Research Pulse — 2026-06-27 | Brown Biotech

# Research Pulse — 2026-06-27
_Generated 2026-06-27 07:32 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 27일 (토요일) · 종합의 날(Consilience 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)→6/24(확산)→6/25(통합)→오늘 종합의 날(Consilience Day). 통합된 기술들이 서로 다른 영역의 데이터와 방법론을 **정합하여 새로운 치료 전략으로 수렴하는 날**. CRISPR에서는 LuT(Lung-Targeting) lipids가 25.5배 mRNA 전달 개선과 9.2배 CRISPR 편집 효율 달성, >90% 폐 표적 선택성을実証하며 **폐 표적 LNP의 실질적 breakthrough**가 도래하고, AI 신약에서는 NSUN2 억제제 AI 가상 스크리닝(1.01억 화합물 screening, AlphaFold2-predicted structure)이 기존 DrugCLIP과 다른 **단일 표적 초고속 genome-wide screening의 실전 증거**를 제시하며 **AlphaFold2 구조기반 약물 발견의 스케일 확대**가 관찰되고, 단백질 AI에서는 AlphaFold3 agricultural application(BmNPV 누에 바이러스 항바이러스 screening, OCT in vivo efficacy)이 **포스트-AlphaFold 약물 발견의 농학·수의학 영역 확장**을 보여주며, FDA/규제에서는 Risk-Tiered Validation Framework와 IMPACT Framework가 **FDA AI 가이던스의 이행 도구 체계를 2-tier에서 4-tier로 세분화**하며 글로벌 표준 정의를 시작하고, 단일세포 FM에서는 Stack(149M 세포 pre-training, in-context learning, 201 perturbation whole-organism atlas)과 quantum computing integration roadmap이 **FM의 전유형 일반화 + 양자 컴퓨팅 융합**으로 확장되고, 공간전사체에서는 SCLC 75개 환자 600K세포 단일세포 공간 맵과 Pan-cancer TSME 12개 암종 56 LCP 13 niche가 **12개 암종 통합 분석으로 암 미세환경 구조의 범암종 공통 원칙**을 도출하고 있다.

종합은 통합의 다음 단계다. 오늘 6개 전선은 통합된 도구들이 서로 다른 영역의 데이터를 종합하여 **새로운 치료 전략으로 수렴**하는 날이다.

*출처: [LuT Lipids Lung Targeting Nature Biomedical Engineering 2026](https://consensus.app/papers/details/58273e5a294453e4b49033311d6f6192/), [NSUN2 AI Virtual Screening 101M Compounds NPJ Precision Oncology 2026](https://consensus.app/papers/details/076ec57dabeb522697c254780d661156/), [Natural Product AI Drug Discovery Pharmaceuticals 2026](https://consensus.app/papers/details/1aba88bd66715ad89f417c4bbcafb174/), [Risk-Tiered Validation Framework AI Drug Discovery IJMS 2026](https://consensus.app/papers/details/df064180f777541393138cd79d75bb7c/), [IMPACT Framework AI Drug Discovery WIREs 2026](https://consensus.app/papers/details/4e285b3530c05765a9c73d923d198a5a/), [Stack In-Context Single-Cell FM bioRxiv 2026](https://consensus.app/papers/details/9c0dedb53e9b57df9c879eca8a61f7e1/), [Quantum Computing Single-Cell NRM CB 2026](https://consensus.app/papers/details/64597268725253da9e6aa057b860e7cc/), [SCLC Spatial 600K Cells Cell Reports Medicine 2026](https://consensus.app/papers/details/dc8b02ddbfcb574fb92b18cf8aed1117/), [Pan-Cancer TSME 56 LCP 12 Cancer Cell Reports Medicine 2026](https://consensus.app/papers/details/f420ab985e1257e18352cac9e0c425cf/), [CellxPert MCMC Single-Cell FM 2026](https://consensus.app/papers/details/32110de5fa6651398632ec116e93577d/), [FDA AI Guidance Critical Review 2026](https://consensus.app/papers/details/e016addd493055de8bbca57954a06666/)*
*#AIBioresearch #ConsilienceDay #June2026*

---

### Post 2: CRISPR & Delivery — LuT(Lung-Targeting) Lipids: 25.5배 mRNA 전달 개선 + 9.2배 CRISPR 편집 효율 + >90% 폐 표적 선택성, 폐 표적 LNP의 실질적 breakthrough

🧪 **[CRISPR/Delivery] LuT lipids 444개 합성 → 25.5배 mRNA 전달 + 9.2배 CRISPR-Cas9 편집 효율 + >90% 폐 선택성: 폐 표적 LNP의 실질적 breakthrough 도래**

폐 표적 전달에서 **실질적 breakthrough**가 도래했다. Zeru Tian et al.이 Nature Biomedical Engineering 2026에 발표한 LuT(Lung-Targeting) lipids가 기존 benchmark를 크게 상회하는 폐 표적 LNP를 제시한다[1].

