# Research Pulse — 2026-09-10 _Generated 2026-09-10 07:43 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 — 9월 10일 (목요일) · Recalibrating(재보정 Day)** 9/10(재보정) → 9/9(집약) → 9/8(가동화) → 9/7(가속) → 9/6(구현) → 9/5(다양화) → ... → 7/14(가속). Consolidating(9/9)된 기술들이 **실제 한계와 근본 원인의 재확인(Recalibrating) 단계로 이전하며 Phase II 실패 핵심 원인 타겟 유효성과 Foundation Model 성능 현실을 동시에 확인하는 날** — Laroia et al.으로 AI Phase I 성공률 80-90% 확인(Hist. 52%) BUT Phase II ~40% ≈ conventional ~37% + 근본 원인 target hypothesis validity 재확인(International Journal Pharmaceutical Sciences 2026), Khairil et al.으로 AI drug discovery validation crisis 체계화 + 90% 임상 실패율 지속(Pharmaceuticals 2026), Tao et al.으로 AI-guided RT redesign + ProteinMPNN으로 PE8 editors state-of-the-art 대비 2.9배 효율 향상 확인(Nature Biotechnology 2026), Weidener et al.으로 VCBench 5개 foundation models 평가 — baselines가 4/5 차원에서 FMs 동등 또는 상회 확인(bioRxiv 2026), DenAdel et al.으로 single-cell FMs 400개 모델 6,400 실험 — 데이터 스케aling laws 미확인 + plateau 현상 확인(Nature Methods 2026), Garcia et al.으로 de novo protein design ESMFold pLDDT 최고 성능 확인 + confidence metric topology 의존성 재확인(Protein Science 2026), Hou et al.으로 unified framework 13개 FMs benchmark + PCA 동등 또는 우위 확인(bioRxiv 2026), Gao et al.으로 gastric cancer Lymphocyte Aggregated Region(LAR) + tertiary lymphoid structures(TLS)空间적 특성화 확인(Nature Communications 2026)이 동시에 진행된다. Recalibrating은 Consolidating의 다음 단계다. 오늘 6개 전선은 검증된 기술들의 **한계와 근본 원인을 재확인하여 다음 단계 방향을 재보정하는 날**이다. *출처: [Laroia Decade of AI Drug Discovery 2026](https://consensus.app/papers/details/9e5850399cb35884a68986dc94903425/), [Khairil AI Clinical Failures Validation Crisis Pharmaceuticals 2026](https://consensus.app/papers/details/9c8119317b2851c4a481cb52c0ad8a69/), [Tao AI-Guided RT Redesign PE8 Nature Biotechnology 2026](https://consensus.app/papers/details/46dfa4adac1755e3b9dbb7bbd18e294c/), [Weidener VCBench bioRxiv 2026](https://consensus.app/papers/details/48f053efc3485e6589bcd85cc6009842/), [DenAdel Single-Cell FM Scaling Nature Methods 2026](https://consensus.app/papers/details/f0f6bddc16985563ad8478918950e0f4/), [Garcia De Novo Protein Design Protein Science 2026](https://consensus.app/papers/details/f9c8c442c8065c0688de2538546747db/), [Hou Unified Framework Benchmark bioRxiv 2026](https://consensus.app/papers/details/a7b39f95795558cc982213ff8dd7deb8/), [Gao Gastric Cancer LAR Nature Communications 2026](https://consensus.app/papers/details/46f3d71acd2e5b6e8816d6886aa485d9/)* *#RecalibratingDay #Laroia #AI #DrugDiscovery #PhaseI #PhaseII #TargetValidity #Khairil #ValidationCrisis #Tao #NatureBiotechnology #PE8 #ProteinMPNN #ReverseTranscriptase #29Fold #Weidener #VCBench #FoundationModel #LinearBaseline #DenAdel #NatureMethods #DataScaling #Garcia #ProteinScience #DeNovoProtein #ESMFold #pLDDT #Hou #UnifiedFramework #PCA #Gao #LAR #TLS #GastricCancer #Consolidating #Recalibrating #Limitations #ClinicalTranslation #Biotech #DailyReport* --- ### Post 2: CRISPR & Gene Editing — PE8 AI-Guided RT Redesign 2.9배 효율 향상과 Prime Editing Recalibrating 🪄 **[CRISPR/Gene Editing] Tao et al.으로 AI-guided reverse transcriptase redesign + ProteinMPNN으로 PE8 editors state-of-the-art PE6/PE7/PEmax 대비 2.9배 효율 향상 확인(Nature Biotechnology 2026) + Qu et al.으로 PE 효율 향상 전략 종합(pegsRNA engineering · MMR regulation · PAM-relaxed Cas · RT engineering)(Biotechnology Advances 2026) + Yu et al.으로 PE 진화 종합 + 80% rare diseases 치료 가능성(Advanced Science 2026): CRISPR의 Recalibrating(재보정) 동시 확인** CRISPR 유전자 편집 기술의**한계 재확인 및 재보정(Recalibrating)**이 출처에서 동시에 확인된다[1][2][3]. **PE8: AI-Guided RT Redesign으로 2.9배 효율 향상[1]** Y. Tao et al.(Nature Biotechnology 2026)의 연구는 구조 인식 AI-guided 방법을 적용하여 prime editor 효율을 혁신적으로 향상시킨다. **배경**: 기존 단백질 공학 및 실험실 진화로 최적화된 prime editors는 효율 향상과 함께 단백질 안정성 및 발현 수준 저하 문제 발생 — 성능 제한. **핵심 혁신 — AI-guided RT redesign**: 역전사효소(RT) 도메인을 ProteinMPNN으로 재설계하여 촉매에 필수적 영역 보존. **재설계 전략**: 30-163개 아미노산 치환으로 Extensive mutations. **핵심 성과 1 — 단백질 접힘 안정성 향상**: Enhanced folding stability. **핵심 성과 2 — 용매 발현 증가**: Enhanced soluble expression. **핵심 성과 3 — 세포 내 단백질 수준 2배**: mRNA 전달 시 세포 내 prime editor 단백질 수준 최대 2배 향상. **핵심 성과 4 — 2.9배 효율 향상**: Mice에서 state-of-the-art PE6, PE7, PEmax 대비 최대 2.9배 높은 편집 효율. **핵심 성과 5 — 인간 일차 세포 다종에서 효과**: Several human primary cell types에서 편집 효율 향상 확인. **핵심**: AI-guided RT redesign + ProteinMPNN으로 PE8 editors 2.9배 효율 향상 — CRISPR Recalibrating. **PE 효율 향상 전략 종합: pegRNA · MMR · Cas · RT 통합 최적화[2]** Ying Qu et al.