# Research Pulse — 2026-09-11 _Generated 2026-09-11 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 — 9월 11일 (금요일) · Translation(전이 Day)** 9/11(전이) → 9/10(재보정) → 9/9(집약) → 9/8(가동화) → 9/7(가속) → 9/6(구현) → 9/5(다양화) → ... → 7/14(가속). Recalibrating(9/10)된 기술들이 **검증된 성과들의 임상·산업 이행(Translation) 단계로 이전하며 실전 적용의 구체적里程碑을 동시에 확인하는 날** — Jong et al.으로 PE1→PE7 기술 진화 종합 + PE first-in-human trial functional restoration 확인(BMB Reports 2026 + Lushington Molecular Therapy 2026), Laroia et al.으로 AI Phase I 80-90% 성공률(Hist. 52%) 확인 + Phase II ~40% ≈ conventional ~37% 근본 원인 재확인(International Journal Pharmaceutical Sciences 2026), Mahtha et al.으로 AlphaFold2/3 monomeric 88%/dimeric 77% vs ESMFold monomeric 76%/dimeric 41% benchmark 체계화(NAR Genomics Bioinformatics 2026), Han et al.으로 1.5M cells에서 scVI baseline top performer 확인 + scGPT_CP fine-tuned best among FMs(bioRxiv 2026), Weidener et al.으로 VCBench 5 FMs 평가 — baselines가 4/5 차원에서 FMs 동등 또는 상회 확인(bioRxiv 2026), Shahzad et al.으로 FDA 38개 CGTs 승인 분석 + 86.8% orphan designation, 92.1% expedited pathway, 73.7% 단일 pivotal study 확인(Clinical Pharmacology Therapeutics 2026), Cervilla et al.으로 6개 암종 5개 ST 플랫폼 직접 비교 benchmark 완료(Genome Biology 2026), Gao et al.으로 gastric cancer Lymphocyte Aggregated Region(LAR) + tertiary lymphoid structures(TLS) 공간적 특성화 확인(Nature Communications 2026)이 동시에 진행된다. Translation은 Recalibrating의 다음 단계다. 오늘 6개 전선은 검증된 기술들이 **실제 임상·산업으로 이전하며 이행의 구체적里程碑을 동시에 확인하는 날**이다. *출처: [Jong Prime Editing Updates BMB Reports 2026](https://consensus.app/papers/details/11216802c06153dca45549e3d4ff98f5/), [Lushington PE First-in-Human Molecular Therapy 2026](https://consensus.app/papers/details/79a173589b1d58598fd94fa334768881/), [Laroia Decade of AI Drug Discovery International Journal Pharmaceutical Sciences 2026](https://consensus.app/papers/details/9e5850399cb35884a68986dc94903425/), [Mahtha AlphaFold ESMFold Benchmark NAR Genomics Bioinformatics 2026](https://consensus.app/papers/details/11a60df3938051cc87f7e295ef5e73f2/), [Han Single-Cell FM Benchmark bioRxiv 2026](https://consensus.app/papers/details/3e7944ef6ab85bb99aaeb74de2c3dca4/), [Weidener VCBench bioRxiv 2026](https://consensus.app/papers/details/48f053efc3485e6589bcd85cc6009842/), [Shahzad FDA CGT Assessment Clinical Pharmacology Therapeutics 2026](https://consensus.app/papers/details/24705d5037e85bcb9d9863f1aabca040/), [Gao Gastric Cancer LAR Nature Communications 2026](https://consensus.app/papers/details/46f3d71acd2e5b6e8816d6886aa485d9/)* *#TranslationDay #Jong #BMBReports #PrimeEditing #PE1toPE7 #Lushington #MolecularTherapy #FirstInHuman #FunctionalRestoration #Laroia #PhaseI #PhaseII #8090Percent #52Percent #Mahtha #NARGGenomics #AlphaFold2 #AlphaFold3 #ESMFold #Monomeric #Dimeric #Benchmark #Han #bioRxiv #scVI #scGPT #scFoundation #scMulan #CellFM #15MillionCells #Weidener #VCBench #FoundationModel #Baseline #LinearBaseline #Shahzad #ClinicalPharmacologyTherapeutics #FDA #38CGTs #OrphanDesignation #ExpeditedPathway #Gao #LAR #TLS #GastricCancer #NatureCommunications #Recalibrating #Translation #ClinicalTranslation #IndustrialTranslation #ProofOfConcept #RealWorld #Biotech #DailyReport* --- ### Post 2: CRISPR & Gene Editing — PE First-in-Human Trial Functional Restoration 확인과 Delivery 체계화 🪄 **[CRISPR/Gene Editing] PE1→PE7 기술 진화 종합 + PE first-in-human trial functional restoration 확인(Jong BMB Reports 2026 + Lushington Molecular Therapy 2026) + npegRNA 26.8× 효율 향상 확인(Fang Nature Biomedical Engineering 2026) + PE-LNP 49% in vivo liver editing 확인(Jiang Nature Nanotechnology 2026): CRISPR의 Translation(전이) 동시 확인** CRISPR 유전자 편집 기술의**검증된 기술들의 임상·산업 이행(Translation)**이 출처에서 동시에 확인된다[1][2][3][4]. **PE 기술 진화 종합: PE1→PE7에서 First-in-Human Trial 확인[1]** Uk Lee Jong et al.(BMB Reports 2026)의 review는 prime editing의 기술 진화와 이행 전략을 종합한다. **PE의 핵심 우위**: double-strand breaks 없이 정밀한 base substitutions, insertions, deletions 가능 + exogenous donor DNA 불필요. **PE1→PE7 진화**: editing efficiency 향상, editable target range 확대, large genomic region correction 가능. **In vivo delivery 플랫폼**: nanoparticles, split viral systems. **질환 모델 적용**: preclinical disease models에서 치료 가능성 확인. **핵심 메시지**: PE1→PE7 진화로 편집 효율과 적용 범위 확대 — CRISPR Translation. **PE First-in-Human Trial: Functional Restoration 확인 + 유망한 안전성 프로파일[2]** Caleb Lushington et al.(Molecular Therapy 2026)의 review는 PE의 first-in-human study 결과를 분석한다. **PE first-in-human trial 현황**: functional restoration 보고 + promising safety profile 확인. **핵심 성과**: pegRNA 설계 개선, RT engineering, Cas variant selection으로 efficiency 향상. **Delivery advances**: nanoparticles와 split viral systems로 전임상 disease models 적용加速. **남은 도전**: efficiency, delivery, safety — broader clinical impact 달성을 위한 과제. **핵심 메시지**: PE first-in-human functional restoration 확인 — CRISPR의 임상 이행(Translation)里程碑 달성. **9월 10일 Recalibrating vs 오늘의 차별점**: 9/10이 **Tao Nature Biotechnology**으로 **AI-guided RT redesign + ProteinMPNN으로 PE8 2.9배 효율 향상**을(recalibrating), **Qu Biotechnology Advances**으로 **PE 효율 향상 4가지 전략 종합**을(recalibrating), **Yu Advanced Science**으로 **PE 진화 + 80% rare diseases 가능성 + 현재 한계**를(recalibrating) 제시했다면, 오늘은 **Jong BMB Reports**으로 **PE1→PE7 기술 진화 종합 + first-in-human trial 상황**을(translation - 임상 이행里程碑), **Lushington Molecular Therapy**으로 **PE first-in-human functional restoration + promising safety profile**을(translation - 임상 이행확인) 동시에 제시한다. Recalibrating(9/10) → CRISPR Translation(9/11). 실무 함의: 유전자 치료 연구팀에서 Jong et al.의 PE 기술 진화 종합과 Lushington et al.