Multi-omics에서 proteomics 역할

Multi-omics에서 proteomics 역할

유전자와 표현형 사이의 ‘기능적 번역 계층’

1. Multi-omics의 구조: 정보 흐름 관점

생명 시스템을 정보 흐름으로 보면 다음과 같습니다.

Genome → Transcriptome → Proteome → Metabolome → Phenotype

각 단계의 의미:

 

Omics	의미	한계
Genomics	가능성 (potential)	실제 발현 여부 모름
Transcriptomics	발현 계획	단백질 생성 보장 없음
Proteomics	실제 실행자	동적 조절 복잡
Metabolomics	결과물	원인 추적 어려움

👉 Proteomics는 계획과 결과 사이의 실행 계층

2. 왜 transcriptomics만으로는 충분하지 않은가

흔한 오해:

mRNA가 증가하면 단백질도 증가한다

현실:

• mRNA–protein 상관계수: 0.3–0.6 수준
• 번역 효율 차이
• 단백질 분해 속도 차이
• PTM에 따른 활성 변화

👉 transcriptomics는 “의도”, proteomics는 “실행”

3. Proteomics가 제공하는 고유 정보

3.1 단백질 abundance

세포가 실제로 보유한 기능 자산

3.2 Post-translational modifications (PTMs)

활성 상태를 결정하는 핵심 정보

• phosphorylation → 신호전달
• acetylation → 전사 조절
• glycosylation → 면역 반응
• ubiquitination → 분해 조절

👉 다른 omics로는 직접 측정 불가

3.3 단백질 상호작용 (Protein–protein interactions)

• complex formation
• signaling cascade
• pathway activation

👉 기능은 네트워크에서 발생

4. Multi-omics 통합에서 proteomics의 핵심 역할

4.1 기능적 필터 (Functional filter)

Genomics에서 발견된 변이 중 실제 영향을 미치는 것만 선별:

• mutation → 단백질 안정성 변화
• mutation → PTM site 변화
• mutation → complex 형성 장애

👉 변이의 기능적 결과 확인

4.2 Pathway activity의 직접 측정

Transcriptomics: pathway 가능성
Proteomics: pathway 활성 상태

예:

• MAPK pathway phosphorylation 증가
• metabolic enzyme abundance 변화

👉 실제 pathway 동작 여부 확인

4.3 Metabolomics 해석의 연결고리

Metabolite 변화의 원인을 추적하려면:

• enzyme abundance
• enzyme activity (PTM)
• pathway flux

👉 proteomics 없이는 metabolomics 해석이 제한적

5. 질병 연구에서의 역할

5.1 Cancer multi-omics

Genomics:

• driver mutation 발견

Proteomics:

• signaling pathway 활성 확인
• drug target validation
• resistance mechanism 규명

예:

• EGFR mutation → phosphorylation 증가 → 치료 표적 확정

5.2 면역 질환

Transcriptomics:

• cytokine gene expression

Proteomics:

• cytokine 단백질 수준
• receptor activation 상태
• complement system 활성

👉 실제 면역 반응 강도 반영

5.3 대사 질환

Metabolomics:

• glucose, lipid 변화

Proteomics:

• metabolic enzyme 변화
• mitochondrial dysfunction 확인

👉 대사 이상 원인 규명

6. Drug development에서 proteomics의 전략적 위치

6.1 Target validation

• 단백질 발현 확인
• 활성 상태 확인
• 조직 특이성 평가

6.2 Mechanism of action (MoA) 분석

Proteomics로 확인 가능:

• pathway modulation
• off-target effects
• adaptive response

6.3 독성 기전 규명

• stress response protein 증가
• mitochondrial protein 변화
• apoptosis pathway 활성화

👉 metabolite 변화보다 조기 탐지 가능

7. Biomarker 개발에서 proteomics의 강점

Proteomics 기반 biomarker가 중요한 이유:

✔ 기능적 변화 반영
✔ 약물 반응과 직접 연결
✔ disease mechanism과 연관

하지만 단점:

• dynamic range 문제
• plasma proteome 편향
• 재현성 이슈

👉 multi-omics 통합으로 보완 필요

8. Proteomics가 multi-omics에서 중심이 되는 이유

이유 1: phenotype과 가장 가까운 분자층

• 단백질 = 세포 기능 수행 주체

이유 2: 약물의 대부분은 단백질을 표적으로 함

• receptor
• enzyme
• ion channel
• transporter

이유 3: 기능적 상태를 직접 반영

• PTM
• complex formation
• degradation

9. Multi-omics 통합 분석에서 흔한 오류

오류 1: omics 간 단순 상관 분석

• mRNA ↔ protein 단순 비교
• 해석 과도 단순화

오류 2: proteomics를 보조 데이터로 취급

실제 역할은:

👉 기능 검증 레이어
👉 causal inference 강화 요소

오류 3: proteomics 데이터 품질 과소평가

• missing value 처리 오류
• batch effect 미보정
• peptide-level 정보 무시

👉 통합 분석 왜곡

10. 미래: proteomics 중심 multi-omics로 이동

현재:

• genomics 중심 연구

변화:

• single-cell proteomics
• spatial proteomics
• functional proteomics

👉 질병 이해의 중심이 이동 중

11. 분석팀 관점에서의 실질적 의미

Proteomics를 multi-omics에 포함시킬 때 얻는 이점:

✔ biomarker 후보 신뢰도 증가
✔ drug target validation 강화
✔ metabolomics 해석 정확도 향상
✔ AI 모델 설명력 향상

12. 핵심 메시지

Multi-omics에서 proteomics는 단순한 한 레이어가 아니라,

유전 정보와 실제 생물학적 기능을 연결하는 핵심 번역 계층입니다.

Genomics가 “가능성”이라면,
Proteomics는 “실행”,
Metabolomics는 “결과”입니다.

이 세 가지를 연결하는 중심에 proteomics가 있습니다.

마무리

Multi-omics 시대에도 proteomics가 대체되지 않는 이유는 명확합니다.

우리는 질병을 DNA가 아니라 단백질의 행동으로 경험합니다.

따라서 proteomics는 앞으로도:

• precision medicine
• biomarker discovery
• drug development
• systems biology

모든 영역에서 핵심 축으로 남게 될 것입니다.