제약회사 연구원의 블로그

왜 논문에서는 분명히 보였던 바이오마커와 메커니즘이 다른 연구에서는 사라질까Proteomics 분야에서 오랫동안 일하다 보면 한 가지 이상한 경험을 반복하게 된다.논문에서는 매우 강력해 보였던 결과가 있다.p-value는 충분히 낮다.Fold change도 크다.Volcano plot도 깔끔하다.Pathway enrichment도 설득력 있다.논문 결론은 명확하다.특정 단백질은 질병의 핵심 바이오마커이며, 특정 pathway는 질병 발생의 중심 메커니즘이라고 주장한다.그런데 몇 달 뒤 다른 연구실에서 비슷한 실험을 수행한다.결과는 예상과 다르다.중요하다고 했던 단백질은 보이지 않는다.Pathway도 재현되지 않는다.Hub protein도 달라진다.심지어 같은 연구실에서 같은 실험을 반복해도 결과가 달라지..

— 왜 같은 실험을 다시 하면 다른 결과가 나오는가omics 데이터를 처음 다뤘을 때의 기억은 꽤 인상적이다.수천, 수만 개의 변수.그리고 그 안에서 튀어나오는 “유의미한 신호들”.처음 결과를 보면 대부분 비슷한 생각을 한다.“이 정도면 뭔가 잡힌 것 같은데?”하지만 시간이 지나고,다른 코호트에서 같은 분석을 반복해보면상황은 전혀 다르게 흘러간다.똑같은 방법을 썼는데도결과는 재현되지 않는다.이건 단순한 실수의 문제가 아니다.많은 omics 연구들이 비슷한 방식으로 설계되고,그 설계 자체가 재현성을 무너뜨린다. 1. 작은 샘플, 거대한 변수: 구조적인 불균형omics 연구의 가장 근본적인 문제는데이터 구조 자체에 있다.샘플 수 (n): 수십 ~ 수백변수 수 (p): 수천 ~ 수만즉, p >> n 구조다.이..

– 데이터가 많아질수록 오히려 결과가 흔들리는 이유최근 생명과학 연구에서 가장 많이 등장하는 단어 중 하나가 multi-omics이다.유전체, 전사체, 단백질체, 대사체 데이터를 함께 분석하면 생물학적 시스템을 더 정확하게 이해할 수 있을 것이라는 기대가 자연스럽게 따라온다. 실제로 많은 연구에서는 다음과 같은 구도를 제시한다.Genomics → 가능성(가능한 유전자 변이)Transcriptomics → 발현 변화Proteomics → 실제 단백질 수준Metabolomics → 최종 대사 상태이 네 가지 층위를 연결하면 질병의 메커니즘을 훨씬 명확하게 설명할 수 있을 것처럼 보인다. 그래서 multi-omics 통합 분석은 종종 “systems biology의 완성 단계”처럼 이야기되기도 한다.하지만 실..

– 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..

1. LLOQ는 ‘가장 낮은 농도’가 아니라 ‘가장 불안정한 지점’이다우리는 LLOQ를 흔히 이렇게 정의한다.S/N ≥ 10accuracy, precision 허용 범위 충족그래서 LLOQ는“기술적으로 가능한 가장 낮은 농도”처럼 느껴진다.하지만 실제 분석에서 LLOQ는시스템이 가장 불안정해지는 경계선이다.noise와 signal의 경계linearity가 무너지기 직전matrix effect가 가장 과장되는 구간즉,LLOQ는 정량의 시작점이 아니라정량이 붕괴되기 직전의 마지막 지점이다.2. “어제는 됐는데 오늘은 안 됩니다”의 정체Low LLOQ 분석에서가장 자주 듣는 말이다.“어제 batch에서는 잘 나왔는데요…”이 말이 반복된다는 건분석 조건이 unstable하다는 뜻이 아니다.오히려,분석 조건이 너..