(Biotechnology Advances 2026)의 review는 prime editing 효율 향상을 위한 다면적 최적화 전략을 종합한다. **4가지 핵심 전략**: (i) 단백질 공학 — enhanced RT activity and stability의 editor variants, (ii) pegRNA 설계 — functional integrity and degradation resistance의 구조적 개선, (iii) Flap-mismatch repair(MMR) 조절 — desired edits retention 선호, (iv) PAM-relaxed Cas variants — targetable sites 확대. **핵심 메시지**: 통합적 구조·기전·타겟팅 개선으로 기본 병목 극복 — PE Consolidating에서 Recalibrating으로. **PE 진화 종합: 80% Rare Diseases 치료 가능성 + 현재 한계[3]** Jihyeon Yu et al.(Advanced Science 2026)의 review는 prime editing의 진화와 향후 방향을 종합한다. **PE의 범용성**: 모든 유형의 point mutations, insertions, deletions 가능. **적용 가능성**: Genetic mutations이 rare human diseases의 ~80% 원인. **현재 한계**: Low editing efficiency, large-scale manipulation 제한. **향후 방향**: Efficiency 향상, delivery 개선, large-scale manipulation 확장. 핵심: PE 진화 종합 + 80% rare diseases 치료 가능성 — Consolidating 후 Recalibrating. **9월 9일 Consolidating vs 오늘의 차별점**: 9/9가 **Fang Nature Biomedical Engineering**으로 **npegRNA 26.8배 효율 향상**을, **Geisler Nature Protocols**으로 **tLNP 항체 결합 5-20배 표적 전달**을, **Lin Asian Journal Pharmaceutical Sciences**으로 **LNP 진화 종합**을 제시했다면, 오늘은 **Tao Nature Biotechnology**으로 **AI-guided RT redesign + ProteinMPNN으로 PE8 2.9배 효율 향상**을(AI-guided CRISPR Recalibrating), **Qu Biotechnology Advances**으로 **PE 효율 향상 4가지 전략 종합**을(multi-faceted optimization Recalibrating), **Yu Advanced Science**으로 **PE 진화 + 80% rare diseases 가능성 + 현재 한계**를(reality Recalibrating) 동시에 제시한다. Consolidating(9/9) → CRISPR Recalibrating(9/10). 실무 함의: 유전자 치료 연구팀에서 Tao et al.의 AI-guided PE8 접근법과 Qu et al.의 통합 최적화 전략을 분석하여 prime editing pipeline 재보정 계획을 수립해야 한다. *출처: [Tao AI-Guided RT Redesign PE8 Nature Biotechnology 2026](https://consensus.app/papers/details/46dfa4adac1755e3b9dbb7bbd18e294c/), [Qu Optimizing Prime Editing Efficiency Biotechnology Advances 2026](https://consensus.app/papers/details/ae585187bafb56a6afe18804f7eec8df/), [Yu Evolution Prime Editing Advanced Science 2026](https://consensus.app/papers/details/475fc3cbbe805f5e915626f08d2da039/)* *#CRISPR #GeneEditing #Tao #NatureBiotechnology #PE8 #ProteinMPNN #ReverseTranscriptase #29Fold #29배 #AI #GuidedRedesign #Qu #BiotechnologyAdvances #PrimeEditing #PE6 #PE7 #PEmax #pegRNA #MMR #PAMRelaxed #Yu #AdvancedScience #RareDiseases #80Percent #RecalibratingDay #ProteinEngineering #FoldingStability #SolubleExpression #Efficiency #Delivery #ClinicalTranslation #Consolidating #GenomeEditing #PrecisionMedicine #TherapeuticIndex #Optimization #Integration #ClinicalTranslation* --- ### Post 3: AI 신약 — Phase II 실패 근본 원인 Target Hypothesis Validity 재확인과 Validation Crisis Recalibrating 💊 **[AI 신약] Laroia et al.으로 AI Phase I 성공률 80-90%(Hist. 52%) 확인 BUT Phase II ~40% ≈ conventional ~37% + 근본 원인 target hypothesis validity 재확인(International Journal Pharmaceutical Sciences 2026) + Khairil et al.으로 AI drug discovery validation crisis 체계화 + Phase II 실패 90% 지속 + reproducibility/data transparency 문제 재확인(Pharmaceuticals 2026) + Cai et al.으로 전임상 4가지 hurdle(data quality · interpretability · heterogeneity · regulatory) 종합(Pharmaceuticals 2026): AI drug discovery의 Recalibrating(재보정) 동시 확인** AI-Driven Drug Discovery의**한계 재확인 및 재보정(Recalibrating)**이 출처에서 동시에 확인된다[4][5][6]. **AI Drug Discovery 10년 평가: Phase I 80-90% vs Phase II ~40% ≈ Conventional[4]** Leela Laroia et al.(International Journal of Pharmaceutical Sciences and Drug Research 2026)의 review는 AI drug discovery의 10년 성과를 체계적으로 분석한다. **10년 투자 성과**: 173개 이상 임상 프로그램, AlphaFold Nobel Prize(2024) 포함. **Phase I 성공률**: AI-native pipelines 80-90% vs historical industry norms ~52% — AI의 molecular safety engineering과 ADMET prediction 진정한 우위 확인. **Phase II 성공률**: AI ~40% vs conventional ~37% — 통계적으로 유의미한 차이 없음. **근본 원인**: Target hypothesis validity — AI는 올바른 biological premise 선택 확률을 아직 개선하지 못함. **AI 추가 가치 영역**: 단백질 구조 예측, lead 최적화, timeline 압축. **AI 미개선 영역**: 타겟 검증, 환자 계층화, 동물모델-인간 전환. **향후 방향**: Human genetics-multi-omics 통합, biomedical foundation models. 핵심: AI Phase I outsperformance 확인 + Phase II failure 근본 원인 target validity 재확인 — AI drug discovery Recalibrating. **AI Drug Discovery Validation Crisis: 90% 임상 실패 지속 + Reproducibility 문제[5]** Lisa Khairil et al.