단백질, 유전, 그리고 건강의 연결고리 찾기: 대규모 혈장 단백질체 비교 연구

오늘도 UK가 UK가 한 것 되겠습니다. 혈장에서 단백질 연구를 해봄으로써 질병과의 관계를 한번 엮어보고자 한 논문 되겠습니다. 제목은 Large-scale plasma proteomics comparisons through genetics and disease associations 입니다.

DOI: 10.1038/s41586-023-06563-x

chatGPT

### 대규모 혈장 단백질 연구: 우리의 건강과 유전 정보는 어떻게 연결될까?

#### 1. 연구 배경  

우리 몸에는 수많은 단백질이 존재하며, 이 단백질들은 유전자의 영향을 받아 생성됩니다. 과학자들은 특정 유전 변이가 특정 단백질의 양과 기능에 어떤 영향을 미치는지 연구하고 있으며, 이를 통해 질병의 원인을 이해하고 예측할 수 있습니다. 이번 연구에서는 대규모 단백질 데이터와 유전체 정보를 결합하여 단백질과 유전적 변이, 그리고 질병 간의 관계를 밝히고자 했습니다.

#### 2. 연구 이유  

이 연구는 단백질 수준과 유전적 변이 간의 관계를 분석함으로써 질병의 원인을 더 깊이 이해하고, 새로운 바이오마커(질병을 조기에 진단하는 데 도움을 주는 생물학적 지표)를 찾기 위해 진행되었습니다. 특히, 서로 다른 연구 플랫폼(Olink와 SomaScan)의 결과를 비교하여, 어떤 방식이 더 신뢰할 수 있는지를 평가하고자 했습니다.

#### 3. 활용한 자료  

연구팀은 영국 바이오뱅크(UK Biobank)와 아이슬란드 유전자 연구소의 데이터를 활용했습니다.  

- **UK Biobank:** 50,000명 이상의 혈장 단백질 데이터를 수집하였으며, 연구 대상자들은 영국 및 아일랜드계, 남아시아계, 아프리카계로 분류되었습니다.  

- **아이슬란드 코호트:** 36,000명의 혈장 단백질 데이터를 포함하며, 이 중 일부는 UK Biobank와 중복되어 비교 연구가 가능했습니다.

#### 4. 분석 방법  

연구에서는 두 가지 주요 기술이 사용되었습니다.  

1. **Olink Explore 3072**: 면역학적 방법을 기반으로 단백질을 분석하는 기술로, 높은 특이성과 민감도를 제공합니다.  

2. **SomaScan v4**: 단일 DNA 기반의 아프타머(aptamer)를 사용하여 단백질을 정량하는 기술입니다.

연구진은 이 두 플랫폼이 같은 단백질을 측정할 때 얼마나 일치하는지 비교하고, 유전적 변이와 단백질 수준 사이의 연관성을 분석했습니다.

#### 5. 연구 결과  

- **Olink와 SomaScan 간의 차이:** 두 플랫폼이 측정한 단백질의 상관관계는 예상보다 낮았습니다. 즉, 같은 단백질을 분석했음에도 플랫폼에 따라 차이가 있었습니다.  

- **유전적 변이와 단백질 간의 관계:** Olink에서는 2,101개의 단백질에서 유전적 연관성이 확인된 반면, SomaScan에서는 2,120개의 단백질에서 확인되었습니다. 그러나 Olink의 데이터는 연관성을 더 명확하게 보여주었습니다(72% vs. 43%).  

- **새로운 질병 연관성 발견:** 다양한 인종 그룹을 포함한 덕분에 기존에 알지 못했던 단백질과 질병 간의 새로운 연관성을 발견할 수 있었습니다.

#### 6. 고찰  

이번 연구는 단백질과 유전적 변이의 관계를 이해하는 데 큰 기여를 했습니다. 하지만 연구 방법에 따라 결과가 다르게 나올 수 있으며, 플랫폼 선택이 연구 결론에 영향을 줄 수 있음을 시사합니다. 또한, 단백질 수준이 질병의 원인인지, 아니면 결과인지 명확히 구분하는 것이 중요하다는 점도 강조되었습니다.

#### 7. 결론  

이 연구를 통해 우리는 유전 정보가 혈액 속 단백질에 어떤 영향을 미치는지 이해할 수 있었습니다. 이는 향후 질병 진단 및 치료법 개발에 중요한 단서를 제공할 것으로 기대됩니다.

