제약회사 연구원의 블로그

초기 임상 단계에서 실패하지 않는 Bioanalytical Strategy의 조건First-in-Human(FIH) 임상은후보물질이 비임상 영역을 벗어나 처음으로 사람에게 노출되는 시점이며,분석팀 입장에서는 단순한 분석법 개발을 넘어임상 전체의 의사결정을 지탱하는 데이터 인프라를 최초로 구축하는 단계다.이 시점의 분석법은 다음과 같은 상충 조건을 동시에 만족해야 한다.아직 실제 임상 시료가 존재하지 않는 상황에서 설계되어야 하며사람 biological matrix의 변동성을 가정에 기반해 예측해야 하고규제 요구사항은 “최소한”만 명시되어 있으며일정·예산·시료량 제약은 극단적으로 크다따라서 FIH 분석법은이상적인 정량 분석법이 아니라,불확실성을 전제로 한 의사결정 도구로 설계되어야 한다.본 글에서는FIH ..

― “보이지 않던 대사체를 보이게 만드는 가장 단순하지만 강력한 필터” LC-HRMS 기반 metabolite profiling을 하다 보면분석자는 늘 비슷한 벽에 부딪힌다.chromatogram에는 수천 개의 피크가 있고대부분은 endogenous background이거나 noise이며우리가 찾는 것은 그중 극히 일부의 drug-related metabolite다.이 상황에서“모든 피크를 다 보겠다”는 접근은 현실적이지 않다.Unknown metabolite 탐색의 핵심은얼마나 효율적으로 후보를 줄이느냐에 있다.Mass Defect Filtering(MDF)는바로 이 지점에서 등장한 개념이다.새로운 알고리즘도, AI도 아니다.그러나 여전히 많은 분석팀이제대로 활용하지 못하고 있는 도구다.이 글에서는MD..

― “표준물질은 잘 나오는데, 왜 실제 샘플만 흔들릴까?”라는 질문에 대한 답LC-MS/MS 기반 bioanalysis를 오래 해본 분석자라면,누구나 비슷한 경험을 해봤을 것이다.neat solution에서는 감도도 좋고 직선성도 완벽하다stripped matrix에서도 validation은 무난히 통과한다그런데 실제 biological sample을 넣는 순간,baseline이 흔들리고예상치 못한 피크가 튀어나오고low concentration에서 재현성이 무너진다이 현상의 중심에는 거의 항상endogenous metabolite interference가 있다.이 문제는 단순히 “matrix effect”라는 한 단어로 설명하기엔 너무 복잡하고,“더 세게 씻자”거나 “컬럼을 바꾸자”는 접근만으로는 해결..

― “왜 이 스펙트럼은 아무 데도 매칭되지 않는가?”라는 질문에서 시작되는 이야기LC-MS/MS 기반 metabolomics나 drug metabolism 연구를 하다 보면,누구나 한 번쯤 이런 상황을 마주한다.정확한 mass는 맞는다.isotope pattern도 그럴듯하다.MS/MS 스펙트럼도 깔끔하다.그런데… 라이브러리에 없다.특히 비임상 metabolite profiling이나 toxicometabolomics,혹은 endogenous metabolomics 기반 biomarker 연구에서는“library hit 없음”이 오히려 정상에 가깝다.그럼에도 불구하고 많은 분석 workflow는 여전히MS/MS spectral library 매칭을 중심으로 설계되어 있다.이 글에서는왜 MS/MS libr..

― “독성이 있다”가 아니라 “어디서, 왜 독성이 시작됐는가”를 설명하는 분석 프레임비임상 독성 평가에서 metabolomics는 이미 낯선 기술이 아니다.혈장, 소변, 조직 homogenate를 기반으로 한 toxicometabolomics는독성 조기 예측, 기전 가설 수립, 후보물질 탈락 판단에 실질적인 도움을 주고 있다.하지만 분석팀 실무자라면 한 번쯤 이런 한계를 느껴봤을 것이다.“독성 관련 대사체가 변한 건 알겠는데,이 변화가 조직의 어느 위치에서 시작된 건지는 알 수 없다.”바로 이 지점에서 spatial metabolomics가 toxicometabolomics와 만나야 한다.두 기술의 통합은 단순한 기술 결합이 아니라,비임상 독성 해석의 차원을 한 단계 끌어올리는 전략적 전환이다.이 글에서..

― 조직 전체 평균을 넘어, ‘어디에서 무엇이 변했는가’를 보는 분석 패러다임비임상 독성이나 약효 평가에서 우리는 오랫동안 하나의 전제를 받아들여 왔다.“조직을 균질화하면 그 안의 정보를 대표할 수 있다”는 가정이다.하지만 실제로는 간, 신장, 뇌 같은 조직은 매우 이질적이다. 간만 해도 periportal과 pericentral 영역은 대사 효소 발현부터 독성 민감도까지 전혀 다르다. 그럼에도 불구하고 기존 metabolomics 분석은 조직 전체를 갈아서 평균값으로 보고, 그 결과를 독성 기전이나 약효 설명에 사용해 왔다.이 한계를 정면으로 파고드는 기술이 바로 spatial metabolomics다.조직을 갈지 않고, 조직 내 위치 정보(spatial information)를 유지한 채 대사체 분포..

― 장내 미생물과 대사체 데이터를 연결해 약물 반응과 독성까지 해석하는 실전 전략최근 제약·바이오 연구에서 “마이크로바이옴(microbiome)”은 더 이상 유행어가 아니다. 실제로 임상 시험에서 동일한 약물을 투여했음에도 환자 간 반응 차이가 발생하는 이유 중 상당 부분이 장내 미생물과 대사체(metabolite)의 상호작용으로 설명되고 있다.Microbiome 자체만 분석해서는 충분하지 않고, metabolomics만으로도 기전을 설명하기 어렵다. 그래서 최근 주목받는 접근이 바로 Microbiome–metabolite interaction 분석, 즉 미생물 구성 변화 → 대사체 변화 → 약물 효능·독성·PK 변화를 하나의 workflow로 해석하는 전략이다.이 글에서는 분석팀 실무자가 실제로 적용할..

— 제약사의 분석팀이 준비해야 할 실무 전략과 글로벌 동향독성 예측이라는 주제는 의약품 개발의 전 단계에 걸쳐 가장 오랫동안 제약사를 괴롭혀 온 문제다. 워낙 다양한 메커니즘이 존재하고, 초기 비임상 단계에서는 실제 임상에서 나타날 독성을 완벽히 재현하기 어렵다 보니, 여전히 많은 개발 프로그램이 독성 신호 때문에 중단된다. 그래서 최근 10년 사이, 단순히 조직 슬라이드나 혈액학·혈액화학 수치를 보는 수준을 넘어 Metabolomics 기반의 독성 예측 접근법, 즉 Toxicometabolomics가 빠르게 확산되고 있다.이는 단순히 대사체 분석을 독성 평가에 적용하는 수준을 넘어서, LC-MS 기반 대사체 정보 → 생물학적 pathway → 독성 phenotype 예측 모델로 이어지는 하나의 플랫폼 ..