제약회사 연구원의 블로그

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..

— 같은 샘플인데 왜 전혀 다른 결론이 나오는가 metabolomics 데이터를 처음 받아봤을 때의 당혹감은 쉽게 잊히지 않는다.같은 샘플을 분석했는데,조건이 조금만 바뀌어도 결과가 완전히 달라진다.어떤 날은 특정 metabolite가 뚜렷하게 보이고,다른 날은 거의 사라진다.처음에는 장비 문제라고 생각하기 쉽다.하지만 경험이 쌓일수록 알게 된다.문제는 장비가 아니라우리가 설정한 LC-MS 조건 그 자체라는 것을.그리고 더 중요한 사실은이 조건들이 단순히 “신호 강도”만 바꾸는 것이 아니라결과 해석의 방향 자체를 바꾼다는 점이다.1. Chromatography가 결정하는 ‘보이는 세계’LC 조건은 metabolomics에서사실상 “무엇을 볼 것인가”를 결정한다.Reverse-phase vs HILICRe..

– 복잡한 생물학을 ‘유의/비유의’로 축소하는 순간Metabolomics 연구에서 p-value는 거의 모든 분석의 중심에 있다. 환자군과 대조군을 비교하고, 수백에서 수천 개의 metabolite 중에서 통계적으로 유의한 변화를 보이는 것들을 선별하는 과정은 매우 익숙한 분석 흐름이다.문제는 이 과정이 너무 자연스럽게 반복되면서, 어느 순간 metabolomics 연구 전체가 “유의한 metabolite를 찾는 작업”으로 단순화된다는 점이다.하지만 metabolomics 데이터가 담고 있는 정보는 그렇게 단순하지 않다. 대사체는 수많은 생리적 변수, 환경 요인, 시간적 변화, 그리고 복잡한 네트워크 구조를 반영한다. 그럼에도 불구하고 p-value 중심 해석은 이 복잡한 시스템을 이분법적인 구조로 축소..

– discovery 연구와 clinical biomarker 연구는 전혀 다른 문제다 Metabolomics 연구는 지난 10여 년 동안 폭발적으로 증가했다. 특히 LC-MS 기반 untargeted metabolomics 기술이 발전하면서 수천 개의 metabolite feature를 동시에 관찰할 수 있게 되었고, 다양한 질병에서 새로운 biomarker 후보들이 제시되었다.논문만 보면 metabolomics는 이미 precision medicine의 핵심 기술처럼 보인다. 특정 metabolite 패턴을 이용해 질병을 진단하고, 환자를 분류하며, 치료 반응을 예측할 수 있다는 연구 결과들이 매우 많기 때문이다.하지만 현실적으로 보면 상황은 조금 다르다.수많은 metabolomics biomarke..

– 기대와 현실 사이에서 생기는 간극Precision medicine(정밀의학)은 환자 개개인의 유전적 특성, 환경 요인, 생활 습관 등을 종합적으로 고려하여 맞춤형 치료 전략을 설계하려는 접근이다. 이러한 흐름 속에서 metabolomics는 매우 매력적인 기술로 주목받아 왔다.그 이유는 비교적 명확하다. Genome이나 transcriptome은 잠재적인 정보를 담고 있지만, metabolome은 현재의 생리적 상태를 직접적으로 반영하는 분자 수준의 결과물이기 때문이다. 세포 대사의 최종 산물이 바로 metabolite이기 때문에 질병 상태나 약물 반응을 가장 직접적으로 보여주는 층위라고 설명되곤 한다.이러한 논리 때문에 metabolomics는 종종 precision medicine의 핵심 기술처럼..

– 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..

– 데이터는 많지만 ‘의미 있는 기준’은 부족한 현실 지난 15년 동안 metabolomics 연구는 폭발적으로 증가했다. 고해상도 LC-MS/MS, Orbitrap, QTOF 같은 장비가 보편화되면서 수백에서 수천 개의 대사체를 동시에 측정하는 것이 가능해졌고, 수많은 논문에서 새로운 metabolite biomarker 후보가 보고되었다.특히 다음과 같은 분야에서 metabolomics 연구는 매우 활발하게 진행되고 있다.암 대사 연구심혈관 질환 biomarker 탐색대사질환 진단약물 반응 예측microbiome–host interaction그러나 이러한 연구 성과에도 불구하고 실제 임상 의사결정(clinical decision making)에 사용되는 metabolomics 기반 검사는 생각보다 많..

– 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..