제약회사 연구원의 블로그

– 통계적 유의성과 생물학적 의미 사이에서 균형을 잡는 방법Metabolomics 연구를 진행하다 보면 매우 흥미로운 순간을 맞이하게 된다. 수천 개의 feature를 분석한 뒤 통계 분석을 수행하면 여러 metabolite가 통계적으로 유의한 차이를 보이기 시작한다. volcano plot이나 heatmap을 보면 질병군과 대조군이 분명하게 분리되고, 특정 metabolite들은 매우 낮은 p-value를 나타낸다. 연구자는 자연스럽게 이러한 결과를 기반으로 새로운 생물학적 해석을 시도하게 된다.하지만 metabolomics 연구에서는 바로 이 지점에서 중요한 위험이 존재한다. false discovery, 즉 실제로는 의미 없는 신호를 중요한 생물학적 변화로 해석하는 오류가 매우 쉽게 발생할 수 있기..

1. 왜 proteomics에서 Batch effect는 metabolomics보다 더 심각한가Metabolomics에서도 batch effect는 문제지만, proteomics에서는 다음 이유로 훨씬 증폭됩니다.✔ 단백질은 “측정 대상”이 아니라 “추론 대상”펩타이드 → 단백질 매핑 과정 존재missing peptide → 단백질 정량 왜곡batch별 peptide detection 차이 → 단백질 abundance drift✔ 샘플 준비 과정이 길고 복잡digestion efficiencydesalting recoverylabeling efficiency (TMT 등)✔ 장비 조건의 미세 변화에 매우 민감spray stabilityion transmissioncollision energy drift?..

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..