제약회사 연구원의 블로그

— 같은 샘플인데 왜 전혀 다른 결론이 나오는가 metabolomics 데이터를 처음 받아봤을 때의 당혹감은 쉽게 잊히지 않는다.같은 샘플을 분석했는데,조건이 조금만 바뀌어도 결과가 완전히 달라진다.어떤 날은 특정 metabolite가 뚜렷하게 보이고,다른 날은 거의 사라진다.처음에는 장비 문제라고 생각하기 쉽다.하지만 경험이 쌓일수록 알게 된다.문제는 장비가 아니라우리가 설정한 LC-MS 조건 그 자체라는 것을.그리고 더 중요한 사실은이 조건들이 단순히 “신호 강도”만 바꾸는 것이 아니라결과 해석의 방향 자체를 바꾼다는 점이다.1. Chromatography가 결정하는 ‘보이는 세계’LC 조건은 metabolomics에서사실상 “무엇을 볼 것인가”를 결정한다.Reverse-phase vs HILICRe..

– 논문에서는 성공하지만 병원에서는 사라지는 이유 생명과학 연구에서 biomarker 발견은 매우 중요한 목표 중 하나이다. 새로운 biomarker는 질병의 조기 진단, 치료 반응 예측, 환자 분류 등 다양한 임상 의사결정에 활용될 수 있기 때문이다. 실제로 genomics, proteomics, metabolomics 연구에서는 매년 수많은 biomarker 후보가 보고된다.그러나 흥미로운 사실이 하나 있다. 논문에서는 매우 유망해 보이던 biomarker가 실제 임상 검사로 이어지는 경우는 극히 드물다는 점이다.많은 연구에서 다음과 같은 과정을 거친다.discovery cohort에서 유의미한 biomarker 발견논문 발표후속 연구에서 재현 실패임상 적용 단계에서 중단이러한 패턴은 특정 분야에만 ..

– 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 ..