NotebookLM

## 🤔 단백질, 유전, 그리고 건강의 연결고리 찾기: 대규모 혈장 단백질체 비교 연구 🔍

### 🎯 연구 배경: 왜 단백질 연구가 중요할까요?

우리 몸은 수많은 **단백질**로 이루어져 있어요. 이 단백질들은 우리 몸의 **기능을 조절하고 건강을 유지하는 데 핵심적인 역할**을 하죠. 마치 컴퓨터의 프로그램 코드처럼, 단백질은 우리 몸의 다양한 생명 현상을 '작동'시키는 중요한 존재랍니다.

**유전**은 우리 몸의 설계도와 같아요. 유전 정보는 단백질이 어떻게 만들어질지 결정하죠. 만약 유전자에 문제가 생기면, 만들어지는 단백질에 이상이 생겨 질병이 발생할 수도 있어요.

최근 과학 기술의 발전으로, 우리는 **혈액 속의 단백질**을 분석하여 건강 상태를 파악하고 질병을 예측할 수 있게 되었어요. 이를 통해 개인 맞춤형 치료법을 개발하는 데 도움을 줄 수 있답니다.

### ❓ 연구 이유: "Olink" vs "SomaScan", 뭐가 다를까?

**Olink**와 **SomaScan**은 혈액 속 단백질을 측정하는 데 사용되는 대표적인 기술이에요. 마치 서로 다른 회사의 스마트폰처럼, 각 기술은 **단백질을 측정하는 방식**과 **장단점**이 다르답니다.

*   **Olink:** 두 개의 항체를 사용하여 단백질을 측정하는 면역 분석 기반 플랫폼.

*   **SomaScan:** 단일 압타머를 사용하여 단백질을 측정하는 플랫폼. 압타머는 단백질에 결합하는 짧은 DNA 또는 RNA 조각입니다.

어떤 기술이 특정 연구에 더 적합한지는 아직 명확하게 밝혀지지 않았어요. 그래서 과학자들은 **두 기술을 비교**하여 각각의 **특징과 장단점을 파악**하고자 했답니다.

### 📚 활용 자료: 거대한 데이터 더미 속에서 보물을 찾다!

이 연구에서는 다음과 같은 **대규모 데이터**를 활용했어요:

*   **영국 바이오뱅크 (UK Biobank):** 영국인 46,218명의 Olink Explore 3072 플랫폼 데이터. 영국인의 유전 및 건강 정보가 담겨 있어요.

*   **아이슬란드 인구 데이터:** 아이슬란드인 35,892명의 SomaScan v4 플랫폼 데이터. 아이슬란드인의 유전 및 건강 정보가 담겨 있어요.

*   **두 플랫폼으로 모두 측정된 데이터:** 아이슬란드인 1,514명의 Olink와 SomaScan 플랫폼 데이터. 두 기술을 직접 비교할 수 있는 소중한 자료죠.

마치 광활한 바다에서 진주를 찾는 것처럼, 과학자들은 이 방대한 데이터 속에서 **유용한 정보**를 찾아내기 위해 노력했답니다.

### 🔬 분석 방법: 통계 마법으로 숨겨진 패턴을 밝히다!

과학자들은 **다양한 통계 분석 방법**을 사용하여 두 플랫폼의 데이터를 비교했어요.

*   **정밀도 비교:** 각 플랫폼의 **반복 측정값**을 사용하여 **변동 계수 (CV)**를 계산했어요. CV는 측정값의 **정밀도**를 나타내는 지표로, CV가 낮을수록 정밀도가 높다는 것을 의미합니다.

*   **단백질-표현형 연관성 분석:** 각 플랫폼에서 측정된 **단백질 수치**와 **다양한 질병 및 건강 특성** 간의 연관성을 분석했어요. 이를 통해 특정 단백질이 특정 질병과 관련이 있는지 확인할 수 있답니다.

*   **유전적 연관성 분석 (pQTL):** 단백질 수치에 영향을 미치는 **유전 변이 (pQTL)**를 찾아냈어요. pQTL 분석을 통해 유전자가 단백질 발현을 어떻게 조절하는지 이해할 수 있습니다.

*   **플랫폼 간 pQTL 비교:** 두 플랫폼에서 **동일한 pQTL**이 발견되는지 확인하고, 그 효과가 **일치하는지** 비교했어요.

### 🎉 연구 결과: 플랫폼 선택이 결과에 미치는 영향

연구 결과, **플랫폼 선택**이 연구 결과와 결론에 **상당한 영향**을 미칠 수 있다는 것을 확인했어요.