(Pharmaceuticals 2026)의 review는 AI drug discovery의 임상·경제·기술·규제 차원을 분석한다. **투자 규모**: 2022-2026년 사이 1,000억 달러 이상 투자. **AlphaFold 구조 예측 정확도**: pLDDT scores 90+ 초과, RMSD 실험 방법 대비 유사. **현재 한계**: 단백질 역학, 번역 후修饰, 단백질-리간드 상호작용 모델링 제한. **임상 실패율**: 약 90% 후보자가 규제 승인 미도달. **재현성 도전**: Data transparency 제한, reproducibility 문제 지속. **규제 격차**: Regulatory frameworks 미흡. 핵심: AI drug discovery validation crisis 체계화 — Consolidating 후 Recalibrating. **전임상 AI Drug Discovery 4가지 Hurdle 종합[6]** Meng Cai et al.(Pharmaceuticals 2026)의 review는 전임상 drug discovery pipeline에서 AI 적용의 translational hurdles를 분석한다. **4가지 핵심 hurdle**: (i) Data quality — upstream data quality가 AI 효과 제한, (ii) Model interpretability — 블랙박스 모델 문제, (iii) Patient heterogeneity — 환자 이질성 문제, (iv) Regulatory adaptation — 규제適応滞后. **AI 적용 분야**: Drug-target interaction prediction, structure prediction, de novo design, virtual screening, drug repurposing, ADMET forecasting. **향후 방향**: Multimodal AI, digital twins, closed-loop automation. 핵심: 전임상 4가지 hurdle 종합 — AI drug discovery Recalibrating. **9월 9일 Consolidating vs 오늘의 차별점**: 9/9가 **Das Computer Methods**으로 **AI agents 4 eras evolution + Phase I 25-30% 성공률 향상**을, **Ali Drug Development Research**으로 **全단계 통합 체계화**를, **Seyhan Critical Reviews**으로 **Phase IIa/I double-edged 현실**을 제시했다면, 오늘은 **Laroia International Journal Pharmaceutical Sciences**으로 **Phase I 80-90% vs 52% historical + Phase II ~40% ≈ 37% 근본 원인 target validity**를(근본 원인 Recalibrating), **Khairil Pharmaceuticals**으로 **validation crisis + 90% 실패율 지속 + reproducibility/data transparency**를( кризис Recalibrating), **Cai Pharmaceuticals**으로 **4가지 hurdle(data quality · interpretability · heterogeneity · regulatory) 종합**을(현실 Recalibrating) 동시에 제시한다. Consolidating(9/9) → AI drug discovery Recalibrating(9/10). 실무 함의: AI drug discovery 협업팀에서 Laroia et al.의 Phase I/II 분기 분석을 참조하여 AI 적용 기대치 재보정과 타겟 검증 전략을 수립해야 한다. *출처: [Laroia Decade of AI Drug Discovery International Journal Pharmaceutical Sciences 2026](https://consensus.app/papers/details/9e5850399cb35884a68986dc94903425/), [Khairil AI Clinical Failures Validation Crisis Pharmaceuticals 2026](https://consensus.app/papers/details/9c8119317b2851c4a481cb52c0ad8a69/), [Cai AI Preclinical Drug Discovery Hurdles Pharmaceuticals 2026](https://consensus.app/papers/details/9db7efc33cb250c4b08b448e73fcdd17/)* *#AI #DrugDiscovery #Laroia #PhaseI #PhaseII #TargetValidity #8090Percent #52Percent #40Percent #37Percent #Khairil #ValidationCrisis #90Percent #Failure #Reproducibility #DataTransparency #Cai #Preclinical #Hurdles #DataQuality #Interpretability #Heterogeneity #Regulatory #RecalibratingDay #ClinicalTranslation #TargetValidation #ADMET #MolecularSafety #TimelineCompression #Limitations #Consolidating #Validation #Translational #BiomedicalFoundation #MultiOmics #HumanGenetics #DigitalTwins* --- ### Post 4: 단백질 AI — De Novo Protein Design ESMFold pLDDT 최고 성능과 Confidence Metric Topology 의존성 Recalibrating 🔬 **[단백질 AI] Garcia et al.으로 de novo protein design에서 AlphaFold/ProteinMPNN/ESMFold 평가 — ESMFold average pLDDT 최고 성능 확인 + 실패 디자인이 성공 디자인보다 좋은 confidence 가지는 경우多 + topology 의존성 재확인(Protein Science 2026) + Mahtha et al.으로 AlphaFold2/3 monomeric 88%, dimeric 77% vs ESMFold monomeric 76%, dimeric 41% 체계적 benchmark(NAR Genomics Bioinformatics 2026) + Feldman et al.으로 AlphaFold3 adversarial mutations 35% confidence reliability 재확인(Computational Structural Biotechnology 2026): 단백질 AI의 Recalibrating(재보정) 동시 확인** 단백질 AI의**한계 재확인 및 재보정(Recalibrating)**이 출처에서 동시에 확인된다[7][8][9]. **De Novo Protein Design: ESMFold pLDDT 최고 + Confidence Metric Topology 의존성[7]** Mario Garcia et al.(Protein Science 2026)의 연구는 de novo designed proteins에서 구조 예측 모델의 설계 성공 예측 능력을 평가한다. **배경**: De novo 단백질 설계 실험 성공률이 일관되지 않아 전산 필터링 필요. **Benchmark 데이터**: 11개 연구 614개 실험적 특성화된 de novo designed monomers(2012-2021). **핵심 성과 1 — ESMFold average pLDDT 최고**: ESMFold average pLDDT가 성공/실패 디자인 구별에서 최고 성능. **핵심 성과 2 — Confidence metric topology 의존성**: 실패한 디자인 중 상당수가 성공한 디자인보다 더 나은 confidence metrics 가짐. **핵심 성과 3 — Logistic regression 미미한 개선**: 모든 confidence metrics 결합이 ESMFold pLDDT 단독 대비 미미한 개선만 제공. **핵심 성과 4 — Task-specific training 필요**: 현재 모델들은 실험적 검증 전 초기 필터링 전략으로 사용 가능하나task-specific training 없이는 정확한 설계 성공 예측 제한. 핵심: De novo design에서 ESMFold pLDDT 최고 + confidence metric topology 의존성 — 단백질 AI Recalibrating. **AlphaFold vs ESMFold Benchmark: Monomeric 88%/76%, Dimeric 77%/41% 정확도[8]** S.K. Mahtha et al.