 대사체 데이터를 함께 분석하면 생물학적 시스템을 더 정확하게 이해할 수 있을 것이라는 기대가 자연스럽게 따라온다. 실제로 많은 연구에서는 다음과 같은 구도를 제시한다.Genomics → 가능성(가능한 유전자 변이)Transcriptomics → 발현 변화Proteomics → 실제 단백질 수준Metabolomics → 최종 대사 상태이 네 가지 층위를 연결하면 질병의 메커니즘을 훨씬 명확하게 설명할 수 있을 것처럼 보인다. 그래서 multi-omics 통합 분석은 종종 “systems biology의 완성 단계”처럼 이야기되기도 한다.하지만 실..

– LC-MS 기반 metabolomics 해석에서 가장 자주 발생하는 오해LC-MS 기반 metabolomics 데이터를 처음 분석하는 연구자들이 가장 자주 하는 질문 중 하나는 이것이다.“같은 m/z라면 같은 metabolite 아닌가요?”표면적으로 보면 이 질문은 매우 합리적으로 보인다. 질량분석기에서 측정되는 값은 mass-to-charge ratio(m/z)이기 때문에, 동일한 m/z가 검출된다면 동일한 분자를 의미할 것처럼 보이기 때문이다. 실제로 metabolomics 데이터 처리 과정에서도 feature는 보통 m/z와 retention time 조합으로 정의된다.하지만 실제 LC-MS 데이터 해석에서는 동일한 m/z 값이 완전히 다른 생물학적 의미를 가진 신호일 수 있다. 심지어 같은 샘..