DIA(Data-Independent Acquisition)가 Proteomics 표준이 되는 이유

 

DIA(Data-Independent Acquisition)가 Proteomics 표준이 되는 이유

1. DDA에서 DIA로: 왜 변화가 필요했는가

DDA의 강점

• 새로운 단백질 발견에 유리
• 높은 MS/MS 스펙트럼 품질
• 라이브러리 구축 용이

그러나 현실적 한계

문제	영향
stochastic sampling	재현성 저하
missing value	통계 분석 왜곡
low-abundance 검출 불안정	biomarker 신뢰도 하락
multi-site 비교 어려움	임상 적용 제한

👉 연구 단계에서는 유용하지만,
정량 플랫폼으로는 불안정했다.

2. DIA의 핵심 개념: “모든 것을 본다”

DIA 작동 방식

• m/z 범위를 일정 window로 분할
• 각 window 내 모든 precursor를 fragmentation
• 반복적으로 전체 범위 스캔

👉 선택이 아닌 전수 조사 방식

핵심 차이

특징	DDA	DIA
precursor 선택	상위 N개	전체
샘플링 방식	확률적	체계적
재현성	낮음	높음
missing value	많음	매우 적음

 

3. DIA가 재현성을 혁신적으로 개선하는 이유

✔ 동일 peptide가 항상 fragmentation됨

→ replicate 간 검출 일관성 증가

✔ MS/MS 기회가 abundance에 덜 의존

→ low abundance 단백질 재현성 향상

✔ acquisition이 deterministic

→ multi-batch 비교 가능

👉 proteomics의 가장 큰 약점이었던 재현성이 구조적으로 개선된다.

4. Missing value 문제의 획기적 감소

Shotgun proteomics의 가장 큰 통계적 문제는 missing value였다.

DDA에서 missing value 발생 원인

• precursor 선택 실패
• sampling 경쟁
• 신호 약함

DIA에서는

• 동일 window 반복 fragmentation
• 낮은 신호도 누적 정보로 검출

👉 데이터 결손이 아닌 연속적 정량 데이터 확보

5. 정량 정확도의 향상

DIA는 단순히 더 많이 검출하는 것이 아니라
정량의 신뢰도를 높인다.

이유

✔ fragment ion 기반 정량

• interference 감소
• 높은 specificity

✔ chromatographic peak integration

• MS1보다 안정적

👉 결과: CV 감소, 통계적 검정력 향상

6. 임상 proteomics에서 DIA가 필수적인 이유

임상 환경에서 요구되는 조건:

• 재현성
• 다기관 비교 가능성
• 정량 정확도
• 표준화 가능성

DIA는 이 요구를 충족한다.

실제 임상 적용 장점

• multi-site consistency
• longitudinal study 적합
• biomarker validation 가능
• 규제 대응 용이

👉 연구 도구 → 임상 플랫폼으로 전환 가능

7. Multi-site 연구에서 DIA의 결정적 장점

DDA 기반 연구의 문제:

• 기관마다 다른 단백질 검출
• batch effect 증폭
• 데이터 통합 어려움

DIA에서는:

• 동일 peptide 세트 정량
• 데이터 통합 가능
• cross-lab 비교 용이

👉 글로벌 코호트 연구에서 필수 기술

8. DIA가 biomarker 연구를 바꾸는 방식

과거 biomarker 연구의 실패 원인:

• 재현성 부족
• 코호트 의존성
• low abundance 검출 불안정

DIA는 이를 개선한다.

변화

항목	DDA	DIA
후보 재현성	낮음	높음
정량 안정성	제한적	우수
검증 가능성	낮음	높음

👉 biomarker 연구의 신뢰도 상승

9. DIA의 한계와 오해

✔ 오해 1: DIA는 식별 능력이 낮다

→ 최신 라이브러리 기반 분석으로 해결

✔ 오해 2: 데이터 해석이 어렵다

→ 소프트웨어 발전으로 자동화 진행

✔ 실제 한계

• 스펙트럼 복잡도
• 라이브러리 의존성
• 계산 비용 증가

하지만 기술 발전으로 빠르게 해결 중이다.

10. DIA 도입을 가속화한 기술적 발전

✔ 고속 스캐닝 MS

• Orbitrap, TOF 발전
• 더 좁은 isolation window 가능

✔ Spectral library 구축 자동화

• in silico library
• deep learning 기반 예측

✔ 데이터 분석 소프트웨어

• Skyline
• Spectronaut
• DIA-NN

👉 생태계 성숙 → 표준화 가속

11. DIA가 Proteomics 패러다임을 바꾸는 지점

DDA 시대:

• 발견 중심
• exploratory science
• 데이터 결손 허용

DIA 시대:

• 정량 중심
• reproducible science
• 임상 적용 가능

👉 proteomics의 역할 자체가 변화

12. 왜 지금 “표준”이 되고 있는가

DIA는 단순히 더 좋은 기술이 아니라,
현대 생명과학의 요구에 맞는 기술이다.

현대 연구가 요구하는 것

• 대규모 코호트
• multi-omics 통합
• AI 기반 분석
• 임상 번역 연구

👉 DIA는 이러한 요구를 충족하는 구조를 가진다.

13. 핵심 메시지

DIA는 proteomics의 재현성 문제를 해결한 기술이 아니라,
proteomics를 신뢰 가능한 정량 과학으로 전환시킨 기술이다.

---

14. 기억해야 할 한 문장

“DDA는 발견을 위한 기술이고, DIA는 신뢰를 위한 기술이다.”

---

15. 실무자를 위한 도입 판단 체크리스트

다음 질문 중 2개 이상 해당하면 DIA 전환을 고려할 시점이다:

• replicate 간 missing value가 많은가?
• multi-batch 비교가 어려운가?
• biomarker 재현성 문제가 있는가?
• 임상 적용을 고려하고 있는가?
• large cohort 연구를 수행 중인가?