Upregulated Protein이 항상 기능 증가를 의미하지 않는 이유

Upregulated Protein이 항상 기능 증가를 의미하지 않는 이유

Proteomics에서 가장 흔하지만 가장 위험한 해석 실수

Proteomics 데이터를 분석하다 보면 가장 먼저 눈에 들어오는 것은 변화가 큰 단백질들이다.

Volcano plot에서 오른쪽 위에 위치한 단백질.

Fold change가 크고 p-value도 매우 작은 단백질.

연구자는 자연스럽게 그 단백질에 주목한다.

그리고 거의 반사적으로 이런 해석을 시작한다.

"이 단백질의 기능이 증가했다."

"이 pathway가 활성화되었다."

"이 단백질이 질병 진행을 촉진한다."

사실 대부분의 Proteomics 논문은 이런 흐름으로 전개된다.

---------------------------------------

Protein abundance 증가

↓

기능 증가 추론

↓

생물학적 의미 부여

↓

메커니즘 제안

-----------------------------------------

겉보기에는 매우 논리적이다.

하지만 실제 세포 안에서는 이 과정이 생각보다 자주 틀린다.

왜냐하면 Proteomics가 측정하는 것은 단백질의 양(abundance)이지, 단백질의 기능(activity)이 아니기 때문이다.

그리고 생물학에서 양과 기능은 놀라울 정도로 자주 분리된다.

실제로 세포는 단백질을 많이 만들어 놓고 사용하지 않을 수도 있고, 적게 존재하는 단백질이 강력한 기능을 수행할 수도 있다.

Proteomics를 오래 할수록 알게 되는 사실이 하나 있다.

"많이 보인다"는 것과 "많이 일한다"는 것은 전혀 다른 문제라는 점이다.

1. Proteomics는 Activity가 아니라 Abundance를 측정한다

가장 먼저 구분해야 할 개념이 있다.

Proteomics가 측정하는 것은:

• peptide intensity
• spectral count
• ion abundance

등이다.

결국 모두 단백질 양의 대리 지표(proxy)다.

반면 실제 연구자가 궁금한 것은:

• 효소 활성
• 신호전달 활성
• 전사 조절 활성
• 생물학적 기능

이다.

즉 우리가 측정한 것과 알고 싶은 것이 다르다.

이 차이를 잊는 순간 해석 오류가 시작된다.

2. 단백질은 존재만으로 기능하지 않는다

세포 안의 단백질은 단순한 부품이 아니다.

대부분은 여러 단계의 조절을 받는다.

예를 들어 kinase를 생각해 보자.

Kinase abundance가 증가했다고 하자.

그렇다고 kinase activity가 증가한 것은 아니다.

많은 kinase는:

• phosphorylation
• conformational change
• binding partner interaction

이 있어야 활성화된다.

즉 단백질이 존재하는 것과 작동하는 것은 별개다.

3. Inactive Protein Pool의 존재

실제 세포에는 놀라울 정도로 많은 inactive protein이 존재한다.

세포는 종종 단백질을 미리 만들어 둔다.

필요할 때 빠르게 활성화하기 위해서다.

예를 들어:

• MAPK
• AKT
• STAT

같은 signaling protein은 상당량이 비활성 상태로 존재한다.

이 경우 abundance가 증가해도 activity는 그대로일 수 있다.

4. Phosphorylation이 더 중요할 수 있다

Proteomics에서 흔히 보는 상황이다.

총 단백질 양은 변하지 않는다.

하지만 phosphorylation은 크게 증가한다.

실제 biology는 phosphorylation 변화에 의해 결정된다.

대표적인 예:

AKT1

총 AKT 양은 거의 일정한 경우가 많다.

그러나 p-AKT는 급격하게 증가할 수 있다.

세포 입장에서는 p-AKT가 중요하다.

Proteomics는 총량을 보고 있지만 biology는 활성형을 보고 있다.

5. Upregulation이 오히려 억제 반응일 수도 있다

흥미로운 경우가 있다.

어떤 단백질이 증가했는데 실제 의미는 기능 증가가 아니다.

오히려 기능 억제를 위한 보상 반응(compensatory response)일 수 있다.

예를 들어:

염증 증가

↓

항염증 단백질 증가

↓

Proteomics에서 upregulation 관찰

이 경우 증가한 단백질은 염증을 유발하는 것이 아니라 억제하려고 나타난 것이다.

하지만 abundance만 보면 반대로 해석할 위험이 있다.

6. Mislocalization 문제

단백질은 위치가 중요하다.

같은 단백질이라도:

• 세포질
• 핵
• 미토콘드리아
• 세포막

어디에 있는지에 따라 기능이 달라진다.

Proteomics는 보통 전체 abundance를 측정한다.

그러나 실제 기능은 localization에 의해 결정되는 경우가 많다.

예를 들어 전사인자는 핵 안에 들어가야 작동한다.

양이 증가해도 핵으로 이동하지 않으면 기능은 증가하지 않는다.

7. Isoform 문제

많은 단백질은 여러 isoform을 가진다.

