제약회사 연구원의 블로그

같은 혈장 샘플을 두 번 분석했는데feature 수가 달라지고, PCA 위치가 바뀌고,심지어 주요 metabolite의 상대적 abundance까지 달라지는 경험.이때 가장 먼저 떠오르는 질문은 이것입니다.무엇이 바뀌었는가?놀랍게도, 표면적으로는 아무것도 바뀌지 않은 것처럼 보입니다.같은 샘플같은 LC 조건같은 MS 설정QC도 정상그럼에도 결과는 달라집니다.이 현상을 이해하려면“샘플”이라는 단어를 다시 정의해야 합니다.1️⃣ 샘플은 고정된 물질이 아니라 ‘변하는 시스템’이다우리는 종종 샘플을 정적인 대상으로 생각합니다.하지만 실제 생물학적 샘플은 시간에 따라 변합니다.보관 중에도 대사 반응은 계속된다냉동 보관 중이라도 완전히 멈추는 것은 아닙니다.효소 잔존 활성산화 반응미생물 대사 (특히 stool, u..

‘모르기 때문에 안전했던 시기’가 끝난다1️⃣ 문제 ①: “과잉 해석(over-interpretation)”의 폭발기존:대부분의 feature는 unknown해석 가능한 신호만 제한적으로 사용보수적 결론 가능bottleneck 붕괴 이후:수천 개 feature에 구조 class 추정pathway 연결 가능biological 의미 자동 생성👉 문제는 여기서 시작됩니다.위험한 문장 예시“이 환자군에서 산화 스트레스 증가가 관찰됨”“지질 대사 이상이 암 진행과 관련됨”이 문장들이:실제 causal 관계가 아니라annotation 알고리즘의 편향일 가능성2️⃣ 문제 ②: False plausibility의 증가Foundation model 또는 고급 annotation 시스템은“그럴듯한 설명”을 매우 잘 만들..

TDM, Toxicology, Cancer Metabolism 사례로 보는 “대사체 데이터가 ‘의미 있는 신호’로 바뀌는 순간들” Metabolomics는 오랫동안 이렇게 평가받아 왔다.“재미있는 데이터는 많은데,실제 의사결정에는 쓰기 어렵다.”이 평가는 반은 맞고, 반은 틀리다.문제는 metabolomics 자체가 아니라, 어디까지를 ‘해석 가능한 데이터’로 볼 것인가에 대한 기준 부재였다.이 시리즈의 목표는 명확하다.“대사체 데이터가 언제, 어떻게 임상·독성·종양 연구에서‘결정에 영향을 주는 증거’로 작동하는지를 보여주는 것”Part 1. TDM(Therapeutic Drug Monitoring)에서의 Metabolomics– “혈중 농도 하나로는 설명되지 않는 환자 간 차이”전통적인 TDM은 명확하..

– metabolomics 해석 패러다임이 ‘이름 붙이기’에서 ‘신뢰도 관리’로 이동하는 이유1. Annotation confidence는 왜 늘 애매하게 남아 있었는가Metabolomics 논문을 수십 편만 읽어봐도 반복해서 등장하는 표현들이 있다.Putatively annotated metaboliteTentative identificationLevel 2 identification according to MSI guideline이 표현들은 모두 한 가지 사실을 우회적으로 말한다.“확실하다고 말하기에는 불안하고,그렇다고 무시하기에는 의미 있어 보인다.”Annotation confidence는 오랫동안 말로 표현되는 감각에 가까웠다.분석가는 마음속으로 이렇게 판단한다.이건 꽤 그럴듯하다이건 조금 위험하..

Metabolomics에서 annotation bottleneck은 기술 문제가 아니라 ‘해석의 한계’였다Metabolomics는 언제나 데이터 생산 속도가 해석 속도를 앞질러 왔다.LC-MS 성능은 해마다 좋아졌고, non-targeted 분석에서는 수천, 많게는 수만 개의 feature가 한 번의 실험에서 쏟아진다.문제는 그다음이다.분석가는 결국 몇 개의 peak 앞에 멈춰 선다.통계적으로 가장 유의한 것들, fold change가 큰 것들, 그림이 예쁜 것들.그리고 그중에서도 이름을 붙일 수 있는 것만 남긴다.이 과정은 자연스럽지만, 동시에 잔인하다.데이터의 대부분은 “이름이 없다는 이유”로 분석에서 탈락한다.이게 바로 annotation bottleneck의 실체다.중요한 점은, 이 병목이라이브러..

– “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..

– 데이터 기반 신약개발 패러다임의 전환점1. 서론: AI와 metabolomics가 바꾸는 제약산업의 미래최근 10년간 전 세계 제약 산업은 두 가지 거대한 축 위에서 재편되고 있다. 하나는 인공지능(AI) 이고, 다른 하나는 대사체학(Metabolomics) 이다.AI는 방대한 생명과학 데이터를 효율적으로 분석하여 신약 후보 물질을 빠르게 발굴하는 데 강점을 보이고, metabolomics는 생체 내에서 실제 일어나는 대사 변화를 정량적으로 포착함으로써 질병의 기능적 상태를 이해하게 해준다.국내 제약사들에게 이 두 기술의 융합은 단순한 연구 트렌드 이상의 의미를 갖는다.글로벌 제약사들이 이미 AI 기반 다중 오믹스(multi-omics) 플랫폼을 신약 개발 전 단계에 도입하고 있는 상황에서, 한국 제..

1. 서론: 약물 치료의 ‘실시간성’이라는 새로운 패러다임의학의 진보는 ‘정밀함(precision)’을 향해 끊임없이 나아가고 있다.유전자 분석(genomics), 단백질체(proteomics), 대사체학(metabolomics) 등이 발전하며, 약물 반응의 개별 차이를 이해할 수 있게 되었지만 여전히 임상 현장은 ‘정적(static)’인 데이터 중심이다.예를 들어, 환자가 항암제나 항응고제를 복용했을 때, 그 약물이 체내에서 실제로 얼마나 흡수되고, 대사되고, 배설되는지를 실시간으로 추적하기는 어렵다.보통은 일정한 간격으로 채혈하여 LC-MS/MS 분석을 수행하고, 그 결과를 바탕으로 ‘약동학적 모델’을 구성한다. 그러나 이 방식은 환자 상태 변화의 즉각적인 반영이 어렵다는 치명적인 한계를 가진다.이 ..