SPR 데이터 신뢰성을 확보하기 위해서는 단순히 낮은 chi2 값에 의존하는 ‘피팅의 함정’에서 벗어나야 합니다. chi2는 모델의 전반적인 적합도를 수치화하지만 국부적인 체계적 오차를 포착하지 못하므로, 반드시 잔차 분석(Residual Plot)을 병행하여 물리적 변수인 Mass Transport Limitation(MTL) 등이 데이터에 정확히 반영되었는지 검증해야 합니다.
실험실에서 밤을 지새우며 겨우 얻어낸 SPR(Surface Plasmon Resonance) 센서그램. 소프트웨어가 계산해 준 KD 값과 예쁜 피팅 라인을 보며 “이번엔 됐다”라고 안도하셨나요? 하지만 많은 대학원생과 벤처 연구원들이 투고한 논문에서 “The model is overinterpreted”라는 냉혹한 리뷰를 받곤 합니다.
1. SPR 데이터 신뢰성, 왜 chi2 수치에만 집착하면 위험할까?
연구 현장에서 흔히 발생하는 문제는 물리적 현상보다 통계적 지표인 chi2에 과도하게 의존하는 것입니다. chi2는 전체적인 근사치를 보여줄 뿐입니다. 특히 복잡한 binding model을 사용해 파라미터를 늘리면 chi2는 인위적으로 낮아질 수 있으며, 이는 실제 생물학적 메커니즘과 동떨어진 ‘수학적 피팅’에 불과할 수 있습니다 (Myszka, 1999).
모델이 복잡해질수록 chi2는 개선되지만, 각 파라미터의 물리적 독립성과 의미는 희석됩니다. 항상 1:1 Langmuir 모델에서 시작하여, 명확한 근거(예: 항체의 이가 결합)가 있고 잔차 분석에서 개선이 뚜렷할 때만 모델의 복잡도를 높이십시오.
2. SPR 논문 리뷰에서 단골로 지적되는 과해석 사례
리뷰어들이 가장 먼저 확인하는 것은 chi2라는 단일 숫자가 아닌 ‘잔차(Residuals)’의 분포입니다. 센서그램과 피팅 라인의 차이를 나타내는 잔차 플롯이 무작위(Random)가 아닌 특정 패턴(Wave pattern)을 그린다면, 아무리 chi2 값이 낮아도 그 모델은 실제 데이터를 설명하지 못하는 ‘과해석’ 상태로 간주됩니다.
주요 Binding Model 및 데이터 해석 시 유의사항
| 모델 종류 | 적용 대상 | chi2 및 피팅 유의점 |
|---|---|---|
| 1:1 Langmuir | 단일 결합 부위 | MTL 무시 시 chi2는 낮아도 속도상수 왜곡 발생 |
| Bivalent Analyte | IgG 항체 등 | Avidity 효과를 분리하지 못하면 KD 신뢰성 상실 |
| Heterogeneous Ligand | 다양한 결합 부위 | 피팅을 위해 억지로 모델을 끼워맞추는 ‘피팅 만능주의’ 경계 |
3. 해결 방안: 신뢰성 높은 SPR 데이터를 만드는 3단계
벤처 기업의 팀장님들이나 연구 책임자들은 실험 결과의 ‘재현성’과 ‘정확성’을 최우선으로 봅니다. 이를 위해 단순히 통계 수치 뒤에 숨지 않는 검증 단계를 거쳐야 합니다.
Step 1. Mass Transport Limitation(MTL) 진단
유속(Flow rate)을 변경했을 때 결합 속도($k_a$)가 변한다면, 그것은 분석 물질이 표면으로 이동하는 속도가 결합 속도보다 느린 MTL 상태입니다. 이 현상을 모델에 포함시키지 않으면 소프트웨어는 억지로 피팅 라인을 조정하여 chi2를 낮추려 시도하고, 결과적으로 잘못된 상호작용 상수를 도출합니다 (Schuck, 1997).
Step 2. 잔차 분석(Residual Analysis)의 생활화
잔차의 진폭이 기기 노이즈(보통 < 1 RU) 이내인지 확인하십시오. chi2가 0.1 이하로 매우 낮더라도 잔차에 물결 모양의 패턴이 보인다면, 그것은 모델이 시스템의 물리적 비이상성(non-ideality)을 설명하지 못하고 있다는 신호입니다.
데이터 검증의 핵심 지표: 잔차 시각화 및 해석
✅ 무작위 분포 (Ideal Case)
잔차가 무작위 노이즈처럼 분포함.
모델이 데이터를 올바르게 설명.
⚠️ 물결 패턴 (Systematic Error)
잔차에 명확한 곡선 패턴이 존재.
chi2가 낮아도 모델링 오류임.
✅ 신뢰할 만한 수치
chi2: Rmax의 1% 미만 (예시)
⚠️ 과해석(Overfit) 징후
수치가 낮아도 잔차 진폭이 기기 노이즈를 초과함
4. 적용 효과: 리젝 없는 논문과 신뢰받는 연구원
위와 같은 엄격한 검증을 거친 SPR 데이터는 단순히 ‘예쁜 그림’을 넘어, 신약 개발의 의사결정을 돕는 강력한 무기가 됩니다. 논문 리뷰어의 날카로운 질문에 “통계적 chi2뿐만 아니라 잔차의 랜덤 분포를 통해 물리적 타당성을 검증했다”라고 당당히 답변하십시오.
자주 묻는 질문 (FAQ)
Q1. chi2 값이 충분히 낮은데도 모델이 틀릴 수 있나요?
A1. 네, ‘오버피팅(Overfitting)’ 때문입니다. 수학적으로 파라미터를 늘리면 데이터에 완벽히 밀착된 곡선을 만들 수 있지만, 이는 실험적 노이즈까지 모델링한 결과일 수 있습니다. 낮은 chi2보다 잔차가 기기 노이즈 수준에서 무작위로 흩어져 있는지가 더 중요합니다.
Q2. 좋은 chi2의 기준 수치는 얼마인가요?
A2. 절대적인 기준은 없으나, 일반적으로 최대 반응값($R_{max}$)의 1~2% 미만을 권장합니다. 하지만 이 수치보다 더 중요한 것은 잔차 플롯에 특정 패턴이 남아있는지 여부입니다.
참고문헌 (References)
- Myszka, D. G. (1999). Improving biosensor analysis. Journal of Molecular Recognition, 12(5), 279-284.
- Nguyen, K., Li, K., Flores, K., Tomaras, G. D., Dennison, S. M., & McCarthy, J. M. (2023). Parameter estimation and identifiability analysis for a bivalent analyte model of monoclonal antibody-antigen binding. Analytical Biochemistry, 679, 115263.
- Schuck, P. (1997). Reliable determination of binding affinity and kinetics using surface plasmon resonance biosensors. Current Opinion in Biotechnology, 8(4), 498-502.
- Tiwari, P. B., Üren, A., & He, J. (2015). Model identification and analysis of bivalent analyte surface plasmon resonance data. Review of Scientific Instruments, 86(10), 106107.
- Hoare, S. R. J. (2021). Analyzing kinetic binding data. In S. Markossian et al. (Eds.), Assay Guidance Manual. Eli Lilly & Company and the National Center for Advancing Translational Sciences.
