기본 콘텐츠로 건너뛰기

ICH Q2(R2) 분석법 밸리데이션, 신입 QC 담당자가 꼭 알아야 할 5가지 변화

ICH Q2(R2) 분석법 밸리데이션, 1년차 QC 담당자가 꼭 알아야 할 5가지 변화

신입으로 QC 부서에 배치받고 가장 먼저 마주치는 벽이 있습니다. "이 분석법, 밸리데이션 끝났어?"라는 선배의 질문에 정확도와 정밀도 수치는 외워서 답할 수 있는데, 막상 "왜 이 파라미터를 검증해야 하느냐"고 되물으면 말이 막히는 경험, 한 번쯌 있으실 겁니다.

저도 비슷한 시기를 지나왔습니다. SOP에 적힌 대로 정확도(Accuracy), 정밀도(Precision), 특이성(Specificity) 칸을 채우는 것까진 어렵지 않았지만, 그 칸들이 왜 그렇게 나뉘어 있는지, 그리고 최근 개정된 ICH Q2(R2)가 기존 방식과 무엇이 다른지를 이해하는 데는 시간이 좀 걸렸습니다. 이 글에서는 그 과정에서 정리한 내용을 실무자 입장에서 풀어보겠습니다.

왜 지금 Q2(R2)를 알아야 하는가

의약품의 품질을 입증하려면 그 측정 도구, 즉 분석법 자체가 정확하고 믿을 만해야 합니다. ICH Q2(R2)는 이 분석법 밸리데이션의 원칙과 평가 파라미터를 제시하는 공식 가이드라인입니다.

기존 Q2(R1)은 오랫동안 업계의 기준점 역할을 해왔습니다. 하지만 시간이 지나면서 한계가 분명해졌습니다. 다변량 분석(Multivariate analysis), LC-MS, NMR, qPCR 같은 현대적 분석 기술이 일상적으로 쓰이기 시작했는데, 정작 가이드라인은 그 변화를 따라가지 못했던 겁니다. 그래서 이번 개정에서는 단순히 정해진 파라미터를 기계적으로 실험하는 방식에서 벗어나, 분석법 개발 단계(ICH Q14)에서 쌓인 지식과 데이터를 밸리데이션에 적극 활용하고, 분석법의 전체 라이프사이클을 관리하는 방향으로 무게중심이 옮겨갔습니다.

신입 실무자 입장에서 보면 이건 단순한 용어 추가가 아닙니다. 앞으로 작성할 밸리데이션 보고서의 구조와 근거 자료 자체가 달라진다는 의미입니다.

분석법 종류별로 봐야 할 검증 파라미터

밸리데이션을 제대로 하려면 먼저 내가 다루는 분석법의 목적을 정확히 파악해야 합니다. 목적이 다르면 검증해야 할 성능 지표도 달라지기 때문입니다.

특이성(Specificity)과 선택성(Selectivity)이 가장 먼저 확인할 항목입니다. 측정하려는 물질이 있을 때는 검출되고, 없을 때는 검출되지 않아야 한다는 단순한 원칙인데, 실제로는 매트릭스나 분해 산물 때문에 없는데도 신호가 잡히는 일이 흔하게 발생합니다. Q2(R2)는 Specificity와 더불어 혼합물 상태에서도 원하는 대상만 정확히 구별해내는 능력을 뜻하는 Selectivity라는 용어를 함께 강조합니다.

정확도(Accuracy)와 정밀도(Precision)는 정량 분석법이라면 빠질 수 없는 항목입니다. 정확도는 실제 값에 얼마나 근접하는지를, 정밀도는 반복 측정 시 흔들림 없이 같은 값을 내는지를 나타냅니다. 정밀도는 같은 조건에서 짧은 시간 안에 반복하는 반복성(Repeatability)과, 날짜나 분석자 같은 변수를 포함하는 실내 재현성(Intermediate Precision)으로 나누어 평가하는 게 일반적입니다.

검출 한계(DL)와 정량 한계(QL)는 불순물처럼 극미량의 물질을 다룰 때 중요해집니다. 검출 한계는 물질이 존재한다는 사실만 확인할 수 있는 최소량이고, 정량 한계는 적절한 정확도·정밀도로 숫자를 매길 수 있는 최소량입니다.

직선성(Linearity), 검량 모델(Calibration Model), 보고 범위(Reportable Range)도 눈여겨봐야 합니다. R2에서는 단순히 직선성만 확인하는 데서 나아가, 실제 규격 평가에 쓰이는 보고 범위 전 구간에서 적절한 반응성과 검량 모델의 타당성을 입증하도록 요구합니다.

