발명의 배경과 필요성

기술의 배경과 문제점

• 기존 액체 크로마토그래프 질량 분석(LC-MS) 기술은 단백질 정량 분석에 널리 사용되지만, 여러 한계를 가지고 있습니다.

• 질량이 비슷한 라벨 물질을 사용하면 질량 분석 스펙트럼이 중첩되어 신호를 정확히 분리하기 어렵고, 이는 정량 측정의 다중성(multiplexity)을 제한하는 주요 원인이 됩니다.

• 특히 동위원소(예: 중수소)를 이용해 라벨 물질을 만들 경우, 기존 물질과 크로마토그래피에서의 리텐션 시간(Retention Time, RT)에 미세한 편이(shift)가 발생합니다.

• 이러한 RT 편이로 인해 특정 라벨 물질의 신호를 정확히 검출하지 못하거나 신호 세기가 부정확하게 측정되어 정량 분석의 신뢰도가 저하되는 문제가 발생합니다.

기술의 필요성

• 스펙트럼 중첩 문제를 해결하기 위해 분석 장비의 해상도를 높이는 방법은 막대한 비용이 들고, 오히려 측정 신호의 세기가 감소하는 부작용이 있습니다.

• 기존 정량 분석 도구들은 RT 편이를 효과적으로 보정하지 못해, 스펙트럼 쌍을 찾지 못하거나 엉뚱한 스펙트럼과 쌍을 이루는 등 분석 오류를 야기합니다.

• 따라서 비용 효율적이면서도 라벨 물질로 인한 RT 편이를 정확하게 예측하고 보정하여, 질량이 인접한 물질들의 신호를 명확하게 분리할 수 있는 새로운 정량 분석 기술의 개발이 시급합니다.

구현 방법

기술의 원리

• 본 발명은 라벨 물질에서 수소(H)가 중수소(D)로 치환될 때 발생하는 리텐션 시간(RT) 편이를 기계 학습(Machine Learning)을 통해 정확하게 예측하는 것을 핵심 원리로 합니다.

• 먼저, 질량 분석 스펙트럼에서 명확하게 식별된 제1 라벨 물질의 신호(펩타이드 정합 스펙트럼, PSM)를 기반으로 해당 물질의 고유한 신호 패턴인 '템플릿'을 생성합니다.

• 기계 학습 모델을 이용해 제1 라벨 물질 대비 제2 라벨 물질의 예상 RT 편이 값을 산출합니다.

• 예측된 RT 편이 값을 적용하여 제1 물질의 템플릿을 이동시켜 제2 물질의 템플릿 위치를 정확히 특정하고, 이를 통해 중첩된 신호로부터 각 물질의 신호를 정밀하게 재구성하여 정량 분석을 수행합니다.

구체적인 구현 방법

1. 스펙트럼 수신 및 인식: 스펙트럼 인식부가 서로 다른 라벨 물질이 부착된 시료의 LC-MS 스펙트럼 데이터를 수신하고, MS-GF+와 같은 방식으로 펩타이드 정합 스펙트럼(PSM)을 인식합니다.

2. RT 편이 예측: RT 편이 예측부는 스펙트럼 데이터로부터 기계 학습 모델의 입력값으로 사용될 특징(feature)들을 추출합니다. 추출된 특징(예: 중수소 개수, 정규화된 RT, 펩타이드 서열 길이 등)을 기계 학습 모델(예: SVR)에 적용하여 라벨 물질 간의 RT 편이 값을 예측합니다.

3. 템플릿 특정: 동위원소 분리부는 식별된 PSM의 신호에 로그정규 피팅을 적용하고, 알려진 동위원소 분포 프로파일을 곱하여 제1 물질의 템플릿을 특정합니다. 그 후, 예측된 RT 편이 값을 이용해 제2 물질의 템플릿을 특정합니다.

4. 신호 재구성 및 정량 분석: 재구성부는 특정된 두 템플릿을 이용하여 측정된 전체 신호 스펙트럼을 각 물질의 신호로 정밀하게 분리 및 재구성합니다. 이 재구성된 신호를 기반으로 각 물질의 상대량을 산출하여 PSM 수준의 정량 분석을 완료합니다.