(NAR Genomics and Bioinformatics 2026)의 연구는 AlphaFold2, AlphaFold3, ESMFold의 예측 정확도를 체계적으로 비교한다. **Benchmark 방법**: PDB 2022-2024에서 homolog 제외 후 1,666 monomeric + 994 dimeric proteins 선정. **핵심 성과 1 — AlphaFold2/3 monomeric 88%**: AlphaFold2와 AlphaFold3 모두 monomeric proteins에서 88% 정확도. **핵심 성과 2 — AlphaFold2/3 dimeric 77%**: dimeric proteins에서 77% 정확도. **핵심 성과 3 — ESMFold monomeric 76%**: ESMFold monomeric에서 76% 정확도. **핵심 성과 4 — ESMFold dimeric 41%**: dimeric proteins에서 41% 정확도로 현저히 낮음. **ProModEv portal 개발**: interactive web portal으로 benchmarking data 접근 가능. 핵심: AlphaFold2/3 vs ESMFold benchmark 확립 — 단백질 AI Consolidating. **AlphaFold3 Adversarial Mutations: Confidence Metric 35% Reliability 재확인[9]** J. Feldman et al.(Computational and Structural Biotechnology Journal 2026)의 연구는 AlphaFold3 adversarial evaluation 결과를 제시한다. **200 proteins에서 systematic adversarial evaluation**: point · deletion mutations 수행. **핵심 발견 1 — Nonphysical Structural Invariance**: destabilizing substitutions + 10% deletions에도 predicted structures unchanged. **핵심 발견 2 — 35% Confidence Reliability**: AlphaFold confidence metrics가 most accurate structure를 35% 미만에서만 선택. **ESMFold 상대적 우위**: ESMFold가 더 큰 mutation sensitivity — training objective 차이 시사. 핵심: AlphaFold confidence metric limits + templated pattern matching 문제 재확인 — 단백질 AI Recalibrating. **9월 9일 Consolidating vs 오늘의 차별점**: 9/9가 **Mahtha NAR Genomics Bioinformatics**으로 **AlphaFold2/3 vs ESMFold benchmark 88%/77% vs 76%/41% 체계화**를, **Yin Frontiers Molecular Biosciences**으로 **AlphaFold/ESMFold comprehensive review**를, **Feldman Computational Structural Biotechnology**으로 **adversarial mutations confidence 35% 재확인**을 제시했다면, 오늘은 **Garcia Protein Science**으로 **de novo protein design ESMFold pLDDT 최고 + confidence metric topology 의존성**을(새 적용 영역 Recalibrating), 같은 Mahtha/Feldman papers를 **Consolidating(9/9)과 다른 해석 프레임으로 재제시**한다. Consolidating(9/9) → 단백질 AI Recalibrating(9/10). 실무 함의: 단백질 AI 팀에서 Garcia et al.의 de novo design 결과를 참조하여 설계 성공 예측을 위한 모델 선택 기준을 수립해야 한다. *출처: [Garcia De Novo Protein Design Protein Science 2026](https://consensus.app/papers/details/f9c8c442c8065c0688de2538546747db/), [Mahtha AlphaFold ESMFold Benchmark NAR Genomics Bioinformatics 2026](https://consensus.app/papers/details/11a60df3938051cc87f7e295ef5e73f2/), [Feldman AlphaFold Adversarial Mutations Computational Structural Biotechnology 2026](https://consensus.app/papers/details/68f35194db525fb68a7bc8c10546001b/)* *#ProteinAI #Garcia #ProteinScience #DeNovoProtein #ESMFold #pLDDT #ConfidenceMetric #Topology #Mahtha #NARGGenomics #AlphaFold2 #AlphaFold3 #Benchmark #88Percent #77Percent #76Percent #41Percent #Monomeric #Dimeric #ProModEv #Feldman #ComputationalStructuralBiotechnology #AdversarialMutations #ConfidenceMetric #35Percent #Invariance #RecalibratingDay #StructuralBiology #ProteinDesign #DesignSuccess #ModelSelection #Accuracy #DeNovo #FilterStrategy #TaskSpecific #TrainingObjective #Consolidating #Recalibrating #Limitations #Industrialization* --- ### Post 5: Single-Cell Multi-Omics Foundation Model — VCBench Baselines Match/Exceed FMs 4/5 Dimensions Recalibrating 🧬 **[Single-Cell Foundation Model] VCBench로 5개 foundation models(Geneformer · scGPT · UCE · TranscriptFormer · Arc State) 평가 — baselines가 4/5 차원에서 FMs 동등 또는 상회 확인(Weidener bioRxiv 2026) + DenAdel et al.으로 400개 모델 6,400 실험 — 데이터 scaling laws 미확인 + plateau 현상 확인(Nature Methods 2026) + Hou et al.으로 unified framework 13개 FMs benchmark + PCA 동등 또는 우위 확인(bioRxiv 2026): single-cell foundation model Recalibrating(재보정) 동시 확인** Single-cell multi-omics foundation model의**한계 재확인 및 재보정(Recalibrating)**이 출처에서 동시에 확인된다[10][11][12]. **VCBench: Baselines Match/Exceed FMs on 4/5 Dimensions[10]** L. Weidener et al.(bioRxiv 2026)의 연구는 VCBench라는 다차원 benchmark로 single-cell foundation models를 평가한다. **7개 capability dimensions**: Perturbation response prediction, cross-species universality, GRN inference, modality integration, temporal dynamics, multi-scale integration, in silico experimentation. **5개 평가 가능 dimension** 중 **핵심 성과 1 — 4/5 차원에서 baselines 동등 또는 상회**: Baselines match or exceed every foundation model on four of the five scored dimensions. **핵심 성과 2 — Perturbation prediction에서 linear baselines 경쟁력 재확인**: Replicates reported competitiveness of linear baselines. **핵심 성과 3 — Cross-species/GRN/temporal ordering에서도**: Extends to cross-species transfer, GRN inference, temporal ordering. **핵심 성과 4 — TranscriptFormer RNA-to-protein 53% 개선**: TranscriptFormer alone exceeds the strongest baseline on cross-modal RNA-to-protein prediction(53% Pearson improvement). **핵심 성과 5 — Data contamination 미검출 위험**: No foundation model publishes a complete cell-level training manifest — data contamination undetectable. 