Proteomics–Metabolomics 불일치가 의미하는 생물학적 메시지

– 단백질 abundance와 대사 상태가 다른 방향을 가리킬 때

Proteomics–Metabolomics 불일치가 의미하는 생물학적 메시지

 

Multi-omics 연구를 진행하다 보면 자주 등장하는 상황이 있다. Proteomics 데이터와 metabolomics 데이터가 서로 다른 방향의 결과를 보여주는 경우이다.

예를 들어 proteomics 분석에서는 특정 metabolic enzyme의 abundance가 증가한 것으로 나타났는데, metabolomics 데이터에서는 해당 pathway의 metabolite 농도가 거의 변하지 않거나 오히려 감소하는 경우가 나타날 수 있다. 반대로 metabolite 변화는 크게 나타나지만 관련 enzyme 단백질 수준에서는 뚜렷한 변화가 보이지 않는 경우도 있다.

이러한 상황을 처음 접하면 연구자는 자연스럽게 데이터의 신뢰성부터 의심하게 된다. 하지만 실제 생물학에서는 proteomics와 metabolomics 결과가 일치하지 않는 경우가 오히려 대사 조절 메커니즘을 이해할 수 있는 중요한 단서가 되기도 한다.

그 이유는 간단하다. 단백질 abundance와 metabolite 농도는 서로 다른 층위의 정보를 반영하기 때문이다. 이 글에서는 proteomics–metabolomics 불일치가 왜 발생하는지, 그리고 이러한 불일치가 어떤 생물학적 메시지를 담고 있을 수 있는지 살펴보고자 한다.

1. 단백질 abundance는 효소 활성을 의미하지 않는다

Proteomics 데이터에서 측정되는 것은 기본적으로 단백질의 양이다. 즉 특정 효소가 세포 내에 얼마나 존재하는지를 보여준다.

하지만 효소의 존재량이 곧바로 효소 활성(enzyme activity)을 의미하는 것은 아니다. 많은 효소들은 다음과 같은 다양한 방식으로 조절된다.

대표적인 예는 다음과 같다.

• allosteric regulation
• substrate inhibition
• cofactor availability
• post-translational modification

이러한 조절 메커니즘 때문에 단백질 abundance가 증가하더라도 실제 catalytic activity는 거의 변하지 않을 수 있다.

예를 들어 proteomics 데이터에서 glycolytic enzyme abundance가 증가했더라도, 해당 효소가 억제 상태에 있다면 metabolomics 데이터에서는 glycolysis 관련 metabolite 변화가 거의 나타나지 않을 수 있다.

2. Metabolite pool과 metabolic flux의 차이

Metabolomics 데이터는 보통 metabolite concentration을 측정한다. 그러나 metabolic pathway의 실제 활성도를 결정하는 것은 metabolite 농도가 아니라 metabolic flux이다.

예를 들어 어떤 pathway에서 flux가 증가하더라도 intermediate metabolite 농도는 크게 변하지 않을 수 있다. 그 이유는 다음과 같은 균형이 동시에 유지되기 때문이다.

• metabolite 생성 속도 증가
• metabolite 소비 속도 증가

이 경우 pathway activity는 실제로 증가했지만 metabolite pool size는 거의 일정하게 유지된다.

따라서 proteomics에서 enzyme abundance 증가가 관찰되었지만 metabolomics에서 metabolite 농도 변화가 크지 않은 경우, 이는 pathway flux 증가를 의미할 수도 있다.

3. 대사 네트워크의 보상 메커니즘

생물학적 대사 시스템은 매우 강력한 homeostasis 유지 능력을 가지고 있다. 특정 metabolic enzyme의 abundance가 변하면 시스템은 균형을 유지하기 위해 다양한 보상 메커니즘을 활성화한다.

예를 들어 다음과 같은 상황이 발생할 수 있다.

• upstream enzyme 증가
• downstream pathway 활성화
• alternative metabolic route 사용

이러한 조절 메커니즘 때문에 proteomics에서는 변화가 관찰되지만 metabolite 농도는 거의 일정하게 유지될 수 있다.

즉 proteomics 변화는 시스템이 대사 상태를 조정하고 있다는 신호일 수 있지만 metabolomics 데이터는 여전히 안정된 상태를 반영하고 있을 수 있다.

4. Metabolite turnover 속도

Metabolite는 세포 내에서 매우 빠르게 생성되고 소비된다. 일부 metabolite의 turnover time은 초 단위일 정도로 빠르다.

반면 단백질 abundance는 보통 더 느리게 변화한다. 단백질 합성과 분해에는 상당한 시간이 필요하기 때문이다.

