Discussion의 본질은 데이터에서 통찰로 전환하는 것이다. Results가 데이터가 말하는 것이라면, Discussion은 당신이 독자에게 말하는 것이다. 실험 결과의 단순 나열이 아니라, 그 결과가 과학적 맥락에서 무엇을 의미하는지 해석하고 설명하는 공간이다. 좋은 Discussion은 Introduction에서 던진 떡밥을 하나씩 회수하며, “우리가 묻던 질문에 대한 답은 이것이다”라고 선언한다.
많은 학생들이 Discussion을 쓸 때 “First, Second, Third, Last…”로 결과를 순차적으로 나열한다. 이런 구조는 체크리스트를 완성하는 느낌을 주지만, 독자에게는 지루하고 기계적으로 다가온다. Discussion은 단순한 결과의 반복이 아니다. Introduction에서 제시한 연구 gap에 집중하며, 당신의 발견이 갖는 novelty와 implication을 설명해야 한다.
또 다른 함정은 Results의 모든 결과를 하나하나 해석하려는 시도다. 모든 데이터가 Discussion에 들어갈 필요는 없다. 주요한 발견(key findings)과 그것이 갖는 함의(implications)에 집중하라. 부차적인 관찰들은 과감히 생략하거나 간단히 언급하는 것이 오히려 메시지를 명확하게 만든다.
실제 논문의 Discussion을 분석하며 효과적인 구조를 배워보자. 우리 연구실에서 자폐 가족의 유전변이 영향을 측정한 연구(Kim et al. 2025, Genome Medicine) 논문을 활용하여 설명하고자 한다.
이 논문의 Discussion은 첫 문단에서 연구의 핵심 메시지를 명확히 전달한다:
“We measured the effect sizes of DNVs on behavioral symptom severity and adaptive functioning considering familial background leveraging large and ancestrally diverse ASD cohorts. This approach improved genotype–phenotype associations and led to the discovery of 18 novel ASD-associated genes. Furthermore, we identified 11 genes with high variability in intrafamilial effects…”
연구가 무엇을 했고, 무엇을 발견했는지 즉시 알 수 있다. Introduction에서 제기한 문제(“familial background를 고려하지 않으면 DNV 효과를 정확히 평가할 수 없다”)에 대한 답(“우리는 WFSD 방법으로 이를 해결했고, 18개의 새로운 유전자를 발견했다”)을 바로 제시한다. 이런 직설적인 시작은 독자가 Discussion의 방향을 바로 이해하도록 돕는다.
이 논문의 Introduction은 “DNV의 표현형 효과가 가족 배경에 따라 크게 달라진다”는 문제를 제기했다. Discussion은 이 문제에 정확히 답한다:
“The use of WFSD provided less variable and more robust associations with ASD than raw phenotype scores, indicating improved biological interpretability.”
단순히 “우리 방법이 좋다”고 말하는 것이 아니라, Introduction에서 던진 specific한 질문에 대해 specific한 답을 제시한다. 독자는 “아, 이 연구가 정확히 그 문제를 해결했구나”라고 이해하게 된다.
Discussion에서는 자신의 결과를 기존 연구와 비교하며 맥락을 제공할 수 있다. 이 논문은 SFARI Gene database와 비교하며 검증한다:
“Comparison of gene-level effects of dnPTVs on SRS WFSD with external gene annotations (SFARI Gene) and effect size estimates demonstrated largely consistent enrichment patterns, supporting the validity of our approach.”
이런 비교는 두 가지 목적을 달성한다. 첫째, 자신의 결과가 기존 지식과 일치함을 보여 신뢰성을 높인다. 둘째, 새로운 발견(SPAG9, UNK, TNFRSF8 같은 novel genes)의 중요성을 부각시킨다.
오믹스 연구에서는 top candidate에 대해 관련 pathway나 disease relevance를 설명하는 것이 특히 중요하다. 예를 들어 이 논문은 PTEN 변이의 domain-specific effect를 설명하며:
“Missense variants within its phosphatase domain, particularly those affecting the substrate-binding and TI loop regions, exhibited significantly more severe SRS deviations… Consistent with these observations, prior multi-model functional assays demonstrated that p.Thr131Ile exhibits near-complete loss-of-function…”
단순히 “PTEN이 중요하다”가 아니라, “어떤 domain의 어떤 변이가 왜 severe한 효과를 보이는지” 기전과 함께 설명한다.
