제약회사 연구원의 블로그

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 ..

1. 왜 proteomics에서 Batch effect는 metabolomics보다 더 심각한가Metabolomics에서도 batch effect는 문제지만, proteomics에서는 다음 이유로 훨씬 증폭됩니다.✔ 단백질은 “측정 대상”이 아니라 “추론 대상”펩타이드 → 단백질 매핑 과정 존재missing peptide → 단백질 정량 왜곡batch별 peptide detection 차이 → 단백질 abundance drift✔ 샘플 준비 과정이 길고 복잡digestion efficiencydesalting recoverylabeling efficiency (TMT 등)✔ 장비 조건의 미세 변화에 매우 민감spray stabilityion transmissioncollision energy drift?..

1. Missing value는 오류가 아니라 데이터의 일부다Proteomics 데이터에서 NA는 다음을 의미할 수 있다:단백질이 실제로 존재하지 않음농도가 검출 한계 이하MS/MS sampling 실패peptide 동정 실패데이터 필터링 기준 미충족👉 즉, missing value는 “0”이 아니라 불확실성의 표현이다.2. Missing value의 세 가지 유형통계적으로 missing value는 세 가지로 분류된다.2.1 MCAR (Missing Completely At Random)특징무작위로 발생abundance와 무관기술적 오류 가능성 높음예파일 손상peak picking 오류소프트웨어 버그👉 가장 드물지만, 발견 시 데이터 품질 점검 필요2.2 MAR (Missing At Random)특..

1. 두 전략의 철학적 차이LFQ: 샘플을 독립적으로 측정각 샘플을 별도로 LC-MS 분석MS1 신호 기반 정량👉 장점: 자연 상태 유지👉 단점: run 간 변동 존재TMT: 샘플을 하나로 합쳐 비교isobaric tag로 샘플 labeling혼합 후 단일 LC-MS runreporter ion 기반 정량👉 장점: run 간 변동 제거👉 단점: ratio compression, 복잡한 전처리2. Workflow 비교LFQ workflow단백질 추출digestionLC-MS 분석 (샘플별)feature alignment정량TMT workflow단백질 추출digestionTMT labeling샘플 혼합LC-MS 분석reporter ion 정량👉 핵심 차이: 혼합 시점3. 재현성 관점 비교 항목LFQ..

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..