프로테오믹스 데이터 전처리: 결측값 처리의 모든 것

프로테오믹스에서 결측값이 유독 골치 아픈 이유

질량분석(Mass Spectrometry) 기반 프로테오믹스 데이터를 처음 받아보면 다들 놀랍니다. 결측값이 데이터의 30~50%를 차지하는 경우가 흔하거든요. RNA-seq에서는 상상하기 어려운 수준이죠.

문제는 이 결측값이 랜덤하게 빠진 게 아니라는 겁니다. 프로테오믹스 결측에는 크게 두 가지 유형이 있어요:

• MCAR/MAR (Missing Completely/At Random) — 기술적 이유로 랜덤하게 검출 안 된 경우

• MNAR (Missing Not At Random) — 발현량이 너무 낮아서 검출 한계 아래인 경우

이 두 유형을 구분하지 않고 일괄 처리하면 결과가 완전히 왜곡될 수 있습니다. 제가 실제로 겪은 건데, MNAR 결측을 단순 평균으로 대체했더니 차등 발현 분석에서 실제로는 의미 있는 단백질 수십 개가 사라져 버렸습니다.

결측 유형 판별하기

일단 내 데이터의 결측이 어떤 패턴인지 파악하는 게 첫 번째입니다. 간단한 방법들이 있어요:

• 결측값 히트맵 — 샘플별, 단백질별로 결측 패턴을 시각화하면 구조적 패턴이 보입니다

• 발현 강도 vs 결측 비율 — 산점도를 그렸을 때 저발현 단백질에 결측이 몰려 있으면 MNAR 가능성이 높습니다

• Little's MCAR test — 통계적으로 MCAR 여부를 검정할 수 있습니다 (R의 naniar 패키지)

결측값 처리 방법 총정리

1. 필터링 (가장 보수적)

결측 비율이 너무 높은 단백질은 아예 제거합니다. 보통 전체 샘플의 50~70% 이상에서 검출된 단백질만 남기는데, 이 기준은 실험 설계에 따라 조절해야 합니다. 그룹 내 70% 이상 검출 기준을 쓰면 그룹 특이적 단백질도 살릴 수 있어요.

2. 단순 대체법

• 0 또는 최솟값 대체 — MNAR에 적합하지만, 분포를 심하게 왜곡할 수 있음

• 행/열 평균 대체 — MCAR에만 적합, MNAR에 쓰면 과대추정 위험

• MinProb — 1% 분위수 근처에서 랜덤 샘플링. MNAR 전용으로 많이 쓰입니다

3. 통계 기반 대체법

• KNN imputation — 비슷한 발현 패턴의 단백질로부터 추정. MAR에 효과적

• MissForest — 랜덤 포레스트 기반. 성능이 좋지만 계산 비용이 높음

• QRILC — 왼쪽 절단 분포를 가정한 방법. MNAR에 특화

4. 혼합 접근 (추천)

현실적으로 가장 좋은 방법은 MCAR/MAR과 MNAR을 분리해서 각각 다른 방법을 적용하는 겁니다. R의 DEP 패키지나 msImpute가 이 접근을 지원합니다.

제가 실제로 쓰는 워크플로우는 이렇습니다:

• 결측 패턴 시각화로 MNAR vs MAR 대략 판별

• 그룹 내 결측 비율 기반 필터링 (그룹 내 70% 이상 검출)

• 저발현 결측 → MinProb 또는 QRILC

• 나머지 결측 → KNN 또는 MissForest

• 대체 전후 분포 비교로 검증

흔한 실수와 팁

• 정규화 전에 대체하세요 — 순서가 바뀌면 정규화가 왜곡됩니다

• 대체 후 분포를 꼭 확인하세요 — density plot으로 원본과 대체 후 분포를 비교하는 습관을 들이세요

• sensitivity analysis를 하세요 — 서로 다른 대체 방법으로 결과가 얼마나 바뀌는지 확인하면 결과의 robustness를 판단할 수 있습니다

• 결측 대체 방법을 Methods에 꼭 명시하세요 — 리뷰어들이 점점 까다롭게 봅니다

프로테오믹스 결측값 처리는 귀찮지만, 여기서 대충 넘어가면 다운스트림 분석 결과 전체가 흔들릴 수 있습니다. 시간을 들일 가치가 충분한 단계예요.

📚 참고 데이터베이스: PubMed | UniProt | Nature

---

관련 읽을거리

• 💊 비타민D 부족이 만성피로의 원인? 혈액검사로 확인하세요 — Genobalance
• 🧠 뇌의 가소성: 우리 뇌는 왜 평생 변화하는가 — K-Brain Map
• 💻 AI 기술 동향: 핫 스타트업부터 윤리적 논쟁까지 — BRIC