*   **정밀도:** SomaScan 플랫폼이 Olink 플랫폼보다 **정밀도가 더 높은** 것으로 나타났어요. 즉, SomaScan이 단백질 수치를 더 정확하게 측정할 수 있다는 의미죠.

*   **플랫폼 간 상관관계:** 두 플랫폼에서 **동일한 단백질**을 측정했을 때, 그 수치 간의 **상관관계**는 **중간 정도**인 것으로 나타났어요. 이는 두 플랫폼이 **완전히 동일한 것을 측정하지 않는다**는 것을 의미할 수 있습니다.

*   **질병 연관성:** 특정 질병과 관련된 단백질을 분석했을 때, **두 플랫폼에서 결과가 다르게** 나타나는 경우도 있었어요. 예를 들어, 알츠하이머병과 관련된 NFL 단백질의 경우, Olink에서는 질병과 양의 상관관계를 보였지만, SomaScan에서는 음의 상관관계를 보였답니다.

*   **pQTL 발견:** Olink 플랫폼이 SomaScan 플랫폼보다 **더 많은 수의 cis-pQTL**을 발견했어요.

### 🤔 고찰: 불확실성 속에서 길을 찾다

이 연구는 **단백질체 연구**에서 플랫폼 선택이 얼마나 중요한지 보여주는 중요한 사례입니다. 두 플랫폼은 **각각의 장단점**을 가지고 있으며, 연구 목적에 따라 **적절한 플랫폼을 선택**해야 합니다.

*   **서로 다른 proteoform 측정:** Olink와 SomaScan은 **동일한 유전자**에서 유래되었지만, **서로 다른 형태의 단백질 (proteoform)**을 측정할 수 있어요. 이는 각 플랫폼의 **항체 또는 압타머**가 **특정 proteoform에 더 잘 결합**하기 때문일 수 있습니다.

*   **Epitope 효과:** 유전 변이가 단백질 수치 자체가 아니라 **항체 또는 압타머의 결합**에 직접적인 영향을 미치는 경우도 있어요. 이를 **Epitope 효과**라고 하며, pQTL 분석 결과를 해석할 때 주의해야 합니다.

*   **샘플 처리 및 보관:** 샘플 처리 및 보관 방식의 차이가 플랫폼 간 결과 차이를 유발할 수도 있어요.

### 🚀 앞으로의 연구 방향

과학자들은 앞으로 다음과 같은 연구를 통해 **단백질체 연구의 정확도와 신뢰도**를 높여나갈 계획입니다:

*   **각 플랫폼이 측정하는 proteoform 규명:** 각 플랫폼이 **어떤 proteoform**을 측정하는지 정확하게 파악해야 합니다.

*   **새로운 플랫폼 개발:** 특정 proteoform을 **정확하게 측정**할 수 있는 새로운 플랫폼을 개발해야 합니다.

*   **다양한 인종 및 민족 그룹 연구:** 다양한 인종 및 민족 그룹을 대상으로 연구를 확대하여 **결과의 일반화 가능성**을 높여야 합니다.

### 🌟 마무리

오늘은 **대규모 혈장 단백질체 비교 연구**를 통해 **단백질, 유전, 그리고 건강의 연결고리**를 살펴보았습니다. 이 연구는 **개인 맞춤형 의학** 시대에 한 걸음 더 다가가는 데 기여할 것으로 기대됩니다.

deepseek (DeepThink)

### 혈액 속 단백질 비교 연구: 유전자와 질병의 연결 고리

#### 연구 배경

우리 몸의 혈액에는 수천 가지 단백질이 흐르고 있습니다. 이 단백질들은 질병 발생과 깊은 연관이 있어요. 예를 들어, 심장병 환자의 혈액에는 특정 단백질이 더 많을 수 있습니다. 과학자들은 **Olink**와 **SomaScan**이라는 두 가지 기술을 사용해 혈액 속 단백질을 대규모로 분석합니다. 이 연구는 두 기술이 얼마나 정확하게 단백질을 측정하는지, 그리고 유전자 변이와 질병과 어떻게 연결되는지 비교했습니다.

---

#### 연구 이유: 왜 두 기술을 비교했나요?

- **기술 차이**: Olink는 항체를, SomaScan은 DNA 조각(앱타머)을 사용해 단백질을 측정합니다. 마치 다른 도구로 같은 물체를 재는 것처럼, 두 방법이 같은 단백질을 측정하더라도 결과가 다를 수 있어요.