의 first-in-human 데이터를 분석하여 prime editing clinical pipeline 전략을 수립해야 한다. *출처: [Jong Prime Editing Updates BMB Reports 2026](https://consensus.app/papers/details/11216802c06153dca45549e3d4ff98f5/), [Lushington PE First-in-Human Molecular Therapy 2026](https://consensus.app/papers/details/79a173589b1d58598fd94fa334768881/), [Fang npegRNA Nature Biomedical Engineering 2026](https://consensus.app/papers/details/322a6b9e491258a5b21339e54b74d524/), [Jiang PE-LNP Nature Nanotechnology 2026](https://consensus.app/papers/details/020416d0f3fa55179bf8ad67a122a32d/)* *#CRISPR #GeneEditing #Jong #BMBReports #PrimeEditing #PE1 #PE7 #Evolution #Lushington #MolecularTherapy #FirstInHuman #FunctionalRestoration #SafetyProfile #Fang #npegRNA #268Fold #Jiang #PELNP #49Percent #InVivo #TranslationDay #ClinicalTranslation #FirstInHuman #Safety #Efficiency #Delivery #Nanoparticles #ViralSystems #TherapeuticIndex #RealWorld #里程碑 #里程碑 #RareDisease #GenomeEditing #PrecisionMedicine #ClinicalPipeline* --- ### Post 3: AI 신약 — AI Phase I 80-90% vs Phase II ~40% ≈ Conventional 임상 이행 현실과 Translation 💊 **[AI 신약] Laroia et al.으로 AI Phase I 80-90% 성공률(Hist. 52%) 확인 BUT Phase II ~40% ≈ conventional ~37% 근본 원인 target hypothesis validity 재확인(International Journal Pharmaceutical Sciences 2026) + Mao et al.으로 AI Phase IIa efficacy · Phase I safety signals 이중성 확인(Frontiers Pharmacology 2026) + Cai et al.으로 전임상 4가지 hurdle(data quality · interpretability · heterogeneity · regulatory) 종합(Pharmaceuticals 2026): AI drug discovery의 Translation(전이) 현실 동시 확인** AI-Driven Drug Discovery의**임상 이행 현실(Translation)**이 출처에서 동시에 확인된다[5][6][7]. **AI Drug Discovery 10년 평가: Phase I 80-90% vs Phase II ~40% ≈ Conventional[5]** 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. 핵심: AI Phase I outsperformance 확인 + Phase II failure 근본 원인 target validity 재확인 — AI drug discovery Translation. **AI Drug Discovery Clinical Translation: Phase IIa Efficacy · Phase I Safety Signals 이중성[6]** Zihan Mao et al.(Frontiers in Pharmacology 2026)의 review는 AI drug discovery의 algorithmic foundations에서 clinical translation까지 분석한다. **Methods evolution**: CNN, RNN, GNN, GAN, VAE, Diffusion models, Transformers. **Tasks acceleration**: molecular feature extraction, drug-target affinity prediction, crystal structure prediction with polymorph stability. **Clinical cases 분석**: double-edged — AI-discovered candidate Phase IIa efficacy encouraging + Phase I safety signals로停滞. **향후 요구사항**: data standardization, nimble regulatory frameworks, cross-disciplinary training. 핵심: AI drug discovery clinical translation의 double-edged 현실 — AI drug discovery Translation. **전임상 AI Drug Discovery 4가지 Hurdle 종합: Translation Bottleneck[7]** 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 Translation bottleneck. **9월 10일 Recalibrating vs 오늘의 차별점**: 9/10이 **Laroia**으로 **Phase I 80-90% vs Phase II ~40% 근본 원인 target validity**를, **Khairil Pharmaceuticals**으로 **validation crisis + 90% 실패율 지속 + reproducibility**를, **Cai Pharmaceuticals**으로 **4가지 hurdle 종합**을 제시했다면, 오늘은 동일한 Laroia의 Phase I 우위가 **실제 Phase I pipeline의 임상 이행(translation) 확인**으로, **Mao Frontiers Pharmacology**으로 **Phase IIa efficacy · Phase I safety signals double-edged가 실제 임상 데이터에서 확인**됨을, **Cai**의 4가지 hurdle이 **이미 알려진 문제이지 새로운 재보정이 아님**을(active translation bottlenecks로) 동시에 제시한다. Recalibrating(9/10) → AI drug discovery Translation(9/11). 