핵심: VCBench로 FMs vs baselines 재평가 — single-cell FMs Recalibrating. **Single-Cell FMs Data Scaling: 400 Models 6,400 Experiments — No Clear Scaling Laws[11]** Alan DenAdel et al.(Nature Methods 2026)의 연구는 전임상 데이터 규모와 다양성이 single-cell FMs 성능에 미치는 역할을 조사한다. **대상**: 22.2M cells로 400개 모델 전임상. **평가**: 6,400 experiments. **핵심 성과 1 — Plateau 현상**: Current methods tend to plateau in performance with pretraining datasets that are only a fraction of the size of current training corpora. **핵심 성과 2 — Data scaling laws 미확인**: Unlike large language models, single-cell foundation models show no clear data scaling laws. **핵심 성과 3 — 균형 권장**: Developers should focus on balancing model capacity, dataset size, and computational resources rather than indiscriminately increasing all three. 핵심: Single-cell FMs 데이터 scaling 미확인 + plateau 현상 — Recalibrating. **Unified Framework: 13 FMs Benchmark + PCA Competitive/Superior[12]** Siyu Hou et al.(bioRxiv 2026)의 연구는 통합 computational framework로 13개 foundation models를 benchmark한다. **평가**: 50개 이상 datasets, zero-shot, few-shot, fine-tuning settings. **핵심 성과 1 — Pretrained embeddings biologically meaningful structure**: Captures biologically meaningful structure. **핵심 성과 2 — Low-label/transfer에서 우위**: Provides clear advantages in low-label and transfer-learning scenarios. **핵심 성과 3 — PCA 동등 또는 우위**: Classical PCA approach remains competitive or even preferable in others. **핵심 성과 4 — Technical barrier 감소**: Lowers technical barriers. 핵심: Unified framework으로 13개 FMs benchmark + PCA 재확인 — Recalibrating. **9월 9일 Consolidating vs 오늘의 차별점**: 9/9가 **Wang SCMBench Nature Communications**으로 **23개 방법 benchmark + FMs 성능 미달 + lightweight adaptation strategy**를, **Ji CAPTAIN Nature Communications**으로 **4M cells + 382 proteins multimodal FM**을, **Cen MedComm**으로 **single-cell/spatial omics 종합**을 제시했다면, 오늘은 **Weidener VCBench**으로 **baselines가 4/5 차원에서 FMs 동등 또는 상회**를(근본적 재평가 Recalibrating), **DenAdel Nature Methods**으로 **400개 모델 6,400 실험 — 데이터 scaling laws 미확인 + plateau**를(scaling Recalibrating), **Hou bioRxiv**으로 **13개 FMs benchmark + PCA 동등 또는 우위**를(경쟁 재확인 Recalibrating) 동시에 제시한다. Consolidating(9/9) → Single-cell FMs Recalibrating(9/10). 실무 함의: 단일세포 분석팀에서 VCBench 결과를 참조하여 foundation model 적용 시 baseline 모델 우선 고려 여부를 재보정해야 한다. *출처: [Weidener VCBench bioRxiv 2026](https://consensus.app/papers/details/48f053efc3485e6589bcd85cc6009842/), [DenAdel Single-Cell FM Data Scaling Nature Methods 2026](https://consensus.app/papers/details/f0f6bddc16985563ad8478918950e0f4/), [Hou Unified Framework Single-Cell FM Benchmark bioRxiv 2026](https://consensus.app/papers/details/a7b39f95795558cc982213ff8dd7deb8/)* *#SingleCell #FoundationModel #VCBench #Weidener #bioRxiv #Geneformer #scGPT #UCE #TranscriptFormer #ArcState #LinearBaseline #Baseline #DenAdel #NatureMethods #DataScaling #NoScalingLaws #Plateau #Hou #bioRxiv #UnifiedFramework #13FMs #PCA #Competitive #RecalibratingDay #Benchmark #PerformanceGap #Adaptation #TransferLearning #LowLabel #DataContamination #Transparency #Consolidating #Recalibrating #Limitations #Industrialization #Standardization #MultiOmics* --- ### Post 6: FDA/규제 — CGT 38개 86.8% Orphan + 92.1% Expedited Pathway 체계적 분석 Consolidating 📋 **[FDA/규제] Shahzad et al.으로 FDA 38개 CGTs 승인 분석(2025년 12월) + 86.8% orphan designation, 92.1% expedited pathway, 73.7% 단일 pivotal study, 44.7% surrogate endpoints만 근거 + 73.4% postmarketing requirements(Clinical Pharmacology Therapeutics 2026) + Oo et al.으로 FDA gene therapy regulatory evolution 1998-2025 + CMC flexibility initiative/advanced manufacturing program 체계화(J Clinical Pharmacology 2026) + Kunanayagam et al.으로 FDA 44 CGTs + 14개 소아 사용 pediatric clinical pharmacology 체계화(Pediatric Research 2026): FDA/규제의 Consolidating(집약) 재확인** FDA/규제 영역의**산업 표준 체제への集約(Consolidating)**이 출처에서 확인된다[13][14][15]. 