LC gradient 하나로 proteome이 바뀌는 이유

LC gradient 하나로 proteome이 바뀌는 이유

— 우리는 같은 샘플을 분석하는 걸까, 아니면 다른 샘플을 만들어내고 있는 걸까

처음에는 단순한 의도로 시작한다.

“gradient를 조금만 바꿔보자”

• 60분 → 90분
• shallow → steep
• starting %B 약간 조정

이건 흔한 최적화 과정이다.
오히려 당연한 단계다.

그런데 결과를 보고 나면
생각보다 당황하게 된다.

• 검출되는 단백질 수가 달라지고
• peptide 패턴이 바뀌고
• differential expression 결과까지 달라진다

이 순간 질문이 생긴다.

“같은 샘플인데 왜 결과가 바뀌는 걸까?”

LC gradient는 단순한 분리 조건이 아니다

많은 사람들이 LC gradient를
이렇게 생각한다.

“분리를 조금 더 잘하기 위한 설정”

하지만 실제로는 훨씬 더 큰 역할을 한다.

LC gradient는

• 어떤 peptide가 언제 나오고
• 어떤 peptide가 같이 나오고
• 어떤 peptide가 아예 검출되지 않을지

를 결정한다.

즉,

👉 무엇을 볼 수 있는지를 결정하는 필터다

co-elution이 proteome을 바꾼다

gradient가 바뀌면
가장 먼저 바뀌는 것은 co-elution이다.

상황

• steep gradient
  → 많은 peptide가 동시에 elute
• shallow gradient
  → peptide가 더 넓게 분리

이 차이는 단순한 분리 문제가 아니다.

왜 중요한가

LC-MS에서는

👉 동시에 나오는 peptide들이 서로 경쟁한다

• ionization 경쟁
• MS/MS selection 경쟁

그래서

• 같이 나오면 → 일부는 억제됨
• 분리되면 → 더 많이 검출됨

실제 사례 ①: gradient 길이에 따른 protein 수 변화

같은 샘플에서

• 30 min gradient → 2,000 proteins
• 120 min gradient → 5,000 proteins

이건 sensitivity의 문제가 아니다.

👉 보이는 proteome 자체가 달라진 것

ion suppression: 보이지 않게 만드는 메커니즘

gradient가 바뀌면
ion suppression 패턴도 바뀐다.

상황

• high abundance peptide와 co-elution
  → low abundance peptide 억제

gradient 변경 후

→ 분리됨
→ low abundance peptide 검출

즉,

👉 존재는 같지만
보이는 것은 달라진다

DDA에서 더 극적으로 나타난다

DDA(Data-Dependent Acquisition)는
특히 gradient에 민감하다.

이유

DDA는

• intensity 기반으로 precursor 선택

즉,

👉 그 순간 가장 강한 signal만 선택

결과

gradient가 바뀌면

• 선택되는 peptide 자체가 달라짐
• MS/MS 대상이 달라짐

그래서

→ protein identification 결과가 바뀐다

실제 사례 ②: replicate인데 결과가 다름

같은 샘플, 같은 장비
단지 gradient만 다르게 설정

결과:

• 공통 protein 일부
• 나머지는 서로 다름

이걸 그대로 해석하면

→ “재현성 문제”

하지만 실제로는

👉 acquisition bias

peptide detectability 자체가 바뀐다

모든 peptide는
LC 조건에 따라 다르게 행동한다.

영향 요소

• hydrophobicity
• charge
• length

gradient 조건이 바뀌면

→ retention time 변화
→ peak shape 변화
→ detectability 변화

실제 상황

특정 peptide는

• gradient A → 잘 검출
• gradient B → 거의 안 보임

peak shape과 integration 문제

gradient는 peak width에도 영향을 준다.

결과

• narrow peak → 높은 intensity
• broad peak → 낮은 intensity

같은 양의 peptide라도

→ abundance 값이 달라진다

quantitative 결과까지 바뀐다

많은 사람들이 놓치는 부분이다.

gradient는 단순히 identification만이 아니라
quantification도 바꾼다.

실제 사례 ③

• gradient A → fold change 2배
• gradient B → fold change 1.2배

결론이 달라진다.

특히 label-free quantification에서 치명적

LFQ는

• intensity 기반
• peak area 기반

이기 때문에

👉 LC 조건에 매우 민감하다

DIA에서도 완전히 자유롭지 않다

DIA는 더 안정적이지만
완전히 해결되지는 않는다.

이유

• co-fragmentation 구조 유지
• chromatographic separation 영향 지속

즉,

gradient 변화는 여전히 영향 있음

실제 사례 ④: pathway 해석 변화

gradient 조건만 바꿨을 뿐인데

• pathway enrichment 결과 달라짐

이건 단순한 기술적 차이가 아니라

👉 biological interpretation 변화

가장 위험한 착각

“LC 조건은 technical parameter일 뿐이다”

이 생각이다.

하지만 실제로는

👉 LC 조건은 결과를 결정하는 핵심 변수다

우리는 왜 이걸 과소평가하는가

이유는 간단하다.

LC gradient는

• method development 단계에서 결정되고
• 이후에는 거의 고정되기 때문이다

그래서 분석할 때는
이미 “당연한 조건”으로 받아들인다.

실무에서 반드시 해야 할 것

1) gradient 변경 시 재검증

이전 데이터와 직접 비교 금지

2) method 고정

프로젝트 내 동일 조건 유지

3) QC 기반 모니터링

drift 및 변화 추적

4) peptide-level consistency 확인

조건에 따라 변화하는지 체크

5) interpretation 보수적으로

LC 영향 가능성 항상 고려

핵심 정리

LC gradient는

• 단순한 분리 조건이 아니다
• 무엇이 보일지를 결정한다

그리고

• proteome의 “표현”을 바꾼다

결론

같은 샘플이라도
같은 proteome을 보는 것은 아니다.

우리는

👉 LC 조건이 허용한 proteome을 보고 있다

그래서 gradient를 바꾸는 순간

• 더 많이 보는 것이 아니라
  👉 다르게 보게 되는 것이다

마지막 질문

다음에 LC gradient를 조정할 때
이 질문을 반드시 해야 한다.

“나는 분리를 개선하고 있는 걸까,
아니면 다른 proteome을 만들고 있는 걸까?”