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/), [Mao AI Drug Discovery Frontiers Pharmacology 2026](https://consensus.app/papers/details/ca5321af0bb656e095b6108766231764/), [Cai AI Preclinical Drug Discovery Hurdles Pharmaceuticals 2026](https://consensus.app/papers/details/9db7efc33cb250c4b08b448e73fcdd17/)* *#AI #DrugDiscovery #Laroia #PhaseI #PhaseII #TargetValidity #8090Percent #52Percent #40Percent #37Percent #Mao #FrontiersPharmacology #PhaseIIa #PhaseI #SafetySignals #DoubleEdged #Cai #Preclinical #Hurdles #DataQuality #Interpretability #Heterogeneity #Regulatory #TranslationDay #ClinicalTranslation #ADMET #MolecularSafety #TimelineCompression #TargetValidation #Limitations #RealWorld #ClinicalData #Translation #BiomedicalFoundation #DigitalTwins #MultimodalAI* --- ### Post 4: 단백질 AI — AlphaFold2/3 88%/77% vs ESMFold 76%/41% Benchmark 체계화와 Confidence Metric Limitations Translation 🔬 **[단백질 AI] AlphaFold2/3 monomeric 88%, dimeric 77% vs ESMFold monomeric 76%, dimeric 41% — 체계적 benchmark로 방법론 신뢰성 확인(Mahtha NAR Genomics Bioinformatics 2026) + Garcia et al.으로 de novo protein design ESMFold pLDDT 최고 성능 + confidence metric topology 의존성 재확인(Protein Science 2026) + Feldman et al.으로 AlphaFold3 adversarial mutations 35% confidence reliability 재확인(Computational Structural Biotechnology 2026): 단백질 AI의 Translation(전이) 동시 확인** 단백질 AI의**방법론 검증과 임상 적용 한계의 Translation**이 출처에서 동시에 확인된다[8][9][10]. **AlphaFold2/3 vs ESMFold Benchmark: Monomeric 88%/77% vs 76%/41% 정확도[8]** Sanjeet Kumar Mahtha et al.(NAR Genomics and Bioinformatics 2026)의 연구는 구조 예측 모델의 benchmark를 체계적으로 수행한다. **Benchmark 데이터**: PDB 2022-2024에서 homology 제거 후 1,666 monomeric + 994 dimeric challenging targets. **핵심 성과 1 — AlphaFold2/3 monomeric 88%**: AlphaFold2와 AlphaFold3가 monomeric structures 88% 정확 예측. **핵심 성과 2 — AlphaFold2/3 dimeric 77%**: dimeric proteins 77% 정확 예측. **핵심 성과 3 — ESMFold monomeric 76%**: monomeric proteins 76% 정확 예측. **핵심 성과 4 — ESMFold dimeric 41%**: dimeric proteins 41% 정확 예측. **핵심 성과 5 — X-ray/cryo-EM 기준 AlphaFold 95%, ESMFold 83%**: NMR 구조 제외 시 monomeric 예측 정확도. **ProModEv portal 공개**: benchmarking 데이터 접근을 위한 interactive web portal 공개. 핵심: AlphaFold2/3 vs ESMFold 체계적 benchmark 완료 — 단백질 AI Translation methodology 검증. **De Novo Protein Design: ESMFold pLDDT 최고 + Confidence Metric Topology 의존성[9]** Mario Garcia et al.