임상 적용을 목표로 할 때 metabolomics 연구 설계가 달라져야 하는 이유

– discovery 연구와 clinical biomarker 연구는 전혀 다른 문제다

임상 적용을 목표로 할 때 metabolomics 연구 설계가 달라져야 하는 이유

 

Metabolomics 연구는 지난 10여 년 동안 폭발적으로 증가했다. 특히 LC-MS 기반 untargeted metabolomics 기술이 발전하면서 수천 개의 metabolite feature를 동시에 관찰할 수 있게 되었고, 다양한 질병에서 새로운 biomarker 후보들이 제시되었다.

논문만 보면 metabolomics는 이미 precision medicine의 핵심 기술처럼 보인다. 특정 metabolite 패턴을 이용해 질병을 진단하고, 환자를 분류하며, 치료 반응을 예측할 수 있다는 연구 결과들이 매우 많기 때문이다.

하지만 현실적으로 보면 상황은 조금 다르다.

수많은 metabolomics biomarker 후보가 보고되었지만 실제 임상 진단 검사로 이어진 사례는 매우 제한적이다. 많은 연구가 discovery 단계에서 끝나고 임상 적용 단계로 이어지지 못한다.

이 현상이 반복되는 이유 중 하나는 연구 설계 자체가 임상 적용을 염두에 두지 않고 만들어지는 경우가 많기 때문이다.

Discovery 연구에서 좋은 설계가 반드시 임상 적용에 적합한 설계는 아니다. 오히려 임상 적용을 목표로 한다면 metabolomics 연구는 시작 단계부터 다른 방식으로 설계되어야 한다.

 

 

1. Discovery 연구는 차이를 찾지만, 임상 검사는 환자를 구분해야 한다

많은 metabolomics 연구의 목표는 다음과 같다.

“환자군과 대조군 사이에서 어떤 metabolite가 다른가?”

이 질문은 과학적으로 매우 중요한 질문이다. 하지만 임상에서는 조금 다른 질문이 필요하다.

“이 metabolite로 실제 환자를 구분할 수 있는가?”

두 질문은 비슷해 보이지만 실제로는 매우 다른 문제다.

예를 들어 특정 metabolite가 환자군에서 평균적으로 증가했다고 가정해 보자.

• 환자군 평균: 1.8
• 대조군 평균: 1.5

이 차이는 통계적으로 유의할 수 있다. 그러나 개인 수준에서 보면 두 집단의 분포가 크게 겹칠 수 있다.

이 경우 논문에서는 의미 있는 발견처럼 보일 수 있지만 실제 환자를 검사했을 때 diagnostic test로는 거의 사용될 수 없다.

따라서 임상 적용을 목표로 한다면 연구 설계 단계에서부터 다음과 같은 질문이 포함되어야 한다.

• sensitivity는 충분한가
• specificity는 충분한가
• ROC curve가 실제 임상 수준에 도달하는가

즉 단순한 group comparison을 넘어 patient classification 관점에서 설계가 이루어져야 한다.

2. Cohort 설계가 훨씬 중요해진다

Discovery metabolomics 연구에서는 종종 다음과 같은 cohort가 사용된다.

• 질병 환자
• 건강한 대조군

하지만 실제 임상 환경에서는 상황이 훨씬 복잡하다.

환자가 병원에 왔을 때 의사가 고민하는 질문은 보통 다음과 같다.

• 이 환자가 특정 질병인가
• 아니면 다른 질환인가

즉 실제 임상에서는 differential diagnosis가 중요한 문제다.

예를 들어 특정 metabolite가 cancer 환자에서 증가했다고 가정해 보자.

하지만 동일한 metabolite가 다음과 같은 상황에서도 증가할 수 있다.

• 염증 질환
• 감염
• 대사 질환

이 경우 healthy control과 비교했을 때는 강력한 biomarker처럼 보일 수 있지만 실제 임상에서는 거의 도움이 되지 않는다.

따라서 임상 적용을 목표로 한다면 cohort 설계는 다음과 같은 형태가 필요하다.

• target disease
• clinically similar diseases
• real-world patient population

이러한 cohort 설계는 연구 난이도를 높이지만 실제 임상 relevance를 크게 높인다.

3. Pre-analytical variation 관리가 훨씬 중요하다

Metabolomics 데이터는 sample handling에 매우 민감하다.

예를 들어 다음과 같은 변수만으로도 metabolite profile이 크게 달라질 수 있다.

