Matrix effect vs Biological signal 구분하는 방법

Matrix effect vs Biological signal 구분하는 방법

 

 

우리가 보고 있는 변화는 진짜인가, 아니면 측정의 산물인가

metabolomics 데이터를 해석하다 보면
어느 순간부터 확신이 생긴다.

“이건 분명히 biological difference다.”

그런데 시간이 지나고,
다른 batch나 다른 cohort에서 같은 분석을 반복하면
그 확신은 너무 쉽게 무너진다.

같은 pathway, 같은 metabolite인데
결과가 재현되지 않는다.

이때 많은 사람들이
“샘플이 다르기 때문”이라고 생각한다.

하지만 실제로 더 자주 등장하는 원인은 이것이다.

matrix effect.

문제는 이 matrix effect가
굉장히 그럴듯하게 “biological signal처럼 보인다”는 점이다.

그래서 이 둘을 구분하는 능력은
metabolomics 분석에서 가장 중요한 역량 중 하나다.

1. Matrix effect는 어떻게 biological signal처럼 보이는가

matrix effect는 단순히 신호를 줄이거나 늘리는 문제가 아니다.

더 중요한 특징은 이것이다.

샘플 간 차이를 만들어낸다.

예를 들어 보자.

• Disease group → 특정 lipid 증가
• Control group → 상대적으로 낮음

이 결과는 매우 자연스럽게
“lipid metabolism 변화”로 해석된다.

하지만 실제로는 다음과 같은 일이 벌어졌을 수도 있다.

• Disease sample → 특정 endogenous compound 증가
• 이 compound → ion suppression 유발
• 특정 metabolite group → 신호 감소

결과적으로

• 실제 농도 변화 없음
• 하지만 데이터에서는 차이 발생

즉, matrix effect는
“그럴듯한 생물학적 이야기”를 만들어낸다.

2. 가장 먼저 의심해야 하는 신호의 특징

경험적으로 보면
matrix effect로 인한 결과는 몇 가지 공통된 패턴을 가진다.

1) 특정 retention time 구간에 변화가 집중됨

• 특정 시간대 metabolite들이 동시에 변화
  → co-elution 기반 suppression 가능성 높음

2) 구조적으로 유사한 metabolite 그룹이 동시에 변화

• lipid class 전체 감소
• amino acid cluster 변화

→ ionization 특성 또는 chromatographic behavior 영향 가능성

3) fold change는 크지만 variability도 큼

• boxplot에서 분산이 큼
  → 안정적인 biological signal보다는 analytical variation 가능성

4) QC sample에서는 변화가 덜 보임

→ sample-specific matrix effect 가능성

이런 패턴이 보이면
해석을 바로 하지 말고 멈춰야 한다.

3. 가장 확실한 방법: Spike-in 실험

이론보다 확실한 방법은 항상 실험이다.

기본 개념

같은 농도의 표준물질을
다른 샘플 matrix에 넣고 비교한다.

해석 방법

• 동일 농도인데 signal이 다르면 → matrix effect 존재
• 특정 group에서만 signal 감소 → suppression 발생

중요한 포인트

이 방법은 단순하지만
가장 직접적으로 matrix effect를 확인할 수 있다.

특히 다음 상황에서 매우 중요하다.

• biomarker discovery 단계
• 그룹 간 차이가 클 때
• unexpected result가 나왔을 때

4. Dilution test: 간단하지만 강력한 방법

이건 현장에서 정말 자주 쓰는 방법이다.

원리

샘플을 희석하면
matrix 농도도 같이 낮아진다.

해석

• dilution에 따라 signal이 linear하게 변하면 → 정상
• 특정 구간에서 signal 증가 → suppression 존재

특징

이 방법의 장점은
빠르고 간단하다는 점이다.

특히 screening 단계에서
매우 유용하다.

5. Post-column infusion: 보이지 않는 것을 시각화하기

이 방법은 ion suppression을
직접 “보이게” 만든다.

원리

• 일정 농도의 표준물질을 지속적으로 주입
• 동시에 실제 sample injection

결과 해석

• 특정 retention time에서 signal 감소 → suppression 구간

이 방법의 장점은
문제를 “확인”하는 것이 아니라
“위치까지 특정할 수 있다”는 점이다.

6. Internal standard의 역할과 한계

Internal standard는
matrix effect를 보정하는 대표적인 방법이다.

하지만 여기에도 함정이 있다.

좋은 경우

• isotope-labeled standard
  → 동일한 ionization behavior

문제 상황

• 구조가 다른 standard 사용
  → 보정 실패

또한 중요한 점은

internal standard는
문제를 해결해주기보다
문제를 감지하는 도구에 가깝다.

7. LC 조건을 바꿔보면 보이는 것들

이건 많은 사람들이 잘 안 하는 방법이지만
가장 강력한 방법 중 하나다.

방법

• column 변경
• gradient 변경
• mobile phase 변경

해석

• 결과가 유지됨 → biological signal 가능성 높음
• 결과가 바뀜 → matrix effect 가능성

이 방법의 핵심은 이것이다.

biological signal은 조건이 바뀌어도 유지되지만
matrix effect는 조건에 따라 바뀐다.

8. Batch effect와의 구분

matrix effect는 batch effect와
혼동되는 경우가 많다.

하지만 차이가 있다.

Batch effect

• 시간/장비/환경 영향
• 전체적인 shift

Matrix effect

• 샘플 자체 영향
• 특정 metabolite에 선택적 영향

이 둘을 구분하지 못하면
해석은 더 복잡해진다.

9. 통계 분석에서 확인할 수 있는 힌트

데이터만으로도
어느 정도 힌트를 얻을 수 있다.

PCA 분석

• 그룹 separation이 retention time 기반으로 나타남
  → matrix effect 의심

Correlation 구조

• 특정 metabolite cluster만 강하게 묶임
  → analytical origin 가능성

CV 분석

• QC vs sample CV 비교
  → sample-specific variation 확인

10. 가장 흔한 실수

현장에서 반복되는 실수는 거의 정해져 있다.

1) fold change만 보고 해석

→ 가장 위험한 접근

2) pathway 결과만 보고 결론

→ upstream data 검증 없음

3) QC 통과 = 문제 없음

→ matrix effect는 QC에서도 숨을 수 있음

11. 실무에서의 판단 흐름

실제로는 이렇게 생각하는 것이 좋다.

1. 결과가 나왔다
2. 너무 깔끔하다 → 의심
3. 특정 패턴이 보인다 → 더 의심
4. LC 조건 바꿔본다
5. spike/dilution test 확인
6. 그 후에 biological 해석

이 순서를 지키는 것만으로도
대부분의 오류를 줄일 수 있다.

결론: 해석은 항상 마지막에 해야 한다

metabolomics에서 가장 위험한 순간은
데이터가 너무 잘 설명될 때다.

이야기가 만들어지는 순간,
사람은 검증을 멈춘다.

하지만 진짜 중요한 질문은 항상 이것이다.

“이 차이는 샘플의 차이인가,
아니면 측정 조건이 만든 차이인가?”

이 질문을 끝까지 붙잡고 가는 사람만이
재현 가능한 결과에 도달한다.

그리고 그 차이가
좋은 연구와 그렇지 않은 연구를 가른다.