(Protein Science 2026)의 연구는 de novo designed proteins에서 구조 예측 모델의 설계 성공 예측 능력을 평가한다. **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 Translation limitation. **AlphaFold3 Adversarial Mutations: 35% Confidence Reliability 재확인[10]** J. Feldman et al.(Computational and Structural Biotechnology Journal 2026)의 연구는 AlphaFold3의 adversarial evaluation을 수행한다. **평가 방법**: 200개 단백질에서 point and deletion mutations 평가. **핵심 성과 1 — 40% 잔기 치환에도 구조 불변**: Até 40% of residues 치환에도 predicted structures 불변. **핵심 성과 2 — 10% deletion에도 불변**: 删除 10%에도 구조 불변. **핵심 성과 3 — 35% confidence reliability**: confidence metrics가 가장 정확한 구조를 선택하는 비율. **핵심 성과 4 — ESMFold greater mutational sensitivity**: ESMFold가 더 높은mutational sensitivity 보이나 여전히 불완전. **함의**: AlphaFold가 biophysical reasoning보다 template-based pattern matching에 의존할 가능성. 핵심: AlphaFold3 adversarial mutations에서 35% confidence reliability — 단백질 AI Translation limitation 재확인. **9월 10일 Recalibrating vs 오늘의 차별점**: 9/10이 **Garcia Protein Science**으로 **de novo protein design ESMFold pLDDT 최고 + confidence metric topology 의존성**을, **Mahtha NAR Genomics**으로 **AlphaFold2/3 monomeric 88%, dimeric 77% vs ESMFold monomeric 76%, dimeric 41%**을, **Feldman Computational Structural Biotechnology**으로 **AlphaFold3 adversarial mutations 35% confidence reliability**를 제시했다면, 오늘은 같은 데이터들을 **"이미 검증된 methodology의 체계적 benchmark 체계화 + 실제 적용 가능한 범위 한계 확인"**으로 재해석하여(translation - 검증→적용의 한계), **ProModEv portal 공개**(실제 적용 도구)로 차별화한다. Recalibrating(9/10) → 단백질 AI Translation(9/11) - benchmark methodology 체계화 + 적용 범위 한계 확인. 실무 함의: 단백질 설계 연구팀에서 Mahtha et al.의 benchmark 결과를 참조하여 ESMFold와 AlphaFold 선택 기준을, Garcia et al.의 confidence metric 결과를 참조하여 de novo design filtering 전략을 수립해야 한다. *출처: [Mahtha AlphaFold ESMFold Benchmark NAR Genomics Bioinformatics 2026](https://consensus.app/papers/details/11a60df3938051cc87f7e295ef5e73f2/), [Garcia De Novo Protein Design Protein Science 2026](https://consensus.app/papers/details/f9c8c442c8065c0688de2538546747db/), [Feldman AlphaFold3 Adversarial Mutations Computational Structural Biotechnology 2026](https://consensus.app/papers/details/68f35194db525fb68a7bc8c10546001b/)* *#ProteinAI #AlphaFold2 #AlphaFold3 #ESMFold #Mahtha #NARGGenomics #Monomeric #Dimeric #Benchmark #ProModEv #88Percent #77Percent #76Percent #41Percent #Garcia #ProteinScience #DeNovoProtein #pLDDT #ConfidenceMetric #Topology #Feldman #ComputationalStructuralBiotechnology #AdversarialMutations #35Percent #Reliability #TranslationDay #TemplateMatching #BiophysicalReasoning #ProteinDesign #DeNovoDesign #FilteringStrategy #TaskSpecificTraining #Benchmarking #Methodology #Validation #Translation* --- ### Post 5: Single-Cell Multi-Omics Foundation Model — scVI Baseline Top Performer와 VCBench 4/5 Dimension FMs 동등 또는 하회 Translation 🧬 **[Single-Cell Foundation Model] 1.5M cells에서 scVI baseline top performer 확인 + scGPT_CP fine-tuned best among FMs(Han bioRxiv 2026) + VCBench 5 FMs 평가 — baselines가 4/5 차원에서 FMs 동등 또는 상회 확인(Weidener bioRxiv 2026) + GRN reconstruction에서 scGPT token-embedding similarity 최고(Ye bioRxiv 2026): single-cell FMs의 Translation(전이) 현실 동시 확인** Single-cell Foundation Models의**검증된 한계와 실제 적용 가능성의 Translation**이 출처에서 동시에 확인된다[11][12][13]. **Single-Cell FMs Benchmark: 1.5M Cells에서 scVI Baseline Top Performer[11]** Siyu Han et al.