**LuT lipids: 444개 합성 library → 3족 구조(tripod-like) lung-targeting lipids[1]**: (1) **444개 lung-targeting lipids 합성 및 체계적 평가** — 임파적 구조-활성 관계 분석. (2) **Tripod-like 구조의 핵심 요소**: quaternary amine head(머리) + 3개 긴 알킬 체인(다리 3개) + 짧은 체인(handle). (3) **Lead 1A7B13 LNPs의 놀라운 성과**: mRNA 전달 25.5배 개선(기존 DOTAP SORT LNPs 대비), CRISPR-Cas9 gene editing 9.2배 증가. (4) **>90% 폐 선택성** — 비폐 조직(간, 비장 등)에서 최소한의蓄積. (5) **작용 기전**: endosol escape 개선 + cargo release 향상 + 혈장 단백질 흡착을 통한 내재적 표적화. (6) **급성 폐 손상 모델에서 IL-10 mRNA 전달 치료 효과 확인** — 급성 폐 손상 치료에서 실전 가능성 입증.

**6월 25일 CD44-LNP CRISPR(흑색종/뇌전이) + 폐흡입 LNP KRAS vs 오늘의 차별점**: 6/25이 CD44-LNP CRISPR의 **뇌전이 efficacy**와 폐흡입 LNP의 **KRAS G12S NSCLC 표적**을 다뤘다면, 오늘은 **LuT lipids의 tripod-like 구조에서 도출된 25.5배 mRNA + 9.2배 editing 효율 + >90% 폐 선택성**이라는 **实质적 breakthrough 수치**를 제시한다. 기존 delivery 전략의 임상 적용(6/25) → 새로운 구조-활성 관계 기반 breakthrough(6/27).

실무 함의: 폐 질환 CRISPR 치료제 개발팀에서 LuT lipids의 tripod-like 구조设計 원칙을 참조하여 자사 폐 표적 플랫폼의 구조 최적화 방향을 수립해야 한다. 25.5배 전달 개선과 9.2배 편집 효율은 임상적疗效 향상 가능성을 직접 시사하며, >90% 폐 선택성은 비표적 조직 독성 최소화 기대를 제공한다.

*출처: [LuT Lipids Lung Targeting Nature Biomedical Engineering 2026](https://consensus.app/papers/details/58273e5a294453e4b49033311d6f6192/), [CD44 LNP CRISPR Melanoma Brain Mets JCR 2026](https://consensus.app/papers/details/e8633fda064153b387c0c6c0efbfd418/), [Pulmonary LNP KRAS NSCLC JCR 2026](https://consensus.app/papers/details/cc9be718825756458e26ea68e02f63c4/)*
*#LuTLipids #LNP #LungTargeting #CRISPR #GeneEditing #Nanoparticle #TripodLike #DOTAP #mRNA #CRISPRCas9 #NatureBiomedicalEngineering #ZeruTian #InVivoDelivery*

---

### Post 3: AI 신약 — NSUN2 억제제 AI 가상 스크리닝(AlphaFold2 predicted structure, 1.01억 화합물 screening): DrugCLIP과 다른 스케일과 표적 유형의 실전 증거

💊 **[AI 신약] NSUN2 억제제 AI 가상 스크리닝(1.01억 화합물 × AlphaFold2-predicted structure): DrugCLIP과 다른 단일 표적 초고속 genome-wide screening의 실전 증거**

AI 가상 스크리닝의 **새로운 스케일 증거**가 제시된다. AlphaFold2-predicted structure 기반 1.01억 화합물 screening이 NPJ Precision Oncology 2026에 발표되었다[2].

**NSUN2 AI virtual screening: 101,000,000화합물 × AlphaFold2-predicted NSUN2 structure[2]**: (1) **RNA cytosine-5 methyltransferase NSUN2** — 종양 진행, 전이, 치료 저항성驱动的 중요한 치료 표적이나 선택적 저해제가 부족. (2) **AlphaFold2-predicted human NSUN2 구조 활용** — M. jannaschii TRM4 homolog(PDB: 3A4T, 34.2% identity, 1.82Å RMSD)과 정렬. (3) **101 million compounds ZINC database screening** — 구조기반 가상 스크리닝. (4) **CatBoost ensemble classifier(AutoDock Vina 파생 레이블)** — training ROC-AUC 0.89, test ROC-AUC 0.85. (5) **Multi-stage filtering → 12,000개 고득점 화합물** — binding affinities -9.933 ~ -8.375 kcal/mol. (6) **ADMET profiling → 34개 drug-like 후보** — 약리학적·독성적 프로파일 적합. (7) **MD 시뮬레이션(50 ns)으로 결합 안정성 검증** — ZINC-1000507789, ZINC-1000507824. (8) **SAM cofactor binding pocket 표적** — non-covalent reversible 저해제.