이러한 차이 때문에 proteomics와 metabolomics 데이터는 서로 다른 시간 스케일을 반영한다.

예를 들어 다음과 같은 시나리오가 가능하다.

초기 단계

• metabolite 농도 변화 발생

후기 단계

• enzyme abundance 변화 발생

또는 그 반대의 경우도 가능하다. 이러한 시간 차이는 두 데이터 간 불일치를 만드는 중요한 원인이 된다.

5. Substrate limitation

Proteomics 데이터에서 enzyme abundance가 증가했더라도 실제 metabolic flux는 substrate availability에 의해 제한될 수 있다.

예를 들어 특정 enzyme abundance가 증가했지만 해당 pathway에 필요한 substrate가 충분하지 않다면 metabolite 변화는 거의 나타나지 않을 수 있다.

이러한 상황은 특히 다음과 같은 경우에서 자주 나타난다.

• nutrient limitation
• hypoxia
• metabolic stress

즉 proteomics 데이터는 시스템이 특정 pathway를 활성화하려는 준비 상태를 보여주지만 metabolomics 데이터는 실제 metabolic limitation을 반영할 수 있다.

6. Compartmentalization

세포 내 대사 반응은 다양한 세포 소기관(compartment)에서 이루어진다.

예를 들어 다음과 같은 구분이 존재한다.

• cytosol
• mitochondria
• peroxisome
• endoplasmic reticulum

Proteomics 데이터에서는 특정 compartment의 enzyme abundance 변화가 관찰될 수 있지만 metabolomics 데이터는 전체 세포의 metabolite pool을 반영하는 경우가 많다.

이러한 공간적 차이는 두 데이터 사이의 불일치를 만들어 낼 수 있다.

7. Post-translational modification의 역할

효소 활성은 종종 post-translational modification (PTM)에 의해 조절된다.

대표적인 PTM 예시는 다음과 같다.

• phosphorylation
• acetylation
• ubiquitination

이러한 modification은 enzyme activity를 크게 변화시킬 수 있다. 하지만 일반적인 shotgun proteomics 분석에서는 단백질 abundance만 측정되고 PTM 상태는 충분히 반영되지 않는 경우가 많다.

따라서 proteomics 데이터에서는 변화가 없지만 metabolomics 데이터에서는 pathway activity 변화가 나타날 수 있다.

8. Microbiome과 외부 대사 영향

특히 혈액이나 장 관련 metabolomics 연구에서는 microbiome metabolism의 영향이 매우 크다.

Proteomics 데이터는 보통 host protein을 반영하지만 metabolomics 데이터에는 다음과 같은 요소가 포함될 수 있다.

• microbiome-derived metabolite
• diet-derived metabolite
• environmental chemical

이러한 요인 때문에 proteomics와 metabolomics 데이터가 서로 다른 방향의 변화를 보일 수 있다.

9. 불일치가 의미하는 연구 기회

Proteomics와 metabolomics 데이터가 서로 맞지 않는 상황은 단순한 분석 오류로 볼 수도 있지만, 실제로는 대사 조절 메커니즘을 이해할 수 있는 중요한 기회가 될 수 있다.

예를 들어 이러한 불일치는 다음과 같은 질문을 제기할 수 있다.

• 효소 활성은 어떻게 조절되고 있는가
• metabolic flux는 실제로 어떻게 변하고 있는가
• 시스템은 어떤 보상 메커니즘을 사용하고 있는가
• substrate availability는 충분한가

이러한 질문을 통해 연구자는 단순한 correlation 분석을 넘어 보다 깊은 생물학적 이해에 도달할 수 있다.

결론

Proteomics와 metabolomics 데이터가 서로 다른 결과를 보여주는 것은 multi-omics 연구에서 매우 흔한 현상이다. 이는 데이터 오류라기보다 생물학적 시스템의 복잡성을 반영하는 자연스러운 결과일 가능성이 높다.

단백질 abundance, 효소 활성, metabolic flux, metabolite 농도는 서로 다른 수준의 정보를 제공한다. 따라서 이들이 항상 동일한 방향으로 변화할 것이라고 기대하는 것은 현실적인 접근이 아니다.

오히려 이러한 불일치를 이해하는 과정에서 연구자는 효소 조절, metabolic network dynamics, 대사 항상성과 같은 중요한 생물학적 메커니즘을 발견할 수 있다. 결국 multi-omics 연구의 가치는 서로 다른 데이터가 완전히 일치하는 순간보다, 서로 다른 이야기를 하는 이유를 이해하는 과정에서 더 크게 드러난다고 할 수 있다.