Toxicometabolomics 기반 독성 예측 플랫폼의 개발 방향

— 제약사의 분석팀이 준비해야 할 실무 전략과 글로벌 동향

독성 예측이라는 주제는 의약품 개발의 전 단계에 걸쳐 가장 오랫동안 제약사를 괴롭혀 온 문제다. 워낙 다양한 메커니즘이 존재하고, 초기 비임상 단계에서는 실제 임상에서 나타날 독성을 완벽히 재현하기 어렵다 보니, 여전히 많은 개발 프로그램이 독성 신호 때문에 중단된다. 그래서 최근 10년 사이, 단순히 조직 슬라이드나 혈액학·혈액화학 수치를 보는 수준을 넘어 Metabolomics 기반의 독성 예측 접근법, 즉 Toxicometabolomics가 빠르게 확산되고 있다.

이는 단순히 대사체 분석을 독성 평가에 적용하는 수준을 넘어서, LC-MS 기반 대사체 정보 → 생물학적 pathway → 독성 phenotype 예측 모델로 이어지는 하나의 플랫폼 구성을 의미한다. 특히 국내 제약사에서도 최근 HRMS나 multi-omics 분석 장비 투자, 전처리 자동화, AI 기반 예측 모델 개발 등의 움직임이 늘면서 Toxicometabolomics 플랫폼에 대한 관심이 커지고 있다.

아래 글은 제약 분석팀 실무자 입장에서, Toxicometabolomics 플랫폼을 어떻게 구축해야 하는지, 어떤 분석 workflow가 필요한지, 어떤 통계 기반 접근이 실제 독성 예측을 가능하게 하는지를 상세히 정리한 내용이다.

1. Toxicometabolomics란 무엇인가?

대사체 분석(metabolomics)은 세포나 조직이 외부 자극에 반응해 만들어내는 대사 반응의 변화를 포착한다. 독성 반응은 대부분 대사 흐름의 교란에서 시작되기 때문에, 독성을 가장 빠르게 탐지할 수 있는 지표 역시 대사체 수준에서 나타난다.

📌 Toxicometabolomics의 정의

• 독성 기전에 의해 변화하는 대사체 signature를 분석하고
• 이를 통해 독성 발생 가능성을 예측하며
• 특정 독성 phenotype(간독성, 신독성, 심장독성 등)을
  조기에 감지하거나 기전을 설명하는 데 사용하는 분석 접근법

📌 왜 중요해졌을까?

• 전통적인 독성 평가는 시점이 늦고 민감도가 낮다.
• 단백질·유전자 수준의 변화보다 대사체 변화가 더 빠르게 나타난다.
• HRMS 기반 분석 기술의 발전으로 수천 개 대사체의 정량/정성 분석이 가능해졌다.
• 머신러닝 기반 예측 모델로 비임상 독성 → 임상 독성 간 bridging이 강화됨.

2. Toxicometabolomics 플랫폼의 구성 요소

플랫폼은 단순히 장비나 분석 방법만 의미하는 것이 아니다. 전체 workflow가 표준화되어 있어야 한다.

🔧 핵심 구성

1. 비임상 시료 매트릭스 확보 전략
2. Sample prep & extraction method 표준화
3. Targeted + Untargeted LC-MS/MS 전략 통합
4. HRMS 기반 MS/MS spectral library 구축
5. 통계 분석 및 머신러닝 기반 예측 모델
6. 독성 phenotype과의 생물학적 연결 (pathway 분석)
7. multi-omics integration 기반 독성 기전 해석
8. QA/QC·validation·reproducibility 보증 체계

국내 제약사는 이러한 전 과정을 독립적으로 구축하기보다는, LC-MS 분석팀 + 독성팀 + 데이터 과학팀이 협업하는 형태로 운영하는 것이 훨씬 효율적이다.

3. 비임상 독성 모델과 매트릭스 설계 전략

3.1 Rodent vs Non-rodent 매트릭스 선택

가장 일반적으로 사용되는 매트릭스는 다음과 같다.

• Rat: 혈장, 간, 신장 조직 homogenate
• Monkey: 혈장, 소변, sometimes bile
• In vitro: HepaRG, primary hepatocytes, kidney proximal tubule model 등

특히 간독성의 경우 rat과 monkey에서 서로 다른 대사 경로를 보이며, 비임상-임상 간 독성 예측률 개선을 위해 multi-matrix가 필요하다.

3.2 Time-course 기반 독성 변화 감지

독성 대사체는 대개 다음 시점에서 변화한다.