오늘은 Recalibrating의 규제 차원만을 별도로 제시하며,，昨日 Consolidating과 동일한 핵심 데이터를 새로운 해석 프레임으로 재제시한다. **FDA 38개 CGTs 체계적 분석: 86.8% Orphan + 92.1% Expedited + 73.7% 단일 Study[13]** M. Shahzad et al.(Clinical Pharmacology and Therapeutics 2026)의 연구는 FDA가 2025년 12월 31일까지 승인한 38개 CGT의 규제 분석을 제시한다. **핵심 성과 1 — 86.8% orphan designation**: 대부분 rare diseases 대상. **핵심 성과 2 — 92.1% expedited pathway**: 치명적/희귀 질환 치료 특성상 expedited pathways 집중 활용. **핵심 성과 3 — 73.7% 단일 pivotal study**: 1개 pivotal study만으로 승인. **핵심 성과 4 — 44.7% surrogate endpoints만**: 임상疗效 대신 surrogate endpoints만으로 승인 근거. **핵심 성과 5 — 73.4% postmarketing requirements**: 승인 후 추가 연구 요구 common. **핵심**: FDA CGT 규제 프레임워크 — expedited approval + postmarketing evidence dependence Consolidating. **FDA Gene Therapy Regulatory Evolution 1998-2025 + Platform Initiatives[14]** C. Oo et al.(The Journal of Clinical Pharmacology 2026)의 연구는 FDA gene therapy approvals의 규제 진화와 향후 방향을 분석한다. **승인 역사**: 1998년缓慢한 시작 → 최근 RNA-based agents, viral/non-viral in vivo platforms, ex vivo genetically modified cell therapies加速. **FDA Platform Initiatives**: (i) Plausible mechanism framework, (ii) CMC flexibility initiative, (iii) Advanced manufacturing technologies program. **AI/ML 활용**: dose selection, safety evaluation, durability prediction에서 mechanistic/model-informed drug development 지원. 핵심: FDA gene therapy regulatory evolution + platform initiatives — Consolidating. **FDA 44 CGTs + 14개 소아 Pediatric Clinical Pharmacology[15]** S. Kunanayagam et al.(Pediatric Research 2026)의 review는 FDA 44개 CGTs(2025년 5월 기준) 중 14개 소아 사용의 임상약리학을 분석한다. **소아 CGT 특징**: rare diseases, genetic disorders 중심. **개발 고려사항**: vector shedding, biodistribution, cellular kinetics — expansion, persistence. **전임상 모델 의존**: 안전성, 효능, 용량 선정을 위한 전임상 모델 중요. 핵심: FDA 44 CGTs + 14 소아 사용 — pediatric CGT Consolidating. **9월 9일 Consolidating vs 오늘의 차별점**: 9/9와 동일한 세 출처를 활용하되, 오늘은 **Recalibrating의 규제 차원**으로 재해석: AI drug discovery Phase II 실패의 규제적 함의(타겟 유효성 검증 부족 → expedited approval 의존 증가)와 FDA CGT 규제 프레임워크의 현재 한계(Gao gastric cancer LAR/TLS spatial analysis와 융합하여 규제-과학 접점 탐색)를 동시에 제시한다. Consolidating(9/9) → FDA/규제 Recalibrating(9/10). 실무 함의: 규제 전략팀에서 Shahzad et al.의 CGT 승인 데이터베이스를 참조하여 expedited pathway 전략과 postmarketing evidence plan을 수립해야 한다. *출처: [Shahzad FDA CGT Assessment Clinical Pharmacology Therapeutics 2026](https://consensus.app/papers/details/24705d5037e85bcb9d9863f1aabca040/), [Oo FDA Gene Therapy Approvals J Clinical Pharmacology 2026](https://consensus.app/papers/details/181658e93c825ea581a0664845a98d12/), [Kunanayagam FDA CGT Pediatrics Pediatric Research 2026](https://consensus.app/papers/details/1c13548ad5be537a8451eed2c85ecd75/)* *#FDA #Regulation #Shahzad #ClinicalPharmacologyTherapeutics #CGT #38Approvvals #OrphanDesignation #ExpeditedPathway #73Percent #SingleStudy #SurrogateEndpoints #Postmarketing #Oo #JClinicalPharmacology #GeneTherapy #1998 #2025 #Evolution #PlatformInitiatives #CMC #AdvancedManufacturing #AI #ML #Kunanayagam #PediatricResearch #44CGTs #14Pediatric #RecalibratingDay #RegulatoryFramework #ExpeditedApproval #PostmarketingEvidence #RareDisease #Pediatric #Consolidating #Industrialization #Standardization* --- ### Post 7: Spatial Transcriptomics/Cancer Atlas — Gastric Cancer LAR + TLS Spatial Characterization Consolidating 🗺️ **[Spatial Transcriptomics] Gao et al.으로 gastric cancer spatial atlas + Lymphocyte Aggregated Region(LAR) + tertiary lymphoid structures(TLS) 확인 — Within LAR에서 naive T cell abundance와 T cell activation-associated pathways 연관 + Group A에서 PD1+CD27+CD8 T cells가 CD70+LAMP3+ dendritic cells에 인접 근접(Nature Communications 2026) + Zhang et al.으로 SCLC 75명 600K+ cells spatial transcriptomics + PIHs-1 pan-immune hotspot survival predictor 확인(Cell Reports Medicine 2026) + Li et al.으로 12개 암종 56개 LCPs + 13 niches + Niche_4 macrophage-tumor poor prognosis(Cell Reports Medicine 2026): Spatial transcriptomics Consolidating(집약) 재확인** Spatial transcriptomics의**산업 표준 체제への集約(Consolidating)**이 출처에서 확인된다[16][17][18]. 오늘은 Recalibrating의 과학-규제 접점에서 gastric cancer LAR/TLS의 immunotherapy biomarker potential을 재조명한다. **Gastric Cancer Spatial Atlas: Lymphocyte Aggregated Region(LAR) + TLS[16]** S. Gao et al.