# Research Pulse — 2026-06-25 _Generated 2026-06-25 07:30 KST · AI × Bioresearch Daily synthesis_ Brown Biotech daily research pulse — multi-front synthesis across CRISPR / gene editing, AI drug discovery, protein AI, single-cell foundation models, FDA/regulatory, and spatial transcriptomics. Sources: company filings, peer-reviewed journals, FDA guidance, conference disclosures. --- ### Post 1: 오늘의 전체 흐름 🧬 **AI × Bioresearch Daily — 6월 25일 (목요일) · 통합의 날(Integration Day)** 6/14(전환)→6/15(구현)→6/16(수렴)→6/17(이행)→6/18(심화)→6/19(통합)→6/20(확산)→6/21(안착)→6/22(현장화)→6/23(?)→6/24(확산)→오늘 통합의 날(Integration Day). 현장화된 기술들이 서로 다른 영역에서 축적된 데이터를 **서로 통합하여 새로운 종합적 이해에 도달하는 날**. CRISPR에서는 136개 임상시험 중 36개(26%)가 non-viral CRISPR delivery로 전환하며 **체액적 delivery의ونة비율 확대**가 입증되고, AI 신약에서는 DrugCLIP(contrastive learning)이 단백질-AlphaFold 구조 기반 10만 개 단백질×5억 화합물 가상 스크리닝을 **Cas9보다 10M배 빠르게** 달성하며 **AI 가상 스크리닝의 실전 변곡점**이 도래하고, 단백질 AI에서는 AlphaFold-modeled structures의 약물 발견 활용에 **프로테인-리간드 데이터 부족**이 한계로 제시되며 **포스트-AlphaFold 시대의 데이터 인프라 구축 과제**가 부각되고, 단일세포 FM에서는 CellxPert(MCMC steering multimodal FM)와 OKR-CELL(cross-modal cell-language pre-training)이 foundation model의 **in-silico perturbation 추론과 noisy multi-modal 데이터 처리**에서 새로운 통합 paradigm을 제시하며, FDA/규제에서는 2025년 FDA AI 초안 가이던스에 대한 **위험 기반信誉 프레임워크 강점과Bias mitigation·글로벌 조화 부족**이 동시에 지적되며 **AI 약물 발견 규제의 실질적 이행 격차**가 재확인되고, 공간전사체에서는 DISSECT(세포 분할)+ 前立腺癌 lineage plasticity + 유방암 single-cell+spatial 통합이 **세포 분할 정밀화→종양 미세환경 이해→치료 저항성 메커니즘**으로 통합되는 하루가 되었다. 통합은 현장화의 다음 단계다. 오늘 6개 전선은 현장화된 도구들이 서로 다른 영역의 데이터를 통합하여 새로운 종합적 이해에 도달하는 날이다. *출처: [DrugCLIP AlphaFold Contrastive Learning Virtual Screening 2026](https://consensus.app/papers/details/5acea8f3221b5acfa37184d1fe50da28/), [Non-Viral CRISPR 136 Trials 2025](https://consensus.app/papers/details/747d35e9e5bc5ca9a9854998c7acd326/), [AlphaFold Protein-Ligand Data Gap 2026](https://consensus.app/papers/details/81a3128ae1615cfeb1bd6544d3ad2f1b/), [CellxPert MCMC Single-Cell FM 2026](https://consensus.app/papers/details/32110de5fa6651398632ec116e93577d/), [OKR-CELL Cross-Modal Cell-Language 2026](https://consensus.app/papers/details/adc1e1c567d551f595194d9777bb3b12/), [FDA AI Guidance Critical Review 2026](https://consensus.app/papers/details/e016addd493055de8bbca57954a06666/), [Prostate Cancer Lineage Plasticity Spatial 2026](https://consensus.app/papers/details/e8027b6caaf05099ab5b2868a5255d16/), [Breast Cancer Single-Cell Spatial 2026](https://consensus.app/papers/details/3e89fa4e548852d5b055a88c923e7068/), [DISSECT Spatial Cell Segmentation 2026](https://consensus.app/papers/details/feaa28ac51f65b35b90765fbf7d86e45/), [Pharma AI 2026 Deals](https://consensus.app/papers/details/bc6e9ea3ec2e5025af707131d2fa0ca7/), [Pharma AI Lessons Learned](https://consensus.app/papers/details/d64accffe0815905b2bacef1ee48e12e/), [AI Healthcare Review 2026](https://consensus.app/papers/details/93bd1f47cb285247b3646c2733b11772/)* *#AIBioresearch #IntegrationDay #June2026* --- ### Post 2: CRISPR & Delivery — Non-Viral CRISPR: 136개 임상시험 중 36개(26%)가 non-viral로 전환, 체내 delivery의 paradigm shift가 현실화 🧪 **[CRISPR/Delivery] 136개 CRISPR 임상시험 중 36개(26%)가 non-viral vector로 전환 — 2025년 12월 현재, 체내 유전자 편집 delivery의 paradigm shift가 임상 현장에서 현실화** CRISPR-Cas9의 체내(in-vivo) delivery 장벽이 non-viral 전략으로 실질적 해법으로 등장하고 있다. Drug Delivery 학술지에 발표된 2026년 리뷰[3]가 2025년 12월 현재 CRISPR 임상시험 전체 지도를 제시한다. **136개 CRISPR 임상시험 전체 지도(2025년 12월 기준)**[3]: 핵심 데이터: (1) **136개 CRISPR 임상시험 진행 중** — 전 세계 CRISPR-Cas9/as/as12/bas/prime 편집 기술 적용. (2) **36개 trial이 non-viral delivery 사용** — 전체의 26%, 명확한 **non-viral로의 전환(tide shift)**. (3) **non-viral trial의 급증** — 2023-2025년 사이에 non-viral CRISPR trial이 급격히 증가. (4) **핵심 의의**: 기존 유전자 치료가 viral vector에 의해 지배받은 반면, 유전자 편집은 **'hit-and-run' 접근법에 적합** — 편집 성분이 짧은 시간만 필요하므로 prolonged expression이 불필요하고 transient delivery로도 lasting effect 달성 가능. **Non-viral delivery의 구체적 플랫폼**[3]: (1) **Lipid nanoparticles(LNPs)** — 간 및 간 외 조직 표적화 가능, 임상 검증 진행 중. (2) **Electroporation(전자천공)** — ex vivo 세포 주입에 효과적. (3) **Gold nanoparticle conjugates** — Cas9 RNP 직접 전달. (4) **Polymer-based carriers** — 표적화 가능성. (5) **self-assembled DNA nanodevices** — 분자 주소 표적화. **Clinical stage CRISPR 치료제 비교**[3]: Veklury(remdesivir) 등 항바이러스제는 CRISPR가 아니나, CRISPR 임상 시험의 핵심 제품군: **Casgevy(exagamglogene autotemcel, FDA 승인 2023.12)** — CRISPR-Cas9, β-지중해빈혈+겸상적혈구병, ex vivo delivery. **Reni-cel(RUBY Trial, 96% 기능적 완치)** — CRISPR-Cas12a, 겸상적혈구병, ex vivo. 