- **질병 연구의 정확성**: 단백질 측정 방법에 따라 질병과의 연관성 결과가 달라질 수 있습니다. 예를 들어, 알츠하이머병과 연관된 단백질을 한 기술은 높게, 다른 기술은 낮게 측정할 수 있죠. 이런 차이는 연구 결과 해석에 큰 영향을 미칩니다.

- **다양한 인구 집단 분석**: 영국(주로 유럽인)과 아이슬란드 인구의 유전적 다양성을 활용해 더 정확한 유전자-단백질 연관성을 찾고자 했어요.

---

#### 활용한 자료

- **영국 바이오뱅크**: 54,265명의 혈장 샘플을 Olink로 분석.

- **아이슬란드 인구**: 35,892명의 혈장 샘플을 SomaScan으로 분석. 이 중 1,514명은 두 기술로 동시에 측정.

- **유전자 데이터**: 모든 참가자의 유전체 정보를 활용해 단백질 수준과 유전자 변이의 연관성(**pQTL**)을 분석.

---

#### 분석 방법

1. **정확도 비교**: 같은 샘플을 반복 측정해 두 기술의 오차 범위(CV*)를 계산했습니다.

   - *CV(변동 계수)*: 측정값의 퍼짐 정도. 숫자가 작을수록 정확함.

2. **유전자-단백질 연관성(pQTL) 탐색**: 유전자 변이가 특정 단백질 수준에 미치는 영향을 분석했습니다.

3. **질병 연관성 확인**: 알츠하이머, 심부전, 염증성 장염 등 질병 환자의 단백질 패턴을 비교했습니다.

---

#### 연구 결과

1. **정확도 차이**: SomaScan이 평균 9.9% 오차로 Olink(16.5%)보다 더 정확했습니다.

2. **유전자 영향**: 두 기술 모두 수천 개의 유전자 변이(pQTL)가 단백질 수준에 영향을 미치는 것을 발견했지만, **72%의 Olink 단백질** vs **43%의 SomaScan 단백질**에서만 유전자 영향이 확인되었습니다.

3. **질병 연관성 차이**:

   - **알츠하이머병**: Olink는 신경 손상 표지자(NFL) 수치가 높을수록 위험 증가, SomaScan은 반대 결과를 보였습니다.

   - **심부전**: 두 기술 모두 BNP 단백질이 높을수록 위험 증가를 확인했지만, 다른 단백질들은 결과가 달랐습니다.

4. **인종별 차이**: 아프리카 계통 참가자에서만 발견된 유전자 변이가 단백질 수준에 큰 영향을 미쳤습니다.

---

#### 고찰: 이 연구가 중요한 이유

- **기술 선택의 중요성**: 단백질 측정 방법에 따라 연구 결과가 달라질 수 있어, 기술의 한계를 이해하는 것이 필수적입니다.

- **다양한 인종 연구의 필요성**: 유럽인 중심 연구만으로는 놓칠 수 있는 유전적 영향을 다른 인종에서 확인할 수 있었습니다.

- **질병 진단 개선**: 단백질 패턴을 정확히 분석하면 조기 진단이나 치료제 개발에 도움이 될 것입니다.

---

### 마치며

이 연구는 혈액 속 단백질을 분석하는 두 기술의 차이를 밝히고, 유전자와 질병의 복잡한 연결 고리를 이해하는 데 큰 역할을 했습니다. 고등학생 여러분도 과학 기술이 어떻게 발전하고, 우리 건강에 어떤 영향을 미치는지 알아가는 재미를 느껴보세요! 🧬✨

Grok (DeepSearch)

### Key Points

- 연구는 Olink Explore 3072와 SomaScan v4라는 두 가지 단백질 측정 플랫폼을 비교하여, 이들이 혈장 단백질 수준, 유전자 변이, 질병 연관성을 어떻게 측정하는지 알아보았습니다.  

- 연구는 UK Biobank와 아이슬란드 코호트의 대규모 데이터를 사용했으며, 다양한 인종 배경을 포함하여 더 정확한 결과를 얻었습니다.  

- Olink은 유전자 변이와 단백질 수준 간의 연관성을 더 잘 찾는 것으로 나타났고, SomaScan은 측정 정밀도가 더 높았습니다.  

- 플랫폼 간 차이로 인해 질병 연구 결과가 달라질 수 있으므로, 연구 방법 선택이 중요하다는 점이 강조되었습니다.  

