LC-MS/MS 기반 cytokine–metabolite 상관분석: 실무 가이드와 사례 중심 해설

 

1. 왜 cytokine–metabolite 상관분석인가?

• 사이토카인은 면역계의 ‘메시지’이고, 대사체는 세포의 ‘상태·연료·스트레스’입니다. 둘을 결합하면 “면역 신호가 어떤 대사 경로를 유도하는지(또는 반대인지)”에 대한 생물학적 인과가설을 만들 수 있습니다.
• 예: 감염·염증 상황에서 IDO1 활성→tryptophan→kynurenine 증가가 IFN-γ와 연동되는지 확인하면 면역억제 메커니즘을 제시할 수 있습니다.

LC-MS/MS 기반 cytokine–metabolite 상관분석: 실무 가이드와 사례 중심 해설

 

---

2. 연구 설계 — 시작 전에 반드시 결정할 것들

1. 질문(가설)을 명확히: 탐색적 네트워크 발굴인지, 특정 경로(예: kynurenine–IL-6) 검증인지.
2. 매트릭스 선택: 혈장(plasma) vs 혈청(serum) vs 조직 vs 세포 배양액. (혈장과 혈청은 cytokine 수준·대사체에 차이 발생 — 일관성 유지)
3. 샘플 타이밍: 면역 반응은 빠르다. 투약 전/투약 후 6h/24h/72h 등 시간 포인트를 미리 정하고 엄격히 준수.
4. 코호트 크기·통계적 파워: 상관분석은 샘플 수에 민감. 최소한 그룹별 n≥20을 권장(탐색적이면 적을 수 있으나 해석 한계 존재).
5. 동일 배치 처리 계획: batching·randomization로 배치효과 최소화.

---

3. 실험적 워크플로우 (권장)

A. 시료 수집과 전처리

• 채혈 전 주의사항: 금식 여부, 약물·스테로이드 투여, 시간대(주기성 호르몬/대사 리듬) 기록.
• 항응고제: EDTA plasma가 cytokine 안정성, 일부 대사체 측정에 유리. Heparin은 LC-MS/MS에 간섭을 일으킬 수 있으니 피하는 편이 좋음.
• 처리 속도: 혈액 채취 후 가능한 빨리(≤30 min) 원심분리·분주·냉동(-80℃). cytokine은 freeze-thaw 민감 → 반복동결금지.
• aliquot: 여러 시험에 대비해 소포량으로 나누기.
• 기록: 채취시간, 처리시간, 보관온도, Freeze-thaw 횟수 필수 기재.

B. Cytokine 측정

• 방법 선택
  • 단일 EliSA: 민감도 우수, 정밀도 높음(특정 사이토카인 검증용).
  • Multiplex bead-based (Luminex, MSD): 다수 사이토카인 동시 측정, 샘플량 절감, 교차반응·선형성 검증 필요.
  • Proteomics (SRM/MRM for peptides): MS로 cytokine 정량 가능 — 항체 기반 문제가 있는 경우 대안. 다만 전처리·trypsin digestion 필요.
• QC: standard curve, QC samples (low/mid/high), inter-assay CV <20% 목표. 생물학적 matrix matched calibrator 권장.

C. Metabolite 측정 (LC-MS/MS)

• 패널 구성: 연구 가설에 따라 targeted panel 선정 (예: glycolysis/TCA, amino acids/tryptophan/kynurenine, bile acids, eicosanoids, SCFAs, acyl-carnitines).
• 시료 전처리: protein precipitation, SPE (lipid/oxylipin), derivatization (SCFA, amines).
• 내부표준: 각 클래스별 SIL-IS(동위원소) 사용. 대사체 정량 신뢰도의 핵심.
• LC 조건: HILIC for polar metabolites, RP for lipids/eicosanoids; ion pairing 신중 사용(기기 오염 주의).
• MS 모드: Triple quad (MRM)로 high throughput 정량; HRMS는 unknown 탐색/구조동정 시 병행.
• Validation: LLOQ, linearity, matrix effect, recovery, stability, ISR 필수 검증.