**자연산물(NP) 약물 발견과 AI[3]**: 같은 2026년 리뷰는 AI가 NP 약물 발견의 computational bottleneck을 해결하고 있다고 분석[3]: (1) **NP가 FDA 승인 약물의 ~50% 기여** — 지난 40년간 FDA 승인 약물의 약 절반이 NP 유래. (2) **현재 발견 hurdles**: 분리 공정 노동을 필ij, biodiversity 제약, 낮은 hit rates. (3) **AI의 기여**: virtual screening 가속, 분자 상호작용 예측 정확도 향상, NP-inspired 스캐폴드 설계. (4) **성과**: 발견 시간 최대 70% 단축, 성공률 <1% → >10% 향상 가능성. (5) **현행 과제**: NP가 screened compounds의 ~5%만 차지, "black-box" 모델의 해석 가능성 문제.

**6월 25일 DrugCLIP 10M배 screening vs 오늘의 차별점**: 6/25이 DrugCLIP contrastive learning의 **10M배 속도 혁신**(genome-wide 10만 단백질 × 5억 화합물)을 다뤘다면, 오늘은 **AlphaFold2-predicted structure 단독 활용으로 1.01억 화합물 screening을 성공적으로 수행**한 구체적 표적(NSUN2)을 제시한다. DrugCLIP은 10만 단백질 × 5억 화합물 조합을 처리하는 범용 framework이고, NSUN2 screening은 **특정 표적에 대한 AlphaFold2 단독 구조 기반 screening의 스케일 증거**(1억+ 화합물). 범용 framework(6/25) → 특정 표적 적용 스케일 증거(6/27).

실무 함의: AI 약물 발견팀에서 AlphaFold2-predicted structure 기반 가상 스크리닝의 스케일 가능성(1억+ 화합물)을 인지해야 한다. NSUN2 사례는 TRM4 homology-based alignment의 실전 활용 방법을 보여주며, CatBoost ensemble classifier의 훈련 전략( Morgan fingerprint + Vina labels)도 참고할 만하다. NP-AI 통합 접근은 자연산물 기반 약물 개발의 새로운 가능성을 열어준다.

*출처: [NSUN2 AI Virtual Screening 101M Compounds NPJ Precision Oncology 2026](https://consensus.app/papers/details/076ec57dabeb522697c254780d661156/), [Natural Product AI Drug Discovery Pharmaceuticals 2026](https://consensus.app/papers/details/1aba88bd66715ad89f417c4bbcafb174/), [DrugCLIP Contrastive Learning Science 2026](https://consensus.app/papers/details/5acea8f3221b5acfa37184d1fe50da28/)*
*#NSUN2 #AlphaFold2 #VirtualScreening #ZINCdb #CatBoost #NPJPrecisionOncology #NaturalProduct #AIDrugDiscovery #101MCompounds #ROC-AUC #SAM #MD #DrugDiscovery #RNA methyltransferase #Cancer #ShuangqiYu*

---

### Post 4: 단백질 AI — BmNPV AlphaFold3 항바이러스 screening(누에 바이러스, OCT in vivo efficacy): AlphaFold3의 농학·수의학 확산과 농업 의학 영역 확장

🔬 **[단백질 AI] BmNPV AlphaFold3 항바이러스 screening(누에 nucleopolyhedrovirus): AlphaFold3-modeled entire viral genome → OCT in vivo efficacy — AlphaFold3의 농학·수의학 확산**

AlphaFold3의 **농학·수의학 영역 확산**이 관찰된다. BmNPV(Bombyx mori nucleopolyhedrovirus) 단백질 구조 기반 항바이러스 스크리닝이 Pesticide Biochemistry and Physiology 2026에 발표되었다[4].

**BmNPV AlphaFold3 antiviral screening: entire viral genome 구조 × OCT in vivo efficacy[4]**: (1) **BmNPV** — 누에(golden silk moth)에게 치명적 바이러스로, 잠업(base of silk industry)에严重影响. 항바이러스제가 부재. (2) **AlphaFold3-modeled entire viral genome protein structures** — 전체 바이러스 게놈의 단백질 구조 예측. (3) **가상 스크리닝 → OCT(octenidine dihydrochloride) 항바이러스 후보로 식별** — BmNPV replication 현저히 억제. (4) **작용 기전**: OCT가 BmNPV GP64 단백질에 결합하여 바이러스 invasion 억제. (5) **In vivo efficacy**: 누에 유충에서 생존율 향상 + field trial에서 치료 효과 확인. (6) ** 통합 워크플로우**: AlphaFold3 구조 예측 + 가상 스크리닝 + 실험 검증의 pipeline 성공 사례. (7) ** AlpahFold3의 농학 적용 확산** — 인간 질병 너머로 농업/수의학 영역까지 적용 범위 확대.

**6월 25일 VsNsBench AlphaFold3 induced-fit 평가 vs 오늘의 차별점**: 6/25이 AlphaFold3의 **induced-fit modeling 능력 평가**(holo > apo, computational bottleneck)를 다뤘다면, 오늘은 AlphaFold3이 **농업/수의학 영역(누에 바이러스 BmNPV)으로 확장**되어 실제 항바이러스 전략(in vivo efficacy 확인)에 적용되고 있음을 보여준다. Computational 평가(6/25) → Agricultural 적용 확산(6/27).

