Targeted Metabolomics 기반 암 예후 예측 바이오마커 검증 전략

암 연구는 지난 수십 년간 분자생물학, 유전체학, 단백체학 등 다양한 오믹스(omics) 접근법을 통해 빠르게 발전해 왔습니다. 특히 최근에는 대사체학(metabolomics)이 주목받고 있는데, 이는 세포 내외에서 실제로 일어나는 화학적 변화와 에너지 흐름을 직접적으로 반영하기 때문입니다. 유전자나 단백질 수준의 변화가 잠재적 가능성을 보여주는 ‘설계도’라면, 대사체는 실제 ‘현장 상황’을 보여주는 지표라 할 수 있습니다.

암 환자의 예후 예측(prognosis prediction) 은 임상에서 가장 중요한 과제 중 하나입니다. 어떤 환자가 치료에 잘 반응할지, 누가 재발 가능성이 높은지, 또는 특정 치료 전략에서 독성이 심할지를 미리 예측할 수 있다면, 불필요한 치료를 줄이고 개인 맞춤형 전략을 제시할 수 있습니다. 이러한 맥락에서 Targeted metabolomics는 특정 대사체 집합을 정밀하게 측정하여 예후 예측 바이오마커로 발전할 수 있는 잠재력을 지니고 있습니다.

이번 글에서는 LC-MS/MS 기반 targeted metabolomics 분석 플랫폼 구축 → 암 환자 시료 분석 → 통계적/모델링 기반 검증 → 임상 적용 및 국내외 사례 비교 순으로 심층적으로 살펴보겠습니다.

---

1. Targeted Metabolomics의 의의

대사체 연구에는 크게 non-targeted metabolomics와 targeted metabolomics가 있습니다.

• Non-targeted metabolomics: 수천 개의 대사체를 동시에 탐색하여 새로운 후보를 발굴하는 탐색적 접근. 그러나 정량 정확도가 낮고 reproducibility 확보가 어려움.
• Targeted metabolomics: 특정 경로(예: glycolysis, TCA cycle, amino acid metabolism 등)의 핵심 대사체를 사전에 정의하고, 고정밀 LC-MS/MS 분석으로 정량 검증. 임상 연구와 바이오마커 validation 단계에 적합.

암 환자의 예후를 예측하는 과정에서 targeted metabolomics는 특히 유용합니다. 왜냐하면 이미 알려진 암 대사 리프로그래밍 경로 (예: Warburg effect, glutamine addiction, lipid metabolism 변화 등)와 연결된 대사체들을 중심으로 정량 검증할 수 있기 때문입니다.

---

2. 암 예후 예측과 대사체 패턴

암 환자의 예후를 결정하는 요인은 다양합니다. 종양의 유전적 변이, 종양 미세환경(TME), 면역세포 반응성, 약물 감수성 등이 복합적으로 작용합니다. 그러나 최근 연구에서는 이 모든 요인이 결국 대사체 수준의 변화로 수렴한다는 사실이 밝혀지고 있습니다.

예를 들어,

• 글리콜리시스 대사체 (lactate, pyruvate, glucose-6-phosphate) → 종양의 증식 속도, 면역 억제 환경과 직결.
• TCA cycle intermediates (succinate, fumarate, citrate) → 종양 억제 유전자 발현 억제(Epigenetic regulation)와 연계.
• 아미노산 대사체 (glutamine, arginine, tryptophan, kynurenine) → T세포 기능 조절 및 항암 면역 반응성 예측.
• 지질 대사체 (lysophosphatidylcholines, sphingolipids) → 전이 및 재발 위험 예측.

따라서 targeted metabolomics는 암 예후 예측에 있어 예측 지표의 생물학적 타당성 + 정량적 신뢰성을 동시에 확보할 수 있습니다.

---

3. LC-MS/MS 기반 Targeted Metabolomics Workflow

암 환자 예후 예측용 대사체 패널을 구축하는 과정은 일반적으로 다음 단계로 진행됩니다.

(1) 바이오마커 후보 선정

• TCGA, METABRIC 같은 대규모 코호트 데이터에서 대사체 관련 유전자 발현과 생존율 연계 분석.
• 기존 non-targeted metabolomics 연구에서 제안된 후보 대사체를 선별.
• 종양 조직 및 혈액/소변/CSF 같은 체액에서 검출 가능한 대사체로 한정.

(2) 시료 매트릭스 선택

• 혈장/혈청: 임상 적용성 높음, 재현성 확보 용이.
• 조직 homogenate: tumor-specific signature 반영.
• 소변: non-invasive, 환자 부담 최소화.

(3) Sample Preparation

• Protein precipitation (methanol, acetonitrile) → 대사체 추출.
• Solid-phase extraction (SPE) → matrix effect 최소화.
• Internal standard (Stable isotope-labeled IS) 적용 → 정량 신뢰성 강화.

(4) LC-MS/MS 분석

• LC 조건: HILIC(극성 대사체) + RP-LC(지질 대사체) 이중 플랫폼.
• MS 조건: MRM (Multiple Reaction Monitoring) 기반 targeted quantification.
• 정량범위 확보: dynamic range 10^3~10^5 수준.

