Ion suppression이 metabolite pathway 해석을 왜곡하는 방식

Ion suppression이 metabolite pathway 해석을 왜곡하는 방식

 

— 우리는 농도를 측정하는 것이 아니라 ‘경쟁의 결과’를 보고 있다

metabolomics 데이터를 처음 해석할 때, 대부분 이렇게 생각한다.

“이 피크는 이 metabolite의 농도를 반영한다.”

이 문장은 틀린 말은 아니다.
하지만 정확한 말도 아니다.

조금 더 솔직하게 말하면, 우리가 LC-MS에서 보고 있는 신호는
순수한 농도 값이 아니라, 수많은 화합물 사이의 경쟁 결과다.

그리고 그 경쟁의 중심에는 항상 하나의 현상이 있다.

바로 ion suppression이다.

이 현상은 단순히 “신호가 줄어든다”는 수준의 문제가 아니다.
더 본질적인 문제는 이것이다.

ion suppression은 metabolite의 상대적 관계를 왜곡하고,
그 결과 pathway 해석 자체를 바꿔버린다.

1. Ion suppression은 왜 이렇게 자주 발생하는가

ESI 기반 LC-MS에서는
모든 화합물이 같은 환경에서 동시에 이온화된다.

이 과정은 생각보다 “공정한 시스템”이 아니다.

어떤 화합물은 쉽게 이온화되고,
어떤 화합물은 거의 이온화되지 않는다.

문제는 여기서 끝나지 않는다.

여러 화합물이 동시에 존재할 경우,
이들은 서로의 이온화를 방해한다.

즉,

• 강한 이온화 성질을 가진 화합물 → 다른 화합물의 신호 억제
• 농도가 높은 화합물 → 주변 신호를 압도
• matrix 성분 → 전체 이온화 환경 변화

이 모든 요소가 합쳐지면
우리가 보는 signal intensity는 더 이상 “농도”가 아니다.

그건 말 그대로
“누가 더 잘 이온화에 성공했는가”의 결과다.

2. 문제는 ‘절대값’이 아니라 ‘비율’이다

많은 사람들이 ion suppression을
“감도 문제”로 이해한다.

즉, 신호가 줄어들면
검출이 어려워진다는 수준으로 생각한다.

하지만 metabolomics에서는
문제가 훨씬 더 심각하다.

왜냐하면 우리는 절대값보다
상대적인 변화 (fold change)를 보기 때문이다.

예를 들어 보자.

• Metabolite A: 실제 농도 변화 없음
• Metabolite B: 실제로 2배 증가

그런데 분석 환경에서
Metabolite B가 강한 ion suppression을 받는다면?

결과는 이렇게 나올 수 있다.

• A: 변화 없음
• B: 변화 없음 또는 감소

이 순간
실제 biological signal은 완전히 사라진다.

더 나쁜 경우도 있다.

• A는 suppression 영향 적음
• B는 suppression 영향 큼

이 경우

• A: 증가한 것처럼 보임
• B: 감소한 것처럼 보임

즉, 완전히 반대 방향의 해석이 나온다.

3. Pathway 해석이 왜 더 위험한가

단일 metabolite의 해석이 틀리는 것도 문제지만,
진짜 위험은 pathway 수준에서 발생한다.

metabolomics에서는
개별 metabolite보다
여러 metabolite의 패턴을 기반으로 pathway를 해석한다.

예를 들어 특정 pathway에 속한 metabolite들이
전반적으로 증가하면 이렇게 결론을 내린다.

“이 pathway가 활성화되었다”

하지만 여기에는 큰 전제가 숨어 있다.

모든 metabolite가 동일한 분석 조건에서
동일한 정도로 검출된다는 가정

문제는 이 가정이 거의 항상 틀린다는 것이다.

4. Co-elution이 만드는 집단 왜곡

ion suppression의 핵심은
“동시에 elution되는 화합물들”이다.

즉, chromatographic separation이 불완전할수록
문제는 더 심각해진다.

특정 retention time 구간에
많은 화합물이 몰리면 어떤 일이 생길까?

• 서로 간섭
• 이온화 경쟁
• 신호 왜곡

이때 중요한 것은
이 현상이 특정 metabolite 그룹에 집중적으로 발생할 수 있다는 점이다.

예를 들어,

• 특정 pathway의 metabolite들이
  비슷한 극성을 가지고 있고
• 동일한 시간대에 elute된다면

그 pathway 전체가
동시에 suppression을 받을 수 있다.

결과적으로 이렇게 보인다.

“이 pathway는 전체적으로 down-regulated 되었다”

하지만 실제로는

“같은 시간대에 나온 metabolite들이 같이 눌린 것”일 뿐이다.

5. Matrix effect와 biological signal의 혼동

biological sample은 매우 복잡하다.

