제약회사 연구원의 블로그

데이터를 ‘정리’하는 과정에서 진짜 차이를 지워버릴 때데이터를 처음 받아보면가장 먼저 드는 생각은 이것이다.“값이 너무 들쭉날쭉하다”샘플 간 intensity가 다르고,run마다 scale이 다르고,어떤 샘플은 전체적으로 높고어떤 샘플은 낮다.그래서 우리는 자연스럽게다음 단계를 떠올린다.Normalization전체를 맞추고비교 가능하게 만들고noise를 줄인다이건 너무 당연한 과정이다.그래서 오히려의심하지 않는다.하지만 문제는바로 여기서 시작된다.normalization은 ‘보정’이 아니라 ‘가정’이다우리는 보통 normalization을기술적인 보정이라고 생각한다.하지만 실제로는 그렇지 않다.Normalization은 항상하나의 전제를 포함한다.전체 signal은 비슷하다대부분 feature는 변하지 ..

우리가 보고 있는 변화는 진짜인가, 아니면 측정의 산물인가metabolomics 데이터를 해석하다 보면어느 순간부터 확신이 생긴다.“이건 분명히 biological difference다.”그런데 시간이 지나고,다른 batch나 다른 cohort에서 같은 분석을 반복하면그 확신은 너무 쉽게 무너진다.같은 pathway, 같은 metabolite인데결과가 재현되지 않는다.이때 많은 사람들이“샘플이 다르기 때문”이라고 생각한다.하지만 실제로 더 자주 등장하는 원인은 이것이다.matrix effect.문제는 이 matrix effect가굉장히 그럴듯하게 “biological signal처럼 보인다”는 점이다.그래서 이 둘을 구분하는 능력은metabolomics 분석에서 가장 중요한 역량 중 하나다.1. Matr..

— 우리는 농도를 측정하는 것이 아니라 ‘경쟁의 결과’를 보고 있다metabolomics 데이터를 처음 해석할 때, 대부분 이렇게 생각한다.“이 피크는 이 metabolite의 농도를 반영한다.”이 문장은 틀린 말은 아니다.하지만 정확한 말도 아니다.조금 더 솔직하게 말하면, 우리가 LC-MS에서 보고 있는 신호는순수한 농도 값이 아니라, 수많은 화합물 사이의 경쟁 결과다.그리고 그 경쟁의 중심에는 항상 하나의 현상이 있다.바로 ion suppression이다.이 현상은 단순히 “신호가 줄어든다”는 수준의 문제가 아니다.더 본질적인 문제는 이것이다.ion suppression은 metabolite의 상대적 관계를 왜곡하고,그 결과 pathway 해석 자체를 바꿔버린다.1. Ion suppression은 ..

– 통계적 유의성과 생물학적 의미 사이에서 균형을 잡는 방법Metabolomics 연구를 진행하다 보면 매우 흥미로운 순간을 맞이하게 된다. 수천 개의 feature를 분석한 뒤 통계 분석을 수행하면 여러 metabolite가 통계적으로 유의한 차이를 보이기 시작한다. volcano plot이나 heatmap을 보면 질병군과 대조군이 분명하게 분리되고, 특정 metabolite들은 매우 낮은 p-value를 나타낸다. 연구자는 자연스럽게 이러한 결과를 기반으로 새로운 생물학적 해석을 시도하게 된다.하지만 metabolomics 연구에서는 바로 이 지점에서 중요한 위험이 존재한다. false discovery, 즉 실제로는 의미 없는 신호를 중요한 생물학적 변화로 해석하는 오류가 매우 쉽게 발생할 수 있기..