(Nature Communications 2026)의 연구는 위암의 공간적 종양 미세환경을 분석한다. **방법**: Single-cell + spatial transcriptomics 통합. **핵심 성과 1 — 4개 Spatial Regions**: 위암 미세환경의 4개 공간적 영역 식별. **핵심 성과 2 — Lymphocyte Aggregated Region(LAR)**: 림프구 집합체와 tertiary lymphoid structures(TLS)로 구성된 영역. **핵심 성과 3 — T Cell Activation Association**: Within LAR에서 naive T cell abundance와 T cell activation-associated pathways 연관. **핵심 성과 4 — PD1+CD27+CD8 T cells proximal to CD70+LAMP3+ DCs**: Group A 인접 종양 영역에서 CD70+LAMP3+ dendritic cells에 가깝게 PD1+CD27+CD8 T cells 클러스터 형성. **핵심**: Gastric cancer spatial atlas + LAR + TLS — Consolidating. **Recalibrating 관점**: LAR/TLS 기반 immunotherapy biomarker 전략의 규제-과학 접점 탐색. **SCLC Spatial Transcriptomics: PIHs-1 Pan-Immune Hotspot Survival Predictor[17]** Z. Zhang et al.(Cell Reports Medicine 2026)의 연구는 소세포폐암(SCLC)의 공간적 종양 미세환경을 상세히 분석한다. **규모**: 75명 SCLC 환자, 105개 원발/전이 림프절 specimen, 600K+ cells. **핵심 성과 1 — 3개 LNM-Enriched Malignant Subclusters**: 림프절 전이와 관련된 3개 악성 하위클러스터. **핵심 성과 2 — Pan-Immune Hotspot(PIHs-1)**: 독립적 survival predictor 확인. 핵심: SCLC 공간적 atlas — Consolidating. **Pan-Cancer Spatial Transcriptomics: 12개 암종 56 LCPs + 13 Niches[18]** J. Li et al.(Cell Reports Medicine 2026)의 연구는 12개 암종 373개 샘플의 공간적 종양 미세환경을 체계적으로 분석한다. **핵심 성과 1 — 56개 Local Cellular Programs(LCPs)**: 종양 미세환경의 국소 세포 프로그램 식별. **핵심 성과 2 — 13개 Recurrent Niches**: 암종 공통 재발성 niches 확인. **핵심 성과 3 — Niche_4 poor prognosis**: macrophage-tumor cell colocalization(Niche_4)이 poor prognosis + immunotherapy resistance. **핵심 성과 4 — Niche_11 better survival**: macrophage-immune cell colocalization(Niche_11)이 better survival. 핵심: Pan-cancer spatial microenvironment atlas — Consolidating. **9월 9일 Consolidating vs 오늘의 차별점**: 9/9와 동일한 세 출처를 활용하되, 오늘은 **Recalibrating의 과학-규제 접점**으로 재해석: FDA CGT 44.7% surrogate endpoints-only 승인과 spatial transcriptomics biomarker(Niche_4/11, PIHs-1, LAR/TLS)의 규제 승인 활용 가능성을 연결한다. Consolidating(9/9) → Spatial transcriptomics Recalibrating(9/10). 실무 함의: immuno-oncology 연구팀에서 Gao et al.의 LAR/TLS framework를 참조하여 immunotherapy biomarker regulatory strategy를 수립해야 한다. *출처: [Gao Gastric Cancer LAR Nature Communications 2026](https://consensus.app/papers/details/46f3d71acd2e5b6e8816d6886aa485d9/), [Zhang SCLC Spatial Transcriptomics Cell Reports Medicine 2026](https://consensus.app/papers/details/dc8b02ddbfcb574fb92b18cf8aed1117/), [Li Pan-cancer Spatial Transcriptomics Cell Reports Medicine 2026](https://consensus.app/papers/details/f420ab985e1257e18352cac9e0c425cf/)* *#SpatialTranscriptomics #CancerAtlas #Gao #NatureCommunications #GastricCancer #LAR #TLS #TertiaryLymphoidStructures #PD1 #CD27 #CD8 #CD70 #LAMP3 #DendriticCells #Zhang #SCLC #CellReportsMedicine #75Patients #600KCells #PIHs1 #PanImmuneHotspot #SurvivalPredictor #Li #CellReportsMedicine #PanCancer #12CancerTypes #373Samples #56LCPs #13Niches #Niche4 #Niche11 #Macrophage #TumorColocalization #RecalibratingDay #SurrogateEndpoints #Biomarker #Regulatory #Immunotherapy #TumorMicroenvironment #SpatialHeterogeneity #PrecisionMedicine #Consolidating* --- ### Post 8: Summary — Recalibrating Day 요약 🧬 **Recalibrating(재보정) Day — 9월 10일 핵심 정리** 오늘 Recalibrating Day의 핵심 성과 3가지: **1. AI Drug Discovery Phase II 근본 원인 재확인: Target Hypothesis Validity** Laroia et al.(International Journal Pharmaceutical Sciences 2026)으로 AI Phase I 성공률 80-90%(Hist. 52%)는 molecular safety/ADMET 우위 확인[4]. BUT Phase II ~40% ≈ conventional ~37% — 통계적 차이 없음. 근본 원인: **Target hypothesis validity** — AI는 올바른 biological premise 선택 확률을 아직 개선하지 못함. Khairil et al.(Pharmaceuticals 2026)으로 validation crisis + 90% 임상 실패율 지속 + reproducibility/data transparency 문제 재확인[5]. AI drug discovery Consolidating → Recalibrating. **2. Single-Cell Foundation Models 현실 재평가: VCBench Baselines Match/Exceed FMs 4/5 Dimensions** Weidener et al.(VCBench bioRxiv 2026)으로 5개 foundation models 평가 결과: **baselines가 4/5 차원에서 FMs 동등 또는 상회**[10]. DenAdel et al.(Nature Methods 2026)으로 400개 모델 6,400 실험: **데이터 scaling laws 미확인 + plateau 현상**[11]. Hou et al.(bioRxiv 2026)으로 unified framework 13개 FMs: **PCA 동등 또는 우위**[12]. SCMBench(9/9) Consolidating 후 single-cell FMs Recalibrating. **3. CRISPR PE8 AI-Guided RT Redesign: 2.9배 효율 향상** Tao et al.(Nature Biotechnology 2026)으로 AI-guided reverse transcriptase redesign + ProteinMPNN으로 PE8 editors 개발: **state-of-the-art PE6/PE7/PEmax 대비 2.9배 효율 향상**[1]. Qu et al.(Biotechnology Advances 2026)으로 PE 효율 향상 4가지 전략 종합[2]. Yu et al.(Advanced Science 2026)으로 PE 진화 + 80% rare diseases 치료 가능성[3]. CRISPR Consolidating(9/9) → CRISPR Recalibrating(9/10). 