• 혈장
• 소변
• 조직 추출물

이 안에는 수많은 endogenous compound가 존재한다.

이 중 일부는 강한 ionization 특성을 가지고 있고,
다른 metabolite들의 신호를 억제한다.

문제는 이 matrix effect가
샘플마다 다르게 나타난다는 점이다.

즉,

• Control group
• Disease group

이 두 그룹의 matrix composition이 다르면
ion suppression 패턴도 달라진다.

이 경우 어떤 일이 발생할까?

matrix 차이가 biological 차이로 해석된다.

이건 매우 흔한 오류다.

6. Gradient와 column 선택이 만들어내는 착시

같은 샘플이라도
LC 조건이 바뀌면 ion suppression 패턴도 달라진다.

Gradient 변화

• 짧은 gradient → co-elution 증가 → suppression 증가
• 긴 gradient → separation 개선 → suppression 감소

Column 선택

• Reverse-phase → 특정 metabolite 집중
• HILIC → 극성 화합물 clustering

이 차이는 단순히 “검출되는 metabolite”만 바꾸는 것이 아니라
suppression이 발생하는 위치와 강도 자체를 바꾼다.

결과적으로
같은 데이터라도

• 어떤 조건에서는 pathway A 활성화
• 다른 조건에서는 pathway B 활성화

이런 완전히 다른 결론이 나온다.

7. 실제 데이터에서 나타나는 전형적인 패턴

현장에서 자주 보는 패턴은 놀라울 정도로 유사하다.

패턴 1: 특정 pathway 전체 감소

→ 실제로는 co-elution 기반 suppression

패턴 2: 일부 metabolite만 극단적 변화

→ ionization efficiency 차이

패턴 3: 그룹 간 명확한 separation (PCA)

→ batch 또는 matrix effect 영향

이 패턴들은 매우 설득력 있어 보이기 때문에 오히려 더 위험하다.

8. 통계 분석이 문제를 더 키우는 방식

ion suppression의 문제는
통계 분석 단계에서 더 커진다.

Normalization

• global normalization
• total ion current 기반 보정

이 방법들은
suppression이 “균등하게” 발생한다는 가정을 가진다.

하지만 실제로는 그렇지 않다.

결과적으로

• 일부 metabolite는 과보정
• 일부는 보정 실패

Scaling

• log transformation
• autoscaling

이 과정은 작은 차이를 확대한다.

즉, suppression으로 인해 생긴 왜곡이
더 강조된다.

Pathway enrichment analysis

이 단계에서 문제가 폭발한다.

왜냐하면 pathway analysis는
“패턴”을 기반으로 하기 때문이다.

이미 왜곡된 패턴이 입력되면
결과는 더 왜곡된다.

9. 왜 이 문제는 쉽게 발견되지 않는가

ion suppression은
데이터에 명확한 흔적을 남기지 않는다.

• peak shape는 정상처럼 보일 수 있음
• signal intensity도 자연스럽게 보임
• QC에서도 통과 가능

즉, “문제 없어 보이는 데이터”가 만들어진다.

이게 가장 위험하다.

10. 해결이 어려운 이유

이 문제는 단순한 correction으로 해결되지 않는다.

왜냐하면

• metabolite마다 suppression 정도가 다르고
• matrix마다 다르고
• LC 조건마다 다르기 때문이다

즉, 일관된 보정 방법이 존재하지 않는다.

11. 그럼에도 불구하고 해야 하는 것들

완벽한 해결은 없지만
피할 수 있는 방법은 있다.

1) Chromatographic separation 최적화

co-elution을 줄이는 것이 가장 중요하다.

2) Internal standard 활용

특히 isotope-labeled standard는 매우 중요하다.

3) Post-column infusion test

suppression 구간을 직접 확인할 수 있다.

4) Multiple LC condition 비교

같은 결과가 반복되는지 확인

5) Biological interpretation 전에 analytical validation

이 순서를 절대 바꾸면 안 된다.

12. 가장 중요한 질문

결국 모든 문제는 하나의 질문으로 정리된다.

“이 신호는 정말 농도를 반영하는가,
아니면 ion suppression의 결과인가?”

이 질문을 하지 않는 순간,
metabolomics 해석은 언제든지 틀릴 수 있다.

결론: 우리는 데이터를 보고 있는 것이 아니다

metabolomics에서 우리가 보고 있는 것은
“샘플의 진짜 모습”이 아니다.

그건

• LC 조건
• ionization 효율
• matrix effect
• co-elution

이 모든 것이 합쳐진 결과다.

즉,

우리는 metabolite를 보는 것이 아니라
측정 시스템이 만들어낸 결과를 보고 있다.

좋은 연구자는 데이터를 해석하기 전에
이 사실을 먼저 인정하는 사람이다.

그리고 그 인정이
결과를 완전히 다르게 만든다.