Microbiome–Metabolite Interaction 분석 workflow

― 장내 미생물과 대사체 데이터를 연결해 약물 반응과 독성까지 해석하는 실전 전략

최근 제약·바이오 연구에서 “마이크로바이옴(microbiome)”은 더 이상 유행어가 아니다. 실제로 임상 시험에서 동일한 약물을 투여했음에도 환자 간 반응 차이가 발생하는 이유 중 상당 부분이 장내 미생물과 대사체(metabolite)의 상호작용으로 설명되고 있다.

Microbiome 자체만 분석해서는 충분하지 않고, metabolomics만으로도 기전을 설명하기 어렵다. 그래서 최근 주목받는 접근이 바로 Microbiome–metabolite interaction 분석, 즉 미생물 구성 변화 → 대사체 변화 → 약물 효능·독성·PK 변화를 하나의 workflow로 해석하는 전략이다.

이 글에서는 분석팀 실무자가 실제로 적용할 수 있도록,
샘플 설계 → LC-MS 기반 대사체 분석 → 마이크로바이옴 데이터 → 통합 통계 → 해석까지 전 과정을 단계별로 정리한다.

1. 왜 Microbiome–Metabolite interaction 분석이 중요한가

1.1 약물 반응의 개인차 문제

• 동일 용량 투여에도 노출량(PK), 효능(PD), 독성이 다르게 나타남
• Host genetics만으로 설명되지 않는 변동성 존재
• 장내 미생물은
  • 약물을 직접 대사하거나
  • 약물 흡수·담즙산·면역 반응을 간접 조절

1.2 미생물 자체보다 ‘기능’을 봐야 하는 이유

16S rRNA 분석으로는 “누가 있는지”만 알 수 있다.
하지만 약물 반응에 직접 영향을 주는 것은 대부분 미생물이 만들어내는 대사체다.

대표적 예:

• SCFA (acetate, propionate, butyrate)
• Secondary bile acids
• Indole derivatives (tryptophan metabolism)
• Phenylalanine/tyrosine derived metabolites
• Drug-derived microbial metabolites

→ 결국 microbiome + metabolomics 통합 분석이 필요하다.

2. 전체 분석 workflow 개요

Microbiome–metabolite interaction 분석은 다음 6단계로 정리할 수 있다.

1. 연구 질문 정의 & 실험 설계
2. 샘플 수집 및 보관 표준화
3. Metabolomics 분석 (LC-MS/MS 중심)
4. Microbiome 데이터 생산 (16S / shotgun)
5. 통합 통계 분석 (correlation → network → prediction)
6. 약물 반응·독성·기전 해석

각 단계에서 분석팀이 놓치기 쉬운 포인트를 중심으로 설명한다.

3. 연구 설계 단계: 가장 중요한 출발점

3.1 명확한 질문 설정

좋은 workflow는 질문이 명확하다.

예시:

• “이 약물의 노출량 변동이 장내 미생물 대사체 때문인가?”
• “특정 SCFA 패턴이 독성 발생과 연관되는가?”
• “Microbiome-derived metabolite가 약물 대사 효소를 억제하는가?”

→ 질문에 따라 샘플 종류·분석 깊이·통계 접근이 완전히 달라진다.

3.2 샘플 타입 결정

일반적인 조합은 다음과 같다.

 

목적	Microbiome	Metabolomics
장내 상호작용	Feces	Feces + plasma
전신 영향	Feces	Plasma/serum
약물 PK 영향	Feces	Plasma + urine
국소 기전	Tissue	Tissue homogenate

특히 약물 연구에서는 feces + plasma 조합이 가장 많이 사용된다.

4. 샘플 수집 및 보관: 재현성의 핵심

4.1 Fecal sample (microbiome + metabolite 공통)

• 채취 즉시 −80°C 냉동
• 산성화 여부는 metabolite 목적에 따라 결정
  • SCFA 분석: 산성화 고려
  • Untargeted metabolomics: 산성화 지양
• 반복 해동 금지 (aliquot 필수)

4.2 Plasma/serum

• EDTA plasma 권장
• 채혈 후 30분 이내 원심분리
• 미생물 유래 대사체는 농도가 낮아 pre-analytical variation에 민감

4.3 핵심 원칙

Microbiome과 metabolomics는 같은 샘플에서 나온 데이터처럼 다뤄야 한다
→ 시간, 보관 조건, batch를 최대한 맞춰야 통합 분석이 가능하다.

 

5. Metabolomics 분석 전략 (LC-MS/MS 중심)

5.1 Targeted vs Untargeted 전략 병행

Microbiome interaction 분석에서는 두 접근이 모두 필요하다.