주목할 점: 현재 승인된 CRISPR 치료제는 **모두 ex vivo(체외) delivery**이며, in-vivo delivery 제품의 본격적 임상 진입은 아직. **6월 22일 RUBY Trial Cas12a reni-cel 96% 완치 vs 오늘의 차별점**: 6/22이 Cas12a의 **임상적proof-of-concept**(96% 완치)을 제시했다면, 오늘은 CRISPR delivery 전체 지도에서 **non-viral로의 전환이 임상 현장의 관찰 가능한 흐름**으로 자리잡았음을 제시한다 — 136개 trial 중 36개(26%)가 non-viral. in-vivo delivery의 구체적 해법(LNP, gold nanoparticle 등)이 임상 단계에 진입하고 있으나, 아직 승인 제품 없음. 실무 함의: Non-viral CRISPR delivery 스타트업과 제약사 연구팀에서, in-vivo CRISPR 치료제 개발 시 **LNP 표적화 최적화와 immune response 관리**가 핵심 기술적 차별점이 될 것이다. 36개 non-viral trial의 상세 프로토콜 분석을 통해 현재 가장 활발히 연구되는 조직 표적(Liver, CNS, Eye)과 delivery 플랫폼을 파악하고, 자사 플랫폼과의兼容性을 평가해야 한다. *출처: [Non-Viral CRISPR 136 Trials 2025](https://consensus.app/papers/details/747d35e9e5bc5ca9a9854998c7acd326/), [CRISPR Gene Editing Mechanisms Review 2026](https://consensus.app/papers/details/d0864fd77aa15db4bc5b80379afed946/), [Alternative Genome Editing Tools Review 2026](https://consensus.app/papers/details/25e4c20a91f75d86a6d0e6a95f5c0723/)* *#CRISPR #NonViralDelivery #LNP #LipidNanoparticle #GeneEditing #InVivo #ExVivo #HitAndRun #ClinicalTrials #RNP #Electroporation #GoldNanoparticle #Delivery #ViralVector #Casgevy #ReniCel* --- ### Post 3: AI 신약 — DrugCLIP contrastive learning이 AlphaFold 기반 10M배 빠른 가상 스크리닝 실현, 포스트-AlphaFold 약물 발견의 실전 변곡점 💊 **[AI 신약] DrugCLIP(contrastive learning + AlphaFold): 10만 개 단백질 × 5억 화합물 genome-wide 가상 스크리닝을 10M배 빠른 속도로 실현 — 포스트-AlphaFold 약물 발견의 실전 변곡점 도래** AlphaFold 기반 AI 신약 발견의 **속도 변곡점**이 도래했다. DrugCLIP이 2026년 Science에 발표되며, 가상 스크리닝에서 계산 비용의 근본적 혁신을 실증했다[1]. **DrugCLIP: Contrastive Learning + AlphaFold2 structures**[1]: DrugCLIP은 contrastive learning framework로, 단백질 구조와 리간드를 jointly embed하여 **docking 없이** 가상 스크리닝을 수행한다. 핵심 성과: (1) **초고속 스크리닝: 기존 docking 대비 최대 10,000,000배(10M배) 빠름** — 10만 개 단백질 × 5억 화합물 조합을 현실적 시간에 처리. (2) **in-silico 벤치마크에서 다양한 baseline 능가** — docking 기반 방법 대비 동등 이상 성능. (3) **Wet-lab 검증:甲状腺호르몬受容体(TR) 15% hit rate, norepinephrine transporter(NET) 17.5% hit rate**. (4) **THRB 리간드 결정** — 동결 전하(spinach) 구조 결정으로 실험적 검증. (5) ** apo 구조 활용** — holo 구조 없이도 AlphaFold2-predicted structures만으로 17.5% hit rate 달성. (6) **GenomeScreenDB 공개** — 10,000개 인간 단백질 × 5억 화합물 가상 스크리닝 결과, 포스트-AlphaFold 약물 발견 paradigm 제시. **AlphaFold-modeled structures의 약물 발견 적용 한계**[2]: 같은 2026년 Current Opinion in Structural Biology 리뷰는 AlphaFold의 약물 발견 적용에서 **프로테인-리간드 데이터 부족**이 핵심 한계임을 체계적으로 분석한다: (1) **blind challenge에서의 PSPM 한계** — AlphaFold가 구조 예측에서 우수하나, 리간드 결합 포켓 예측에는 추가 데이터 필요. (2) **covalent ligand, allosteric site, protein-protein interaction 억제제** 등 특정 과제에서 성능 저하. (3) **실제 약물 발견 과제 반영 벤치마크의 부재** — 현재 벤치마크가 실제 약물 발견 campaign의 복잡성을 충분히 반영하지 못함. (4) **대규모 실험 기반 데이터셋 필요** — PSPM 성능 향상을 위한 체계적 데이터 생성 initiative 진행 중. **Big Pharma AI 2026 Deals**[4]: 2026년 빅파마의 AI 플랫폼 거래가 급증하고 있다. Gen Biotechnology 2026 리뷰[4]에 따르면, 제약사들이 AI 신약 발견 플랫폼에 대규모 투자를 결징하며 **2026년 AI 신약 발견 Deal의 폭발적 증가**가 관찰되고 있다. Expert Opinion on Drug Discovery 2026 리뷰[5]는 early AI adoption의 성과와 실패에서 학습하며, AI가 **early-stage(hit identification, early-stage design)에서는 명확한 성과**를 냈으나, **late-stage 임상 시험 성공률에는 아직 근본적 변화**를 주지 못했음을 제시한다 — "AI는 silver bullet도, passing fad도 아닌, 현대 R&D의 중요한 구성요소." **6월 24일 WEE1 ML 재창찾기 + GUS ML 스크리닝 + GSTZ1/KRAS G12C vs 오늘의 차별점**: 6/24가 AI 재창찾기의 **구체적 약물 표적 사례**(WEE1, GUS, GSTZ1)를 다뤘다면, 오늘은 AI 가상 스크리닝의 **근본적 속도 혁신**(DrugCLIP, 10M배)과 **데이터 한계**(AlphaFold-modeled structures의 한계)와 **빅파마 AI deal 현황**을 동시에 제시하며, AI 약물 발견의 현재 위치(early-stage 성과 + late-stage 한계)를 종합적으로 조망한다. 