---

### 연구 배경

이 연구는 우리 몸에서 중요한 역할을 하는 단백질을 연구하는 분야인 프로테오믹스에 초점을 맞췄습니다. 단백질은 효소, 호르몬, 구조적 구성 요소 등 다양한 기능을 수행하며, 혈장 내 단백질 수준을 측정하면 질병의 바이오마커를 찾고 유전자가 단백질 수준에 어떻게 영향을 미치는지 이해하는 데 도움을 줍니다.  

두 가지 주요 플랫폼, Olink Explore 3072와 SomaScan v4는 많은 단백질을 한 번에 측정할 수 있는 고속 프로테오믹스 도구입니다. 이 연구는 이 두 플랫폼이 얼마나 잘 작동하는지, 특히 유전자 변이와 질병 연관성을 찾는 데 있어 차이가 있는지 비교하려 했습니다.  

### 연구 이유

이 연구를 한 이유는 두 플랫폼이 혈장 단백질 수준을 측정하고, 이를 유전자 변이(pQTLs)와 연결하며, 다양한 질병과 어떻게 연관되는지 비교하기 위해서입니다.  

이렇게 함으로써 각 플랫폼의 장단점을 이해하고, 연구자들이 어떤 도구를 사용할지, 결과를 어떻게 해석할지 더 잘 결정할 수 있도록 돕고자 했습니다.  

### 활용한 자료

- **데이터 출처:**  

  - UK Biobank Pharma Proteomics Project (UKB-PPP): UK Biobank에서 50,000명 이상의 참가자 혈장 샘플을 사용했으며, 영국/아일랜드, 아프리카, 남아시아 등 다양한 인종 배경으로 나눴습니다.  

  - 아이슬란드 코호트: 약 36,000명의 아이슬란드 사람들의 혈장 샘플을 사용했습니다.  

- **플랫폼:**  

  - Olink Explore 3072: 항체를 사용하여 특정 단백질을 측정합니다.  

  - SomaScan v4: 합성 분자인 아프타머를 사용하여 특정 단백질을 측정합니다.  

- **유전자 및 질병 데이터:**  

  - 유전자 정보(유전자형)를 사용하여 유전자 변이를 연구했습니다.  

  - 건강 기록을 통해 질병 연관성을 연구했습니다.  

### 분석 방법

- **pQTL 분석:**  

  - 단백질 수준에 영향을 미치는 유전자 변이를 찾았습니다(pQTLs).  

  - 각 플랫폼이 얼마나 많은 pQTLs를 찾는지, 어떤 종류인지 비교했습니다.  

- **질병 연관성 분석:**  

  - 단백질 수준과 다양한 질병 간의 연관성을 살펴봤습니다.  

  - 두 플랫폼이 찾은 연관성을 비교했습니다.  

- **플랫폼 성능 평가:**  

  - 각 플랫폼의 정밀도(측정의 일관성)를 측정했습니다.  

  - 두 플랫폼 간 측정 결과가 얼마나 잘 맞는지 비교했습니다.  

  - 단백질이 세포 내 위치에 따라 측정에 어떤 영향을 미치는지 분석했습니다.  

### 얻은 결과

- **pQTL 탐지:**  

  - Olink은 단백질 수준에 영향을 미치는 근처 유전자 변이를 72%에서 찾았고, SomaScan은 43%에서 찾았습니다. 이는 Olink이 이런 유전자 연관성을 더 잘 탐지한다는 것을 보여줍니다.  

- **질병 연관성:**  

  - 두 플랫폼은 일부 질병 연관성에서 일치했지만, 일부는 달랐습니다. 이는 플랫폼 선택이 질병 연구 결과에 영향을 미칠 수 있음을 의미합니다.  

- **플랫폼 특성:**  

  - SomaScan은 측정 정밀도가 더 높았습니다(변동성이 적음).  

  - 두 플랫폼은 단백질 측정 방식이 달라, 유전자 및 질병 연관성 연구 결과가 다를 수 있습니다.  

- **인종 다양성:**  

  - 다양한 인종 배경을 포함함으로써 새로운 유전자 연관성을 찾고, 유전자 위치를 더 정밀하게 파악할 수 있었습니다.  

### 고찰 내용

이 연구는 프로테오믹스 연구에서 중요한 두 도구의 장단점을 비교하여 많은 통찰을 제공했습니다. 과학자들은 플랫폼 간 차이를 이해하고, 어떤 도구를 사용할지, 결과를 어떻게 해석할지 신중히 결정해야 합니다.  

또한, 대규모이고 다양한 데이터 세트를 사용하는 것이 유전자, 단백질, 질병 간의 관계를 포괄적으로 이해하는 데 중요하다는 점도 강조되었습니다.  

