제약회사 연구원의 블로그

단백질 변화는 메커니즘의 증거가 아니라, 메커니즘을 추정하기 위한 단서일 뿐이다Proteomics 연구를 하다 보면 매우 익숙한 흐름이 있다.질병군과 대조군을 비교한다.수천 개의 단백질 중 일부가 유의하게 변화한다.Pathway enrichment를 수행한다.Network analysis를 수행한다.그리고 마지막에 이런 결론이 등장한다."본 연구 결과는 PI3K-AKT signaling pathway가 질병 진행을 유도함을 시사한다.""Protein X가 염증 반응을 조절하는 핵심 메커니즘으로 확인되었다.""Mitochondrial dysfunction이 주요 병인 기전으로 작용한다."논문을 읽는 입장에서는 매우 자연스럽게 느껴진다.실제로 많은 연구가 이런 구조를 가지고 있다.문제는 여기서 사용되는 "m..

Proteomics에서 가장 그럴듯한 그림이 가장 위험할 수도 있는 이유Proteomics 분석이 끝나면 대부분의 연구자는 비슷한 과정을 거친다.Raw data를 처리하고, protein identification을 수행하고, differential expression 분석을 진행한다. 그리고 마지막 단계에서 pathway enrichment를 수행한다.이때부터 데이터는 갑자기 이해하기 쉬워진다.수천 개의 protein 리스트는 너무 복잡하다. 하지만 pathway enrichment 결과는 훨씬 직관적이다.Inflammatory response activationOxidative phosphorylation suppressionCell cycle regulation alterationPI3K-AKT s..

– 데이터 해석이 과학에서 내러티브로 바뀌는 지점 최근 생명과학 연구에서 omics 데이터는 거의 모든 분야의 핵심 도구가 되었다. Transcriptomics, proteomics, metabolomics, epigenomics 같은 기술들은 한 번의 실험으로 수천에서 수만 개의 분자 정보를 동시에 측정할 수 있게 만들었다. 이러한 기술의 발전은 분명히 생물학 연구의 범위를 크게 넓혔다.그러나 omics 데이터가 가진 특징 때문에 연구 해석 과정에서 한 가지 미묘한 위험이 생긴다. 데이터가 너무 많기 때문에 연구자는 거의 언제든지 설득력 있어 보이는 이야기를 만들 수 있다는 점이다.이 글에서는 omics 데이터가 과학적 발견을 돕는 도구에서 어느 순간 ‘스토리를 만들어내는 장치’로 변하는 과정을 살펴보..