First, Second, Third… 식 나열 대신, 이 논문은 주제별로 자연스럽게 흐른다:
각 주제는 자연스럽게 다음 주제로 연결된다. “우리 방법이 좋다 → 그래서 새로운 생물학적 메커니즘을 발견했다 → 하지만 한계가 있어 더 연구가 필요하다 → 이는 임상에 이렇게 응용될 수 있다”는 논리적 흐름을 만든다.
학생들이 자주 묻는 질문이 있다: “Limitation을 얼마나 솔직하게 써야 하나요?”
명확히 하자. Limitation 섹션은 반성문이 아니다. “우리 연구가 형편없어요”라고 자학하는 공간이 아니라, 연구의 맥락을 명확히 하고 미래 방향을 제시하는 전략적 공간이다.
너무 뻔한 것: “Sample size가 작았다”, “longitudinal data가 아니었다”처럼 모든 연구가 가질 수 있는 일반적 한계는 독자에게 새로운 정보를 주지 않는다.
근원적으로 해결할 수 없는 것: “우리는 생쥐 모델을 사용했기 때문에 인간과 다를 수 있다”는 생쥐 연구의 본질적 한계다. 이를 limitation으로 적는 것은 연구 설계 자체를 부정하는 것이다.
다음 연구 아이디어의 과도한 노출: “향후 연구에서는 X, Y, Z 변수를 추가로 분석할 것이다”처럼 구체적 연구 계획을 제시하면, 경쟁 연구자에게 아이디어를 주는 셈이다.
위 논문의 limitation은 발전적 비평의 좋은 예시다:
“SRS data were unavailable for the SPARK, which may reduce cohort diversity.”
단순히 “데이터가 없었다”로 끝나지 않는다. 바로 이어서:
“However, the adjustment for these covariates did not change the relative WFSD differences between dnPTV, dnMIS, and non-carriers.”
문제를 제기하되, 그것이 핵심 결론에 영향을 주지 않았음을 보인다. 이는 변증법적 접근이다. “데이터의 한계가 있다(정) → 하지만 우리는 이를 검증했다(반) → 따라서 결론은 여전히 robust하다(합)“.
Ascertainment bias에 대한 논의도 마찬가지다:
“Parental SRS T-scores were lower than the general population mean, and sibling VABS scores were higher than the general population mean, suggesting that comparisons with general population norms might underestimate the DNV effects. However, we cannot exclude the possibility of ascertainment bias being introduced, as participating families could have higher education levels and lower social impairments than the broader population.”
Bias 가능성을 솔직하게 인정한다. 하지만 바로 이어서:
“To evaluate whether such bias could systematically influence the estimated DNV effects, we conducted exploratory analyses testing interactions between parental or sibling phenotypes and DNV carrier status, which did not show any significant interaction effects.”
한계를 제시하되, 그것이 결과에 실제로 영향을 주었는지 검증한 것을 보여준다. 이것이 발전적 비평이다.
모든 데이터는 양면성을 갖는다. Within-family comparison은 familial background를 제어하는 장점이 있지만, 동시에 분석 가능한 샘플 수를 줄인다:
“While WFSD provides more specific estimates of DNV effects, the substantially smaller subset of probands with complete two-generation or sibling phenotyping imposes a further limitation. For example, while SRS scores were available in WFSD for a comparable number (Raw N = 2907; WFSD N = 2715), VABS data were not (Raw N = 10,232; WFSD N = 1955).”
Trade-off를 명확히 설명한다. “WFSD가 더 정확하지만, 샘플 수가 줄어든다”는 양면을 제시하고, “따라서 미래 연구에서는 family phenotyping을 더 많이 수집해야 한다”는 건설적 방향을 제시한다.
또 다른 학생들의 질문: “Future Plan을 얼마나 구체적으로 써야 하나요?”
간단한 답: 연구 계획서를 쓰지 마라.
“향후 우리는 X cohort를 추가로 recruit하여 Y 분석을 수행할 것이다”는 grant proposal에 들어갈 내용이지, Discussion에 들어갈 내용이 아니다. 대신 학문적 발전 방향을 제시하라.
이런 문장들은 “우리가 이런 연구를 할 거예요”라고 선언한다. 너무 구체적이어서 경쟁자에게 아이디어를 주거나, 실행하지 못했을 때 비판받을 여지를 만든다.
