제약회사 연구원의 블로그

– LC-MS 기반 metabolomics 해석에서 가장 자주 발생하는 오해LC-MS 기반 metabolomics 데이터를 처음 분석하는 연구자들이 가장 자주 하는 질문 중 하나는 이것이다.“같은 m/z라면 같은 metabolite 아닌가요?”표면적으로 보면 이 질문은 매우 합리적으로 보인다. 질량분석기에서 측정되는 값은 mass-to-charge ratio(m/z)이기 때문에, 동일한 m/z가 검출된다면 동일한 분자를 의미할 것처럼 보이기 때문이다. 실제로 metabolomics 데이터 처리 과정에서도 feature는 보통 m/z와 retention time 조합으로 정의된다.하지만 실제 LC-MS 데이터 해석에서는 동일한 m/z 값이 완전히 다른 생물학적 의미를 가진 신호일 수 있다. 심지어 같은 샘..

rule 기반 판단에서 ‘패턴 이해’로의 이동1️⃣ 기존 LC-MS 해석의 출발점: “이 피크는 무엇인가?”전통적인 LC-MS 해석은 항상 단일 질문에서 시작합니다.이 피크의 m/z는 무엇인가RT가 맞는가fragment가 reference와 일치하는가library hit score가 기준을 넘는가즉, 해석의 구조는 늘 이랬습니다.관측 → 기준 대조 → 일치 여부 판단이 방식은 정확하지만, 근본적인 한계를 갖습니다.2️⃣ 기존 방식의 구조적 한계 (annotation bottleneck의 본질)① reference가 없는 것은 해석 불가novel metaboliteunexpected fragmentin-source fragmentationmatrix-specific adduct→ “모르겠다”로 끝남② 피크..

– 성능보다 먼저 필요한 건 “이 결과를 누가 책임질 수 있는가”다1️⃣ LC-MS 분석은 ‘맞추는 기술’이 아니라 ‘설명해야 하는 기술’이다일반적인 AI 적용 사례에서는정확도가 어느 정도 높으면 실사용이 가능하다.하지만 LC-MS는 다르다.결과 하나가 임상 의사결정으로 이어지고규제 문서에 포함되며수년 뒤 audit에서 다시 꺼내진다즉 LC-MS 결과는 항상 이 질문을 동반한다.“왜 이렇게 나왔는가?”Explainable AI가 없으면이 질문에 답할 방법이 없다.👉 LC-MS 분석에서 설명 불가능한 결과는틀린 결과와 동일한 취급을 받는다.2️⃣ QA와 규제는 ‘모델’을 보지 않고 ‘판단 경로’를 본다현장에서 자주 벌어지는 장면이 있다.데이터 사이언티스트:“이 모델은 accuracy가 98%입니다”QA의..

slope drift의 숨은 원인들1. “이번 배치는 slope가 좀 다르네요”라는 말의 정체LC-MS/MS 분석 회의에서가장 자주, 가장 가볍게 나오는 말 중 하나가 이것이다.“이번 배치는 slope가 조금 다르네요.”그리고 보통 이렇게 이어진다.R²는 괜찮음back-calculated accuracy도 허용 범위QC도 통과그래서 결론은 늘 같다.“사용에는 문제 없습니다.”하지만 여기서 놓치는 사실이 있다.slope가 바뀌었다는 건, 이미 시스템이 바뀌었다는 신호라는 점이다.2. Calibration curve는 ‘선’이 아니라 ‘시스템의 지문’이다우리는 calibration curve를종종 단순히 이렇게 생각한다.농도 vs response의 직선정량을 위한 수학적 도구하지만 실제로 calibratio..

– 코드가 아니라 ‘판단 기준’을 문서로 남기는 기술 1. 자동화는 되어 있는데, SOP에는 왜 남지 않는가많은 분석팀이 이런 상태에 있다.R 기반 자동화 파이프라인은 잘 돌아가고QC, trend, anomaly 결과도 매일 확인하지만SOP에는 여전히 예전 문장이 그대로 남아 있다예를 들면 이런 식이다.“QC 결과를 검토하여 분석 적합성을 판단한다.”이 문장은 틀리지 않다.하지만 아무것도 설명하지 않는다.그리고 audit에서 항상 같은 질문이 나온다.“검토했다는 근거는 무엇입니까?”자동화의 가치는이 질문에 답할 수 있을 때 비로소 완성된다.2. 가장 큰 오해: “SOP에 코드를 넣어야 한다”R 자동화를 SOP로 옮기려 할 때가장 흔한 실수는 이것이다.“이 R 스크립트를 SOP에 어떻게 써야 하지?”정답은..

실제 조직 도입 사례 –코드를 들여온 게 아니라, 판단을 구조화했다”1. 자동화는 늘 필요했지만, 아무도 시작하지 못했다LC-MS 분석팀에서 “자동화”라는 단어는항상 회의실 어딘가에 떠 있었지만,실제로 손에 잡히는 형태로 내려온 적은 거의 없었다.데이터는 늘 많았고검토 시간은 늘 부족했고QC fail이 나면 항상 “사람”이 원인이었다하지만 그걸 구조적으로 바꾸자는 논의는언제나 이렇게 끝났다.“일단 지금도 돌아가니까…”이 사례의 시작도대부분의 제약·CRO 조직과 다르지 않았다.2. 배경: Multi-project, Multi-batch, Multi-analyst 환경이 조직은 다음과 같은 특징을 갖고 있었다.PK / TDM / tox bioanalysis를 동시에 수행LC-MS/MS 장비 6대 이상분석가 ..

– 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..