제약회사 연구원의 블로그

많은 사람들이 AI를 '동정(Annotation) 도구'로 생각하지만, 진짜 변화는 다른 곳에서 시작되고 있다최근 Metabolomics 분야에서 AI 이야기가 나오면 대부분 가장 먼저 떠올리는 것이 있다.바로 metabolite annotation이다.실제로 수많은 논문과 컨퍼런스 발표가 다음과 같은 주제를 다룬다.MS/MS spectrum predictionIn silico fragmentationSpectral matchingUnknown metabolite identificationStructure prediction이런 흐름만 보면 AI가 Metabolomics에 가져올 가장 큰 변화는 "정체를 모르는 피크를 맞추는 것"처럼 보인다.물론 이것도 매우 중요한 변화다.실제로 Untargeted Me..

우리는 더 많은 것을 발견하게 되었을까, 아니면 더 많은 것을 해석하게 되었을까오랫동안 생명과학 연구는 하나의 전형적인 흐름을 따랐다.연구자는 먼저 가설(hypothesis)을 세운다.특정 단백질이 질병에 관여할 것이라고 생각한다.특정 효소가 약물 반응을 조절할 것이라고 예상한다.그리고 그 가설을 검증하기 위한 실험을 설계한다.이러한 방식은 지금도 과학의 기본 구조다.하지만 Metabolomics가 등장하면서 상황이 조금 달라졌다.특히 고해상도 LC-MS/MS 기반 Untargeted Metabolomics가 발전하면서 연구자들은 이전에는 불가능했던 질문을 하기 시작했다."우리가 무엇을 찾아야 하는지 모른다면?""아예 가설 없이 데이터를 보면 어떨까?""질병이 우리에게 알려주지 않은 변화는 무엇일까?"이..

LC-MS/MS가 아무리 좋아도 내부 표준이 틀리면 정량은 흔들린다Metabolomics 분석을 처음 시작하면 대부분의 관심은 질량분석기(MS)에 집중된다.어떤 장비를 사용하는가.Orbitrap인가, QTOF인가, Triple Quad인가.Resolution은 얼마인가.Mass accuracy는 어느 수준인가.물론 모두 중요하다.하지만 실제 정량 데이터를 오래 다루다 보면 연구자들은 조금 다른 사실을 깨닫게 된다.좋은 데이터와 나쁜 데이터를 가르는 가장 큰 차이 중 하나는 의외로 내부 표준(Internal Standard, IS) 선택에서 시작된다는 점이다.실제로 LC-MS/MS 기반 정량 분석에서 가장 위험한 상황은 장비가 고장 난 경우가 아니다.오히려 장비는 정상적으로 동작하고 있는데 내부 표준이 분..

분석 전 단계에서 이미 결과는 달라지고 있을 수 있다Metabolomics 연구를 처음 시작하면 대부분의 관심은 LC-MS 조건에 쏠린다.어떤 컬럼을 사용할 것인가.Gradient는 어떻게 설정할 것인가.ESI polarity는 무엇을 선택할 것인가.MS resolution은 얼마로 설정할 것인가.실제로 수개월 동안 method development에 시간을 투자하는 경우도 흔하다.하지만 경험이 쌓일수록 연구자들은 조금 다른 사실을 깨닫게 된다.결과를 가장 크게 바꾸는 요인은 때때로 LC-MS가 아니다.오히려 분석기가 켜지기도 전에 이미 결과가 달라져 있는 경우가 있다.바로 샘플 보관(sample storage) 때문이다.Metabolomics는 본질적으로 매우 불안정한 분자를 다룬다.Proteomics..

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 ..

— 환자의 상태가 아니라, 샘플의 변화가 결과를 만들고 있을 수도 있다임상 연구에서 metabolomics를 적용하면항상 기대가 크다.질병 특이적 biomarker 발견치료 반응 예측환자 stratification데이터는 화려하다.통계적으로 유의미한 결과도 나온다.그런데 어느 순간이상한 일이 발생한다.다른 병원에서 같은 연구를 했는데결과가 재현되지 않는다.또는같은 cohort에서도batch에 따라 결과가 달라진다.이때 대부분 이렇게 생각한다.환자군 차이인가분석 장비 차이인가하지만 실제 원인은훨씬 더 단순한 곳에 있는 경우가 많다.샘플이 이미 변해버렸기 때문이다.1. 임상 샘플은 ‘통제되지 않는 변수의 집합’이다실험실 샘플과 달리임상 샘플은 완전히 통제할 수 없다.채혈 시간 다름공복 여부 다름약물 복용 상..

— 우리는 보정을 하고 있는 걸까, 아니면 또 다른 편향을 만들고 있는 걸까처음 LC-MS 기반 metabolomics를 시작하면누구나 이렇게 배운다.“internal standard(IS)를 쓰면 정량이 정확해진다.”그래서 자연스럽게 생각한다.IS 넣었으니까 문제 없겠지normalization 했으니까 괜찮겠지하지만 실제 데이터를 다루다 보면이 믿음은 금방 흔들린다.internal standard를 넣었는데도결과가 이상하게 변하는 순간이 온다.batch마다 값이 달라지고특정 metabolite만 튀고biological interpretation이 맞지 않는다그때 비로소 깨닫게 된다.문제는 internal standard의 ‘존재’가 아니라‘선택’이었다는 것.1. internal standard는 만능이..

— 우리는 데이터를 보고 있는가, 아니면 조건이 만든 환상을 보고 있는가metabolomics 데이터를 처음 열어보는 순간,대부분의 사람들은 비슷한 감정을 느낀다.“이 안에 모든 정보가 들어 있다.”수천 개의 peak,정리된 feature table,그리고 통계적으로 정리된 결과들.이 모든 것이샘플의 상태를 그대로 보여주는 것처럼 느껴진다.하지만 이 믿음은생각보다 쉽게 무너진다.왜냐하면 metabolomics에서가장 중요한 구분이 하나 있기 때문이다.“보이는 것”과 “실제로 존재하는 것”은 다르다.그리고 이 차이를 이해하지 못하는 순간,해석은 이미 틀어지기 시작한다.1. LC-MS는 ‘현실’을 보여주지 않는다많은 사람들이 LC-MS 데이터를현실의 반영이라고 생각한다.하지만 실제로 LC-MS는현실을 그대로..