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..

단백질 변화는 메커니즘의 증거가 아니라, 메커니즘을 추정하기 위한 단서일 뿐이다Proteomics 연구를 하다 보면 매우 익숙한 흐름이 있다.질병군과 대조군을 비교한다.수천 개의 단백질 중 일부가 유의하게 변화한다.Pathway enrichment를 수행한다.Network analysis를 수행한다.그리고 마지막에 이런 결론이 등장한다."본 연구 결과는 PI3K-AKT signaling pathway가 질병 진행을 유도함을 시사한다.""Protein X가 염증 반응을 조절하는 핵심 메커니즘으로 확인되었다.""Mitochondrial dysfunction이 주요 병인 기전으로 작용한다."논문을 읽는 입장에서는 매우 자연스럽게 느껴진다.실제로 많은 연구가 이런 구조를 가지고 있다.문제는 여기서 사용되는 "m..

단백질의 이름을 아는 것과, 그 단백질이 실제로 무엇을 하고 있는지를 아는 것은 전혀 다른 문제다Proteomics 분석을 처음 시작하면 데이터는 대개 숫자로 가득 차 있다.수천 개의 protein ID, fold change, p-value, abundance 값들이 나열된다.그 자체로는 의미를 읽어내기 어렵다.그래서 대부분의 연구자는 다음 단계로 넘어간다.Functional annotation.즉 검출된 단백질에 기능(function)을 부여하는 과정이다.예를 들어 어떤 단백질이 검출되면:Cell cycleApoptosisInflammationMetabolismSignal transduction같은 기능 카테고리가 붙는다.그리고 연구자는 그 순간부터 데이터를 "해석"하기 시작한다."Cell cycle..

우리가 보고 있는 상호작용은 실제 생물학일까, 아니면 데이터베이스가 만들어낸 환상일까Proteomics 논문을 읽다 보면 거의 빠지지 않고 등장하는 그림이 있다.Differentially expressed protein을 선별한 뒤, 그 단백질들을 interaction database에 넣고 네트워크를 만든 그림이다.수많은 단백질들이 서로 연결되어 있고, 중심에는 몇 개의 hub protein이 자리 잡고 있다. 연구자는 그 네트워크를 보며 특정 단백질이 질병의 핵심 조절자일 가능성을 이야기하고, 특정 pathway가 중요한 역할을 할 것이라고 해석한다.실제로 이런 분석은 이제 거의 표준 절차가 되었다.많은 연구에서 다음과 같은 흐름을 따른다.----------------------------------..

연결선이 많아질수록 진실에 가까워지는 것이 아니라, 오히려 멀어질 수도 있다Proteomics 연구를 진행하다 보면 어느 순간 반드시 만나게 되는 그림이 있다.수십 개 또는 수백 개의 단백질이 원처럼 배치되어 있고, 그 사이를 수많은 선이 연결하고 있는 네트워크 그림이다.처음 보면 굉장히 설득력이 있다.단순한 Volcano plot보다 훨씬 생물학적으로 보인다.Protein A가 Protein B와 연결되어 있고, Protein C는 여러 단백질과 동시에 연결되어 있다. 어떤 단백질은 네트워크 중앙에 크게 위치하고, 어떤 단백질은 주변부에 작게 배치된다.그리고 연구자는 자연스럽게 생각한다."중앙에 있는 단백질이 핵심 조절자겠구나.""연결선이 많은 단백질이 disease driver겠구나.""이 네트워크가..

단백질이 변했기 때문에 질병이 생긴 것일까, 아니면 질병 때문에 단백질이 변한 것일까Proteomics 연구를 하다 보면 어느 순간 매우 자연스럽게 사용하는 표현이 있다."이 단백질이 암 진행을 유도한다.""이 signaling pathway가 염증 반응을 활성화시킨다.""이 biomarker가 질병 발생의 원인이다."논문을 읽다 보면 이런 문장을 거의 매일 접하게 된다. Volcano plot에서 유의한 단백질을 찾고, pathway enrichment를 수행하고, network analysis까지 마치면 마치 생물학적 메커니즘이 밝혀진 것처럼 느껴진다.하지만 조금만 냉정하게 생각해 보면 한 가지 문제가 보인다.Proteomics가 실제로 측정한 것은 단지 abundance 변화뿐이라는 점이다.어떤 단..

Proteomics에서 가장 흔하지만 가장 위험한 해석 실수Proteomics 데이터를 분석하다 보면 가장 먼저 눈에 들어오는 것은 변화가 큰 단백질들이다.Volcano plot에서 오른쪽 위에 위치한 단백질.Fold change가 크고 p-value도 매우 작은 단백질.연구자는 자연스럽게 그 단백질에 주목한다.그리고 거의 반사적으로 이런 해석을 시작한다."이 단백질의 기능이 증가했다.""이 pathway가 활성화되었다.""이 단백질이 질병 진행을 촉진한다."사실 대부분의 Proteomics 논문은 이런 흐름으로 전개된다.---------------------------------------Protein abundance 증가↓기능 증가 추론↓생물학적 의미 부여↓메커니즘 제안----------------..

p-value 하나로 biology를 자르는 순간 벌어지는 일들Proteomics 데이터를 처음 분석하면 가장 먼저 배우는 것 중 하나가 cutoff다.p-value fold change > 2FDR 논문 대부분도 비슷한 기준을 사용한다. Volcano plot에는 빨간 점과 회색 점이 나뉘어 있고, significant protein list가 pathway analysis로 이어진다. 그래서 자연스럽게 이런 생각을 하게 된다.“통계 기준을 통과한 protein은 진짜 biology겠지.”실제로 statistical cutoff는 필요하다. Proteomics 데이터는 noise가 많고, thousands of proteins를 동시에 비교하기 때문에 우연한 변화도 계속 발생한다. 어떤 기준선은 반드시..