제약회사 연구원의 블로그

같은 샘플인데 왜 column만 바꿨는데 proteome이 달라질까Proteomics를 처음 시작할 때 LC column은 생각보다 단순한 부품처럼 보인다. 대부분의 관심은 mass spectrometer 쪽으로 향한다. Orbitrap resolution은 어느 정도인지, scan speed는 충분한지, DIA를 쓸지 DDA를 쓸지 같은 이야기들이 훨씬 중요하게 느껴진다. 반면 LC column은 그저 peptide를 분리해서 넘겨주는 소모품 정도로 취급되는 경우가 많다. 실제로 실험실에서도 column은 어느 순간부터 “원래 쓰던 것”을 계속 사용하는 영역이 된다. 누군가 예전에 잘 쓰던 제품을 반복 구매하고, 문제가 생기면 새것으로 교체하는 정도로 끝난다.그런데 데이터를 오래 보다 보면 이상한 순간..

Charge state 분포가 proteomics 해석을 바꾸는 이유Proteomics 데이터를 오래 보다 보면 이상한 순간들이 반복된다. 분명 같은 샘플이고, 같은 장비이며, gradient도 거의 동일한데 어떤 peptide는 특정 run에서만 유독 잘 보인다. 반대로 이전 run에서는 안정적으로 검출되던 peptide가 어느 날 갑자기 intensity가 급격히 감소하거나 identification에서 완전히 사라지기도 한다. 처음 이런 현상을 경험하면 대부분 장비 컨디션을 의심한다. spray가 흔들렸나, column 상태가 나빠졌나, calibration이 틀어졌나 같은 생각부터 하게 된다. 하지만 QC가 멀쩡하고 다른 peptide들은 안정적으로 검출된다면 이야기가 달라진다. 이 시점부터는 단..

— 우리는 펩타이드를 보는 것이 아니라, 부서진 조각을 해석하고 있다proteomics 데이터를 처음 접하면대부분은 이렇게 생각한다.“MS1에서 peptide를 잡고,MS/MS에서 확인하면 되는 거 아닌가?”이 말은 틀린 건 아니다.하지만 중요한 한 단계가 빠져 있다.👉 그 peptide는 우리가 직접 보는 것이 아니라,부서진 조각을 통해 ‘추론’하는 것이라는 점이다.그리고 그 조각을 어떻게 부수느냐가바로 fragmentation 조건이다.우리는 ‘존재’를 보는 것이 아니라 ‘패턴’을 본다MS/MS에서 얻는 것은완전한 구조 정보가 아니다.b-iony-ion일부 중성 손실noise이런 조각들이 섞인 스펙트럼이다.search algorithm은이 패턴을 보고👉 “이 peptide일 가능성이 높다”라고 판..

— 우리는 다른 방식으로 측정하는 게 아니라, 다른 방식으로 ‘선택’하고 있다처음 proteomics 데이터를 접하면DDA와 DIA는 단순히 두 가지 acquisition 방식처럼 보인다.DDA는 기존 방식DIA는 더 발전된 방식그래서 자연스럽게 이렇게 생각하게 된다.“둘 다 같은 샘플을 분석하는 거니까결과는 비슷해야 하지 않을까?”하지만 실제로 데이터를 비교해보면이 기대는 쉽게 무너진다.같은 샘플인데도검출되는 단백질 수가 다르고특정 pathway는 한쪽에서만 보이고differential expression 결과까지 달라진다이건 단순한 기술적 차이가 아니다.👉 데이터를 만들어내는 방식 자체가 다르기 때문이다출발점부터 다르다: “무엇을 볼 것인가”DDA와 DIA의 가장 큰 차이는측정 방식이 아니라👉 무..

— 더 선명하게 보는 것이 항상 더 정확한 것은 아닌 이유처음 장비 스펙을 볼 때많은 사람들이 자연스럽게 이렇게 생각합니다.“resolution이 높을수록 좋은 거 아닌가?”이건 틀린 말은 아닙니다.실제로 높은 resolution은 분명히 장점이 많습니다.peak를 더 잘 구분할 수 있고질량 정확도가 올라가고interference를 줄일 수 있습니다그래서 자연스럽게 이어집니다.“그럼 identification도 더 정확해지겠네”여기까지는 맞습니다.하지만 실제 데이터를 다뤄보면조금 다른 경험을 하게 됩니다.같은 샘플인데resolution을 높였더니 protein 수가 줄어들기도 하고반대로 늘어나기도 하고특정 peptide는 아예 사라지기도 합니다이건 단순한 성능 향상의 문제가 아닙니다.👉 무엇을 볼 수 ..

— 우리가 보고 있는 것은 단백질이 아니라, 단백질의 ‘조각’이다처음 proteomics 데이터를 접하면자연스럽게 이렇게 생각하게 된다.“이건 단백질 데이터다”리스트에는 단백질 이름이 있고,각각의 abundance 값이 있고,그 변화가 정리되어 있다.그래서 해석도 자연스럽게 이어진다.이 단백질이 증가했다이 단백질이 감소했다이건 너무 당연한 흐름이라대부분 의심하지 않는다.하지만 proteomics를 조금 더 깊이 들여다보면이 전제가 얼마나 위험한지 보이기 시작한다.우리는 단백질을 직접 측정하지 않는다LC-MS 기반 proteomics에서실제로 측정하는 것은 단백질이 아니다.우리는trypsin으로 단백질을 잘라서peptide를 만들고그 peptide의 signal을 측정한다즉,proteomics는 prote..

— 우리는 단백질을 보고 있는가, 아니면 시스템이 보여주는 일부를 해석하고 있는가처음 proteomics 데이터를 접하면이렇게 생각하기 쉽다.“이건 단백질의 목록이다”검출된 단백질 리스트,각각의 abundance 값,그리고 그 변화.모든 것이 명확해 보인다.그래서 자연스럽게 이렇게 이어진다.검출되었다 → 존재한다검출되지 않았다 → 없다이건 너무 직관적이라의심하지 않게 된다.하지만 이 전제는proteomics에서 가장 위험한 착각 중 하나다.우리는 ‘존재’를 측정하지 않는다proteomics에서 우리가 실제로 측정하는 것은단백질 그 자체가 아니다.우리는peptide fragmention signaldetector response를 측정한다.그리고 그 신호를 기반으로단백질의 존재를 “추론”한다.즉,prote..

우리는 단백질의 양을 측정하고 있는가, 아니면 신호의 결과를 해석하고 있는가proteomics 데이터를 처음 접했을 때,대부분의 사람들은 같은 방식으로 이해한다.“이 값은 단백질의 양이다.”그래서 자연스럽게 이렇게 이어진다.값이 높다 → 단백질이 많다값이 낮다 → 단백질이 적다이 논리는 직관적이고,그래서 더 위험하다.왜냐하면 이 전제는절반만 맞고, 절반은 틀리기 때문이다.그리고 이 차이를 이해하지 못하는 순간,proteomics 해석은 완전히 다른 방향으로 흘러가기 시작한다.1. 우리가 보고 있는 ‘abundance’의 정체proteomics에서 말하는 abundance는실제로 무엇일까?많은 경우 이것은 다음에서 나온다.peptide intensityspectral countreporter ion sig..