(bioRxiv 2026)의 연구는 single-cell foundation models를 실전 데이터에서 benchmark한다. **Benchmark 설계**: 1.5M cells(임상+전임상 샘플), scGPT, scGPT_CP, scFoundation, scMulan, CellFM vs scVI, Harmony baselines. **평가 지표**: technical correction + biological structure preservation. **핵심 성과 1 — scVI top overall performer**: multi-metric Leximax ranking 1위 + highest Pareto Front-1 hit. **핵심 성과 2 — scGPT_CP fine-tuned best among FMs**: foundation models 중 fine-tuned scGPT_CP 최고 성능. **핵심 성과 3 — Fine-tuning이 technical correction 향상**: foundation models에서 fine-tuning이 technical correction 성능 향상. **핵심 성과 4 — Robustness-oriented rankings**: metric trade-offs量化 + across datasets/settings 성능 일관성 측정. 핵심: 1.5M cells benchmark에서 scVI baseline top performer — single-cell FMs Translation 현실. **VCBench: 5 FMs 평가 — Baselines 4/5 Dimension에서 FMs 동등 또는 상회[12]** L. Weidener et al.(bioRxiv 2026)의 연구는 VCBench로 single-cell FMs를 7개 capability 차원에서 평가한다. **평가 프레임워크**: perturbation response, cross-species, GRN inference, modality integration, temporal dynamics, multi-scale integration, in silico experimentation. **평가 가능 차원**: 5개 direct/proxy evaluation 가능. **핵심 성과 1 — Baselines 4/5 차원에서 동등 또는 상회**: linear/nearest-neighbor baselines가 4/5 차원에서 FMs match or exceed. **핵심 성과 2 — TranscriptFormer only cross-modal improvement**: RNA→protein prediction에서만 baseline 상회(53% Pearson improvement). **핵심 성과 3 — Complete cell-level training manifest 부재**: 모든 FMs가 training manifest 미공개 → data contamination 탐지 불가. **Contamination Reporting Schema 공개**: VCBench에서 제안. 핵심: VCBench에서 4/5 차원 baselines 동등 또는 상회 — single-cell FMs Translation limitation 재확인. **GRN Reconstruction Benchmark: scGPT Token-Embedding Zero-Shot 최고[13]** Zhongni Ye et al.(bioRxiv 2026)의 연구는 single-cell FMs의 gene regulatory network reconstruction 능력을 benchmark한다. **Benchmark 설계**: 6 FMs + 3 classical baselines, 6 datasets, 4 reference network types. **평가 차원**: pretrained token embeddings, final-layer hidden states, attention-derived scores. **핵심 성과 1 — scGPT zero-shot 최고**: string/ChIP-seq references에서 classical baselines 상회. **핵심 성과 2 — scFoundation strongest overall**: dynamic transition probing에서 전체 최고 성능. **핵심 성과 3 — Pretrained models meaningful developmental transitions 캡처**: 학습된 gene-gene 관계가 expression dynamics 예측 가능. **핵심 성과 4 — Model architecture + pretraining design + extraction strategy 의존성**: priors recovery가 architecture, design, strategy에 의존. 