실무 함의: 가상 스크리닝 파이프라인 연구팀에서 DrugCLIP의 genome-wide screening capability를 활용하면, 전통적 docking으로 처리하기 어려웠던 대규모 타겟-화합물 조합을 현실적 시간에 탐색할 수 있다. 동시에 AlphaFold-modeled structures의 한계(apo 구조의 정확도, PPI 억제제 등)를 인지하고, 스크리닝 결과의 experimental validation을 설계에 포함시켜야 한다. 빅파마 AI deal 급증은 AI 신약 발견 플랫폼 경쟁이 본격화되고 있음을 시사하며, partnership/licensing 전략 수립 시 참고해야 한다. *출처: [DrugCLIP Contrastive Learning Virtual Screening Science 2026](https://consensus.app/papers/details/5acea8f3221b5acfa37184d1fe50da28/), [AlphaFold Protein-Ligand Data Gap Review 2026](https://consensus.app/papers/details/81a3128ae1615cfeb1bd6544d3ad2f1b/), [Non-Viral CRISPR 136 Trials 2025](https://consensus.app/papers/details/747d35e9e5bc5ca9a9854998c7acd326/), [Pharma AI 2026 Deals](https://consensus.app/papers/details/bc6e9ea3ec2e5025af707131d2fa0ca7/), [Pharma AI Lessons Learned 2026](https://consensus.app/papers/details/d64accffe0815905b2bacef1ee48e12e/)* *#AIDrugDiscovery #DrugCLIP #ContrastiveLearning #AlphaFold #VirtualScreening #GenomeScreenDB #HitIdentification #ProteinStructure #FastScreening #DrugRepositioning #MachineLearning #ComputationalBiology #PharmaAI #Partnership #EarlyStageAI #ClinicalTrials #RAndD* --- ### Post 4: 단백질 AI — AlphaFold의 약물 발견 적용 한계: 프로테인-리간드 데이터 부족이 포스트-AlphaFold 시대의 핵심 과제 🔬 **[단백질 AI] AlphaFold-modeled structures의 약물 발견 적용 한계 체계적 분석: Covalent ligand, Allosteric site, PPI 억제제에서 성능 저하 + 대규모 프로테인-리간드 데이터셋 구축의 필요성** AlphaFold가 약물 발견에 가져온 혁신에도 불구하고, **구조 기반 약물 설계에서 AlphaFold의 실제 한계**가 체계적으로 분석되고 있다. 2026년 Current Opinion in Structural Biology 리뷰[2]가 AlphaFold의 약물 발견 적용에서 무엇이 되고 무엇이 안 되는지를 입증한다. **AlphaFold-modeled structures의 한계 체계적 분석**[2]: (1) **Covalent ligand 예측 부적합** — AlphaFold는 공유결합 약물(covalent drug)의 결합을 구조적으로 예측하지 못함. Covalent drug은 electrophilic warhead가 단백질의 특정 잔기와 비가역적/반가역적 공유결합을 형성하며, 이 결합의 예측은 단백질 구조 모델만으로 불확실. (2) **Allosteric site 예측 한계** — 알로스테릭 조절은 거리가 먼 두 부위 간의 구조적 연관성에 의존하나, AlphaFold 모델의 국소적 정확도 한계로 인해 allosteric 포켓 예측이 부정확할 수 있음. (3) **Protein-Protein Interaction(PPI) 억제제** — PPI 억제제는 두 단백질 간 넓은 접촉면을 가지며, AlphaFold가 단백질-단백질 복합체 예측은 가능하나, PPI 억제제의 결합에 필요한 구조적 변화 예측은 제한적. (4) **Apo vs Holo 구조 불일치** — AlphaFold는apo 구조(ligand 미결합 상태)를 예측하나, 약물 결합 시 conformation change가 필요한 경우 apo 구조만으로는 결합 포켓을 정확히 예측하지 못함. DrugCLIP이apo 구조만으로도 17.5% hit rate를 달성했다[1]는点は 인상적이나, 이는 제한된 벤치마크 SET에서의 성과. (5) **Blind challenge의 필요성** — 현재 벤치마크가 실제 약물 발견 campaign의 복잡성을 충분히 반영하지 못하므로, 실제 약물 발견 프로젝트에서의 blind challenge가 필요. **대규모 프로테인-리간드 데이터셋 구축 initiative**[2]: (1) **실험 기반 대규모 데이터셋 생성** — AlphaFold 성능 향상을 위한 체계적 리간드 결합 데이터 필요. (2) **물리 기반 데이터셋** — molecular dynamics, free energy perturbation 등 물리 기반 방법으로 생성된 데이터. (3) **실제 약물 발견 과제 벤치마크 개발** — 실제 약물 발견 campaign의 복잡성을 반영한 벤치마크 SET. AlphaFold의 강점을 활용하면서도 한계를 인지하는 ** hybrid 접근법**이 필요하다 — 구조 예측(AlphaFold) + 리간드 결합 데이터(실험/계산) + 도킹/ML 모델 통합. **6월 24일 ApoE BiTSA(세포단위 열적 안정성) + SeqStruct-XAttn(용해도 예측) vs 오늘의 차별점**: 6/24가 AlphaFold의 **단백질 설계·측정 분야로의 적용 확산**(ApoE BiTSA, SeqStruct-XAttn)을 다뤘다면, 오늘은 AlphaFold의 **약물 발견 적용의 한계**를 체계적으로 분석하며, 포스트-AlphaFold 시대에 필요한 것이 **단백질 구조 예측이 아닌 대규모 프로테인-리간드 데이터 인프라**임을 제시한다. 적용 확산(6/24) → 적용 한계 인식 + 데이터 인프라 과제(6/25). 실무 함의: 단백질 구조 기반 약물 발견 파이프라인 연구팀에서, AlphaFold-modeled structures를 사용할 때 **covalent drug, allosteric site, PPI 억제제** 표적은 별도의 검증 단계가 필요함을 인지해야 한다. DrugCLIP[1]과 같은 contrastive learning approach가apo 구조 만으로 상당한 성능을 낼 수 있으나, 중요한 표적에 대해서는 experimental validation(-surface plasmon resonance, ITC, crystallography)을 반드시 설계에 포함시켜야 한다. 