• 1차: 0.5~2시간 내 early signal
• 2차: 6~24시간 내 mitochondrial dysfunction·oxidative stress 반영
• 3차: 24~72시간 내 조직 손상 signal (ALT/AST 상승 이전)

Analysis 팀은 조기 time-point 중심으로 high-resolution metabolomics를 적용해야 한다. 특히 early time point는 독성 phenotype이 아직 표면화되기 전에 대사체 반응이 나타나므로, 예측 모델 구축 시 매우 중요한 data set이다.

4. LC-MS 기반 Toxicometabolomics 분석 전략

4.1 Untargeted LC-HRMS 기반 전체 대사체 프로파일링

Untargeted 분석은 unknown metabolite나 pathway 변화를 발견하는 데 필수적이다.

핵심 요소

• HRMS (Orbitrap/Q-TOF 기반)
• widely targeted acquisition (DIA: SWATH, All-ion fragmentation)
• reproducibility 확보를 위한 long-term QC ← 매우 중요
• 수천 개 feature의 peak detection + alignment + normalization

Untargeted의 한계는 정확한 정량이 어렵고, batch effect에 취약하다는 점이다. 따라서 분석팀은 long-term QC(RT drift, intensity drift 보정), pooled QC, Blank QC를 반드시 포함해야 한다.

4.2 Targeted LC-MS/MS (Triple Quad) 기반 확인·정량 분석

독성 biomarker 후보는 Untargeted 분석만으로는 충분하지 않다.
Triple Quad 기반 정량이 필요한 이유는 다음과 같다.

• 낮은 CV 확보 (5~10% 수준)
• absolute quantification 가능
• 독성 threshold 설정 가능
• GLP 수준의 재현성·신뢰성 확보

Targeted 분석에서는 다음 계열의 대사체가 자주 활용된다.

• 미토콘드리아 기능 지표: acylcarnitines, TCA cycle metabolites
• 산화 스트레스: GSH/GSSG ratio, ROS-related metabolites
• 간독성 지표: bile acids profile, bilirubin derivatives
• 신독성 지표: creatinine, hippurate, polyamines

5. 독성 예측을 위한 통계 모델링 Workflow

Toxicometabolomics의 핵심은 “많은 peak”가 아니라 “독성을 예측하는 signature”다.

5.1 1단계: Feature selection

• Univariate 통계 (ANOVA, t-test)
• Multivariate 통계 (PLS-DA, PCA, OPLS-DA)
• Volcano plot 기반 differentiation
• VIP score 기반 주요 feature 추출

다만 PLS-DA는 overfitting 위험이 높기 때문에 validation(N-fold CV)이 필수다.

5.2 2단계: Biological pathway 분석

• KEGG
• MetaboAnalyst
• Reactome
• Mitochondria-related pathway enrichment

독성 기전을 알기 위해서는 feature-level이 아니라 pathway-level 변화로 확장해야 한다.

5.3 3단계: 머신러닝 기반 독성 예측 모델

자주 사용되는 알고리즘은 다음과 같다.

• Random Forest (가장 robust)
• XGBoost
• SVM
• Elastic Net
• Deep Learning (autoencoder 기반 feature extraction)

→ Early time-point metabolite panel만으로 high-confidence 독성 예측 모델을 만들 수 있다.

특히 최근 연구들에서는 독성 유형별로 signature가 상당히 보존되는 경향이 있다는 점이 밝혀지면서, cross-study validation도 가능해진 상황이다.

6. Toxicometabolomics 플랫폼 구축 시 제약사가 고려해야 할 문제들

6.1 Batch effect: 재현성의 가장 큰 적

Metabolomics 분석은 matrix effect, batch effect의 영향을 크게 받는다.

해결책

• QC-based signal correction
• LOESS normalization
• internal standard mixture 구성
• long-term stability batch 운영

6.2 HRMS의 장비 편차 문제

Orbitrap 또는 Q-TOF 장비는 batch 간 drift가 크기 때문에 calibration과 QC injection interval을 최적화해야 한다.

6.3 Database 부족·annotation 문제

대부분의 독성 관련 unknown metabolite는 기존 DB에 없다.

해결책

• In-house MS/MS library 구축
• in silico fragmentation (CFM-ID, MS-FINDER)
• retention time prediction model 활용
• precursor → product ion 관계 기반 분류

국내 제약사는 library 구축에 가장 취약하기 때문에, 장기적으로는 기업 내부 metabolite library 구축 전략이 반드시 필요하다.

7. Application: 독성 유형별 Toxicometabolomics 접근

7.1 간독성 (DILI)

관찰되는 대사 변화:

• bile acid 증가
• acylcarnitine 증가
• oxidative stress 관련 metabolite 증가
• GSH depletion

DILI의 경우 초기에 bile acid signature만으로 예측 가능하다는 연구가 있고, mitochondrial toxicity signature와 상당히 overlap된다.

