제약회사 연구원의 블로그

– p-value가 의미를 보장하지 않는 순간 생명과학 연구에서 통계적 유의성(statistical significance)은 매우 중요한 기준처럼 보인다. 연구 결과를 해석할 때 대부분의 논문은 p-value를 중심으로 결과를 설명한다. p-value가 0.05보다 작으면 의미 있는 결과로 간주되고, 그보다 크면 의미 없는 결과로 간주되는 경우가 많다.그러나 실제 연구 현장, 특히 임상 연구나 omics 연구를 진행하다 보면 통계적으로는 매우 유의하지만 임상적으로는 거의 의미가 없는 결과를 자주 만나게 된다. 논문에서는 강력한 결과처럼 보이지만 실제 환자 진료나 치료 결정에는 아무런 영향을 주지 못하는 경우다.이러한 현상은 통계 분석 자체의 문제가 아니라 통계적 질문과 임상적 질문이 서로 다르기 때문에..

– 데이터 해석 도구가 결론처럼 보이기 시작할 때Omics 연구를 진행하다 보면 거의 모든 분석의 마지막 단계에서 등장하는 그림이 있다. 바로 pathway enrichment 결과이다.Transcriptomics, proteomics, metabolomics, 심지어 multi-omics 연구에서도 분석이 끝나면 흔히 다음과 같은 결과가 등장한다.Glycolysis pathway enrichmentTCA cycle alterationAmino acid metabolism dysregulationLipid metabolism pathway activation그리고 많은 논문에서 이러한 결과는 다음과 같은 문장으로 이어진다.“본 연구 결과는 해당 질병에서 glycolysis pathway가 활성화되어 있음..

– 단백질 abundance와 대사 상태가 다른 방향을 가리킬 때 Multi-omics 연구를 진행하다 보면 자주 등장하는 상황이 있다. Proteomics 데이터와 metabolomics 데이터가 서로 다른 방향의 결과를 보여주는 경우이다.예를 들어 proteomics 분석에서는 특정 metabolic enzyme의 abundance가 증가한 것으로 나타났는데, metabolomics 데이터에서는 해당 pathway의 metabolite 농도가 거의 변하지 않거나 오히려 감소하는 경우가 나타날 수 있다. 반대로 metabolite 변화는 크게 나타나지만 관련 enzyme 단백질 수준에서는 뚜렷한 변화가 보이지 않는 경우도 있다.이러한 상황을 처음 접하면 연구자는 자연스럽게 데이터의 신뢰성부터 의심하게 ..

유전자와 표현형 사이의 ‘기능적 번역 계층’1. Multi-omics의 구조: 정보 흐름 관점생명 시스템을 정보 흐름으로 보면 다음과 같습니다.Genome → Transcriptome → Proteome → Metabolome → Phenotype각 단계의 의미: Omics의미한계Genomics가능성 (potential)실제 발현 여부 모름Transcriptomics발현 계획단백질 생성 보장 없음Proteomics실제 실행자동적 조절 복잡Metabolomics결과물원인 추적 어려움👉 Proteomics는 계획과 결과 사이의 실행 계층2. 왜 transcriptomics만으로는 충분하지 않은가흔한 오해:mRNA가 증가하면 단백질도 증가한다현실:mRNA–protein 상관계수: 0.3–0.6 수준번역 효율..

많이 검출된 단백질이 생물학적으로 중요한가?1. Proteomics 데이터의 기본 착각Proteomics 결과에서 흔히 보는 표: ProteinFold changep-valueAlbumin↑ 1.20.01CRP↑ 1.50.02Transcription factor X변화 없음0.8👉 대부분 연구자는 변화가 큰 단백질에 집중합니다.하지만 실제 생물학적 영향력은 정반대일 수 있습니다.✔ Albumin: 농도 높지만 기능 변화 없음✔ TF X: 농도 변화 없지만 활성 변화 → 질병 핵심 조절자2. Abundance는 측정 용이성의 결과일 뿐이다왜 어떤 단백질이 더 자주 보이는가?✔ 고농도✔ 이온화 효율 높음✔ tryptic peptide 생성 용이✔ database 매칭 용이👉 기술적 검출 편향(detect..

1. DDA에서 DIA로: 왜 변화가 필요했는가DDA의 강점새로운 단백질 발견에 유리높은 MS/MS 스펙트럼 품질라이브러리 구축 용이그러나 현실적 한계문제영향stochastic sampling재현성 저하missing value통계 분석 왜곡low-abundance 검출 불안정biomarker 신뢰도 하락multi-site 비교 어려움임상 적용 제한👉 연구 단계에서는 유용하지만,정량 플랫폼으로는 불안정했다.2. DIA의 핵심 개념: “모든 것을 본다”DIA 작동 방식m/z 범위를 일정 window로 분할각 window 내 모든 precursor를 fragmentation반복적으로 전체 범위 스캔👉 선택이 아닌 전수 조사 방식핵심 차이특징DDADIAprecursor 선택상위 N개전체샘플링 방식확률적체계적..

– “단일 오믹스로는 절대 보이지 않는 신호들”1. 서론 – “독성은 한 지점에서 발현되지만, 원인은 네트워크 전체에서 시작된다”신약 개발 과정에서 가장 치명적인 리스크는 결국 “독성”이다.in vitro에서는 아무 문제 없던 화합물이 in vivo에서 갑자기 간독성을 보이고,임상에서는 환자 일부에서 예측 불가능한 부작용이 터진다.전통적인 방식은 특정 biomarker를 모니터링하거나PK profile에서 노출도(exposure)를 확인하는 수준이었다.하지만 독성이란 게 그렇게 단순하지 않다.독성은 대개 대사 경로의 무너짐(metabolic collapse)과단백체 수준에서의 기능적 붕괴(proteome disruption)가 복합적으로 일어나면서 나타난다.그래서 등장하는 접근이 바로 Proteomics..