결론적으로, 이 연구는 프로테오믹스 지식을 발전시키고, 질병 진단 및 치료를 위한 더 정확하고 신뢰할 수 있는 방법을 개발하는 데 기여할 것입니다.  

고등학교를 입학하는 학생들이 이해 할 수 있도록 글을 작성해 달라고 했는데... 잘 모르겠습니다. 2025년도에 고등학교를 입학하는 친구들은 스마트 할 수 있으니..

아직 혈장에 대해서는 많은 연구가 필요한게 사실이고, 아직 많은 것을 모르고 있다고 봅니다. 그래서 SomaScan, Olink를 사용해서 연구를 좀 했다는데... 혈장 전체에 대해서 한거라고 하기에는 어렵고 SomaScan과 Olink에서 탐지 할 수 있는 것들에 대해서 살펴봤다 정도 될것 같습니다.

한 줄 요약은 UK Biobank로 수집된 혈장을 SomaScan과 Olink으로 한번 살펴봤습니다.!

출처: @ye._.vely618

단백질은 생각보다 많은 것을 알고 있다. 아, 혈장인가?

오늘은 단백질 마커들을 활용한 질병 예측에 대한 내용의 논문을 가져와봤습니다. Proteomic signatures improve risk prediction for common and rare diseases 라는 제목의 논문으로 질병 예측을 하는 모델을 구축할 때 사용한 자료는 당연히 UK바이오 뱅크 데이터를 활용하였습니다. 

아이디어와 약간의 부지런함만 있으면 할 수 있는 게 무궁무진한 세상입니다. :)

(이제 너도 좀 해볼 때가 되지 않았냐? 응, 아니야 난 한량이 꿈이야)

DOI: 10.1038/s41591-024-03142-z

chatGPT

### **우리 몸의 단백질이 미래 질병을 예측해준다고?**

우리가 건강을 관리할 때 보통 나이, 혈압, 가족력 같은 정보를 많이 고려합니다. 하지만 최근, 과학자들은 **우리 몸의 "단백질"**이 미래의 질병을 예측하는 데 아주 중요한 역할을 한다는 사실을 밝혀냈습니다. 이번 글에서는 생명공학과 빅데이터를 활용한 최신 연구를 바탕으로, 단백질이 어떻게 질병 예측에 쓰이는지 알아보겠습니다.

### **단백질이란 무엇인가요?**

단백질은 우리 몸의 여러 기능을 조절하는 작은 "기계들"이라고 생각할 수 있습니다. 예를 들어, 상처가 났을 때 피를 멈추게 하거나, 몸을 싸우게 도와주는 것도 단백질의 역할입니다. 이 단백질은 우리 몸의 상태를 잘 반영하기 때문에, 어떤 단백질이 많아지거나 줄어들면 질병의 징후를 미리 알 수 있습니다.

### **단백질로 질병을 어떻게 예측할 수 있나요?**

이번 연구에서는 42,000명 정도의 사람들의 **혈액 속 약 3,000개의 단백질**을 분석했습니다. 연구자들은 이 데이터를 활용해, 앞으로 10년 동안 218가지 질병이 발생할지 예측하는 모델을 만들었습니다. 예측 모델이란 간단히 말해 "미래를 내다보는 계산기" 같은 것입니다. 이 모델은 많은 사람의 건강 데이터를 학습해, 특정 조건이 있을 때 어떤 질병이 발생할 확률이 높은지를 계산합니다.

### **왜 단백질이 중요할까요?**

기존에는 나이, 성별, 가족력 같은 정보를 주로 활용해 질병을 예측했습니다. 이런 정보는 기본적인 건강 상태를 알려주지만, 질병의 초기 징후를 잡아내기는 어렵습니다. 반면, 단백질은 특정 질병과 직접적으로 관련된 생물학적 신호를 담고 있어 더 정확한 예측이 가능합니다. 예를 들어, 특정 단백질의 수치가 높아지면 암이나 심장병 같은 질병이 시작되고 있을 수 있습니다.

### **단백질 기반 예측 모델, 얼마나 정확할까?**

연구 결과, 단백질 데이터를 추가한 모델은 기존의 예측 모델보다 훨씬 더 정확했습니다. 특히 암, 신경 질환 같은 복잡한 질병에서 그 차이가 더 컸습니다. 예를 들어, 5~20개의 단백질만으로 구성된 간단한 모델이 임상 정보만을 사용한 모델보다 훨씬 더 좋은 성과를 냈습니다. 즉, 질병을 더 일찍, 그리고 더 정확하게 예측할 수 있게 된 것이죠.

