제약회사 연구원의 블로그

질문이 아니라 ‘판단’에 가까운 말들Bioanalytical audit에서 reviewer는 대부분 정중하다.목소리를 높이지도 않고,직접적으로 “이건 문제다”라고 말하지도 않는다.하지만 어떤 문장이 나오면,그 순간 분석팀은 본능적으로 느낀다.“아, 이건 그냥 질문이 아니구나.”Audit에서 반복적으로 등장하는 코멘트들은대부분 정보 요청처럼 보이지만,실제로는 이미 리스크를 전제로 한 판단 문장에 가깝다.1️⃣ “Can you explain how you determined this result was acceptable?”이 문장은Audit에서 가장 흔하면서도 가장 치명적인 질문이다.표면적으로는 단순하다.결과는 기준을 만족QC도 pass그런데 reviewer가 묻는다“왜 acceptable하다고 판단했습니..

– 숫자의 합격이 아닌, 판단의 책임으로ICH M10 이전에도 bioanalytical validation은 까다로웠다.Accuracy ±15%, precision CV ≤15%, LLOQ ±20%.분명한 숫자 기준이 있었고,그 기준을 만족하면 우리는 익숙하게 이렇게 말해왔다.“Validation 결과, acceptable 합니다.”하지만 ICH M10이 시행된 이후,이 문장은 더 이상 안전하지 않다.같은 결과를 두고도 이제 규제기관은 이렇게 되묻는다.“왜 acceptable하다고 판단했습니까?”이 질문에 답하지 못하는 순간,그 데이터는 더 이상 regulatory acceptable이 아니다.1️⃣ ICH M10 이전의 ‘Acceptable’은 결과 중심이었다과거 bioanalysis validatio..

– IS 선택부터 Matrix Effect, Validation Trouble Shooting까지“SOP에 나오지 않는 판단의 영역을 해부하다”Bioanalysis 업무를 오래 해본 사람일수록 공감하는 사실이 하나 있다.문제의 80%는 SOP 바깥에서 발생한다는 점이다.SOP에는 internal standard를 사용하라고 적혀 있지만👉 어떤 IS가 ‘좋은’ IS인지에 대한 답은 없다가이드라인에는 matrix effect를 평가하라고 되어 있지만👉 어디까지 허용 가능한지에 대한 감각은 사람마다 다르다validation 항목은 명확하지만👉 실패했을 때 “왜” 실패했는지는 아무도 자세히 써주지 않는다그래서 이 시리즈의 목적은 분명하다.“Bioanalysis를 ‘절차’가 아니라 ‘판단의 학문’으로 다시 ..

1. “일단 돌려보자”로 시작된 분석 설계 부재초기 신약개발에서 가장 흔한 말은 이것이다.“지금은 exploratory니까일단 데이터부터 보자.”이 말 자체가 틀린 건 아니다.문제는 ‘일단’이 설계 없이 진행될 때다.분석 목적이 명확하지 않고필요한 정량 범위도 불분명하며PK를 볼 건지, exposure 확인만 할 건지도 애매한 상태이렇게 시작된 분석은데이터는 쌓이지만 해석은 불가능해진다.초기 단계의 리스크는데이터 부족이 아니라의미 없는 데이터의 축적이다.2. Bioanalysis 팀이 개발 전략 논의에서 배제되는 문제Discovery 단계에서는화학팀·생물팀이 중심이 되고bioanalysis는 종종 “지원 조직”으로 취급된다.그 결과,dosing 전략sampling time pointmatrix 선택이 b..

“데이터가 틀렸다”가 아니라, “우리는 당신을 믿을 수 없다”1. FDA Warning Letter는 왜 늘 비슷한 내용을 반복하는가FDA Warning Letter를 여러 건 읽다 보면놀라울 정도로 같은 유형의 지적이 반복된다.데이터 무결성(Data Integrity)Method validation 부적합SOP 미준수기록 불일치부적절한 재분석이걸 보면 이런 생각이 들기도 한다.“이 정도면 다들 알 텐데, 왜 계속 같은 문제가 나올까?”이유는 단순하다.FDA가 문제 삼는 건 실수 자체가 아니라, 그 실수가 가능해진 구조이기 때문이다.2. 가장 빈번한 지적 ① Data Integrity – “누가, 언제, 왜”가 사라진 데이터2.1 Raw data 무결성 훼손FDA Warning Letter에서 가장 자주..

“전처리는 기술이 아니라 전략이다”LC-MS/MS 기반 bioanalysis에서sample preparation은 흔히 이렇게 취급된다.“이미 정해진 루틴”“분석 전에 그냥 거치는 단계”“LC-MS 조건이 더 중요하다”그러나 실제 프로젝트 경험이 쌓일수록분석팀은 한 가지 사실을 뼈저리게 느낀다.문제가 생기는 지점의 70% 이상은LC나 MS가 아니라 sample preparation이다.Protein precipitation(PPT),Solid-phase extraction(SPE),Liquid–liquid extraction(LLE).이 세 가지 전처리 기법은교과서적으로는 장단점이 명확해 보이지만,실제 현장에서는 분석 목적에 따라 평가 기준이 완전히 달라진다.이 글에서는“어떤 전처리가 가장 좋은가?”가 ..

QC Set 기반 Column Qualification 전략LC-MS/MS 기반 정량 분석에서 column batch variability 문제는 누구나 한 번쯤 겪는다.처음에는 단순히 “이번에 받은 column이 뭔가 이상한가?”라고 생각하지만,실제로는 lot 변경이 method robustness에 크고 작은 영향을 주는 경우가 많다.국내 제약사 분석팀에서도, validation을 마치고 임상분석을 시작하려는 시점에새로운 column lot이 투입되면서 RT retention, peak shape, sensitivity가 흔들리는 상황이 부지기수다.특히 C18 계열 column이라 하더라도 제조사·lot별로 물성 차이가 분명 존재하고,이 차이가 분석 결과의 정밀도를 뒤흔드는 주요 원인이 된다.그래서 ..

의약품 개발이 글로벌로 확장되면서, 더 이상 하나의 분석실에서만 데이터를 생산하는 시대는 끝났다. 초기 비임상 단계에서는 제약사 내부 연구소 혹은 특정 CRO가 대부분의 생체시료 분석을 담당하지만, 개발이 확대될수록 여러 나라의 사이트(site)에서 PK/PD, TDM, ADA, 대사체 분석 등이 동시에 수행된다. 문제는 여기서부터 시작된다.같은 분석법을 사용했음에도 불구하고, A 사이트와 B 사이트의 데이터가 미묘하게—or 때로는 상당히—달라지는 현상.임상시험이 글로벌 규모로 확장될수록 이 문제는 더 자주 등장한다.그렇기 때문에 글로벌 임상에서 데이터를 신뢰성 있게 통합하기 위해 반드시 수행해야 하는 과정이 바로 Bioanalytical Method Bridging Study(생체분석법 브리징 스터디)..