완건성(Robustness)은 온도, pH, 유속처럼 분석 조건이 미세하게 흔들려도 결과가 안정적인지를 보는 지표입니다. 흥미로운 점은, Q2(R2)가 이 완건성을 밸리데이션 본시험에서 직접 수행하기보다는 Q14에 따라 개발 단계에서 미리 평가하고 그 데이터를 가져다 쓰도록 권장한다는 사실입니다.

분석 목적별 카테고리 정리

어떤 항목을 검증할지는 결국 그 분석법의 '목적'에 달려 있습니다. 실무에서 자주 마주치는 분석법을 네 가지 범주로 나눠보면 다음과 같습니다.

분석 목적 실무 예시 주요 검증 포인트 대표 파라미터
활성
(함량/역가, Assay)
API 함량 시험, 바이오의약품 역가 시험 주성분이 규격만큼 정확히 들어있는지, 보고 범위 내에서 정확도·정밀도가 확보되는지 Accuracy, Precision, Specificity, Range, Linearity
이화학
(일반/물성)
pH, 삼투압, 수분 함량, 용출 장비의 캘리브레이션과 신뢰성 위주
※ 분석 목적에 따라 Q2(R2) 적용 범위가 달라질 수 있음
Precision, Accuracy(필요시)
구조/동정
(Identity)
IR 스펙트럼, Peptide mapping, 크로마토그래피 머무름 시간 해당 물질이 맞는지, 유사 물질·매트릭스와 혼동 없이 구별되는지 Specificity (Selectivity)
불순물
(Impurity)
유연물질 정량, 잔류용매 한도 시험 정량: 극미량에서의 정확도·정밀도·정량 한계
한도: 기준치 부근에서의 검출 한계·특이성
Accuracy, Precision, Specificity, QL, DL

이 표를 보면 한 가지 패턴이 보입니다. 결국 "내가 숫자로 답을 내야 하는가, 아니면 맞다/아니다만 판단하면 되는가"가 검증 항목을 가르는 첫 번째 기준이라는 점입니다.

Q2(R1)과 Q2(R2), 실무자가 가장 헷갈려 하는 차이

R1과 R2를 비교할 때 가장 많이 나오는 질문은 "그래서 뭐가 실질적으로 바뀌었나요?"입니다. 핵심은 기존의 '개별 파라미터 중심' 접근이 '범위 및 개발 데이터 연계 중심'으로 확장됐다는 점입니다.

항목 Q2(R1) Q2(R2) 실무적 의미
Q14 연계 언급 없음 Q14 도입 및 연계 강조 개발 단계 데이터(DoE 결과 등)를 밸리데이션 보고서 근거로 재활용 가능
문서화 관습적 수행 위주 Protocol 사전 승인 및 Report 필수화 허용 기준을 사전에 문서화하고 엄격히 관리해야 함
단계적 검증 언급 없음 Phase-appropriate 검증 허용 개발 단계에 맞춰 검증 수준을 유연하게 설계 가능
범위 설정 Linearity & Range 개별 평가 Reportable Range 중심 직선성 자체보다 실제 보고 구간 내 성능 입증에 집중
특이성/선택성 Specificity 중심 Selectivity 용어 추가 ELISA 등 완전 분리가 어려운 기법의 매트릭스 간섭 구별력 강화
정확도+정밀도 각각 독립 평가 Combined Approach 허용 총 오차(Total Error) 관점의 동시 평가 허용
완건성 밸리데이션 항목 중 하나 개발 단계(Q14)에서 수행 권장 본 밸리데이션 전 한계 조건을 미리 파악(MODR 등)
전이/공동검증 언급 없음 Method Transfer/Co-validation 명시 부분 재검증, 다기관 공동 검증을 통한 효율적 이전
신기술 수용 HPLC 등 일반 화학 분석 위주 LC-MS, qPCR, NMR, Multivariate 등(Annex 2) 바이오/첨단 의약품 분석 지원 강화

이 표에서 실무자가 가장 먼저 챙겨야 할 줄은 '문서화'와 'Q14 연계' 두 가지입니다. 사전 Protocol 승인이 필수화됐다는 건, 실험을 시작하기 전에 허용 기준을 명확히 정해두지 않으면 나중에 데이터를 끼워 맞추는 식의 작업이 통하지 않는다는 뜻이기 때문입니다.

체크리스트에서 라이프사이클로

ICH Q2(R2)는 분석법을 다루는 실무자에게 사고방식의 전환을 요구합니다. 과거에는 규제기관 제출용 체크리스트 칸을 채우기 위해 실험을 설계했다면, 이제는 다음 세 가지 질문을 스스로 던지고 그에 맞춰 설계해야 합니다.