실무 함의: 농업/수의학 연구팀에서 BmNPV 사례를 참조하여, 새로운 병원체에 대한 항바이러스 전략 수립 시 AlphaFold3 구조 예측 + 가상 스크리닝 + 실험 검증의 통합 워크플로우를 적용할 수 있다. AlphaFold3의 적용 범위가 인간 질병 너머 농학/수의학까지 확대되고 있으며, 이 확장路径이 실전 항바이러스 개발로 이어질 수 있음이 입증되었다.

*출처: [BmNPV AlphaFold3 Antiviral Screening Pesticide Biochemistry 2026](https://consensus.app/papers/details/1767dfe4704350d1bc4902c9a1d71159/), [VsNsBench AlphaFold3 Induced-Fit APS 2026](https://consensus.app/papers/details/119ff8329f1a5f71b69f8808578b13df/)*
*#BmNPV #AlphaFold3 #Antiviral #Sericulture #GP64 #OCT #Octenidine #PesticideBiochemistry #PestManagement #Veterinary #Agriculture #Silkworm #BombyxMori #AntiviralScreening #StructuralBiology*

---

### Post 5: FDA/규제 — Risk-Tiered Validation Framework(4-tier) + IMPACT Framework: FDA AI 가이던스의 이행 도구 체계가 2-tier에서 4-tier로 세분화, 글로벌 표준 정의 시작

⚖️ **[FDA/규제] Risk-Tiered Validation Framework(4-tier, ICH Q8/Q9/Q10 기반) + IMPACT Framework: FDA AI 가이던스의 이행 도구 체계가 세분화되고 글로벌 표준 정의가 시작되다**

FDA AI 가이던스의 **이행 도구 체계가 세분화**되고 있다. Risk-Tiered Validation Framework(4-tier)가 IJMS 2026에, IMPACT Framework가 Wiley 2026에 발표되었다[5][6].

**Risk-Tiered Validation Framework: 4-tier 체계(IJMS 2026)[5]**: FDA AI 가이던스 + ICH Q8/Q9/Q10 + EMA reflection paper + EU AI Act 기반 4-tier framework 제시: (1) **Tier 1**: ML 추론의 내부 재현성(모olecular 입력에 대한). (2) **Tier 2**: CASP, CASF-2016, PoseBusters, OpenFE 등 molecular science 벤치마크에 대한 강건성. (3) **Tier 3**: 생체물리학적·생화학적 측정 대비 전향적 실험 검증. (4) **Tier 4**: PBPK·QSP 프레임워크 내 임상적·이행적 캘리브레이션. (5) **핵심 메시지**: "표현挑战에서 검증瓶颈으로 bottleneck이 전환" — AI-enabled drug discovery의 위험이 모델 능력의 정확도 자체보다 **검증 증거가 생성 속도를 따라잡는지**에 대한 것으로 전환. (6) **사azol**: ensemble-aware AI, prospective docking, free-energy campaigns, 임상 단계 AI 파생 후보제의 증거 제시.

**IMPACT Framework: 글로벌 AI 약물 발견 표준(WIREs 2026)[6]**: Implementation·Methodology·Productivity·Assessment·Collaboration·Translation의 6개 축으로 글로벌 표준 정의: (1) **Implementation**: FAIR compliant datasets, 표준화된 어휘, AI 참여 수준梯度(assisted → fully AI-driven). (2) **Methodology**: model cards, containerized environments, 투명한 보고. (3) **Productivity**: 희귀질환, 항균제 저항성, 약물 재창찾기, NP 발견 우선순위화. (4) **Assessment**:严格的 벤치마킹, blind validation, 불확실성 정량화(CACHE, Polaris Hub 등). (5) **Collaboration**: federated learning, pre-competitive consortiums, interdisciplinary teams. (6) **Translation**: 설명 가능성, 임상적 관련성, 규제 준비(FDA Draft Guidance·EU AI Act와 정렬). (7) **핵심 격차**: upstream preclinical 실패 — 약한 표적 검증, 생물학적 무관한 모델, 과장된 방법론적 주장.

**6월 25일 FDA AI Guidance 이행 격차 비판적 분석 vs 오늘의 차별점**: 6/25이 FDA AI Draft Guidance의 **이행 격차批判**을 다뤘다면, 오늘은 그 가이던스의 **이행 도구 체계를 4-tier로 세분화**(Risk-Tiered Validation)하고 6개 축 글로벌 표준(IMPACT)을 제시하며 **실질적 이행 체계 구축**이 시작되고 있음을 보여준다. 이행 격차 인식(6/25) → 이행 도구 체계 구체화(6/27).

