제약회사 연구원의 블로그

– Raw data 이후, 분석팀의 판단을 구조화하는 데이터 흐름 LC-MS 자동화를 이야기할 때 가장 흔한 오해는 이것이다.“자동화 = raw data부터 전부 R로 처리”실제 제약·CRO 환경에서 가장 현실적인 자동화 파이프라인은👉 vendor software 이후 단계에서 시작한다.즉, 사람의 판단이 반복되는 지점을 R이 대신 정리해 주는 구조다.전체 파이프라인 개요 (개념도) [LC-MS Instrument] ↓ [Vendor Software] (Integration / Calibration / QC 평가) ↓ Exported Data] (CSV / Excel / LIMS dump) ↓ [R 자동화 파이프라인] ├─ 데이터 정합성 검사 ├─ QC / IS / RT 품질 지표 계산 ├─ Trend..

– Vendor software를 넘어, “분석 사고를 확장하는 도구”로서의 RLC-MS 분석을 오래 해본 연구원일수록 이런 감정을 한 번쯤 느낀다.“데이터는 엄청나게 쌓이는데,정작 우리가 활용하는 건 보고서에 들어간 숫자 몇 개뿐이다.”LC-MS/MS 장비는 매 런마다수천 개의 데이터 포인트수십 개의 품질 지표장비 상태를 반영하는 미묘한 신호들을 남긴다.하지만 대부분의 조직에서 이 데이터는👉 vendor software 안에서만 소비되고 사라진다.R을 활용한 데이터 자동화의 진짜 의미는“새로운 분석을 한다”가 아니라,이미 존재하는 LC-MS 데이터를 ‘다르게 읽는 것’에 있다.1. 왜 vendor software만으로는 한계가 생길까?Vendor software는 본질적으로 “개별 batch 처리”에..

– ICH M10, FDA 21 CFR Part 11, Audit 대비 체크리스트“분석은 끝났는데, 데이터는 아직 준비되지 않았다”LC-MS/MS 분석은 기술적으로는 이미 완성 단계에 가깝다.민감도, 선택성, 재현성—문제는 더 이상 분석이 되느냐가 아니라 “이 결과를 규제 환경에서 방어할 수 있느냐”다.실제 audit 현장에서 가장 자주 들리는 말은 이것이다.“분석 결과 자체에는 큰 문제는 없어 보입니다.다만, 이 결과가 어떻게 만들어졌는지가 명확하지 않습니다.”이 시리즈는 바로 이 지점을 파고든다.LC-MS/MS 데이터를 ‘잘 만든 결과’에서 ‘규제 대응 가능한 증거’로 바꾸는 과정,그 전체 구조를 하나씩 해부한다.Part 1. ICH M10 이후, LC-MS/MS는 무엇이 달라졌는가– “Validat..

– 속도의 문제가 아니라, “판단의 일관성”에 대한 이야기 LC-MS/MS 분석은 흔히 이렇게 표현된다.“장비는 정밀하지만, 결과는 사람이 만든다.”이 말은 과장이 아니다.같은 장비, 같은 method, 같은 시료를 사용해도누가 데이터를 처리하느냐에 따라 결과 해석이 달라지는 경우는 지금도 흔하다.그래서 LC-MS/MS 데이터 자동화의 본질적인 목적은✔ 분석 속도를 높이는 것도✔ 인력을 줄이는 것도 아니라👉 “사람마다 다른 판단을, 하나의 일관된 논리로 고정시키는 것”이다.1. LC-MS/MS 데이터 처리, 왜 이렇게 사람이 많이 개입할까?LC-MS/MS 데이터 흐름을 차분히 뜯어보면 자동화가 어려웠던 이유가 분명해진다.1-1. 전통적인 데이터 처리 흐름Raw data acquisition (vendo..

– 데이터 자동화, Explainable AI, Anomaly Detection “분석가는 대체되지 않는다. 다만, 분석의 방식은 바뀐다”LC-MS/MS는 오랫동안 제약·바이오 분석의 gold standard였다.정확도, 민감도, 선택성—어느 하나 빠지지 않는 기술이지만,아이러니하게도 이 장비는 사람의 개입이 가장 많이 필요한 분석 시스템이기도 하다.시퀀스 설계샘플 전처리 편차integration 판단outlier 제거validation 결과 해석이 모든 과정은 여전히 분석가의 경험과 감각에 의존해 왔다.그리고 바로 이 지점에서 AI는 LC-MS/MS와 만날 수밖에 없었다.“AI는 LC-MS/MS를 자동화하기 위해 들어온 것이 아니라,사람이 감당하지 못하는 복잡도를 흡수하기 위해 들어왔다.”Part 1...

TDM, Toxicology, Cancer Metabolism 사례로 보는 “대사체 데이터가 ‘의미 있는 신호’로 바뀌는 순간들” Metabolomics는 오랫동안 이렇게 평가받아 왔다.“재미있는 데이터는 많은데,실제 의사결정에는 쓰기 어렵다.”이 평가는 반은 맞고, 반은 틀리다.문제는 metabolomics 자체가 아니라, 어디까지를 ‘해석 가능한 데이터’로 볼 것인가에 대한 기준 부재였다.이 시리즈의 목표는 명확하다.“대사체 데이터가 언제, 어떻게 임상·독성·종양 연구에서‘결정에 영향을 주는 증거’로 작동하는지를 보여주는 것”Part 1. TDM(Therapeutic Drug Monitoring)에서의 Metabolomics– “혈중 농도 하나로는 설명되지 않는 환자 간 차이”전통적인 TDM은 명확하..

– IS 선택부터 Matrix Effect, Validation Trouble Shooting까지“SOP에 나오지 않는 판단의 영역을 해부하다”Bioanalysis 업무를 오래 해본 사람일수록 공감하는 사실이 하나 있다.문제의 80%는 SOP 바깥에서 발생한다는 점이다.SOP에는 internal standard를 사용하라고 적혀 있지만👉 어떤 IS가 ‘좋은’ IS인지에 대한 답은 없다가이드라인에는 matrix effect를 평가하라고 되어 있지만👉 어디까지 허용 가능한지에 대한 감각은 사람마다 다르다validation 항목은 명확하지만👉 실패했을 때 “왜” 실패했는지는 아무도 자세히 써주지 않는다그래서 이 시리즈의 목적은 분명하다.“Bioanalysis를 ‘절차’가 아니라 ‘판단의 학문’으로 다시 ..

– 장비 운용부터 전처리, 데이터 해석까지 “실무형 분석 인력”으로 성장시키는 설계 전략제약회사 분석팀에 신입 연구원이 들어오면 가장 먼저 마주하는 질문은 늘 같다.“이 친구를 언제부터 실험에 투입할 수 있을까?”하지만 이 질문은 사실 반대로 던져져야 한다.“이 연구원이 분석 결과에 ‘책임’을 질 수 있는 시점은 언제인가?”LC-MS/MS, HPLC, GC, LBA, metabolomics, bioanalysis…장비는 점점 고도화되지만, 분석 결과의 신뢰성은 여전히 사람의 이해도와 판단력에 의해 좌우된다.그렇기 때문에 분석팀 신입 교육은 단순한 장비 트레이닝이 아니라,👉 *데이터에 책임질 수 있는 분석가를 만드는 과정’이어야 한다.이 글에서는 신약개발·바이오분석 조직에서 실제로 효과적인신입 연구원 교..