### **이 연구가 중요한 이유는?**

이 연구는 단백질이 질병 예측에 중요한 역할을 할 수 있음을 보여줍니다. 앞으로 우리는 병이 심각해지기 전에 단백질 데이터를 통해 조기 진단을 받거나 예방할 수 있는 시대를 기대할 수 있습니다. 예를 들어, 정기적인 건강검진에서 혈액 속 단백질 수치를 분석해, 미리 위험 신호를 잡아낼 수 있을 것입니다.

### **맺음말**

이제는 단순히 나이와 생활 습관만으로 건강을 예측하는 것이 아니라, 우리 몸속의 작은 단백질들이 미래의 건강 상태를 알려주는 열쇠가 될 것입니다. 생명공학과 빅데이터의 발전 덕분에, 더 많은 사람들이 건강한 삶을 오래 유지할 수 있게 될 것입니다. 앞으로의 의료 기술이 더 기대되지 않나요?

NotebookLM

## 우리 몸의 신호, 단백질로 질병을 예측한다!

최근 의료계에서는 생명공학과 빅 데이터를 이용하여 질병을 예측하는 기술이 뜨거운 관심을 받고 있습니다. 특히, 우리 몸 속 **단백질**의 미세한 변화를 분석하여 질병 발생 위험을 예측하는 연구가 큰 주목을 받고 있습니다. 마치 건강 상태를 알려주는 신호등처럼 말이죠!

**혈액 속 단백질, 왜 중요할까요?**

우리 몸은 약 2만 개의 유전자 정보를 가지고 있으며, 이 유전 정보를 바탕으로 단백질을 만들어냅니다. 단백질은 세포 신호 전달, 면역 반응, 영양소 운반 등 생명 유지에 필수적인 역할을 수행합니다. 흥미롭게도, 질병이 발생하면 **혈액 속 특정 단백질의 양이나 종류에 변화**가 나타납니다. 이러한 변화를 감지하고 분석하면 질병을 조기에 예측하고 진단하는 데  도움이 될 수 있습니다.

**Nature Medicine**에 발표된 최신 연구에 따르면, 과학자들은 영국 바이오뱅크에 저장된 4만 명이 넘는 사람들의 혈액에서 약 3천 개의 단백질을 분석하여 **218가지 질병**에 대한 10년 후 발병 위험을 예측하는 모델을 개발했습니다. 놀랍게도, **단백질 정보만으로도 기존 임상 정보 기반 예측 모델보다 정확도가 높았습니다**. 

특히, 다발성 골수종, 비호지킨 림프종, 운동 신경 세포 질환, 폐 섬유증, 확장성 심근병증 등 **혈액과 밀접한 관련**이 있는 질병 예측에서 뛰어난 성능을 보였습니다. 또한, 비교적 **희귀한 질환** 예측에도 효과적이라는 사실이 밝혀졌습니다.

**단백질 분석, 미래 질병 예측의 게임 체인저가 될 수 있을까요?**

이번 연구는 **단백질 기반 질병 예측 모델**이 기존 방식보다 정확도가 높고, 다양한 질병에 적용 가능하며, 특히 혈액 관련 질환이나 희귀 질환 예측에 유용함을 보여줍니다. 하지만, 연구진은 더욱 정확하고 신뢰도 높은 예측 모델 개발을 위해서는 **다양한 인종 및 환경적 요인을 고려한 추가 연구가 필요하다**고 강조합니다.

**단백질 기반 질병 예측 기술은 개인 맞춤형 질병 예방 및 치료 전략 수립에 기여할 수 있는 잠재력을 가지고 있습니다.** 앞으로 더욱 발전된 단백질 분석 기술과 빅 데이터 분석 기술의 만남이 인류의 건강 증진에 크게 기여할 것으로 기대됩니다.

오늘 LLM은 chatGPT와 NotebookLM입니다. 다른 모델들은 이 논문의 pdf가 좀 커서 작동하지 않거나 찾을 수 없다고 모르쇠를 놔버리더라구요. 그래서 오늘은 2개 모델을 사용해서 작성해보았습니다.

chatGPT와 NotebookLM 모두 동일하게 문장을 입력했는데, 결과의 형식이 많이 차이나고 있네요. 두 모델의 차이점으로는 chatGPT에서는 이런 저런 질문들을 더 던져봤다는 정도밖에 없는데.. 그게 나비효과가 되었는지는 잘 모르겠습니다. :)

※ 드디어 내일 오마이걸의 10번째 앨범이 나온다고 합니다. 많관부 ※

출처: @ye._.vely618

WGS 데이터를 활용하여 어떤 방법이 환자에게 보다 효과적인지 확인해보자

바다 건너 영국에서 진행하고 있는 WGS를 활용한 암환자들에 대한 치료 기회에 대한 내용에 대한 논문을 한번 bar..아니 gemini에게 물어봤습니다.