또한 AlphaFold의 적용 가능 여부를 판단하는 ** tiered approach**(apo 구조만으로 충분한 경우 vs. holo 구조가 필요한 경우)를 수립할 것을 권장한다. *출처: [AlphaFold Protein-Ligand Data Gap Review 2026](https://consensus.app/papers/details/81a3128ae1615cfeb1bd6544d3ad2f1b/), [DrugCLIP Contrastive Learning Virtual Screening Science 2026](https://consensus.app/papers/details/5acea8f3221b5acfa37184d1fe50da28/), [AI ML Drug Discovery Systematic Review 2026](https://consensus.app/papers/details/f3ca935ae2a85b829089520e055d67ba/)* *#AlphaFold #ProteinStructure #DrugDiscovery #Limitations #CovalentDrug #AllostericSite #PPI #ProteinLigand #DataGap #BlindChallenge #ApoStructure #HoloStructure #Benchmarks #DataInfrastructure #HybridApproach #ComputationalDrugDesign* --- ### Post 5: 단일세포 FM — CellxPert(MCMC Steering multimodal FM)와 OKR-CELL(Cross-Modal Cell-Language): Foundation Model의 in-silico Perturbation 추론과 noisy multi-modal 통합이 실현 🧫 **[단일세포 FM] CellxPert(MCMC steering + single-cell/spatial multi-omics 통합) + OKR-CELL(cross-modal cell-language pre-training): Foundation Model의 perturbation 추론과 noisy 데이터 통합이 실현** 단일세포 Foundation Model이 **in-silico perturbation 추론**과 **noisy multi-modal 데이터 처리**에서 새로운 통합 paradigm에 도달하고 있다. 두 편의 2026년 논문이 이를 뒷받침한다. **CellxPert: MCMC Steering + Multimodal Foundation Model**[1]: CellxPert는 MERFISH와 imaging mass cytometry를 포함한 multimodal single-cell과 spatial multi-omics를jointly encode하는 scalable multimodal FM. 핵심 성과: (1) **joint encoding: scRNA-seq(scRNA-seq) + ATAC-seq(chromatin accessibility) + CITE-seq(surface proteomics) + MERFISH + imaging mass cytometry** — 2D/3D spatial-visual 레이어 통합. (2) **4가지 downstream task out-of-the-box**: (i) cell-type annotation(154 overlap identities, 최대规模的 label space), (ii) LoRA efficient fine-tuning, (iii) genome-wide transcriptomic response prediction to in-silico perturbations(ISP), (iv) seamless multi-omic integration across assays/platforms. (3) **Metropolis-Hastings sampler 활용** — model's masked conditional distributions를 활용하여 perturbation condition에 대한 transcriptomic state를 transition. Abrupt token 조작으로 인한 out-of-distribution artifact를 mitigation. (4) **Biological interpretability** — Markov-chain procedure가 생물학적으로 해석 가능한 trajectory를 생성. (5) **benchmark 성능**: PBMC68K, Replogle Perturb-seq, Systema, BMMC에서 classical 및 state-of-the-art baselines 능가. 특히 perturbation response prediction에서 우수한 성능. **OKR-CELL: Cross-Modal Cell-Language + RAG + Robust Alignment**[2]: OKR-CELL은 Large Language Model(LLM) 기반 retrieval-augmented generation(RAG)와 cross-modal robust alignment를 통합한single-cell foundation model. 핵심 성과: (1) **RAG-enriched cell textual descriptions** — open-world knowledge를LLM 기반 workflow로 세포 텍스트 설명에 통합. (2) **Cross-Modal Robust Alignment(CRA) objective** — sample reliability assessment + curriculum learning + coupled momentum contrastive learning으로 noisy multi-modal 데이터에 대한 resistance 강화. (3) **32M cell-text pairs에서 pre-training** 후 6가지 평가 task에서 cutting-edge 결과. (4) **평가 task**: cell clustering, cell-type annotation, batch-effect correction, few-shot annotation, zero-shot cell-type annotation, bidirectional cell-text retrieval. (5) ** noise 처리 강점** — insufficient individual profiles integration과 noise within multi-modal data 문제를 innovative하게 해결. **AI-integrated single-cell multiomics review**[3]: 2026년 리뷰는 AI 기반 single-cell multiomics의 현재 위치를 정리한다. (1) **기술 동향**: variational autoencoders, graph neural networks, foundation models가 multimodal integration에 활용. (2) **실험 워크플로우 혁신**: microfluidic devices + smart automation + real-time monitoring. (3) **translational impact**: oncology, immunology, infectious disease에서 진단 전략과 치료 개발에 기여. (4) **남은 과제**: regulatory requirements, spatial omics 통합. **6월 24일 CeSpGRN(공간 GRN 추론) + ACP2(glioma biomarker) vs 오늘의 차별점**: 6/24가 단일세포 분석의 **공간적 확장**(CeSpGRN)과 **특정 암종 임상표적**(ACP2)을 다뤘다면, 오늘은 foundation model의 **핵심 기술 혁신**(CellxPert의 MCMC steering perturbation inference, OKR-CELL의 cross-modal noisy data 처리)을 제시하며, foundation model이 "cell-type classification 도구"를 넘어서서 **in-silico perturbation 추론과 noisy 환경의 multi-modal 통합**을 실제로 실현하고 있음을 보인다. 