비임상 독성 모델에서의 Metabolomics 기반 Early Toxicity Signal 탐지

— LC-MS/MS와 Systems Toxicology 융합 전략

비임상 독성 모델에서의 Metabolomics 기반 Early Toxicity Signal 탐지

 

---

1. 서론: 비임상 독성 평가의 한계와 Metabolomics의 필요성

신약 개발 과정에서 독성 평가(toxicology study)는 필수적 단계이며, 전임상 동물 모델을 통해 안전성을 확보한 후에야 임상으로 진입할 수 있다. 하지만 기존의 독성 시험은 병리학적 변화(histopathology), 혈액생화학(biochemistry), 조직학적 검사에 크게 의존하고 있어, 독성 발현이 상당히 진행된 이후에야 확인 가능한 경우가 많다.

따라서 독성이 발현되기 전, 즉 early toxicity signal을 포착할 수 있는 분석 플랫폼이 필요하며, 최근 LC-MS/MS 기반 metabolomics가 주목받고 있다. 대사체는 세포 수준에서 빠르게 반응하는 분자 그룹으로, 독성 반응이 분자 수준에서 시작될 때 가장 먼저 변화를 나타낸다. 특히 rat, monkey와 같은 비임상 모델에서 serum, urine, tissue metabolomics를 통해 전통적 독성 지표보다 훨씬 빠른 biomarker를 확보할 수 있다.

---

2. Early Toxicity Signal 탐지의 패러다임 전환

(1) 기존 독성 평가 vs metabolomics 기반 접근

 

구분	전통적 독성평가	Metabolomics 기반 독성평가
주요 지표	조직병리학, 혈액학, 임상화학	혈액/뇨/조직 대사체 패턴
검출 시점	독성 발현 후 (late stage)	독성 발현 전 (early stage)
민감도	중간	매우 높음
기전 규명	제한적	기전적 insight 제공 (pathway mapping 가능)

(2) Early toxicity signal로 탐지 가능한 변화

• 간 독성(hepatotoxicity) → bile acid, acylcarnitine, glutathione pathway 변화
• 신장 독성(nephrotoxicity) → amino acid imbalance, creatine, TCA cycle intermediate 변화
• 심장 독성(cardiotoxicity) → energy metabolism (ATP, lactate), lipid remodeling

---

3. LC-MS/MS 기반 Metabolomics Workflow

비임상 모델에서 독성 탐지를 위한 metabolomics 접근은 크게 시료 준비 → 분석 플랫폼 → 데이터 처리 → biomarker 검증 과정으로 진행된다.

(1) 시료 준비 (Sample Preparation)

• Serum/Plasma: 단백질 침전 후 polar/non-polar metabolite 분리
• Urine: 전처리 최소화, direct injection 가능
• Tissue (간, 신장, 심장): homogenization + methanol extraction
• Rat vs Monkey 모델 비교: Rat은 고용량 독성 반응 확인, Monkey는 사람과 유사한 PK/PD 반영

(2) 분석 플랫폼 (LC-MS/MS)

• Targeted metabolomics: bile acid, amino acid, acylcarnitine, organic acids panel
• Untargeted metabolomics: Q-TOF, Orbitrap 기반 → unknown metabolite 탐지
• Fragmentation 분석 (MS/MS, MSn): biomarker candidate의 구조 확인

(3) 데이터 분석 (Bioinformatics)

• Multivariate analysis: PCA, PLS-DA로 독성 그룹 vs control 분리
• Pathway enrichment: KEGG, Reactome 기반 대사 경로 매핑
• Machine learning: Random Forest, SVM으로 early biomarker signature 추출

---

4. 사례 연구 (Case Studies)

(1) Rat 모델에서의 간 독성 (Hepatotoxicity)

• Acetaminophen 과량 투여 모델에서 glutathione 고갈, cysteine 감소, bile acid 증가가 조직학적 간 손상 전에 serum에서 확인됨.
• LC-MS/MS 기반 targeted metabolomics로 10여 종의 bile acid profile 변화가 독성 onset 12시간 전에 탐지됨.

(2) Monkey 모델에서의 신장 독성 (Nephrotoxicity)

• Cisplatin 투여 모델에서 serum creatinine 상승 전에 tryptophan catabolism, kynurenine pathway 변화가 urine metabolomics에서 조기 발견됨.
• LC-MS/MS와 high-resolution MS를 병행하여 novel metabolite candidate를 동정.

(3) Cardiotoxicity (심장 독성)

• Doxorubicin 투여 rat 모델에서 acylcarnitine profile 변화, lactate 상승이 cardiac histology 손상 전에 발생.
• Energy metabolism imbalance가 early toxicity marker로 제시됨.

---

5. Advanced Fragmentation 기반 Biomarker 선정

Early toxicity biomarker는 단순 정량 이상의 신뢰성이 요구되며, 이를 위해 고급 fragmentation 분석이 필수적이다.

• MS/MS fragmentation: metabolite-specific ion pattern 확보
• MSn (multi-stage fragmentation): 구조적 이성질체 구분
• Stable isotope labeling: 대사 경로 추적, turnover rate 계산

예: Rat 간 독성 모델에서 bile acid isomer (tauro- vs glyco-conjugated forms)를 MS/MS fragmentation으로 구분하여 특정 isomer만 early biomarker로 제시.

 

---

6. Translational Toxicology: 비임상-임상 연계

비임상 모델에서 확보한 metabolomics 기반 biomarker는 임상 환자 독성 모니터링으로 확장 가능하다.

• Rat/Monkey 모델에서 발견된 metabolite signature → 환자 blood/urine sample cross-validation
• Multi-omics integration (proteomics, transcriptomics) → toxicity mechanism 규명
• PK/PD 모델과 통합 → 개인별 독성 민감도 예측 (precision toxicology)

---

7. 향후 전망

• Regulatory toxicology: FDA, EMA에서도 metabolomics 데이터를 독성 평가 보조 지표로 인정하는 움직임
• AI 기반 분석: multi-omics + ML 융합으로 독성 예측 정확도 향상
• Organoid/organ-on-chip 모델 적용: 동물 모델 한계를 넘어선 human-relevant toxicity signal 탐지

---

8. 결론

Metabolomics는 비임상 독성 모델에서 기존보다 훨씬 앞선 시점에서 독성 신호를 포착할 수 있는 강력한 도구이다. LC-MS/MS 기반 분석과 advanced fragmentation 기법을 통해 early toxicity biomarker를 선별할 수 있으며, rat/monkey serum, urine metabolomics를 활용한 사례는 이미 여러 연구에서 검증되고 있다.

특히 이 접근법은 단순 조기 독성 탐지를 넘어서, 독성 기전 규명, 임상 환자 독성 예측, precision toxicology로 이어질 수 있다는 점에서 신약 개발 과정의 패러다임을 바꾸고 있다.