위 논문은 이렇게 제시한다:
“We suggest that future studies integrate intrafamilial deviations to account for familial background effects. WFSD may facilitate personalized variant interpretation or support genetic counseling frameworks. Investigations into the sources of familial influence, such as inherited variants, environmental factors, or their interplay, would deepen our understanding.”
“Future studies”라는 주어를 사용한다. “우리가”가 아니라 “학계가” 나아갈 방향이다. 구체적 방법론(CRISPR, IP-MS)을 제시하지 않고, 개념적 방향(integrate intrafamilial deviations, investigate sources of familial influence)을 제시한다.
또한 응용 가능성을 제시한다:
“Addressing these questions will advance our understanding of the neurobiological mechanisms underlying ASD variability and contribute to the development of precise support and interventions.”
“이런 연구가 왜 필요한가”에 대한 broader impact를 설명한다. 단순한 연구 계획이 아니라, 학문적·임상적 의의를 강조한다.
일부 저널은 Discussion과 별도로 Conclusion 섹션을 요구한다. 세 섹션(Introduction, Discussion, Conclusion)이 모두 있을 때, 각각의 역할은 무엇일까?
Introduction: 넓은 맥락 → 좁은 질문. “이 분야에는 이런 문제가 있고, 우리는 이 질문에 답하고자 한다.”
Discussion: 발견의 해석과 맥락화. “우리는 이런 것을 발견했고, 이는 기존 연구와 비교할 때 이런 의미를 갖는다. 한계는 이러하며, 미래 방향은 이렇다.”
Conclusion: 좁은 답 → 넓은 함의. “우리의 발견은 이것이고, 이는 더 큰 맥락에서 이런 영향을 미칠 것이다.”
Introduction과 Conclusion은 대칭을 이룬다. Introduction이 깔때기처럼 넓은 곳에서 좁은 곳으로 좁혀갔다면, Conclusion은 역깔때기처럼 구체적 발견에서 시작해 broader impact로 확장된다.
위 논문의 Conclusion을 보자:
“Accounting for familial background enables clinicians to predict the phenotypic outcomes of specific DNVs. This approach provides valuable insights into the biological mechanisms underlying ASD, enabling precise support and effective intervention strategies for individuals and families affected by ASD.”
핵심 메시지(familial background를 고려하면 DNV outcome을 예측할 수 있다)에서 시작해, 임상적 응용(precise support and intervention)으로 확장된다. 단순히 “우리는 WFSD를 개발했다”가 아니라, “이것이 환자와 가족에게 어떤 의미를 갖는가”로 마무리한다.
좋은 Conclusion은 독자에게 “So what?”에 대한 답을 준다. “당신이 발견한 것이 왜 중요한가? 이것이 세상을 어떻게 바꿀 것인가?” 이 질문에 답하며 논문을 마무리할 때, 독자는 연구의 의미를 온전히 이해하게 된다.
Discussion을 쓰기 전에, Introduction을 다시 읽으며 “던진 떡밥” 목록을 만들어라.
각 항목에 대해 Discussion에서 어떻게 답할지 메모하라. 모든 떡밥이 회수되었는지 확인하는 체크리스트가 된다.
Results의 모든 결과가 같은 중요도를 갖지 않는다.
Discussion은 주로 primary findings에 집중한다. Secondary findings는 간단히 언급하거나 Supplementary Discussion으로 옮길 수 있다. Negative findings는 중요한 것만 선별적으로 논의한다.
각 문단은 하나의 명확한 주제를 다뤄야 한다.
나쁜 예:
“우리는 WFSD를 개발했다. 18개 유전자를 발견했다. PTEN이 흥미롭다. Sample size가 작았다. 임상적으로 중요하다.”
하나의 문단에 너무 많은 주제가 섞여 있다.
좋은 예:
문단 1: WFSD 방법론의 우수성과 검증 문단 2: Domain-specific effect의 생물학적 메커니즘 (PTEN 예시) 문단 3: Position-specific effect의 의미 (NCKAP1, CHD2 예시) 문단 4: Limitation과 그에 대한 대응 문단 5: 임상적·생물학적 함의
각 문단이 하나의 주제에 집중할 때, 논리적 흐름이 자연스럽게 만들어진다.