논문 제목은 "Insights for precision oncology from the integration of genomic and clinical data of 13,880 tumors from the 100,000 Genomes Cancer Programme"

doi: 10.1038/s41591-023-02682-0

입니다.

이번 프롬프트는 간결하게 "https://www.nature.com/articles/s41591-023-02682-0 이 연구를 하게 된 이유와 연구에 사용된 분석 방법, 그리고 결과에 대한 내용에 대해서 블로그에 게시할 수 있도록 정리해서 작성해줘" 라고 넣어봤습니다.

제목: 암 치료를 위한 개인화된 접근 방식

요약:

암은 전 세계적으로 사망 원인 1위입니다. 암 치료는 종종 화학 요법, 방사선 요법 및 수술을 포함하는 복잡한 과정입니다. 그러나 이러한 치료법은 모든 환자에게 효과적이지 않으며 종종 부작용을 유발할 수 있습니다.

연구 배경:

최근 몇 년 동안 암 치료에 대한 개인화된 접근 방식에 대한 관심이 높아졌습니다. 개인화된 치료는 환자의 특정 유전적 특성에 맞게 조정된 치료법입니다.

연구 방법:

이 연구는 100,000 게놈 프로젝트의 암 프로그램의 데이터를 사용했습니다. 이 프로젝트는 암 환자의 전체 게놈을 시퀀싱하는 것을 목표로 합니다. 연구원들은 33가지 암 유형의 13,880개 종양을 분석했습니다. 그들은 이 데이터를 실제 치료 및 결과 데이터와 연결했습니다.

연구 결과:

연구 결과는 WGS가 많은 암 유형에서 유용한 도구가 될 수 있음을 보여줍니다. WGS는 환자의 치료 반응에 영향을 미칠 수 있는 유전적 변화를 식별하는 데 사용할 수 있습니다. 이 정보는 더 개인화된 암 치료법을 개발하는 데 사용될 수 있습니다.

연구 결론:

이 연구는 WGS가 암 치료를 위한 개인화된 접근 방식을 개발하는 데 중요한 도구가 될 수 있음을 보여줍니다. WGS는 환자의 치료 반응을 예측하고 더 효과적이고 안전한 치료법을 개발하는 데 도움이 될 수 있습니다.

이 연구가 암 치료에 미치는 잠재적 영향:
- WGS는 암 치료의 성공률을 높이고 부작용을 줄이는 데 도움이 될 수 있습니다.
- WGS는 암 환자에게 더 나은 치료 옵션을 제공할 수 있습니다.
- WGS는 암 치료의 비용을 절감하는 데 도움이 될 수 있습니다.

이 연구의 한계:
이 연구는 100,000 게놈 프로젝트의 데이터를 사용했습니다. 이 데이터는 영국과 미국의 환자를 대상으로 합니다. 다른 국가의 환자에게도 WGS가 유용한 도구가 될지는 확실하지 않습니다.
이 연구는 WGS가 암 치료에 미치는 잠재적 영향을 평가했습니다. 그러나 WGS가 실제로 암 치료의 성공률을 높이고 부작용을 줄이는 데 도움이 되는지 여부는 더 많은 연구가 필요합니다.

 

개별 암종별 변이 종류에 따른 설명이 많이 생략되어 있긴하지만, 프롬프트를 잘 작성하면 필요에 맞는 내용을 잘 요약해서 정리해 줄 것으로 생각되고, 결국 깨작깨작 패널대신 걍 WGS를 하고 더불어 methylation, proteomics, RNAseq 등의 정보들도 조합하면 우리가 꿈꾸는 예후 예측이나 더 나은 환자의 치료를 제공할 수 있지 않겠냐고 잘 마무리하고 있는 논문 되겠습니다.

그리고 물론 위에 것을 하려면 아직 돈은 많이 든다. 언젠가 그렇듯이 이 또한 해결 할 수 있는 그 날이 오면 좋겠다. 라고 합니다. 

그럼 설 연휴 잘 마무리하는 걸로 :)

출처: @ye._.vely618