실무 함의: 종양免疫학 연구팀에서 CellxPert의 perturbation response prediction을 활용하면, 가설적 치료 표적(예: KRAS G12C inhibition)의 transcriptomic response를 in-silico로 예측하고 실험을 priori할 수 있다. OKR-CELL의 zero-shot cell-type annotation은 기존 데이터가 적은 종양 유형에서 특히 유용하며, batch-effect correction 기능은 다기관 코호트 통합 분석의 품질을 향상시킨다. *출처: [CellxPert MCMC Single-Cell FM 2026](https://consensus.app/papers/details/32110de5fa6651398632ec116e93577d/), [OKR-CELL Cross-Modal Cell-Language 2026](https://consensus.app/papers/details/adc1e1c567d551f595194d9777bb3b12/), [AI Integrated Single-Cell Multiomics Review 2026](https://consensus.app/papers/details/51d65d1a0b7a592bb6e243f6d85c2c5f/)* *#SingleCellFM #CellxPert #OKR-CELL #MCMC #Perturbation #InSilico #MultiModal #SpatialTranscriptomics #MERFISH #CITEseq #scRNAseq #scATACseq #CrossModal #RAG #LLM #FoundationModel #ZeroShot #BatchCorrection #CellTypeAnnotation #Cancer #Immunology* --- ### Post 6: FDA/규제 — FDA AI 초안 가이던스(2025.01) критический 분석: 위험 기반 Credibility Framework의 강점과 Bias Mitigation·글로벌 조화 부족의 공존 ⚖️ **[FDA/규제] FDA AI 초안 가이던스(2025.01) 비판적 분석: 구조화된 위험 기반 Credibility Framework의 강점과 Bias Mitigation·글로벌 조화不足의 동시 존재 — AI 약물 발견 규제의 실질적 이행 격차** FDA의 2025년 1월 발표 AI 초안 가이던스에 대한 비판적 분석이 **위험 기반 Credibility Framework의 강점**과 **실질적 이행 격차**를 동시에 제시한다[1][2][3]. **FDA AI 초안 가이던스의 강점**[1]: FDA는 2025년 1월 약물 및 생물학적 제품 규제에서 AI 적용에 대한 inaugural 초안 가이던스를 발표. 강점: (1) **구조화된 위험 기반 Credibility Framework** — AI/ML 기반 제품의 위험 수준에 따라 규제 심사 요구 수준을 차등화. (2) **규제 의사결정에서의 AI 활용 가이던스** — regulatory decision-making에서의 AI 적용 기준 명시. (3) **의무化 위한 단계적 접근** — Sponsor 크기에 따른 유연한 이행 경로. **동시에 제시되는 개선 필요 영역**[1][2][3]: (1) **Scope 제한** — 현재 가이던스가 regulatory decision-making에 집중되나, discovery와 operational 단계는 미포함. (2) **Bias Mitigation 전략 불충분** — 훈련 데이터 bias, demographic disparity에 대한 체계적 대응 부족. (3) **Tiered Explainability Requirements 부재** — 흑목 상태(black-box) AI 모델의 규제 심사 시 요구되는 설명 수준이 명확하지 않음. (4) **Real-World Evidence 통합 미흡** — 승인 후 real-world evidence의 규제 활용 기준 불명확. (5) **국제 규제 당국과의 조화不足** — EMA, NMPA, PMDA와의 글로벌 조화 mechanisms 불충분. **Public의 FDA AI 승인に対する 기대**[2]: JMIR AI 2026 연구[2]에 따르면, 미국 성인 982명을 대상으로 한 전국 조사에서 **67%가 AI 기반 임상 의사결정 지원 도구에 FDA 승인을 " fairly" 또는 " very important"로 인식**. 주요 발견: (1) 도구 개발자에게 comfortable한受访자(OR 1.44), 민간 기업(OR 1.38), 병원(OR 1.60) 출신일수록 FDA 승인을 중요하게 여김. (2) Republican(OR 0.43), Black(OR 0.50), Hispanic(OR 0.57)受访자는 FDA 승인을 덜 중요하게 여김. (3) **67% 중요 인식 ≠ 100% 중요 인식** — 상당수가 FDA 승인을 필수로 여기지 않음. **AI의약 규제의 실질적 이행 격차**[1][3]: 2026년 Expert Opinion on Drug Discovery 리뷰[5]는 early AI adoption의 교훈을 정리하며, "AI는 10년에서 수개월로 약물 발견 시간을 단축할 수 있다"는 기대에도 불구하고, **현재 AI의 실제 성과는 early-stage(hit identification, early-stage design)에 집중**되어 있으며 **late-stage 임상 시험 성공률에는 아직 영향이 미미**함을 인정한다. 이는 FDA의 AI 가이던스가 제정되었다 하더라도, **실질적 이행에는 시간이 필요**함을 시사. **6월 22일 FDA Leveraging Prior Knowledge 가이던스(genome editing) vs 오늘의 차별점**: 6/22이 **개별 제품 분야(유전자 편집)의 Prior Knowledge 활용**을 다뤘다면, 오늘은 **AI 약물 발견 전반에 대한 FDA 가이던스의 구조적 강점과 이행 격차**를 동시에 분석하며, FDA의 2025년 AI 가이던스가 "제정"되었으나 실질적 이행에는 **bias mitigation, explainability, global harmonization**에서 추가 진전이 필요함을 제시한다. 실무 함의: AI 신약 발견 스타트업에서 FDA AI 가이던스 compliance 시, (1) **위험 기반 Credibility Framework를 선제적으로 적용**하여 규제 심사와 일관성 있는 데이터 전략을 수립하고, (2) bias mitigation과 model explainability에 대한 **선제적 문서화**로 규제 불확실성을 줄이며, (3) European market 진입 시에는 **EMA 조화 전략**을 별도로 고려해야 한다. Public 조사 결과에서 보이는 demographic disparity는 **AI 도구의 공정성 확보**가 규제뿐 아니라 사회적 Acceptability에서도 중요함을 시사한다. *출처: [FDA AI Guidance Critical Review 2026](https://consensus.app/papers/details/e016addd493055de8bbca57954a06666/), [Public Expectations FDA AI Approval 2026](https://consensus.app/papers/details/af2ab12e641452989a308d5ae3d6ddf9/), [AI Healthcare Review 2026](https://consensus.app/papers/details/93bd1f47cb285247b3646c2733b11772/), [Global Regulatory Harmonization ICH 2024](https://consensus.app/papers/details/157048/), [Pharma AI Lessons Learned 2026](https://consensus.app/papers/details/d64accffe0815905b2bacef1ee48e12e/)* *#FDA #AI #Regulation #Guidance #RiskBased #CredibilityFramework #Bias #Explainability #GlobalHarmonization #EMA #NMPA #PMDA #RealWorldEvidence #MachineLearning #DrugDiscovery #RegulatoryScience #PublicHealth #HealthEquity #Minority #RegulatoryCompliance* --- ### Post 7: 공간전사체 & 암 아틀라스 — DISSECT(세포 분할) + 前立腺癌 lineage plasticity + 유방암 single-cell+spatial 통합: 세포 분할 정밀화→암 미세환경 이해→치료 저항성 메커니즘으로의 통합 🗺️ **[공간전사체] DISSECT(cytological image + spatial transcriptomics 세포 분할) + 前立腺癌 lineage plasticity(127 samples + 9 spatial profiles) + 유방암 single-cell+spatial KIF22/KRAS synthetic lethality: 세포 분할 정밀화→암 미세환경 이해→치료 저항성 기전 통합의 하루** 공간 전사체가 **세포 수준 분할 정밀화, 종양 lineage plasticity 이해, 암 미세환경 기전 해석**으로 통합되며, 종양 연구의 새로운 통합 패러다임이 출현하고 있다. **DISSECT: Imaging + Spatial Transcriptomics 통합 세포 분할**[3]: DISSECT는 세포 이미지와 전사체 데이터를 jointly 활용하는 세포 분할 모델. 핵심 성과: (1) **Pre-trained deep generative model + gradient fields 통합** — 이미지와 전사체의 gradient fields를 unified하여 세포 경계를 정교화. (2) **다양한 플랫폼 지원** — Visium HD, Stereo-seq, Xenium 5k, CosMx 6k에서 ground-truth 검증. (3) **최고 mean average precision** — 기존 도구 대비 우위. (4) **밀집 세포 영역(densely packed cell regions)에서 특히 우수** — 기존 알고리즘의 약점을 해결. (5) **위암 Stereo-seq paired samples 적용** — PD-1 치료 전후 paired gastric adenocarcinoma samples에서 검증. 이 도구는 **공간 전사체의 기본 인프라 수준을 격상**시키며,paired pre/post-treatment 샘플 분석을 통해 면역치료 반응 예측에 직접 기여. **前立腺癌 lineage plasticity: 127 scRNA-seq + 9 spatial transcriptomics profiles**[4]: 127개 전립선암 단일세포 RNA 시퀀싱 샘플과 9개 공간 전사체 프로파일을 통합 분석하여 전립선암 진행의 전사적 아틀라스를 구축. 핵심 발견: (1) **4가지 악성 상피 하위 유형**: luminal-identity(Sub1), stress-adaptive luminal(Sub2), neuroendocrine(Sub3), double-negative basal-like(Sub4). (2) **FOSL1-HMGA1 축이 lineage plasticity의 핵심 driver** — hormone therapy(ADT/NHT) 하에서 luminal adenocarcinoma가 neuroendocrine carcinoma 또는 double-negative prostate cancer로 분화하는 경로 촉진. (3) **TME 재프로그래밍** — hormone therapy 후 FOLR2+와 CX3CR1+ TAM이 TGF-β 신호를 상향조절하여 면역억제 niche 형성. CXCL12+ iCAFs와 ACTA2+ myCAFs가 공간적으로 co-localize하여 면역세포 모집 조절. (4) **공간 분석 후 치료** — enhanced chemokine signaling, 특히 특정 TAM 하위 유형에서. (5) **FOSL1-HMGA1 signaling과 macrophage-driven immunosuppression이 치료 표적 후보** — lineage plasticity와 면역억제 미세환경을 동시에 표적화하는 조합 치료 전략 제시. **유방암 single-cell+spatial 통합: KIF22/KRAS synthetic lethal pair**[5]: Triple-negative breast cancer(TNBC)에서 single-cell sequencing + spatial transcriptomics + bulk transcriptomics를 통합하여 synthetic lethal 악성 세포 하위 유형을 동정. 핵심 성과: (1) **KIF22와 KRAS가 synthetic lethal gene pair** — TNBC의 줄기세포 유사 악성 세포 유형에서 특정. (2) **Machine learning + experimental validation으로 실증** — synthetic lethality 기반 약물 개발에 새로운 표적 제시. (3) **EGR3 dual-function regulator** — immune-cold breast cancer subtype에서 종양 억제와 면역조절을 동시에 수행. CD8+ effector T cell 침윤 증가와 연관. (4) **TAM(Tumor-Associated Macrophage) prognostic value** — CPVL과 MSR1이 TNBC에서 중요한 prognostic biomarker. (5) **NK cell-related gene signature** — KLRB1과 CCND2가 immunotherapeutic sensitivity 예측에 기여. **6월 24일 뇌동맥류 227K/Spatial APA Atlas/ATG13-CRC/meningioma vs 오늘의 차별점**: 6/24가 공간 전사체의 **뇌혈관 질환·조직 항상성·뇌종양/대장암 미세환경**으로의 확산을 다뤘다면, 오늘은 공간 전사체가 **세포 분할(DISSECT)→라인리지 가소성 메커니즘(前立腺癌)→합성치사 표적 발굴(유방암)**으로 통합되며, 이것이 **치료 저항성 극복의 통합적 전략**으로 수렴하고 있음을 보여준다. 종anya정복(6/24) → 치료 저항성 메커니즘의 통합적 이해(6/25). 실무 함의: 전립선암 연구팀에서 FOSL1-HMGA1 axis와 TAM-mediated immunosuppression의 조합 표적화 전략이 새로운 치료 개발 방향이 된다. 