5. 단백질 수준 분석: 단백질 분석부는 여러 PSM 분석 결과를 종합하고, 특이값을 제거하는 가지치기(pruning) 알고리즘을 통해 최종적으로 단백질 수준에서의 정량 분석 결과를 도출합니다.

기술의 장점

• 정확성 향상: 기계 학습을 통해 RT 편이를 효율적으로 예측함으로써, 질량이 2달톤(Da)까지 근접한 라벨 물질의 신호도 정확하게 분리 가능합니다.

• 다중성(Multiplexity) 증대: 더 다양한 종류의 라벨 물질을 동시에 사용할 수 있게 되어(예: 6-plexing 이상), 한 번의 실험으로 더 많은 정보를 얻을 수 있습니다.

• 비용 효율성: 고가의 초고분해능 질량 분석 장비 없이도 높은 수준의 분석 정확도를 달성할 수 있어, 연구 및 분석 비용을 절감할 수 있습니다.

• 광범위한 적용성: 단백질 비율 차이가 큰(예: 1:50) 샘플에서도 이론값에 근접하는 우수한 정량 분석 성능을 보여, 다양한 실험 조건에 적용 가능합니다.

실험 및 결과

실험의 목적

본 연구의 실험은 제안된 기계 학습 기반 정량 분석 방법의 성능을 검증하는 데 목적이 있습니다. 구체적으로, 1) RT 편이에 영향을 미치는 주요 특징들을 식별하고, 2) 이를 기반으로 한 기계 학습 모델이 RT 편이를 얼마나 정확하게 예측하는지 평가하며, 3) 최종적으로 기존 정량 분석 도구 대비 본 발명의 분석 정확도와 신뢰성이 얼마나 우수한지를 입증하고자 하였습니다.

실험 방법 및 과정

1. 데이터 수집: 3회의 LC-MS/MS 시행을 통해 얻은 22,000개의 PSM을 훈련 세트(training set)로 사용하였습니다.

2. 특징 추출 및 선별: RT 편이와의 상관관계를 분석하여 5가지 주요 특징(치환된 중수소 개수, 정규화된 RT, 펩타이드 서열 길이, 라벨된 아미노산 비율, 정규화된 피크 폭)을 선별하였습니다.

3. 기계 학습 모델 평가: 선형 회귀, KNN, 결정 트리, SVR 등 다양한 회귀 모델에 5가지 특징을 적용하여 10겹 교차 검증(10-fold cross validation)을 통해 예측 오차(RMSE)를 비교 평가하였습니다.

4. 성능 비교: 최종 선택된 모델(SVR)을 적용한 본 발명의 분석 결과를 다양한 단백질 비율(1:1:1 ~ 1:50:1:50) 조건에서 이론값과 비교하고, 기존 분석 도구인 'MaxQuant'의 결과와 직접 비교하여 정확도를 검증하였습니다.

실험 결과

실험 결과, 5개의 모든 특징을 함께 사용하여 표준화된 값을 서포트 벡터 회귀(SVR) 모델에 적용했을 때, RT 편이 예측 오차(RMSE)가 0.0016으로 가장 낮고 상관 계수는 0.77로 가장 높아 예측 성능이 가장 우수함을 확인했습니다. 이는 RT 편이의 주요 원인인 중수소 개수뿐만 아니라, 다양한 요인들이 복합적으로 작용함을 시사합니다.

기계 학습 기반의 리텐션 시간(RT) 편이 예측 성능 비교

출처: 특허 문서 표 1

또한, 기존 분석 도구인 MaxQuant와의 비교 실험에서 본 발명은 단백질 비율 차이가 크게 나는(1:10:20) 조건에서도 이론값에 근접한 안정적인 분석 결과를 보인 반면, 기존 기술은 오차가 크게 증가하는 것으로 나타나 본 발명의 우수성을 입증했습니다.

활용 방안 및 기대효과

활용 방안

• 프로테오믹스(단백질체학) 연구: 세포 내 단백질의 동적 변화와 상호작용을 정밀하게 정량 분석하여 생명 현상 연구를 가속화할 수 있습니다.