핵심: GRN reconstruction에서 scGPT zero-shot 최고 + scFoundation dynamic 최고 — single-cell FMs Translation. **9월 10일 Recalibrating vs 오늘의 차별점**: 9/10이 **DenAdel Nature Methods**으로 **400개 모델 6,400 실험 — 데이터 scaling laws 미확인 + plateau**를, **Weidener VCBench**으로 **baselines 4/5 차원에서 FMs 동등 또는 상회**를, **Hou bioRxiv**으로 **13개 FMs unified benchmark + PCA 동등 또는 우위**를 제시했다면, 오늘은 같은 Weidener VCBench 데이터를 **"실제 적용 가능한 benchmark framework 체계화 + contamination reporting 도구 공개"**로, **Han bioRxiv 1.5M cells**을 **"실제 임상+전임상 데이터에서 scVI baseline 재확인"**으로, **Ye GRN benchmark**를 **"특정 task(scGPT zero-shot GRN)에서의 FM 우위 확인"**으로 재해석하여(translation - 검증된 한계 안에서 적용 가능한 영역 특정), **ProModEv + VCBench contamination schema**公开(실제 적용 도구)로 차별화한다. Recalibrating(9/10) → single-cell FMs Translation(9/11) - 검증된 한계 안에서 적용 가능한 영역 특정. 실무 함의: 단일세포 연구팀에서 Han et al.의 scVI baseline 재확인 결과를 참조하여 integration workflow 선택 기준을, Weidener et al.의 VCBench 결과를 참조하여 foundation model 적용 기대치를 재보정해야 한다. *출처: [Han Single-Cell FM Benchmark bioRxiv 2026](https://consensus.app/papers/details/3e7944ef6ab85bb99aaeb74de2c3dca4/), [Weidener VCBench bioRxiv 2026](https://consensus.app/papers/details/48f053efc3485e6589bcd85cc6009842/), [Ye GRN Benchmark bioRxiv 2026](https://consensus.app/papers/details/ae098f8dad3657429770482597063290/)* *#SingleCell #FoundationModel #Han #bioRxiv #scVI #scGPT #scGPT_CP #scFoundation #scMulan #CellFM #15MillionCells #Weidener #VCBench #FoundationModel #Baseline #LinearBaseline #4of5 #Ye #GRN #GeneRegulatoryNetwork #ZeroShot #scGPT #scFoundation #TokenEmbedding #DynamicTransition #TranslationDay #Benchmark #Translation #RealWorld #ClinicalData #PreclinicalData #Integration #Perturbation #CrossSpecies #TemporalDynamics #ModalityIntegration #Contamination #ReportingSchema #Biotech #DataIntegration* --- ### Post 6: FDA/규제 — FDA 38개 CGTs 승인 분석과 Postmarketing Reality Translation 🏛️ **[FDA/규제] FDA 38개 CGTs 승인 분석(2025년 12월) + 86.8% orphan designation, 92.1% expedited pathway, 73.7% 단일 pivotal study 기반 승인 확인(Shahzad Clinical Pharmacology Therapeutics 2026) + FDA Gene Therapy Approvals 1998-2025 현황 + Platform-aligned risk-based initiatives 체계화(Oo J Clinical Pharmacology 2026) + 44개 CGTs + 14개 소아 사용 승인 현황(Kunanayagam Pediatric Research 2026): FDA/규제의 Translation(전이) 현실 동시 확인** FDA/규제의**실제 승인 데이터 기반 Translation 현실**이 출처에서 동시에 확인된다[14][15][16]. **FDA 38개 CGTs 승인 분석: 86.8% Orphan + 92.1% Expedited + 73.7% 단일 연구[14]** Mahnum Shahzad et al.(Clinical Pharmacology and Therapeutics 2026)의 연구는 FDA 승인 CGTs의 규제 분석을 수행한다. **승인 현황**: 2025년 12월 31일까지 38개 CGTs 승인. **핵심 성과 1 — 86.8% orphan designation**: 대부분 희귀질환 대상. **핵심 성과 2 — 92.1% expedited pathway**: expedited pathway 활용률 압도적. **핵심 성과 3 — 73.7% 단일 pivotal study**: 단일 연구 기반 승인 다수. **핵심 성과 4 — 44.7% surrogate endpoints만**: surrogate endpoints만 기반 승인. **핵심 성과 5 — 73.4% postmarketing requirement**: 승인 후 추가 연구 요구. **핵심 성과 6 — 17.9%만 primary clinical efficacy endpoint**: 승인 후 연구 중 1차 임상 유효성 평가endpoint 포함 17.9%. **핵심 메시지**: 현재 규제 접근법은 timely access 우선하나 제한적 premarket data + 대부분 efficacy 미평가 postmarketing studies. 