Metabolomics workflow에서 LC-MS 조건이 결과 해석에 미치는 영향

— 같은 샘플인데 왜 전혀 다른 결론이 나오는가

 

Metabolomics workflow에서 LC-MS 조건이 결과 해석에 미치는 영향

metabolomics 데이터를 처음 받아봤을 때의 당혹감은 쉽게 잊히지 않는다.

같은 샘플을 분석했는데,
조건이 조금만 바뀌어도 결과가 완전히 달라진다.

어떤 날은 특정 metabolite가 뚜렷하게 보이고,
다른 날은 거의 사라진다.

처음에는 장비 문제라고 생각하기 쉽다.
하지만 경험이 쌓일수록 알게 된다.

문제는 장비가 아니라
우리가 설정한 LC-MS 조건 그 자체라는 것을.

그리고 더 중요한 사실은
이 조건들이 단순히 “신호 강도”만 바꾸는 것이 아니라
결과 해석의 방향 자체를 바꾼다는 점이다.

1. Chromatography가 결정하는 ‘보이는 세계’

LC 조건은 metabolomics에서
사실상 “무엇을 볼 것인가”를 결정한다.

Reverse-phase vs HILIC

• Reverse-phase: 비극성 화합물에 유리
• HILIC: 극성 metabolite에 유리

같은 샘플이라도
어떤 컬럼을 쓰느냐에 따라
관측되는 metabolite pool 자체가 달라진다.

문제는 이 차이를 종종 “생물학적 차이”로 해석한다는 점이다.

예를 들어 HILIC에서 특정 pathway가 활성화된 것처럼 보이지만
Reverse-phase에서는 전혀 보이지 않는 경우,

이건 pathway의 차이가 아니라
검출 편향(detection bias)일 가능성이 높다.

2. Mobile phase와 ionization의 상호작용

Mobile phase 조성은 단순히 분리 효율만이 아니라
이온화 효율에도 직접적인 영향을 준다.

• formic acid vs ammonium acetate
• pH 변화
• organic solvent 비율

이 요소들은 ESI ionization에서
신호 강도를 크게 바꾼다.

특히 중요한 점은
이 영향이 metabolite마다 다르게 나타난다는 것이다.

즉,

• 어떤 metabolite는 신호 증가
• 어떤 metabolite는 신호 감소

결과적으로
상대적인 abundance가 왜곡된다.

이 상태에서 fold change를 계산하면
실제 biological change와 다른 결론이 나올 수 있다.

3. Ion suppression: 보이지 않는 경쟁

ESI 기반 LC-MS에서
가장 과소평가되는 요소 중 하나가 ion suppression이다.

여러 화합물이 동시에 elution되면
서로 이온화 경쟁을 한다.

• 강하게 이온화되는 화합물 → 다른 신호 억제
• co-eluting compound → signal distortion

이 현상은 다음 상황에서 심해진다.

• complex biological matrix
• inadequate chromatographic separation
• short gradient

문제는 이 현상이
데이터에 명확하게 드러나지 않는다는 점이다.

그래프상에서는
“실제로 농도가 낮은 것처럼” 보인다.

4. Gradient design이 만드는 해석의 함정

Gradient 조건은 단순히 분리 시간 문제가 아니다.

gradient slope와 length는
다음 요소에 영향을 준다.

• peak shape
• co-elution 정도
• ion suppression

짧은 gradient를 사용하면
throughput은 증가하지만
co-elution이 증가한다.

이 경우 특정 metabolite의 신호가
다른 화합물에 의해 영향을 받는다.

반대로 긴 gradient는
더 깨끗한 separation을 제공하지만
감도(sensitivity)가 낮아질 수도 있다.

결국 선택의 문제인데,
이 선택이 결과 해석까지 바꾼다.

5. Mass analyzer 설정의 영향

MS 조건 역시 결과 해석에 직접적인 영향을 준다.

Resolution과 mass accuracy

• 높은 resolution → 정확한 identification
• 낮은 resolution → signal overlap 가능성

Scan mode

• Full scan → global profiling
• MRM → targeted 정확도 증가

문제는 분석 목적과 조건이 맞지 않을 때 발생한다.

예를 들어 untargeted metabolomics에서
scan speed가 부족하면
peak sampling이 불충분해지고
정량 신뢰도가 떨어진다.

6. Data processing과 LC-MS 조건의 상호작용

흥미로운 점은
LC-MS 조건이 data processing 결과에도 영향을 준다는 것이다.

• peak detection sensitivity
• alignment accuracy
• feature extraction 결과

예를 들어 peak shape이 불안정하면
software가 peak를 제대로 인식하지 못한다.

결과적으로

• false positive 증가
• false negative 발생

이 문제는 종종
“bioinformatics 문제”로 오해된다.

하지만 실제 원인은
LC-MS 조건에 있는 경우가 많다.

7. 실제로 자주 발생하는 착각

현장에서 자주 보는 패턴은 다음과 같다.

1) “이 metabolite가 증가했다”

→ 실제로는 ionization efficiency 증가

2) “특정 pathway가 활성화되었다”

→ 특정 metabolite group만 잘 검출된 결과

3) “샘플 간 차이가 크다”

→ batch 간 LC 조건 미세 차이

이런 해석은 모두
데이터 자체가 아니라
측정 방식의 차이에서 비롯된 것이다.

8. 왜 이 문제가 반복되는가

이 문제는 단순한 실수 때문이 아니다.

metabolomics workflow 자체가
이러한 편향을 만들기 쉽다.

• 분석 조건이 복잡함
• 표준화가 어려움
• 결과 해석이 통계 중심

특히 “데이터가 먼저 나오고
조건을 나중에 고민하는” 구조가 문제다.

9. 해석을 바꾸지 않기 위한 전략

완벽한 해결은 어렵지만
몇 가지 원칙은 분명하다.

1) analytical condition을 “고정 변수”가 아닌 “변수”로 인식

조건 자체가 결과에 영향을 준다는 전제를 가져야 한다.

2) orthogonal method 활용

• LC 조건 변경
• 다른 column 사용
• alternative ionization 방식

결과가 일관되는지 확인해야 한다.

3) internal standard 적극 활용

특히 ion suppression 평가에 중요하다.

4) batch consistency 유지

• 동일 조건 유지
• QC sample 반복 측정

5) biological interpretation 이전에 analytical validation

이 순서를 바꾸면 거의 항상 문제가 발생한다.

결론: metabolomics는 측정이 아니라 ‘관점’이다

metabolomics 데이터를 해석할 때
우리는 종종 이렇게 생각한다.

“이건 샘플의 상태를 보여주는 데이터다”

하지만 실제로는 다르다.

이 데이터는
특정 LC-MS 조건을 통해 바라본 샘플의 모습이다.

즉, 조건이 바뀌면
보이는 세계도 바뀐다.

좋은 분석가는
데이터를 해석하기 전에
이 질문을 먼저 던진다.

“이 결과는 샘플의 차이인가,
아니면 내가 설정한 조건의 결과인가?”

이 질문 하나가
연구의 방향을 완전히 바꾼다.