실무 함의: AI 약물 발견 스타트업에서 Risk-Tiered Validation Framework의 4-tier 체계를参照하여 자사 AI 모델의 검증 단계를 설계하고, IMPACT Framework의 6개 축을 기준으로 플랫폼의 성숙도를 평가해야 한다. 특히 Tier 3(전향적 실험 검증)과 Tier 4(임상 이행 캘리브레이션)가 규제 심사 제출에 직접적 관련이 있다.

*출처: [Risk-Tiered Validation Framework AI Drug Discovery IJMS 2026](https://consensus.app/papers/details/df064180f777541393138cd79d75bb7c/), [IMPACT Framework AI Drug Discovery WIREs 2026](https://consensus.app/papers/details/4e285b3530c05765a9c73d923d198a5a/), [FDA AI Guidance Critical Review 2026](https://consensus.app/papers/details/e016addd493055de8bbca57954a06666/)*
*#FDA #AIGuidance #RiskTiered #ValidationFramework #IMPACT #GlobalStandards #MachineLearning #DrugDiscovery #ICH #EUAIAct #EMAReflectionPaper #FAIR #CACHE #PolarisHub #RegulatoryScience #CredibilityFramework*

---

### Post 6: 단일세포 FM — Stack(149M 세포, in-context learning, 201 perturbation whole-organism atlas) + 양자 컴퓨팅 integration roadmap: 전유형 일반화 + 양자 컴퓨팅 융합으로 FM의 다음 단계

🧫 **[단일세포 FM] Stack(149M 세포 uniformly pre-trained, in-context learning, 201 perturbation 28 tissue whole-organism atlas) + 양자 컴퓨팅 integration: FM의 전유형 일반화 + 양자 컴퓨팅 융합으로 단일세포 분석의 다음 단계 도래**

단일세포 Foundation Model이 **전유형 일반화(in-context learning)**와 **양자 컴퓨팅 융합**으로 확장되고 있다. Stack이 bioRxiv 2026에, 양자 컴퓨팅 perspective가 Nature Reviews Molecular Cell Biology 2026에 발표되었다[7][8].

**Stack: In-Context Learning of Single-Cell Biology(bioRxiv 2026)[7]**: (1) **149M 세포 uniformly pre-trained** — 전처리 파이프라인标准化로 일관된 품질 보장. (2) **In-context learning**: unlabeled cells(chemical perturbation, 다른 donor 등)를 guide examples로 활용하여目标任务에 대한 fine-tuning 없이 예측 수행. (3) **201 perturbations, 28개 조직, 40개 세포 유형의 whole-organism perturbed cell atlas** — 최초의 통합 whole-organism atlas. (4) **Zero-shot performance**: baseline 대비大幅 향상, fine-tuned 모델과 동등 이상. (5) **General-purpose**: 화학적扰動, donor 차이, 조직 특이적 조건을 동일한 프레임워크에서 처리. (6) **핵심 혁신**: 기존 FM이 각 세포를 독립적으로 representation하여 측정 오류와 노이즈에 취약한 반면, Stack은 tabular attention으로 각 세포를 맥락 내 fellow cells의 정보로 enrich. (7) **패러다임적 의의**: FM이 특정 작업에 fine-tuning되는 것이 아니라 추론 시점에 맥락에서 학습한다는 새로운 접근.

**Quantum computing + single-cell omics roadmap(NRMCB 2026)[8]**: (1) **양자-고전 컴퓨팅 hybrid 접근** — 양자 컴퓨팅이 적합한 영역(복잡한 세포 역학, 고차원 최적화)과 classical 컴퓨팅이 적합한 영역 구분. (2) **spatiotemporal single-cell 분석의 계산 병목**: 세포 상태 공간의 지수적 증가, 다중 조건 experiments의 조합爆発. (3) **양자 이점의 실제 적용 분야**: 세포 궤적 추론, perturbation response prediction, multi-omics 통합. (4) **cell-based therapeutics 개발 통합**: CRISPR engineered cells, CAR-T 등의 효과 예측과 최적화에 양자 컴퓨팅 적용 가능성. (5) **현재 한계**: 양자 하드웨어 maturity 제한, 양자-고전 인터페이스 부족. (6) **향후 5-10년 로드맵** 제시.

**6월 25일 CellxPert(MCMC steering ISP) + OKR-CELL(cross-modal+RAG) vs 오늘의 차별점**: 6/25이 foundation model의 **구체적 기술 혁신**(MCMC steering perturbation inference, cross-modal noisy data 통합)을 다뤘다면, 오늘은 FM의 **패러다임 자체의 진화**(in-context learning, 149M 세포 whole-organism atlas)와 **다음 물리적 확장方案**(양자 컴퓨팅 융합 로드맵)을 동시에 제시한다. 기술 혁신(6/25) → 패러다임 진화 + 물리적 확장(6/27).

실무 함의: 종양면역학 연구팀에서 Stack의 in-context learning을 활용하면, drug perturbation response를目标任务에 fine-tuning 없이 예측할 수 있어, 신약 combination therapy 설계 시 in-silico screening의 범위를 확장할 수 있다. 세포 치료제 연구팀에서 양자 컴퓨팅 integration perspective를 참조하여, 복잡한 세포 역학 모델링의 computational 병목解决方案을 사전에 검토해야 한다.

