제약회사 연구원의 블로그

1. Batch effect는 단순한 오차가 아니다✔ 일반적인 오해“조금의 drift”“보정하면 해결되는 기술적 문제”✔ 실제 영향Batch effect는 데이터를 다음과 같이 바꾼다:가짜 그룹 차이 생성진짜 biological signal 제거biomarker 후보 뒤바뀜모델 예측력 과대평가재현성 붕괴👉 즉, 연구 결론 자체를 바꿔버린다.2. 가장 위험한 왜곡: 가짜 biological difference 생성시나리오Batch 1 → ControlBatch 2 → Disease결과PCA에서 완벽한 separation 발생→ 연구자는 질병 특이 metabolite라고 해석실제 원인MS sensitivity driftcolumn agingmatrix effect 변화👉 질병이 아니라 분석 순서가 차이를..

1. 왜 이 구분이 그렇게 중요한가metabolomics 데이터의 변이는 크게 두 축에서 발생한다.✔ Biological variation (생물학적 변이)개인 간 유전적 차이식이, 생활습관, 약물 복용질병 상태circadian rhythmmicrobiome 차이👉 연구자가 찾고 싶은 진짜 신호✔ Analytical variation (분석 변이)sample preparation 오차extraction efficiency 차이LC retention time driftMS sensitivity fluctuationbatch effection suppression / matrix effect👉 제거하거나 보정해야 할 기술적 노이즈2. 가장 먼저 확인해야 할 질문실무에서는 항상 이 질문부터 시작한다.❓ 질..

같은 혈장 샘플을 두 번 분석했는데feature 수가 달라지고, PCA 위치가 바뀌고,심지어 주요 metabolite의 상대적 abundance까지 달라지는 경험.이때 가장 먼저 떠오르는 질문은 이것입니다.무엇이 바뀌었는가?놀랍게도, 표면적으로는 아무것도 바뀌지 않은 것처럼 보입니다.같은 샘플같은 LC 조건같은 MS 설정QC도 정상그럼에도 결과는 달라집니다.이 현상을 이해하려면“샘플”이라는 단어를 다시 정의해야 합니다.1️⃣ 샘플은 고정된 물질이 아니라 ‘변하는 시스템’이다우리는 종종 샘플을 정적인 대상으로 생각합니다.하지만 실제 생물학적 샘플은 시간에 따라 변합니다.보관 중에도 대사 반응은 계속된다냉동 보관 중이라도 완전히 멈추는 것은 아닙니다.효소 잔존 활성산화 반응미생물 대사 (특히 stool, u..

1. 규모 확장 시 LC-MS 조직이 망가지는 7개의 지점1️⃣ Method 다양성 폭발 (Method Proliferation Collapse)📉 현상유사한 분석이지만 method가 계속 새로 생성됨method 수는 늘어나는데 재사용률은 감소예:plasma method v1, v2, v3…같은 analyte인데 column만 다른 method 5개 존재🔥 왜 망가지는가개인별 최적화 → 표준 부재기술 이전 실패 경험 → 새로 개발 선호“내 method가 더 안정적” 심리🚨 조기 신호같은 분석 대상인데 SOP가 여러 개method transfer보다 method redevelopment가 더 많음2️⃣ Data 해석 기준의 분열 (Interpretation Drift)📉 현상분석자마다 accept/..

– 같은 암이어도 같은 대사가 아니다1️⃣ 종양 이질성(Tumor heterogeneity): 동일 질병이 아니다암은 단일 질병이 아니라 분자적으로 서로 다른 질환들의 집합입니다.같은 진단명, 다른 대사 상태예: 유방암HER2+ER/PR+Triple negative각 subtype은:에너지 대사지질 대사아미노산 소비산화 스트레스 대응가 서로 다릅니다.👉 같은 “유방암” 환자군이라도 metabolomics signature는 달라질 수밖에 없습니다.2️⃣ 종양 내 이질성(Intra-tumor heterogeneity)하나의 종양 내부에서도 대사가 균일하지 않습니다.저산소 영역 → glycolysis 증가혈관 인접 영역 → oxidative phosphorylation 유지면역세포 침윤 영역 → 면역 대사..

p-value가 처방을 바꾸지 못할 때1️⃣ 차이는 있지만 ‘치료 범위 안’에 있을 때예시그룹 A 평균 농도: 8.2 µg/mL그룹 B 평균 농도: 9.1 µg/mLp = 0.003 (통계적으로 유의)하지만 치료 범위가 5–15 µg/mL라면?👉 두 그룹 모두 치료 범위 내👉 용량 조절 필요 없음임상 결론→ 의미 없음2️⃣ 평균 차이가 개별 환자 결정에 적용되지 않을 때TDM은 집단 연구가 아니라 개별 환자 최적화가 목적입니다.연구 결과:특정 유전자형에서 평균 농도 20% 증가 (p 임상 현실:환자 간 변동성 ±50%개별 환자 예측 불가👉 집단 평균 차이는 개별 환자 용량 결정에 쓸 수 없음3️⃣ 효과 크기(effect size)가 임상 임계값보다 작을 때예시농도 차이: 0.7 µg/mL통계적으로 ..

– 측정에서 ‘행동 가능한 정보(actionable insight)’로1️⃣ 첫 번째 오해: “정량 정확도 = 임상 유용성”많은 연구가 여기서 멈춥니다.✔ LLOQ 달성✔ CV ✔ recovery 안정✔ matrix effect 통제→ 논문 출판 가능→ 하지만 임상에서는 질문이 다릅니다.임상의가 묻는 질문:이 수치가 위험한가?치료를 바꿔야 하는가?예후를 예측하는가?다른 검사보다 나은가?👉 정량 정확도는 필수 조건이지만👉 임상 유용성은 완전히 다른 차원입니다.2️⃣ 임상 의사결정으로 연결되기 위한 4단계 구조Targeted metabolomics 결과가 임상에서 쓰이려면다음 4단계를 모두 통과해야 합니다.① Analytical validity→ 정확하게 측정되는가② Clinical validity→ 질..

‘모르기 때문에 안전했던 시기’가 끝난다1️⃣ 문제 ①: “과잉 해석(over-interpretation)”의 폭발기존:대부분의 feature는 unknown해석 가능한 신호만 제한적으로 사용보수적 결론 가능bottleneck 붕괴 이후:수천 개 feature에 구조 class 추정pathway 연결 가능biological 의미 자동 생성👉 문제는 여기서 시작됩니다.위험한 문장 예시“이 환자군에서 산화 스트레스 증가가 관찰됨”“지질 대사 이상이 암 진행과 관련됨”이 문장들이:실제 causal 관계가 아니라annotation 알고리즘의 편향일 가능성2️⃣ 문제 ②: False plausibility의 증가Foundation model 또는 고급 annotation 시스템은“그럴듯한 설명”을 매우 잘 만들..