---

4. 데이터 전처리(필수 단계)

• Cytokine data: blank correction, LOD/LLOQ 처리(BLQ 처리 방식 미리 명시; 예: LLOQ/2 또는 censored model).
• Metabolite data: internal standard 보정, matrix effect 보정, batch normalization (pooled QC 기반 LOESS/ComBat 등).
• 정규화: 농도 단위를 통일(예: ng/mL, µM). 로그 변환(log2 또는 ln)으로 분포 정규화 권장.
• 결측치 처리: BLQ와 missing은 구분. BLQ는 통계적 모델에 맞추어 처리(예: Tobit 모델). 완전무작위 결측(MCAR)이 아니면 주의.

---

5. 통계 및 상관분석 전략

5-1. 단변량 상관분석

• Spearman rank (비정규 분포에 강건), Pearson (정규 가정 시).
• 부분상관(Partial correlation): 환자 연령/성별/BMI/투약농도 등 공변량을 통제.
• 다중비교: 많은 metabolite × cytokine 조합 → FDR(BH) 혹은 Bonferroni 보정 사용. 보고 시 ‘보정 후 유의’ 항목을 구분.

5-2. 다변량·네트워크 분석

• PCA/PLS-DA: 그룹간 전반적 차이 파악(탐색 목적).
• sPLS (sparse PLS) 또는 CCA (canonical correlation analysis): 두 데이터 세트(cytokine matrix vs metabolite matrix) 간의 공동 패턴 탐색.
• WGCNA: metabolite 모듈을 군집화하고 이와 cytokine 모듈을 연동.
• Graph/network: 상관강도(엣지 가중치)로 bipartite network 구성 — hub metabolite 또는 hub cytokine 탐색.

5-3. 인과성 추론(주의)

• 상관 ≠ 인과. 시간순(series) 설계(시계열 샘플링) 또는 개입(예: cytokine 차단제 사용 전후 대사체 변화)으로 인과 가능성 강화. Mendelian randomization 같은 유전적 접근도 보조 수단.

---

6. 시각화 — 빠르고 설득력 있게

• Heatmap: cytokine rows × metabolite cols, hierarchical clustering, 보정된 p-value 표시.
• Network plot: Cytoscape 또는 igraph — 노드 크기(중요도), 엣지 색(양/음 상관), 엣지 두께(강도).
• Scatter plots: 개별 쌍(예: IL-6 vs kynurenine), 회귀선 및 confounder 조정 선 그리기.
• Circos: 복잡한 many-to-many 관계 시 직관적 표현.
• Time-series plots: 시계열 데이터가 있다면 cytokine과 metabolite 변화의 시간차(lead/lag)를 표현.

---

7. 실제 사례(문헌·실무에서 자주 관찰되는 패턴)

아래 사례는 일반적으로 보고된 경향을 바탕으로 한 해석 예시입니다. 개별 연구마다 차이가 큽니다.

A. 감염·염증(예: 중증 감염, COVID-19)

• 관찰: IL-6·IL-8 상승과 함께 lactate·kynurenine·acyl-carnitine(특히 long-chain) 상승.
• 해석: 고염증 상태에서 glycolysis activation (Warburg-like)과 미토콘드리아 스트레스가 동반되며, 트립토판 분해(IDO 활성)로 kynurenine 축적. acyl-carnitine 축적은 β-oxidation 장애/mitochondrial dysfunction을 시사.

B. 종양면역(ICI 반응성 연구)

• 관찰: IFN-γ↑ 환자에서 tryptophan↓, kynurenine↑ (IDO pathway activation). 일부 반응자에서는 kynurenine/tryptophan 비율이 치료 반응 예측 지표로 제시.
• 해석: IFN 계열이 IDO1 발현을 유도 → 면역억제 대사로 전환(피드백 억제).

C. 대사증후군/비만 관련 저등급 염증

• 관찰: TNF-α, IL-1β와의 상관으로 certain bile acids나 branched-chain amino acids(BCAA) 상승.
• 해석: 염증과 대사체(특히 lipid metabolism) 사이의 상호작용.