*출처: [Stack In-Context Learning Single-Cell FM bioRxiv 2026](https://consensus.app/papers/details/9c0dedb53e9b57df9c879eca8a61f7e1/), [Quantum Computing Single-Cell NRM CB 2026](https://consensus.app/papers/details/64597268725253da9e6aa057b860e7cc/), [CellxPert MCMC Single-Cell FM 2026](https://consensus.app/papers/details/32110de5fa6651398632ec116e93577d/), [MultiPert Single-Cell Multi-Omics PLOS Comp Bio 2026](https://consensus.app/papers/details/d53c94e1e6435f858fa6bab079c74482/)*
*#SingleCellFM #Stack #InContextLearning #FoundationModel #Perturbation #WholeOrganism #QuantumComputing #HybridComputing #CAR-T #CRISPREngineered #CellTherapy #ZeroShot #bioRxiv #Dong #NRMCB #CellxPert #MCMC*

---

### Post 7: 공간전사체 & 암 아틀라스 — SCLC 75개 환자 600K세포 공간 맵(lymph node metastasis) + Pan-cancer TSME 12개 암종 56 LCP 13 niche: 12개 암종 통합 분석으로 암 미세환경 구조의 범암종 공통 원칙 도출

🗺️ **[공간전사체] SCLC 75개 환자 600K세포 단일세포 공간 맵(lymph node metastasis) + Pan-cancer TSME 12개 암종 56 LCP 13 niche: 12개 암종 통합 분석으로 암 미세환경 구조의 범암종 공통 원칙 도출**

공간 전사체가 **12개 암종의 통합 분석으로 암 미세환경(TME)의 범암종 공통 원칙**을 도출하고 있다. SCLC의 대규모 공간 맵과 Pan-cancer TSME 분석이 Cell Reports Medicine 2026에 동시에 발표되었다[9][10].

**SCLC spatial transcriptomics: 75개 환자 600K세포+105개 림프절 검체(Cell Reports Medicine 2026)[9]**: (1) **CosMx Spatial Molecular Imager**로 75개 SCLC 환자의 105개 원발 및 전이 림프절 검체에서 600K세포 이상 프로파일링. (2) **3가지 LNM enriched malignant 하위 집합 식별** — 각기 다른 대사 및 혈관신생 프로그램, 면역 배제 특성과 공간적 상관성. (3) **혈관-면역 크로스토크**: 내피세포가 종양 세포 회피와 세포독성 T세포와의 기능적 주위혈관 niche 형성 조절. (4) **Pan-immune hotspot(PIHs-1)**: PIHs-1 풍부도가 독립적 생존 예측인자. (5) **면역 회피 메커니즘**: LNM 과정에서 면역세포 모집과 기능 조절의 공간적 증거. (6) **핵심 의의**: SCLC LNM의 공간적 세포 생태계를 최고 해상도로 해석하며, 공간적 구조가 Mechanistic insight와 이행적 biomarker 모두로 활용 가능함을 실증.

**Pan-cancer TSME: 12개 암종 373개 샘플 56개 LCP 13개 niche(Cell Reports Medicine 2026)[10]**: (1) **56개 LCP(Locally Cellular Programs)**: 종양 및 면역 세포의 국소적 유전자 발현 프로그램. (2) **13개 반복 niche**: 범암종에서 반복적으로 관찰되는 세포 이웃 패턴. (3) **니abels/수용체 상호작용**: niche-specific한 종양-면역 신호 전달 식별. (4) **위치 의존적 발현**: 종양 세포와 대식세포의 유전자 발현이 특정 위치에 따라 현저히 상이. (5) **예후 연관성**: 종양 세포와 공존하는 대식세포(Niche_4)가 poor prognosis와 면역치료 저항성 연관, 면역세포와 공존하는 대식세포(Niche_11)가 나은 생존과 치료 반응 예측. (6) **핵심 의의**: 12개 암종의 통합 분석으로 TSME의 범암종 공통 원칙 도출.

**6월 25일 DISSECT(세포 분할) + 전립선암 lineage plasticity + 유방암 KIF22/KRAS synthetic lethal vs 오늘의 차별점**: 6/25이 공간 전사체가 **세포 분할 정밀화 → 전립선암 lineage plasticity → 유방암 synthetic lethal 표적**으로 통합되며 치료 저항성 메커니즘으로 수렴한다고 분석했다면, 오늘은 **12개 암종의 통합 분석에서 도출된 범암종 공통 원칙**(56 LCP, 13 niche, Niche_4/Niche_11 prognostic value)을 제시하며, 공간 전사체가 특정 암종의 메커니즘 해명이 아니라 **범암종 공통 구조 원칙의 도출**로 확장되고 있음을 보여준다. 종양 특정 통합(6/25) → 범암종 공통 원칙 도출(6/27).