Untargeted metabolomics

• 목적: unknown microbial metabolite 발견
• HRMS (Orbitrap/Q-TOF)
• DDA/DIA acquisition
• 수천 개 feature 생성

Targeted metabolomics

• 목적: 정량·재현성·임상적 해석
• Triple Quad LC-MS/MS
• 주요 패널:
  • SCFA
  • Bile acids (primary/secondary)
  • Indole, phenyl derivatives
  • Polyamines
  • Tryptophan–kynurenine pathway

실무적으로는
Untargeted → 후보 선정 → Targeted 패널 확장 흐름이 가장 안정적이다.

5.2 SCFA & bile acid 분석의 중요성

Microbiome–host interaction의 핵심 축은 이 두 계열이다.

• SCFA: 장내 미생물 발효의 직접 산물
• Bile acid: host–microbiome 공동 대사 산물

LC-MS/MS에서는

• 유도체화(3-NPH 등)로 감도 확보
• 동위원소 내부표준으로 matrix effect 보정
• feces와 plasma 간 절대 농도 비교보다 패턴 비교가 중요

6. Microbiome 데이터 생성 전략

6.1 16S rRNA sequencing

• 장점: 비용 효율, 빠른 분석
• 한계: 기능 예측은 간접적

활용 포인트:

• alpha/beta diversity
• 주요 genus 수준 변화
• metabolite와의 상관 분석

6.2 Shotgun metagenomics

• 장점: 기능 유전자 직접 분석
• 한계: 비용·데이터 처리 부담

Metabolomics와 결합 시 강점:

• 특정 대사 경로 유전자 ↔ 대사체 연결
• drug-metabolizing enzyme 추정 가능

7. Microbiome–Metabolite 통합 분석 Workflow

7.1 1단계: 데이터 전처리

• Metabolomics:
  • batch correction
  • QC-based normalization
  • missing value 처리
• Microbiome:
  • relative abundance → CLR transform
  • low abundance filtering

7.2 2단계: Correlation 분석

가장 기본적이지만 여전히 중요하다.

• Spearman correlation (비선형, robust)
• FDR correction 필수
• 단순 상관 ≠ 인과 관계

이 단계에서는
“이 미생물이 이 대사체와 함께 움직인다” 수준의 정보 확보가 목적이다.

7.3 3단계: Network 분석

Correlation을 넘어선 구조적 해석 단계다.

• Microbe–metabolite bipartite network
• Co-occurrence network
• Module detection (WGCNA 기반)

→ 특정 microbial community가 특정 metabolite cluster와 연결되는 패턴 확인

7.4 4단계: 기능 기반 통합 해석

여기서부터 분석의 질이 갈린다.

• Metabolite → pathway mapping (KEGG, HMDB)
• Microbiome → functional gene mapping
• pathway overlap 확인

예:

• Tryptophan metabolism 관련 metabolite 증가
• 동시에 indole-producing bacteria 증가
  → 약물 면역 반응 변화 설명 가능

7.5 5단계: 예측 모델 구축

제약사에서 가장 관심 있는 부분이다.

• Input:
  • selected microbes
  • selected metabolites
• Output:
  • drug exposure
  • toxicity occurrence
  • responder/non-responder

모델:

• Random Forest
• Elastic Net
• XGBoost

특히 metabolite + microbiome 통합 모델이 단독 모델보다 예측력이 높다.

8. 약물 연구에서의 실제 적용 사례 패턴

8.1 PK variability 설명

• 특정 bile acid profile이 CYP activity 억제
• Microbiome-derived metabolite가 transporter 조절

8.2 독성 예측 (toxicometabolomics 연계)

• Microbiome 변화 → mitochondrial metabolite 변화
• 간독성·장독성 조기 예측 가능

8.3 Efficacy stratification

• SCFA profile이 면역 항암제 반응 예측
• microbial indole metabolite가 염증 경로 조절

9. 분석팀 실무자를 위한 체크리스트

연구 설계

• 명확한 biological question
• microbiome/metabolite 샘플 동시 확보
• time-point 일치 여부

실험

• fecal/plasma 보관 조건 통일
• metabolomics QC set 구성
• internal standard 전략 수립

데이터

• batch effect 보정
• correlation → network → pathway 단계적 해석
• overfitting 방지 (cross-validation)

해석

• 통계적 유의성 + 생물학적 개연성
• 단순 상관관계 과해석 금지
• 약물 기전과 연결

10. 결론: Microbiome–Metabolite interaction은 ‘플랫폼’이다

Microbiome–metabolite interaction 분석은 단순한 오믹스 분석이 아니다.
이는 약물 반응의 개인차를 설명하고,
독성을 조기에 예측하며,
신약 개발의 실패 확률을 낮추는 전략적 플랫폼이다.

특히 LC-MS/MS 기반 분석 역량을 이미 보유한 국내 제약사 분석팀은
microbiome 데이터만 추가하면 비교적 빠르게 이 영역에 진입할 수 있다.

앞으로는
“어떤 미생물이 있는가” 보다
“그 미생물이 어떤 대사체를 만들고, 그게 약물에 어떤 영향을 주는가”
를 설명할 수 있는 팀이 경쟁력을 갖게 될 것이다.