문제는 isoform마다 기능이 다를 수 있다는 점이다.

어떤 isoform은 활성형이고,

어떤 isoform은 억제형일 수 있다.

하지만 일반적인 bottom-up proteomics는 이를 완벽히 구분하지 못하는 경우가 많다.

결과적으로:

Protein abundance 증가

처럼 보이지만

실제로는 inhibitory isoform 증가일 수도 있다.

8. Protein Aggregation의 함정

질병 상태에서는 단백질이 응집(aggregation)될 수 있다.

대표적으로 신경퇴행성 질환에서 발생한다.

단백질 양은 증가한다.

하지만 기능은 감소한다.

왜냐하면 응집된 단백질은 정상 기능을 수행하지 못하기 때문이다.

즉 abundance 증가와 functional loss가 동시에 발생할 수 있다.

9. Enzyme는 양보다 상태가 중요하다

효소를 예로 들면 더 명확하다.

효소 활성은 다음에 의해 결정된다.

• Cofactor
• pH
• Substrate
• Inhibitor
• PTM

단백질 양은 그중 하나일 뿐이다.

예를 들어 효소가 3배 증가했더라도:

• substrate 부족
• inhibitor 증가

가 있으면 실제 반응 속도는 증가하지 않을 수 있다.

10. Degradation Machinery의 영향

Proteasome 시스템을 생각해 보자.

어떤 단백질이 증가했다.

많은 사람은 생산이 증가했다고 생각한다.

하지만 실제로는:

분해 감소

때문일 수도 있다.

즉 abundance는:

생산율

−

분해율

의 결과다.

Proteomics는 최종 잔량만 본다.

원인은 알려주지 않는다.

11. Disease Marker와 Disease Driver는 다르다

Upregulated protein은 종종 훌륭한 biomarker가 된다.

하지만 biomarker가 원인이라는 뜻은 아니다.

대표적인 예로 염증 마커를 생각할 수 있다.

염증이 심해질수록 특정 단백질은 증가한다.

그러나 그 단백질이 질병을 유발하는 것은 아니다.

단순히 질병 상태를 반영할 뿐이다.

12. 실제 사례: p53

TP53 는 좋은 예다.

암에서 p53 abundance가 증가하는 경우가 있다.

이를 보고:

"p53 기능 증가"

라고 해석하면 틀릴 수 있다.

왜냐하면 많은 암에서는 mutant p53이 축적되기 때문이다.

양은 증가했지만 정상 종양억제 기능은 오히려 상실되어 있다.

즉 abundance와 function이 완전히 분리된다.

13. 실제 사례: EGFR

EGFR 도 마찬가지다.

EGFR abundance 자체보다 중요한 것은:

• phosphorylation state
• dimerization
• ligand binding

이다.

총량만으로 활성도를 판단하면 오해가 발생할 수 있다.

14. Functional Validation이 필요한 이유

그래서 Proteomics 연구에서 가장 중요한 후속 단계가 있다.

Functional validation.

예를 들어:

• Enzyme activity assay
• Phosphoproteomics
• Localization study
• Knockdown
• CRISPR perturbation

등이다.

이런 실험 없이는 abundance와 function을 연결하기 어렵다.

15. Proteomics 해석에서 가져야 할 질문

Protein이 증가했다면 곧바로:

"기능 증가"

라고 결론 내리기보다 다음 질문을 해야 한다.

• 활성형인가?
• 위치가 적절한가?
• PTM 상태는 어떤가?
• 보상 반응은 아닌가?
• 분해 감소 때문은 아닌가?
• 실제 activity evidence가 있는가?

이 질문들이 해석의 질을 결정한다.

결론

Proteomics에서 관찰되는 upregulated protein은 단순히 단백질 양의 증가를 의미할 뿐, 기능 증가를 직접 의미하지는 않는다.

실제 생물학적 기능은 phosphorylation, localization, isoform 구성, 단백질 응집, cofactor 상태, 상호작용 네트워크, 분해 조절 등 다양한 요인에 의해 결정된다. 따라서 abundance와 activity는 생각보다 자주 분리된다.

특히 signaling protein, transcription factor, kinase, receptor와 같은 조절 단백질에서는 이러한 현상이 더욱 두드러진다. 총 단백질 양은 변하지 않아도 기능은 크게 달라질 수 있고, 반대로 양은 증가했지만 기능은 감소할 수도 있다.

결국 Proteomics 데이터에서 가장 위험한 착각 중 하나는 "많이 보이면 많이 일한다"는 가정이다.

이 사실을 이해하기 시작하면 이전에는 너무 직관적으로 보였던 upregulated protein 리스트가 다르게 보이기 시작한다. 왜 일부 biomarker가 좋은 진단 지표이면서도 실패한 치료 표적이 되는지, 왜 phosphoproteomics가 별도의 분야로 발전했는지, 왜 functional validation 없이 abundance만으로 메커니즘을 주장하기 어려운지에 대한 답이 바로 abundance와 activity 사이의 간극 안에 숨어 있기 때문이다.