실무 함의: 폐암 연구팀에서 SCLC의 LNM 공간 맵이 제시하는 혈관-면역 크로스토크 메커니즘을 참조하여, SCLC 면역치료 전략 수립 시 공간적微細構造를 고려해야 한다. 범암종 종양면역 연구팀에서 Pan-cancer TSME의 Niche_4(면역치료 저항성)와 Niche_11(치료 반응 예측) 분류를 환자层别화 biomarker로 활용할 수 있다.

*출처: [SCLC Spatial 600K Cells Lymph Node Metastasis Cell Reports Medicine 2026](https://consensus.app/papers/details/dc8b02ddbfcb574fb92b18cf8aed1117/), [Pan-Cancer TSME 56 LCP 12 Cancer Cell Reports Medicine 2026](https://consensus.app/papers/details/f420ab985e1257e18352cac9e0c425cf/), [Prostate Cancer Lineage Plasticity Spatial 2026](https://consensus.app/papers/details/e8027b6caaf05099ab5b2868a5255d16/), [DISSECT Spatial Cell Segmentation AACR 2026](https://consensus.app/papers/details/feaa28ac51f65b35b90765fbf7d86e45/), [Breast Cancer Single-Cell Spatial 2026](https://consensus.app/papers/details/3e89fa4e548852d5b055a88c923e7068/)*
*#SpatialTranscriptomics #SCLC #LymphNodeMetastasis #TSME #PanCancer #LCP #Niche #CellReportsMedicine #CosMx #600KCells #75Patients #Niche4 #Niche11 #Macrophage #Immunotherapy #Resistance #ZichengZhang #JiarongLi*

---

### Post 8: 종합 및 내일 바라볼 것

🔮 **[종합] 6월 27일 종합의 날: LuT lipids 25.5배 mRNA+9.2배 CRISPR 편집+>90% 폐 선택성의 실질적 breakthrough + NSUN2 1.01억 화합물 screening의 AlphaFold2 구조기반 스케일 확대 + BmNPV AlphaFold3 항바이러스 screening의 농학 확산 + Risk-Tiered 4-tier + IMPACT 6-axis 프레임워크의 이행 도구 구체화 + Stack 149M in-context whole-organism atlas + 양자 컴퓨팅 통합 로드맵 + SCLC 600K+Pancancer 56 LCP 13 niche의 범암종 TSME 원칙 도출**

오늘 6개 전선이 공유하는 동사는 **"종합"**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→6/25 통합→오늘 종합. 통합된 도구들이 서로 다른 영역의 데이터와 방법론을 종합하여 새로운 치료 전략으로 수렴하는 날이다. LuT lipids의 tripod-like 구조에서 25.5배 mRNA 전달과 9.2배 CRISPR 편집 효율, >90% 폐 선택성이 폐 표적 CRISPR의 실질적 breakthrough를 제시하고, NSUN2 억제제의 1.01억 화합물 screening이 AlphaFold2-predicted structure 기반 약물 발견의 스케일 확대를 실증하며, BmNPV AlphaFold3 screening이 AlphaFold3의 농학/수의학 영역 확장을 보여주고, Risk-Tiered Validation Framework(4-tier)와 IMPACT Framework(6축)이 FDA AI 가이던스의 이행 도구 체계를 구체화하며, Stack(149M 세포, in-context learning, whole-organism atlas)과 양자 컴퓨팅 integration roadmap이 FM의 전유형 일반화와 물리적 확장方案을 제시하고, SCLC 75개 환자 600K세포 공간 맵과 Pan-cancer TSME(12개 암종 56 LCP 13 niche)가 12개 암종의 통합 분석으로 암 미세환경 구조의 범암종 공통 원칙을 도출하고 있다.

종합은 통합의 다음 단계다. 오늘의 6개 데이터 포인트는 그 순자의 열세 번째 단계에 있다.

내일(6월 28일 일요일) 바라볼 세 지점: LuT lipids의 tripod-like 구조 설계를 참조한 자사 폐 표적 플랫폼 구조 최적화 가능성, Stack의 whole-organism perturbed cell atlas의 커뮤니티 활용 동향, Pan-cancer TSME Niche_4/Niche_11의 면역치료 환자 선별 biomarker로서의 임상 검증 진행 상황.

종합 다음은 **실행(Execution)**이다. 오늘의 6개 데이터 포인트가 제시하는 공통 질문: 서로 다른 도메인에서 종합된 데이터와 모델이 어떻게 하면 실제 임상 전략과 규제 심사 제출으로 전환되는가. 이 질문이 내일 이후 각 전선의 핵심 과제가 된다.

