Plasma proteomics 편향

Plasma proteomics 편향

 

혈장 단백질 데이터가 ‘진짜 생물학’을 반영하지 못하는 이유

1. Plasma proteome은 원래부터 “편향된 시스템”이다

혈장은 가장 많이 연구되는 시료이지만, proteomics 관점에서는 극단적으로 불균형한 매트릭스입니다.

✔ 단백질 농도 범위: 10^10 이상 차이

예시:

단백질	농도
Albumin	~35–50 mg/mL
IgG	~10 mg/mL
Cytokines	pg/mL 수준

👉 상위 20개 단백질이 전체 단백질의 99% 차지
👉 저농도 단백질은 물리적으로 “가려짐”

이 구조 자체가 첫 번째 편향입니다.

2. High-abundance protein이 만드는 구조적 왜곡

2.1 Ion suppression

Albumin, IgG 등 고농도 단백질 → ionization 경쟁

결과:

• 저농도 단백질 검출 실패
• batch 간 suppression 정도 차이
• 실제 농도 변화와 무관한 신호 변화

👉 질병 신호가 아니라 matrix 경쟁 효과

2.2 Co-depletion 문제 (Depletion 전략의 함정)

Albumin depletion을 하면 문제가 해결될까요?

👉 오히려 새로운 편향이 생깁니다.

✔ Albumin과 결합하는 단백질 동시 제거

• hormones
• cytokines
• drug-binding proteins

👉 실제 중요한 biomarker가 depletion 과정에서 사라짐

3. Pre-analytical 변수로 인한 편향

Plasma proteomics에서 가장 과소평가되는 영역입니다.

3.1 채혈 조건

• fasting vs non-fasting
• circadian rhythm
• 체위 (누움 vs 앉음)
• tourniquet 시간

👉 동일 환자라도 단백질 프로파일 변화

3.2 항응고제 종류

항응고제	영향
EDTA	metalloprotease 억제
Heparin	MS ionization 간섭
Citrate	dilution effect

👉 항응고제 선택 자체가 데이터 편향 요인

3.3 혈장 분리 지연

혈액 채취 후 분리 지연 시:

• platelet activation
• protease 활성 증가
• 단백질 분해

👉 질병 신호처럼 보이는 ex vivo 변화 발생

4. Hemolysis: 가장 흔하지만 가장 과소평가된 편향

Hemolysis는 plasma proteomics에서 치명적입니다.

✔ 유출 단백질

• Hemoglobin
• Carbonic anhydrase
• LDH
• Cytoskeletal proteins

👉 실제 혈장 단백질이 아닌 RBC 단백질 증가

✔ Hemolysis가 만드는 해석 오류

예:

• 염증 바이오마커 증가로 오해
• 조직 손상 신호로 오해
• oxidative stress marker 왜곡

👉 실제로는 단순한 채혈 오류

5. Platelet contamination 편향

혈장 분리 과정에서 platelet이 남으면:

• growth factors
• clotting proteins
• vesicle-associated proteins 증가

특히 다음 단백질이 증가:

• PF4
• TGF-β
• VEGF

👉 암 바이오마커로 오해될 위험

6. 기술적 플랫폼에 따른 편향

6.1 DDA vs DIA

DDA 편향

• high abundance peptide 우선 선택
• 저농도 단백질 반복 누락

DIA 편향

• library 의존성
• library에 없는 단백질은 “존재하지 않는 것처럼” 처리

👉 데이터 수집 방식 자체가 생물학적 현실을 제한

6.2 TMT labeling 편향

• labeling efficiency 차이
• ratio compression
• co-isolation interference

👉 실제 fold change 축소

7. 질병 특이 신호보다 큰 개인 간 변이

Plasma proteomics에서 흔히 발생:

👉 개인 간 baseline 차이 > 질병 효과

원인:

• 유전적 배경
• BMI
• 식습관
• 약물 복용
• 미세 염증 상태

👉 소규모 코호트 연구에서 false biomarker 생성

8. Plasma proteomics에서 ‘재현성 위기’가 반복되는 이유

많은 biomarker 연구가 재현되지 않는 이유:

✔ cohort 간 채혈 조건 차이
✔ depletion 방법 차이
✔ 장비 및 acquisition 방법 차이
✔ normalization 전략 차이
✔ hemolysis/platelet contamination 통제 실패

👉 같은 질병, 다른 결과

9. 편향을 줄이기 위한 현실적인 전략

9.1 Pre-analytical SOP 표준화

• 채혈 시간 고정
• 항응고제 통일
• 분리 시간 제한
• hemolysis index 기록

9.2 Hemolysis 및 platelet contamination 모니터링

체크 단백질 패널:

• Hemoglobin α/β
• PF4
• Platelet basic protein

👉 QC metric으로 활용 가능

9.3 Depletion 전략의 재검토

• depletion vs non-depletion 비교
• low-abundance enrichment 전략 고려
• affinity bias 평가

9.4 Cohort 설계 개선

• 충분한 샘플 수
• batch 균형 설계
• randomization

10. 가장 위험한 순간

Plasma proteomics 데이터가 “임상적 진실”처럼 보일 때

이 편향들이 누적되면:

👉 기술적 artifact
→ biological signal처럼 보임
→ biomarker 후보 선정
→ 재현 실패
→ 임상 적용 실패