AI × LC-MS/MS 융합기술 시리즈

– 데이터 자동화, Explainable AI, Anomaly Detection

 

AI × LC-MS/MS 융합기술 시리즈

“분석가는 대체되지 않는다. 다만, 분석의 방식은 바뀐다”

LC-MS/MS는 오랫동안 제약·바이오 분석의 gold standard였다.
정확도, 민감도, 선택성—어느 하나 빠지지 않는 기술이지만,
아이러니하게도 이 장비는 사람의 개입이 가장 많이 필요한 분석 시스템이기도 하다.

• 시퀀스 설계
• 샘플 전처리 편차
• integration 판단
• outlier 제거
• validation 결과 해석

이 모든 과정은 여전히 분석가의 경험과 감각에 의존해 왔다.
그리고 바로 이 지점에서 AI는 LC-MS/MS와 만날 수밖에 없었다.

“AI는 LC-MS/MS를 자동화하기 위해 들어온 것이 아니라,
사람이 감당하지 못하는 복잡도를 흡수하기 위해 들어왔다.”

Part 1. LC-MS/MS 데이터 자동화

– “자동화는 속도를 높이기 위한 것이 아니라, 일관성을 확보하기 위한 것이다”

많은 조직이 AI 기반 자동화를 도입하면서 가장 먼저 기대하는 것은 처리 속도다.
하지만 bioanalysis에서 속도보다 중요한 것은 언제나 재현성이다.

1-1. LC-MS/MS 데이터 파이프라인의 구조적 한계

전통적인 LC-MS/MS 데이터 흐름은 다음과 같다.

1. Raw data acquisition
2. Vendor software 기반 processing
3. Analyst manual review
4. Report export
5. LIMS 입력

이 구조의 문제는 명확하다.

• 사람 손을 거칠수록 variability는 증가한다
• 판단 기준이 문서화되지 않는다
• 동일 데이터라도 분석가에 따라 다른 결론이 나온다

AI 기반 자동화는 이 지점을 정면으로 겨냥한다.

1-2. AI가 개입할 수 있는 자동화 영역

실제 현장에서 시도되고 있는 자동화 예시는 다음과 같다.

• Peak detection & integration rule 학습
• Batch-to-batch drift 보정
• Calibration curve 적합 모델 자동 선택
• QC failure 패턴 자동 분류
• 재분석 필요 여부 사전 예측

중요한 점은,
👉 AI가 ‘결정’을 내리는 것이 아니라,
사람의 판단을 일관되게 재현하도록 설계된다는 것이다.

Part 2. Explainable AI(XAI) –

“규제 환경에서 AI는 설명되지 않으면 존재할 수 없다”

Bioanalysis 영역에서 AI 도입이 가장 더딘 이유는 명확하다.

“그래서, 왜 그렇게 판단했는가?”

이 질문에 답할 수 없다면,
아무리 성능이 좋아도 규제 환경에서는 사용할 수 없다.

2-1. Black box AI가 bioanalysis에 위험한 이유

• Outlier를 제거한 이유를 설명할 수 없는 모델
• 특정 batch를 이상으로 분류했지만 근거를 제시하지 못하는 시스템
• Audit trail로 재현되지 않는 의사결정

이런 AI는 효율을 높이기는커녕,
👉 data integrity 리스크를 폭발적으로 키운다.

2-2. LC-MS/MS에서의 Explainable AI 적용 예

실무적으로 의미 있는 XAI 접근은 다음과 같은 질문에 답해야 한다.

• 어떤 feature(peak width, S/N, RT shift)가 판단에 가장 크게 기여했는가?
• 이 판단은 과거 어떤 batch 패턴과 유사한가?
• 동일한 조건에서 사람이 판단했을 때와 얼마나 일치하는가?

이 파트에서는,

• feature importance 기반 QC 판단
• attention mechanism을 활용한 chromatogram 해석
• 규제 대응을 고려한 XAI 설계 원칙

을 중심으로 “설명 가능한 자동화”의 현실적인 경계를 다룬다.

Part 3. Anomaly Detection –

“문제가 생겼을 때 찾는 것이 아니라, 생기기 전에 감지한다”

LC-MS/MS 분석에서 가장 비용이 큰 사건은 무엇일까?

• 한두 개의 실패한 샘플이 아니다
• 이미 끝난 batch 전체를 재분석해야 하는 상황이다

Anomaly detection은 이 지점을 겨냥한다.

3-1. 전통적 QC의 한계

기존 QC 시스템은 대부분 사후적이다.

• QC가 기준을 벗어나면 → 문제 인지
• 문제를 인지했을 때는 이미 batch가 끝난 후

AI 기반 anomaly detection은 질문 자체를 바꾼다.

“이 batch는 정상인가?” ❌

“이 batch는 평소와 다르게 행동하고 있는가?” ⭕️

3-2. LC-MS/MS에서의 이상 신호 유형

AI가 감지할 수 있는 이상 패턴은 생각보다 다양하다.

• RT가 허용 범위 내이지만 특정 방향으로 지속 이동
• IS response는 안정적이나 analyte만 서서히 감소
• 특정 injection 이후 noise pattern 변화
• 장비 vendor 로그와 signal drift의 미묘한 상관

이러한 패턴은
👉 사람이 한 batch 안에서 감지하기 거의 불가능하다.

Part 4. AI × LC-MS/MS의 오해와 현실

이 시리즈에서 반드시 짚고 넘어가야 할 사실이 있다.

• AI는 senior analyst를 대체하지 않는다
• 오히려 senior analyst의 사고를 시스템화한다
• 데이터가 나쁘면 AI는 더 나쁜 결론을 낸다

AI 도입의 실패 사례 대부분은 기술 문제가 아니라,

• 학습 데이터 품질
• 판단 기준의 불명확성
• SOP와 모델 간 불일치

에서 시작된다.

 

“AI × LC-MS/MS 융합기술” 시리즈는
단순히 최신 트렌드를 소개하는 연재가 아니다.

이 시리즈가 계속해서 묻는 질문은 이것이다.

“이 판단을, 사람이 설명할 수 있는가?”

• 설명할 수 없다면 → 규제 환경에서 쓰일 수 없고
• 재현할 수 없다면 → 분석 시스템으로 인정받을 수 없으며
• 책임질 수 없다면 → 자동화가 아니라 위험이다