7.2 신독성

키 포인트:

• polyamine pathway
• creatinine metabolites
• kynurenine pathway
• oxidative stress

특히 proximal tubule damage는 early metabolite 변화가 비교적 뚜렷하게 나타나는 편이다.

7.3 심독성

심장 독성은 다른 toxicity보다 metabolomics data 확보가 어렵지만, 다음 요소가 주요 indicator다.

• energy metabolism 교란
• mitochondrial FAO 장애
• lactate 증가
• ROS-related metabolite 변화

 

8. Multi-omics 기반 독성 예측 플랫폼의 확장 가능성

독성 신호는 단일 layer로 설명하기 어렵다. Toxicometabolomics가 더 큰 힘을 갖기 위해서는 다음 두 가지가 함께 통합되어야 한다.

1. transcriptomics (RNA-seq) 기반 pathway 변화
2. proteomics 기반 enzyme 수준 변화

그리고 metabolomics와 통합할 때는 다음을 활용할 수 있다.

• Network-based integration
• Multi-block PLS model
• Bayesian network
• Graph machine learning

이렇게 되면 특정 compound의 독성 가능성을 직접 예측하는 것뿐 아니라,
새로운 독성 기전(Mechanism of Toxicity)을 발굴하는 연구에도 활용할 수 있다.

9. 국내 제약사 R&D 관점 — Toxicometabolomics의 도입 전략

9.1 초기 파일럿 단계

• HRMS 기반 Untargeted pilot study
• 2~3가지 독성 유형 중심 panel 구축
• rat+monkey+in vitro dataset 확보
• metabolomics QC rule set 정립

9.2 플랫폼 고도화 단계

• targeted panel 구축 (Triple Quad 기반)
• 표준화된 sample prep & QC SOP 확립
• pathway 기반 독성 panel 개발
• ML 모델 구축 및 cross-validation

9.3 기업 내부 Toxicometabolomics library 구축

• in-house MS/MS annotation
• HRMS accurate mass 및 RT 기반 feature repository 구축
• 독성 결과(LDH/ALT/AST, histopathology 등)와 연결된 knowledge base 구축

9.4 장기적으로는 디지털 독성 예측 플랫폼 구축

• in vivo 실험 감소
• early PK/PD + Toxicometabolomics 기반 신속 의사결정
• TPP(Target Product Profile) 단계에서 독성 예측 가능하게 됨

10. Toxicometabolomics 플랫폼 구축을 위한 분석팀 체크리스트

아래는 실무자가 보기 좋도록 정리한 체크리스트다.

분석 준비 단계

• HRMS 장비 캘리브레이션 및 mass accuracy 확인
• long-term QC batch 설계
• pooled QC 구성
• blank·solvent QC 구성
• internal standard mixture 구성

Sample prep 단계

• 단백질 침전, SPE, LLE 중 matrix에 따른 최적화
• autosampler stability 검증
• freeze-thaw stability 검증
• extraction recovery 측정

LC-MS 분석 단계

• gradient 재현성 확인
• retention time drift 모니터링
• MS/MS fragmentation coverage 확보
• mass calibration drift 체크

Data processing 단계

• peak picking parameter 고정
• alignment 알고리즘의 batch effect 보정 확인
• missing value 처리 정책
• normalization 방식 정립
• feature filtering 정책 (RSD, detection rate 등)

통계·ML 단계

• overfitting 방지
• 독성 phenotype label의 quality 검증
• cross-study validation
• feature importance·pathway biological relevance 검증
• reproducibility verification dataset 확보

11. 결론 — Toxicometabolomics는 제약사 독성 평가의 패러다임을 바꿀 것인가?

결론부터 이야기하면 그렇다.
Toxicometabolomics는 기존 독성 평가가 가지지 못했던 세 가지 장점을 제공한다.

1. 독성 조기 탐지
2. 정량적 예측 모델 구축 가능
3. 기전 중심의 독성 이해 가능

특히 LC-MS/MS 기반 분석 역량이 강한 국내 제약사는 Toxicometabolomics를 독성 평가 프로세스에 가장 빠르게 도입할 수 있는 환경을 가지고 있다. 앞으로는 단순히 “대사체 분석 기술을 보유하고 있다”는 수준이 아니라,
대사체 변화 → pathway 변화 → 독성 phenotype → ML 기반 예측 모델
로 이어지는 end-to-end 플랫폼 역량을 확보하는 기업이 개발 경쟁력을 갖게 될 것이다.

 

Toxicometabolomics 기반 독성 예측 플랫폼의 개발 방향