실무 함의: Consolidated 도구들(PE8, AI Phase I outsperformance, VCBench baseline re-evaluation)의 결과를 기반으로 연구개발 pipeline 전략을 재보정해야 한다. --- ## Sources [1] [Tao et al. — AI-guided redesign of laboratory-evolved reverse transcriptases enhances prime editing, Nature Biotechnology 2026](https://consensus.app/papers/details/46dfa4adac1755e3b9dbb7bbd18e294c/) [2] [Qu et al. — Optimizing prime editing: Advances in efficiency enhancement, Biotechnology Advances 2026](https://consensus.app/papers/details/ae585187bafb56a6afe18804f7eec8df/) [3] [Yu et al. — Evolution of Prime Editing: Enhancing Efficiency and Expanding Capacity, Advanced Science 2026](https://consensus.app/papers/details/475fc3cbbe805f5e915626f08d2da039/) [4] [Laroia et al. — Decade of AI in Drug Discovery: Hype or Reality?, International Journal of Pharmaceutical Sciences and Drug Research 2026](https://consensus.app/papers/details/9e5850399cb35884a68986dc94903425/) [5] [Khairil et al. — AI in Drug Discovery: Clinical Failures, Regulatory Reality, and the Validation Crisis Behind the Hype, Pharmaceuticals 2026](https://consensus.app/papers/details/9c8119317b2851c4a481cb52c0ad8a69/) [6] [Cai et al. — From Algorithms to Assets: A Comprehensive Review of AI's Role in Preclinical Drug Discovery and the Hurdles to Clinical Translation, Pharmaceuticals 2026](https://consensus.app/papers/details/9db7efc33cb250c4b08b448e73fcdd17/) [7] [Garcia et al. — Evaluating zero-shot prediction of monomeric protein design success by AlphaFold, ESMFold, and ProteinMPNN, Protein Science 2026](https://consensus.app/papers/details/f9c8c442c8065c0688de2538546747db/) [8] [Mahtha et al. — Comparative evaluation of the prediction accuracy of AlphaFold and ESMFold for monomeric and dimeric proteins, NAR Genomics and Bioinformatics 2026](https://consensus.app/papers/details/11a60df3938051cc87f7e295ef5e73f2/) [9] [Feldman et al. — Adversarial Sequence Mutations in AlphaFold and ESMFold Reveal Nonphysical Structural Invariance, Computational and Structural Biotechnology Journal 2026](https://consensus.app/papers/details/68f35194db525fb68a7bc8c10546001b/) [10] [Weidener et al. — VCBench: A Multi-Dimensional Benchmark for Single-Cell Foundation Models, bioRxiv 2026](https://consensus.app/papers/details/48f053efc3485e6589bcd85cc6009842/) [11] [DenAdel et al. — Evaluating the role of pre-training dataset size and diversity on single-cell foundation model performance, Nature Methods 2026](https://consensus.app/papers/details/f0f6bddc16985563ad8478918950e0f4/) [12] [Hou et al. — A unified framework enables accessible deployment and comprehensive benchmarking of single-cell foundation models, bioRxiv 2026](https://consensus.app/papers/details/a7b39f95795558cc982213ff8dd7deb8/) [13] [Shahzad et al. — Assessment of United States Food and Drug Administration Approval of Cell and Gene Therapies, Clinical Pharmacology and Therapeutics 2026](https://consensus.app/papers/details/24705d5037e85bcb9d9863f1aabca040/) [14] [Oo et al. — FDA Gene Therapy Approvals (1998–2025): Current Status, Regulatory Evolution, and Future Directions, The Journal of Clinical Pharmacology 2026](https://consensus.app/papers/details/181658e93c825ea581a0664845a98d12/) [15] [Kunanayagam et al. — Clinical pharmacology insights from recent cell and gene therapy approvals relevant to pediatrics, Pediatric Research 2026](https://consensus.app/papers/details/1c13548ad5be537a8451eed2c85ecd75/) [16] [Gao et al. — A spatially resolved atlas of gastric cancer characterises a lymphocyte-aggregated region, Nature Communications 2026](https://consensus.app/papers/details/46f3d71acd2e5b6e8816d6886aa485d9/) [17] [Zhang et al. — Single-cell spatial transcriptomics reveals tumor microenvironment heterogeneity in primary and lymph node-metastatic small cell lung cancer, Cell Reports Medicine 2026](https://consensus.app/papers/details/dc8b02ddbfcb574fb92b18cf8aed1117/) [18] [Li et al. — Pan-cancer analysis of spatial transcriptomics reveals heterogeneous tumor spatial microenvironment, Cell Reports Medicine 2026](https://consensus.app/papers/details/f420ab985e1257e18352cac9e0c425cf/)
Research Pulse·2026-09-10
Research Pulse — 2026-09-10
28 journals × 7 topics · fibrosis · OXPHOS · ferroptosis · sarcopenia · senescence
Raw data + scoring: Daily Tech Digest (separate feed)
Request a Paid Brief