유방암 연구팀에서 KIF22/KRAS synthetic lethality가 TNBC에서 치료 표적이 되며, EGR3가 면역-cold 종양에서 면역활성화 전략의 표적이 된다. DISSECT의 정교한 세포 분할은paired pre/post-treatment 분석을 통해 면역치료 반응의 공간적 예측 인자를 발굴하는 기반이 된다. *출처: [DISSECT Spatial Cell Segmentation AACR 2026](https://consensus.app/papers/details/feaa28ac51f65b35b90765fbf7d86e45/), [Prostate Cancer Lineage Plasticity Spatial 2026](https://consensus.app/papers/details/e8027b6caaf05099ab5b2868a5255d16/), [Breast Cancer Single-Cell Spatial 2026](https://consensus.app/papers/details/3e89fa4e548852d5b055a88c923e7068/), [Pharma AI 2026 Deals](https://consensus.app/papers/details/bc6e9ea3ec2e5025af707131d2fa0ca7/), [Pharma AI Lessons Learned 2026](https://consensus.app/papers/details/d64accffe0815905b2bacef1ee48e12e/)* *#SpatialTranscriptomics #DISSECT #CellSegmentation #ProstateCancer #LineagePlasticity #FOSL1 #HMGA1 #Neuroendocrine #TAM #iCAF #TME #BreastCancer #TNBC #SyntheticLethal #KRAS #KIF22 #EGR3 #NKCell #Immunotherapy #Resistance #PD1 #Stereo-seq #VisiumHD #Xenium #CosMx* --- ### Post 8: 종합 및 내일 바라볼 것 🔮 **[종합] 6월 25일 통합의 날: 136 Trials 중 36개(26%) non-viral CRISPR 전환 + DrugCLIP 10M배 빠른 screening + AlphaFold 데이터 한계 체계적 분석 + CellxPert/OKR-CELL FM 통합 + FDA AI 가이던스 이행 격차 + DISSECT/cell segmentation-前立腺癌 lineage plasticity-유방암 synthetic lethality 통합** 오늘 6개 전선이 공유하는 동사는 **"통합"**이다. 6/14 전환→6/15 구현→6/16 수렴→6/17 이행→6/18 심화→6/19 통합→6/20 확산→6/21 안착→6/22 현장화→6/24 확산→오늘 통합. 현장화된 도구들이 서로 다른 영역의 데이터를 통합하여 새로운 종합적 이해에 도달하는 날이다. Non-viral CRISPR delivery(36/136 trials, 26%)가 체내 delivery의 paradigm shift를 임상 현장에서 입증하고, DrugCLIP contrastive learning(10M배 빠른 screening)이 포스트-AlphaFold 약물 발견의 실전 변곡점을 제시하며, AlphaFold-modeled structures의 체계적 한계 분석(covalent/Allosteric/PPI)이 포스트-AlphaFold 데이터 인프라 구축 과제를 부각시키며, CellxPert(MCMC steering ISP)와 OKR-CELL(cross-modal+RAG)이 foundation model의 perturbation 추론과 noisy 데이터 통합을 실현하며, FDA AI 초안 가이던스의 위험 기반 Credibility Framework 강점과 bias mitigation·글로벌 조화 부족이 AI 규제의 실질적 이행 격차를 재확인하며, DISSECT(세포 분할) + 前立腺癌 lineage plasticity + 유방암 synthetic lethality(KIF22/KRAS)가 세포 분할 정밀화→암 미세환경 이해→치료 저항성 메커니즘으로 통합되고 있다. 통합은 현장화의 다음 단계다. 오늘의 6개 데이터 포인트는 그 순자의 열두 번째 단계에 있다. 내일(6월 26일) 바라볼 세 지점: DrugCLIP의 GenomeScreenDB 공개에 따른 커뮤니티 활용 동향과 실제 약물 발견 campaign 적용 결과, CellxPert의 perturbation response prediction의 전립선암/유방암 치료 표적 발굴への 적용, 그리고 2026년 big pharma AI deal의 다음 주요 발표 동향. 통합 다음은 **심화(Deeper Integration)**다. 오늘의 6개 데이터 포인트가 제시하는 공통 질문: 서로 다른 도메인에서 축적된 데이터와 모델을 어떻게 통합하여 치료 저항성, 약물 발견 속도, 규제 기준이라는 세 가지 과제에 동시에 도달하는가. 이 질문이 내일 이후 각 전선의 핵심 과제가 된다. *출처: [DrugCLIP Science 2026](https://consensus.app/papers/details/5acea8f3221b5acfa37184d1fe50da28/), [AlphaFold Data Gap Review 2026](https://consensus.app/papers/details/81a3128ae1615cfeb1bd6544d3ad2f1b/), [Non-Viral CRISPR 136 Trials](https://consensus.app/papers/details/747d35e9e5bc5ca9a9854998c7acd326/), [CellxPert MCMC FM 2026](https://consensus.app/papers/details/32110de5fa6651398632ec116e93577d/), [OKR-CELL Cross-Modal 2026](https://consensus.app/papers/details/adc1e1c567d551f595194d9777bb3b12/), [FDA AI Guidance Critical 2026](https://consensus.app/papers/details/e016addd493055de8bbca57954a06666/), [Public FDA AI 2026](https://consensus.app/papers/details/af2ab12e641452989a308d5ae3d6ddf9/), [Prostate Cancer Lineage 2026](https://consensus.app/papers/details/e8027b6caaf05099ab5b2868a5255d16/), [Breast Cancer Single-Cell Spatial 2026](https://consensus.app/papers/details/3e89fa4e548852d5b055a88c923e7068/), [DISSECT Cell Segmentation AACR 2026](https://consensus.app/papers/details/feaa28ac51f65b35b90765fbf7d86e45/), [Pharma AI 2026 Deals](https://consensus.app/papers/details/bc6e9ea3ec2e5025af707131d2fa0ca7/), [Pharma AI Lessons 2026](https://consensus.app/papers/details/d64accffe0815905b2bacef1ee48e12e/), [AI Healthcare Review 2026](https://consensus.app/papers/details/93bd1f47cb285247b3646c2733b11772/)* *#AIBioresearch #IntegrationDay #BioResearchDaily #June2026 #DrugCLIP #NonViralCRISPR #MCMC #OKR-CELL #AlphaFold #Limitations #DISSECT #LineagePlasticity #FOSL1 #SyntheticLethal #TNBC #KRAS #KIF22 #FDA #AIGuidance #Regulation #RiskBased #PharmaAI #Deals2026 #FoundationModel #Perturbation #InSilico #SpatialTranscriptomics* --- ## Sources (1차 출처 10개 이상 URL) [1] https://consensus.app/papers/details/5acea8f3221b5acfa37184d1fe50da28/ — DrugCLIP: Deep contrastive learning enables genome-wide virtual screening (Science, Yinjun Jia et al., 