• 채혈 후 처리 시간
• sample storage 조건
• freeze-thaw cycle
• anticoagulant 종류

Discovery 연구에서는 이러한 변수들이 완벽하게 통제된 환경에서 분석되는 경우가 많다.

하지만 실제 임상 환경에서는 다음과 같은 상황이 흔하다.

• 채혈 후 처리 시간이 일정하지 않음
• 병원마다 sample handling protocol이 다름
• sample transport 시간이 길어짐

이러한 조건에서도 biomarker가 안정적으로 유지되어야 임상 적용이 가능하다.

따라서 임상 적용을 목표로 하는 연구에서는 다음과 같은 실험이 필요하다.

• stability study
• freeze-thaw 영향 평가
• sample handling variability 평가

즉 biomarker의 biological signal뿐 아니라 practical robustness도 함께 검증해야 한다.

4. Untargeted discovery에서 targeted validation으로의 전환

Metabolomics 연구는 보통 다음과 같은 단계로 진행된다.

1. untargeted discovery
2. candidate metabolite identification
3. validation study

문제는 많은 연구가 1단계에서 끝난다는 점이다.

Untargeted metabolomics는 수천 개의 feature를 동시에 관찰할 수 있지만 다음과 같은 한계가 있다.

• 정량 정확도 제한
• instrument variability
• annotation uncertainty

임상 적용을 위해서는 정확한 정량 분석이 필요하다.

이 때문에 biomarker 후보가 발견된 이후에는 LC-MS/MS 기반 targeted assay로 전환되는 과정이 필요하다.

이 과정에서는 다음과 같은 요소들이 중요하다.

• internal standard 설계
• calibration curve 구축
• analytical validation

즉 discovery 연구와 임상 assay 개발은 완전히 다른 분석 전략을 요구한다.

5. 재현성(reproducibility) 검증이 필수적이다

Omics 연구에서 가장 큰 문제 중 하나는 재현성 부족이다.

특히 metabolomics biomarker 연구에서는 다음과 같은 패턴이 자주 나타난다.

• discovery cohort에서는 강력한 결과
• validation cohort에서는 약한 결과
• independent cohort에서는 재현 실패

이러한 현상은 다음과 같은 이유로 발생할 수 있다.

• cohort 특성 차이
• 분석 플랫폼 차이
• batch effect
• environmental factors

따라서 임상 적용을 목표로 한다면 최소한 다음과 같은 검증이 필요하다.

• independent cohort validation
• multi-center validation
• longitudinal validation

이 과정이 없으면 biomarker는 논문 수준의 발견에 머물 가능성이 높다.

6. 임상 workflow를 고려한 assay 설계

임상 검사로 사용되기 위해서는 biomarker가 다음과 같은 조건을 충족해야 한다.

• 분석 시간이 짧을 것
• 자동화가 가능할 것
• 비용이 과도하지 않을 것

하지만 metabolomics 연구에서 제안되는 biomarker는 종종 다음과 같은 특징을 가진다.

• 수십 개 metabolite 조합
• 복잡한 머신러닝 모델
• 고해상도 LC-MS 분석 필요

이러한 방식은 연구 환경에서는 가능하지만 실제 병원 검사 시스템에서는 적용하기 어렵다.

따라서 임상 적용을 목표로 한다면 assay는 가능한 한 다음과 같은 형태로 단순화되어야 한다.

• 소수의 핵심 biomarker
• robust targeted assay
• 높은 throughput

결론

Metabolomics는 질병 생물학을 이해하는 데 매우 강력한 도구이다. 하지만 discovery 연구에서 발견된 biomarker가 실제 임상 검사로 이어지기 위해서는 연구 설계 자체가 달라져야 한다.

특히 다음과 같은 요소들이 중요하다.

• patient classification 중심 연구 설계
• 현실적인 cohort 구성
• pre-analytical variation 평가
• targeted assay 개발
• multi-cohort validation
• 임상 workflow 고려

결국 metabolomics biomarker 연구에서 가장 중요한 질문은 단순히 “차이가 존재하는가?”가 아니라 다음과 같은 질문이다.

“이 biomarker를 이용해 실제 환자 진료가 달라질 수 있는가?”

이 질문을 중심에 두고 연구가 설계될 때 metabolomics 연구는 discovery 단계를 넘어 실제 임상 의사결정에 기여하는 도구로 발전할 수 있다.