D. 약물 유발 독성 (예: 항암제-유발 DILI)

• 관찰: IL-6/IL-22 상승 시 담즙산(bile acids) 패턴 변화와 연관.
• 해석: 염증성 신호가 간 담즙대사 및 transporter 발현에 영향.

---

8. 실무 팁 — 흔한 함정과 해결책

1. 샘플 동질성 문제: 혈장을 EDTA로 모았는데 어떤 샘플은 heparin·어떤 샘플은 serum이면 안 됨 — 같은 매트릭스 사용.
2. BLQ 처리의 일관성 결여: cytokine은 종종 LOD/LOQ 근처 값이 많다. BLQ 처리 방식을 미리 정하고 보고에 표기.
3. batch effect 무시: LC-MS/MS는 시간차 drift, column 상태 영향 크다 → pooled QC 주입(예: every 8–10 runs)으로 보정.
4. 상관 과대해석: 세포 수·체중·연령·투여약 등 confounder를 부분상관으로 통제.
5. matrix effect: 특이히 lipid/oxylipin 분석시 ion suppression 주의 — matrix-matched calibration 권장.
6. 검증 코호트 필수: 발견(cohort A) → 검증(cohort B) 순서로 진행.

---

9. QC 체크리스트 (실무용)

• 시료: 채취시간·처리시간 기록, freeze-thaw 횟수 0~1로 유지.
• Cytokine assay: standard curve R²>0.99, intra/inter CV <15–20%.
• Metabolite LC-MS/MS: LLOQ·ULOQ, linearity, ISR>85% 일치, recovery 70–120%.
• Data QC: pooled QC RSD <20% (대부분 analytes), blank check, carry-over <0.5% of LOQ.

---

10. 보고·논문 작성 시 권장 항목

• 시료 채취·처리 SOP(세부조건) 명시
• 분석법 밸리데이션 요약(특히 LLOQ/BLQ 처리, ISR 결과)
• 통계 방법(다중비교 보정 방법) 명시
• 발견 vs 검증 코호트 구분 및 결과 재현성 보고
• 네트워크·인과성 해석에서의 한계 명확화

---

11. 예시 워크플로우: 가상의 연구 시나리오(요약)

목표: ICI 치료 전후 cytokine–metabolite 관계로 치료 반응 예측자 탐색

1. 환자 80예(반응자 40, 비반응자 40) — blood sampling: baseline, day7, day28
2. Plasma: Luminex 30-plex cytokine panel; LC-MS/MS targeted panel(tryptophan/kynurenine, lactate, TCA intermediates, acyl-carnitines, bile acids)
3. 전처리: IS 보정, pooled QC every 10 runs, blank runs
4. 통계: Spearman partial corr (age/sex/BMI/albumin 보정) → FDR q<0.05 중요 조합 선정
5. 다변량: sPLS for multi-omics integration → candidate signatures (e.g., IFN-γ↑ + kynurenine↑ + acyl-carnitine↑)
6. 검증: 독립 코호트(n=40)에서 동일 분석 수행 → prognostic value 확인(Cox model for PFS)

---

12. 확장: multi-omics 통합과 인과성 규명

• 전사체(전자현미경?)/proteomics 포함: cytokine 발현의 근원(세포 유래) 및 downstream enzyme(예: IDO1) 발현 확인.
• 시계열·개입 연구: cytokine 차단제 투여(anti-IL-6) 전후 대사체 변화를 보면 인과성 단서 확보 가능.
• 단일세포 레벨(scRNA-seq + single-cell metabolomics): 세포별 cytokine 생산 능력과 대사 상태 연결.

---

13. 결론 — 어떻게 시작할 것인가

1. 명확한 가설로 시작: 탐색형이면 panel을 넓게, 검증형이면 targeted로.
2. 샘플·분석 일관성을 최우선으로: 매트릭스·처리 SOP 고정.
3. 내부표준·QC에 투자: 데이터 신뢰성은 결국 QC에서 결정.
4. 통계·시각화 계획 사전수립: 다중검정·confounder 통제 방법을 분석계획서에 기재.
5. 검증 코호트 준비: 발견결과를 독립 샘플로 재현해야 논문·임상적 가치가 생긴다.