*출처: [LuT Lipids Nature Biomedical Engineering 2026](https://consensus.app/papers/details/58273e5a294453e4b49033311d6f6192/), [NSUN2 AI Virtual Screening NPJ Precision Oncology 2026](https://consensus.app/papers/details/076ec57dabeb522697c254780d661156/), [Natural Product AI Drug Discovery Pharmaceuticals 2026](https://consensus.app/papers/details/1aba88bd66715ad89f417c4bbcafb174/), [Risk-Tiered Validation Framework IJMS 2026](https://consensus.app/papers/details/df064180f777541393138cd79d75bb7c/), [IMPACT Framework WIREs 2026](https://consensus.app/papers/details/4e285b3530c05765a9c73d923d198a5a/), [Stack In-Context Single-Cell FM 2026](https://consensus.app/papers/details/9c0dedb53e9b57df9c879eca8a61f7e1/), [Quantum Computing Single-Cell NRM CB 2026](https://consensus.app/papers/details/64597268725253da9e6aa057b860e7cc/), [SCLC Spatial 600K Cells CRM 2026](https://consensus.app/papers/details/dc8b02ddbfcb574fb92b18cf8aed1117/), [Pan-Cancer TSME 56 LCP CRM 2026](https://consensus.app/papers/details/f420ab985e1257e18352cac9e0c425cf/), [BmNPV AlphaFold3 Antiviral PBP 2026](https://consensus.app/papers/details/1767dfe4704350d1bc4902c9a1d71159/), [FDA AI Guidance Critical Review 2026](https://consensus.app/papers/details/e016addd493055de8bbca57954a06666/)*

---

## Sources (1차 출처 10개 이상 URL)

[1] https://consensus.app/papers/details/58273e5a294453e4b49033311d6f6192/ — 'Tripod-like' lung-targeting (LuT) lipids for highly efficient and selective LNPs for gene delivery and editing (Nature Biomedical Engineering, Tian et al., 2026)

[2] https://consensus.app/papers/details/076ec57dabeb522697c254780d661156/ — AI-driven virtual screening platform identifies novel NSUN2 inhibitor candidates for targeted cancer therapy (NPJ Precision Oncology, Yu et al., 2026)

[3] https://consensus.app/papers/details/1aba88bd66715ad89f417c4bbcafb174/ — Rethinking Nature's Pharmacy: AI Era and Natural Product Drug Discovery (Pharmaceuticals, Paerhati et al., 2026)

[4] https://consensus.app/papers/details/1767dfe4704350d1bc4902c9a1d71159/ — Discovery of a novel compound against BmNPV using virtual screening based on the protein structure of the viral whole genome (Pesticide Biochemistry and Physiology, Zhang et al., 2026)

[5] https://consensus.app/papers/details/df064180f777541393138cd79d75bb7c/ — A Risk-Tiered Validation Framework for Artificial Intelligence in Drug Discovery (International Journal of Molecular Sciences, Niazi, 2026)

[6] https://consensus.app/papers/details/4e285b3530c05765a9c73d923d198a5a/ — IMPACT Framework: Establishing Global Standards for Artificial Intelligence Implementation, Methodology, and Translation in Drug Discovery (Wiley Interdisciplinary Reviews: Computational Molecular Science, Gangwal et al., 2026)

[7] https://consensus.app/papers/details/9c0dedb53e9b57df9c879eca8a61f7e1/ — Stack: In-Context Learning of Single-Cell Biology (bioRxiv, Dong et al., 2026)

[8] https://consensus.app/papers/details/64597268725253da9e6aa057b860e7cc/ — Advancing single-cell omics and cell-based therapeutics with quantum computing (Nature Reviews Molecular Cell Biology, Bose et al., 2026)

[9] https://consensus.app/papers/details/dc8b02ddbfcb574fb92b18cf8aed1117/ — Single-cell spatial transcriptomics reveals tumor microenvironment heterogeneity in primary and lymph node-metastatic small cell lung cancer (Cell Reports Medicine, Zhang et al., 2026)

[10] https://consensus.app/papers/details/f420ab985e1257e18352cac9e0c425cf/ — Pan-cancer analysis of spatial transcriptomics reveals heterogeneous tumor spatial microenvironment (Cell Reports Medicine, Li et al., 2026)

[11] 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, Niazi, 2026)

[12] https://consensus.app/papers/details/5acea8f3221b5acfa37184d1fe50da28/ — DrugCLIP: Deep contrastive learning enables genome-wide virtual screening (Science, Jia et al., 2026)

[13] https://consensus.app/papers/details/119ff8329f1a5f71b69f8808578b13df/ — VsNsBench: evaluating AlphaFold3-embed induced-fit mechanism for enhanced virtual screening (Acta Pharmacologica Sinica, Gu et al., 2026)

[14] https://consensus.app/papers/details/32110de5fa6651398632ec116e93577d/ — CellxPert: Inference-Time MCMC Steering of a Multi-Omics Single-Cell Foundation Model (Demir et al., 2026)

[15] https://consensus.app/papers/details/d53c94e1e6435f858fa6bab079c74482/ — MultiPert: An adversarial alignment and dual attention framework for single-cell multi-omics perturbation prediction (PLOS Computational Biology, Zhao et al., 2026)