  • 내 분석법은 어떤 카테고리에 속하는가?
  • 이 분석법의 보고 범위 전 구간에서 신뢰할 수 있는 성능을 어떻게 입증할 것인가?
  • Q14 개발 단계에서 쌓인 지식을 밸리데이션에 어떻게 효과적으로 연결할 것인가?

다변량 분석 모델이나 플랫폼 기법에 대한 검증 부담을 줄여줄 명확한 기준이 마련된 만큼, 이 가이드라인을 SOP에 제대로 반영하면 분석실의 업무 효율과 규제 대응력을 동시에 끌어올릴 수 있을 것입니다.

FAQ

Q. Q2(R1)으로 이미 밸리데이션이 끝난 기존 분석법도 다시 검증해야 하나요?
일반적으로 소급 적용 의무는 없지만, 분석법을 변경하거나 새로 제출하는 시점에는 Q2(R2) 기준에 맞춰 검토하는 것이 안전합니다. 회사 내부 SOP와 규제기관 가이드를 함께 확인하는 게 좋습니다.

Q. Combined Approach란 정확도와 정밀도를 따로 안 해도 된다는 뜻인가요?
완전히 생략 가능하다는 의미는 아닙니다. 총 오차(Total Error) 관점에서 두 지표를 통합적으로 평가하는 방식을 추가로 인정한다는 뜻이며, 어떤 방식을 택할지는 분석법의 특성과 내부 전략에 따라 결정됩니다.

Q. 완건성(Robustness)을 개발 단계에서 했다면 밸리데이션 본시험에서는 완전히 빼도 되나요?
Q2(R2)는 개발 단계 데이터를 활용하도록 권장하지만, 이를 밸리데이션 보고서에 어떻게 반영할지는 근거 자료의 충분성과 내부 절차에 따라 달라집니다. 무조건 생략보다는 데이터 연계 근거를 명확히 남기는 것이 중요합니다.

참고문헌

  • ICH Q2(R2): Guideline on Validation of Analytical Procedures (2023)
  • ICH Q14: Analytical Procedure Development (2022)
  • ICH Q2(R1): Validation of Analytical Procedures: Text and Methodology (과거 규정, 참조용)

댓글

이 블로그의 인기 게시물

PyMOL 명령어 정리: 논문·발표용 이미지 스크립트까지 한 번에

PyMOL 명령어 정리: 논문·발표용 이미지 스크립트까지 한 번에 지난 PyMOL 설치·마우스 조작 글에 대한 반응이 예상보다 컸습니다. 설치는 끝냈고 화면도 어느 정도 돌려봤는데, 그다음이 막막하다는 분들이 많았습니다. 커맨드 라인에 뭘 쳐야 할지 몰라 결국 캡처 화면만 들고 보고서를 쓰거나, 어디서 복사해온 스크립트를 그대로 붙여 넣었다가 에러 메시지만 보고 포기하는 경우입니다. 이번 글은 그 다음 단계, 즉 실제로 자주 쓰는 명령어와 논문·발표용 이미지를 뽑아내는 스크립트를 정리합니다. 다만 인터넷에 떠도는 PyMOL 스크립트 중에는 예전 버전 문법이거나, 애초에 존재하지 않는 세팅 이름이 섞여 있는 경우가 적지 않습니다. 그래서 이 글에 실린 모든 명령어는 PyMOL 공식 문서와 PyMOL Wiki를 기준으로 하나씩 확인한 뒤 실었습니다. 확인 과정에서 실제로 동작하지 않는 표현 3곳을 발견해 수정했고, 어떤 부분이 왜 틀렸는지는 별도로 짚어두었습니다. 1. 화면 제어 및 구조 불러오기 커맨드 라인은 화면 하단에 있습니다. 아래 명령어들은 세션을 시작할 때 거의 매번 쓰게 되는 기본기입니다. PDB 구조 불러오기 : fetch 1tup — 인터넷에서 해당 PDB ID의 구조를 바로 내려받아 표시합니다. 배경색 변경 : bg_color white — 논문·발표 자료는 흰 배경이 기본입니다. 화면 정렬/초기화 : orient — 구조 전체가 화면에 꽉 차도록 각도와 확대 비율을 자동으로 맞춥니다. zoom 은 현재 각도를 유지한 채 확대 비율만 조정한다는 점에서 차이가 있습니다. 특정 부위로 확대 : zoom resi 150 — 150번 잔기를 중심으로 확대합니다. 도킹 부위나 특정 변이 위치를 자세히 볼 때 유용합니다. 2. 표시 방식과 컬러링 리본형(2차 구조 강조) : show cartoon 막대형(원자·결합 강조) : show sticks 공간 채움형 : show spheres 표면형 : show ...

