제약회사 연구원의 블로그

— 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..

– 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 ..