전환 단어는 문단 간 관계를 명확히 한다.
이런 전환어가 없으면 문단들이 단순 나열처럼 보인다. 전략적으로 사용하면 논리적 구조가 명확해진다.
첫 초안은 보통 너무 길다. 모든 결과를 설명하려 하고, 모든 문헌을 인용하려 한다.
두 번째 draft를 쓸 때 자문하라:
Discussion은 짧고 강렬할 때 더 효과적이다. 3-4 페이지로 핵심 메시지를 전달하는 것이, 7-8 페이지로 모든 것을 설명하려는 것보다 낫다.
나쁜 예:
“Figure 2A shows that WFSD was 3.5 in dnPTV carriers. Figure 2B shows that it was 3.3 in dnMIS carriers. Figure 2C shows…”
이것은 Results의 반복이다. 독자는 이미 Results를 읽었다.
좋은 예:
“dnPTV carriers exhibited the largest deviation from their parents (3.5 WFSD), suggesting that protein-truncating variants have the most substantial impact on phenotypic divergence from familial baseline.”
같은 숫자를 언급하되, 해석(interpretation)을 더한다. “무엇을 발견했는가”가 아니라 “그것이 무엇을 의미하는가”에 집중한다.
나쁜 예:
“이 결과는 PTEN이 신경발달 과정에서 중추적 역할을 하며, 아마도 시냅스 형성을 조절하고, 수상돌기 가지치기에 영향을 주며, 신경전달물질 분비를 변화시킬 것이다.”
데이터가 뒷받침하지 않는 과도한 추론이다.
좋은 예:
“Functional assays demonstrated that p.Thr131Ile exhibits near-complete loss-of-function, consistent with the severe phenotypic impact we observed. This domain-specific effect aligns with the substrate-binding region’s known role in enzymatic activity.”
기존 문헌의 functional data와 자신의 phenotypic data를 연결한다. 추론이지만, 근거가 있는 추론이다.
나쁜 예:
“우리 연구는 sample size가 작고, 다른 ethnicity를 포함하지 못했으며, longitudinal data가 없어서 인과관계를 확인할 수 없다. 또한…”
Limitation에서 너무 많은 것을 나열하며 방어적으로 변한다.
좋은 예:
“While our approach provides more accurate effect estimates, the substantially smaller subset with complete family phenotyping limits detection of rare variant effects. Future studies collecting standardized family-based assessments will enhance power for such analyses.”
한계를 인정하되, 그것을 미래 연구의 방향으로 전환한다. 방어가 아닌 건설적 제안이다.
논문의 끝은 시작과 호응해야 한다. Introduction이 “우리는 이 질문에 답하고자 한다”로 시작했다면, Conclusion은 “우리는 이렇게 답했다”로 마무리한다.
효과적인 Conclusion의 구조:
전체를 5-6문장, 한 문단으로 간결하게 마무리한다. 새로운 정보를 추가하지 않고, 이미 논의한 내용을 bigger picture의 관점에서 재구성한다. 독자는 논문을 덮으며 생각한다. “이 연구는 무엇을 발견했는가? 왜 중요한가?” Conclusion은 이 두 질문에 대한 명확하고 기억에 남는 답을 제공해야 한다.
Results는 객관적이고 중립적이어야 한다. 하지만 Discussion은 다르다. 여기서는 당신의 해석, 당신의 통찰, 당신의 비전을 보여줄 수 있다. 좋은 Discussion을 쓰는 과학자는 단순히 데이터를 설명하는 것을 넘어선다. 그들은 데이터 뒤에 숨겨진 생물학적 의미를 보고, 그것을 독자가 이해할 수 있는 narrative로 만든다. Introduction에서 던진 질문에 답하되, 동시에 새로운 질문을 열어준다. 당신의 연구가 완벽할 필요는 없다. 모든 질문에 답할 필요도 없다. 하지만 당신이 답한 질문이 왜 중요한지, 그것이 과학을 어떻게 한 걸음 앞으로 나아가게 하는지 설명할 수 있어야 한다. Discussion을 쓸 때, 스스로에게 물어라: “1년 후 이 논문을 읽는 독자가 기억할 메시지는 무엇인가?” 그 하나의 메시지를 중심으로 모든 문단을 구성하라. 나머지는 과감히 버려라.
당신의 데이터는 말한다. 이제 당신이 말할 차례다.