PyMOL 설치 방법부터 마우스 사용법까지 — AI 신약개발 시대 분자 시각화 입문 가이드

"AI가 신약을 설계해준다"는 말은 이제 뉴스 헤드라인이 아니라 실험실의 일상이 되었습니다. 알파폴드 같은 단백질 구조 예측 모델이 구조 데이터를 쏟아내면서, 그 결과물을 사람이 눈으로 확인하고 해석하는 능력은 오히려 더 중요해졌습니다. 그 확인 작업의 표준 도구가 바로 PyMOL입니다. 그런데 막상 PyMOL을 처음 켜본 분들의 반응은 대체로 비슷합니다. 마우스를 드래그했는데 분자가 움직이는 줄 알았더니 사실은 화면(카메라)이 돌아간 것이고, 어떤 때는 또 분자 자체가 진짜로 움직여서 구조가 깨진 것처럼 보이기도 합니다. 단축키를 몰라서 우왕좌왕하다가 그냥 캡처 화면만 들고 보고서를 쓰는 경우도 많습니다. 이 글에서는 컴퓨터 비전공자도 따라 할 수 있도록 PyMOL 설치부터, 가장 많이 헷갈리는 마우스 동작의 원리, 실전 사용법까지 순서대로 정리합니다. PyMOL이 AI 신약개발 시대에 필수가 된 이유 PyMOL은 단백질, 핵산, 저분자 화합물 같은 생체분자의 3차원 구조를 시각화하는 프로그램입니다. 단순히 "예쁜 그림"을 만드는 도구가 아니라, 결합 부위의 형태를 확인하고 화합물이 들어갈 공간을 가늠하고 변이가 일어난 자리를 짚어내는 분석 도구입니다. 요즘 AI 신약개발 파이프라인은 보통 이런 흐름을 따릅니다. AI 모델이 단백질 구조를 예측하거나 결합 후보 화합물을 제안하면, 연구자가 그 결과를 분자 시각화 프로그램으로 열어 타당성을 검토합니다. 예측이 그럴듯해 보이는지, 입체 장애는 없는지, 알려진 결합 부위와 일치하는지를 눈으로 확인하는 단계가 빠지지 않습니다. 그 검증 단계에 PyMOL이 사실상 업계 표준으로 쓰이고 있어서, 생물학이나 제약 전공자라면 코딩 경험이 없어도 PyMOL 사용법 정도는 익혀두는 편이 유리합니다. PyMOL 설치, 두 가지 무료 경로 중 나에게 맞는 것 고르기 PyMOL은 신기하게도 "무료"라는 말이 두 가지 다른 의미로 쓰입니다. 어떤 경로로 받느냐에 따...

CQA(Critical Quality Attribute)란 무엇인가: 바이오의약품 CMC에서 "관리해야 할 것"을 정하는 방식

CQA(Critical Quality Attribute)란 무엇인가: 바이오의약품 CMC에서 "관리해야 할 것"을 정하는 방식 시험 목록을 보다 보면 이런 의문이 듭니다. "이 시험은 왜 하는 거지?" SEC-HPLC로 Aggregation을 보고, CEX로 Charge Variant를 보고, ELISA로 HCP를 보는데, 정작 "왜 이 항목들을 관리해야 하는가"에 대한 답은 문서 어디에도 명확히 적혀 있지 않은 경우가 많습니다. 이 질문에 답하는 개념이 바로 CQA, Critical Quality Attribute입니다. 이전 글 RACI Matrix: 바이오·제약 CMC 조직에서 의사결정이 꼬이는 진짜 원인 에서는 "누가 결정하는가"를 다뤘다면, 이번 글은 그 결정의 대상, 즉 "무엇을 관리해야 하는가"를 다룹니다. CQA는 시험 항목을 나열한 표가 아니라, 제품 품질과 환자 안전을 연결하는 과학적 의사결정 체계입니다. CQA란 무엇인가 ICH Q8(R2)에서는 CQA를 이렇게 정의합니다. "제품이 요구되는 품질, 안전성, 유효성을 확보하기 위해 적절한 한계, 범위 또는 분포 내에서 관리되어야 하는 물리적, 화학적, 생물학적 또는 미생물학적 특성 또는 성질" 풀어 말하면 이렇습니다. CQA = 제품의 품질 특성 중, 변화가 생겼을 때 환자에게 미치는 영향을 고려해 반드시 관리해야 하는 핵심 특성 항체(mAb) 제품을 예로 들면, 하나의 분자 안에도 관리 가능한 특성이 수십 가지 존재합니다. 품질 특성 대표 시험 Primary structure Peptide mapping Aggregation SEC-HPLC Charge variant CEX-HPLC Glycosylation LC-MS Potency Cell-based assay Host Cell Protei...