2026) [2] https://consensus.app/papers/details/81a3128ae1615cfeb1bd6544d3ad2f1b/ — More Protein-Ligand data is needed for AlphaFold-like Models to enable drug discovery (Current Opinion in Structural Biology, Sukrit Singh et al., 2026) [3] https://consensus.app/papers/details/747d35e9e5bc5ca9a9854998c7acd326/ — Non-Viral CRISPR carriers: transient delivery with lasting effects (Drug Delivery, Maria Lummerstorfer et al., 2026) [4] https://consensus.app/papers/details/32110de5fa6651398632ec116e93577d/ — CellxPert: Inference-Time MCMC Steering of a Multi-Omics Single-Cell Foundation Model (Andac Demir et al., 2026) [5] https://consensus.app/papers/details/adc1e1c567d551f595194d9777bb3b12/ — OKR-CELL: Open World Knowledge Aided Single-Cell Foundation Model with Robust Cross-Modal Cell-Language Pre-training (Haoran Wang et al., 2026) [6] https://consensus.app/papers/details/e016addd493055de8bbca57954a06666/ — A Critical Review of the FDA's Draft Guidance on Artificial Intelligence in Drug and Biological Product Regulation (Journal of Chemistry, Sarfaraz K. Niazi, 2026) [7] https://consensus.app/papers/details/af2ab12e641452989a308d5ae3d6ddf9/ — Public Expectations for FDA Approval of AI-Based Clinical Decision Support Tools: Quantitative Study (JMIR AI, Gloria Maria Carmona Clavijo et al., 2026) [8] https://consensus.app/papers/details/e8027b6caaf05099ab5b2868a5255d16/ — Integrated single-cell and spatial transcriptomic profiling decodes lineage plasticity and immune microenvironment remodeling in prostate cancer progression (Molecular Cancer, Hongyuan Yu et al., 2026) [9] https://consensus.app/papers/details/3e89fa4e548852d5b055a88c923e7068/ — Editorial: Unraveling breast cancer complexity: insights from single-cell sequencing and spatial transcriptomics (Frontiers in Immunology, Apriliana E R Kartikasari et al., 2026) [10] https://consensus.app/papers/details/feaa28ac51f65b35b90765fbf7d86e45/ — DISSECT integrates cytological images and spatial transcriptomics for cell segmentation (Cancer Research, Yufeng He et al., 2026, AACR Abstract) [11] https://consensus.app/papers/details/bc6e9ea3ec2e5025af707131d2fa0ca7/ — Pharma Bets Big on AI Platforms with Flurry of 2026 Deals (GEN Biotechnology, Fay Lin, 2026) [12] https://consensus.app/papers/details/d64accffe0815905b2bacef1ee48e12e/ — Learning from the successes and failures of early AI adoption for drug discovery in Big BioPharma (Expert Opinion on Drug Discovery, M. Braddock et al., 2026) [13] https://consensus.app/papers/details/93bd1f47cb285247b3646c2733b11772/ — Beyond the hype: navigating the real-world applications of AI in healthcare (Medical Review, Man-Cheong Fung, 2026) [14] https://consensus.app/papers/details/d0864fd77aa15db4bc5b80379afed946/ — CRISPR-CRISPR–Cas Systems: Mechanisms, Genome Editing Applications, Therapeutic Potential, and Ethical Considerations (South Asian Journal of Research in Microbiology, C. Elemuwa, 2026) [15] https://consensus.app/papers/details/25e4c20a91f75d86a6d0e6a95f5c0723/ — Genome Editing Beyond CRISPR: Comparative Insights into Alternative Tools (International Journal of Modern Pharmacy and Life Sciences, Nandita Kanodia et al., 2026) [16] https://consensus.app/papers/details/f3ca935ae2a85b829089520e055d67ba/ — The Role of AI and ML in Revolutionizing Drug Discovery: A Systematic Review (Saudi Journal of Medical and Pharmaceutical Sciences, Zainab G. Aljassim et al., 2026) [17] https://consensus.app/papers/details/51d65d1a0b7a592bb6e243f6d85c2c5f/ — Integrated AI frameworks in single-cell multiomics: From intelligent automation to generative modeling (Artificial Intelligence in Health, Xueying Zhao et al., 2026)
Research Pulse·2026-06-25
Research Pulse — 2026-06-25
28 journals × 7 topics · fibrosis · OXPHOS · ferroptosis · sarcopenia · senescence
Raw data + scoring: Daily Tech Digest (separate feed)
Request a Paid Brief