(5) 데이터 처리

• Peak integration & normalization.
• QC sample 기반 batch effect 보정.
• Multivariate statistics (PLS-DA, Random Forest) 활용 예후 예측 모델 구축.

---

4. 통계적 유의성 확보 전략

암 예후 예측 바이오마커로 발전하기 위해서는 단순히 ‘차이가 있다’는 수준을 넘어, 재현성(reproducibility) 과 통계적 유의성(statistical significance) 확보가 필수적입니다.

• Univariate 분석: Kaplan-Meier 생존 분석, Cox proportional hazard 모델을 활용하여 특정 대사체 농도와 환자 생존율 간의 상관성 검증.
• Multivariate 분석: 다변량 회귀모델, LASSO regression 등을 활용하여 독립적인 예측因자 여부 확인.
• Cross-validation: Training set vs validation set 분리 → 모델 과적합 방지.
• Independent cohort validation: 해외/다기관 환자 코호트로 추가 검증.

예를 들어, 특정 아미노산 대사체가 5-year survival rate 와 유의하게 연관된다면, 이를 Cox regression에서 hazard ratio(HR)를 통해 정량화할 수 있습니다. HR > 2.0 이상이면 강력한 예후 예측因자로 간주됩니다.

---

5. PK/PD 모델 및 머신러닝 기반 예후 예측

단순 통계 분석을 넘어, 최근에는 PK/PD 모델링과 머신러닝 기반 예측 모델이 활발히 적용되고 있습니다.

• PK/PD 모델: 항암제 투여 후 대사체 프로필 변화를 시간 축으로 모델링 → 치료 반응 곡선과 연결.
• 머신러닝 모델: Random Forest, XGBoost, Neural Network 활용 → 다중 대사체 신호를 통합한 환자별 예후 점수 산출.
• Integrative omics: Transcriptomics + Metabolomics → 특정 유전자 발현 패턴과 대사체 조합이 예후를 예측하는 다층적 모델 구축.

국내에서도 일부 대학병원에서 머신러닝 기반 metabolomics-driven survival prediction 연구가 진행되고 있으며, 해외에서는 MSKCC (Memorial Sloan Kettering Cancer Center), MD Anderson 등이 활발히 임상 적용 연구를 수행하고 있습니다.

---

6. 국내외 적용 사례

• 해외 사례
  • 일본 연구팀은 간암 환자 혈청에서 BCAA (branched-chain amino acids) 감소 패턴을 활용하여 재발 위험군을 분류.
  • 독일 DKFZ 연구소는 glioblastoma 환자의 tryptophan-kynurenine 대사경로를 기반으로 면역 억제성 종양 환경과 예후를 연계.
  • 미국 연구진은 유방암 환자 혈액에서 phosphatidylcholine 대사체 감소가 5년 생존율 저하와 강력히 연관됨을 보고.
• 국내 사례
  • 서울대병원 연구팀은 **위암 환자 혈청 대사체 패널(serine, glycine, methionine pathway)**을 기반으로 수술 후 재발 예측 모델 개발.
  • 한미약품을 비롯한 국내 제약사에서도 targeted metabolomics를 활용한 항암제 반응성/독성 예측 biomarker discovery 연구를 확장 중.

---

7. 임상 적용과 Drug Repositioning 가능성

Targeted metabolomics 기반 예후 예측 바이오마커는 단순한 ‘예측’ 기능을 넘어 다음 단계로 발전할 수 있습니다.

1. 동반진단(Companion diagnostics)
   특정 대사체 패턴이 특정 항암제의 반응성과 직결된다면, 약물 승인을 위한 Companion diagnostic kit로 발전 가능.
2. Drug repositioning
   예후 예측 대사체 경로에서 새로운 치료 타깃을 발견할 수 있으며, 기존 약물 중 해당 대사 경로를 조절하는 후보를 repositioning 가능.
3. 치료 반응 모니터링
   혈액 내 대사체 패턴 변화를 실시간 모니터링하여 치료 반응을 빠르게 평가.

---

8. 결론

암은 복잡한 질환이며, 환자별 이질성(heterogeneity)이 크기 때문에 단일 바이오마커만으로는 예후를 정확히 예측하기 어렵습니다. 그러나 Targeted metabolomics는 기존의 유전체·단백체 기반 접근을 보완하며, 실제 대사 수준의 변화를 반영하기 때문에 임상 적용성이 높은 예후 예측 바이오마커를 발굴하는 데 강력한 도구가 됩니다.

향후에는 LC-MS/MS 기반 고감도 분석 플랫폼 + 머신러닝 기반 예측 모델 + multi-omics 통합 분석이 결합된 형태로 발전할 것이며, 이를 통해 암 환자 맞춤형 치료와 예후 예측이 한층 정밀해질 것입니다.

 

Targeted Metabolomics 기반 암 예후 예측 바이오마커 검증 전략