• 신약 개발 및 바이오마커 발굴: 약물 타겟 단백질의 발현량 변화를 정확히 추적하거나, 질병 특이적 바이오마커를 발굴하여 신약 개발 및 조기 진단 기술 개발에 활용할 수 있습니다.

• 임상 진단: 혈액, 소변 등 임상 시료에 포함된 미량의 단백질을 정밀하게 정량하여 질병의 진단 및 예후 예측 정확도를 높일 수 있습니다.

• 분석 소프트웨어 및 장비 개발: 본 발명의 알고리즘을 탑재한 차세대 질량 분석 소프트웨어 또는 통합 분석 시스템을 개발하여 상용화할 수 있습니다.

기대효과

• 기술적 기대효과: 기존 정량 분석 기술의 한계였던 정확성과 다중성을 획기적으로 개선하여, 프로테오믹스 분석 기술 수준을 한 단계 끌어올릴 수 있습니다.

• 경제적 기대효과: 고가의 분석 장비에 대한 의존도를 낮춰 연구개발 비용을 절감하고, 관련 분석 서비스 및 소프트웨어 시장에서 새로운 부가가치를 창출할 수 있습니다.

• 사회적 기대효과: 정밀 의료 실현을 위한 기반 기술을 제공함으로써, 암을 비롯한 각종 난치성 질환의 조기 진단 및 맞춤형 치료법 개발에 기여하여 국민 건강 증진에 이바지할 수 있습니다.

시장 동향

시장 규모 및 성장 전망

액체 크로마토그래프 질량 분석(LC-MS) 기술이 포함된 글로벌 프로테오믹스 및 질량 분석 시장은 지속적인 성장이 전망됩니다. 제약 및 생명 공학 분야의 투자 확대, 임상 진단 분야의 수요 증가, 그리고 기술 발전이 시장 성장을 견인하고 있습니다.

• 글로벌 프로테오믹스 시장: 2021년 259억 달러 규모에서 연평균 16.6% 성장하여 2026년 559억 달러에 이를 것으로 전망됩니다. (출처)

• 글로벌 질량 분석 시장: 2024년 67.6억 달러에서 연평균 8.58% 성장하여 2032년 130.6억 달러에 도달할 것으로 예측됩니다. (출처)

• 크로마토그래피 계측기 시장: 2024년 기준 액체 크로마토그래피(LC) 시스템이 전체 시장의 56.8%를 차지하며, LC-MS는 우수한 민감도로 67%의 높은 시장 선호도를 보입니다. (출처)

주요 플레이어 및 경쟁 환경

글로벌 생명과학 기업들은 차세대 프로테오믹스 기술 확보를 위해 관련 기술을 보유한 기업들을 인수합병(M&A)하는 등 적극적인 행보를 보이고 있습니다. 국내 기업들 또한 자체 기술력을 바탕으로 시장에 진입하며 성과를 내고 있습니다.

프로테오믹스 및 질량 분석 시장의 주요 기업 동향

산업 동인 및 기회 요인

1. 기술 발전: 하이브리드 질량 분석 시스템, 개선된 이온화 기술, 그리고 인공지능(AI) 및 머신러닝의 통합이 분석의 정확도와 효율성을 높여 시장 성장을 촉진하고 있습니다. (출처)

2. 응용 분야 확대: 신약 개발, 바이오마커 발굴 등 제약/바이오 분야뿐만 아니라, 유전자 및 희귀 질환 진단, 식품 안전 검사 등 임상 및 규제 분야로 응용이 빠르게 확대되고 있습니다.

3. 맞춤형 의료 수요 증가: 만성 질환의 증가와 함께 표적 질환 치료를 위한 맞춤형 의약품과 더 나은 진단 기술에 대한 수요가 높아지면서, 정밀한 정량 분석이 가능한 프로테오믹스 기술의 중요성이 부각되고 있습니다. (출처)

4. 투자 증가: 진단 실험실의 61% 이상이 향후 2년간 고급 질량 분석 장비에 대한 투자를 늘릴 계획이며, R&D 투자 역시 지속적으로 증가하고 있어 시장의 선순환 구조를 만들고 있습니다. (출처)