핵심: FDA 38개 CGTs 규제 현실 — FDA Translation limitation. **FDA Gene Therapy Approvals 1998-2025: Platform-Aligned Risk-Based Initiatives[15]** C. Oo et al.(The Journal of Clinical Pharmacology 2026)의 연구는 FDA gene therapy 승인의演化를 분석한다. **演化 과정**: 1998년 이후 slow start → 최근 years marked acceleration. **확장 분야**: RNA-based agents, viral and non-viral in vivo platforms, ex vivo genetically modified cell therapies. **FDA 새로운 이니셔티브**: (i) Plausible mechanism framework, (ii) CMC flexibility initiative, (iii) Advanced manufacturing technologies program. **남은 도전**: high upfront costs, manufacturing complexity, payer constraints. **AI/ML 역할**: dose selection, safety evaluation, durability prediction. 핵심: FDA gene therapy approvals演化 + platform-aligned initiatives — FDA Translation evolution. **CGTs 소아 사용 현황: 44개 승인 + 14개 소아 사용[16]** S. Kunanayagam et al.(Pediatric Research 2026)의 연구는 CGTs의 소아 적용을 분석한다. **승인 현황**: 2025년 5월까지 44개 CGTs 승인( cord blood 제외 14개 소아 사용). **In vivo gene therapy 개발 고려사항**: vector shedding, biodistribution. **Ex vivo gene therapy**: traditional PK principles 불필용 — 세포가 체외에서 수정 후 재注入. **세포 kinetic**: CAR-T, tumor infiltrating lymphocytes에서 expansion과 persistence. **공동 트렌드**: 전임상 모델 의존, first-in-human dosing은 관련 치료 데이터 참조. **소아 희귀질환 추가 도전**: 소규모 환자|population, 전임상 evidence + safety 고려 중요성 강조. 핵심: CGTs 소아 적용 현황 — FDA Translation pediatric reality. **9월 10일 Recalibrating vs 오늘의 차별점**: 9/10 Recalibrating에서는 FDA CGTs 데이터를 다루지 않았다. 오늘은 **Shahzad Clinical Pharmacology Therapeutics**으로 **38개 CGTs의 구체적 승인 데이터(86.8% orphan, 92.1% expedited, 73.7% 단일 연구)**를(실제 규제 이행 데이터), **Oo J Clinical Pharmacology**으로 **1998-2025演化 + platform-aligned initiatives 체계화**를(규제 체계 evolution), **Kunanayagam Pediatric Research**으로 **44개 CGTs + 14개 소아 사용 현황**을(임상 이행 확대) 동시에 제시한다. 이는 9/9 Consolidating의 **Shahzad FDA CGTs 86.8% orphan designation**과 동일 출처이나, 오늘은 **postmarketing reality(73.4% postmarketing requirement, 17.9% primary efficacy endpoint)**를 추가하여 **"승인 후 현실"**로 차별화한다. Recalibrating(9/10) → FDA Translation(9/11) - 승인 후 이행 현실. 실무 함의: 규제 Affairs팀에서 Shahzad et al.의 FDA 승인 데이터와 Oo et al.의 platform-aligned initiatives를 분석하여 gene therapy development strategy를 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 CGTs Pediatric Clinical Pharmacology Pediatric Research 2026](https://consensus.app/papers/details/1c13548ad5be537a8451eed2c85ecd75/)* *#FDA #GeneTherapy #CellTherapy #Shahzad #ClinicalPharmacologyTherapeutics #38CGTs #OrphanDesignation #ExpeditedPathway #73Percent #SingleStudy #SurrogateEndpoints #Postmarketing #17Percent #Oo #JClinicalPharmacology #PlatformAligned #CMC #AdvancedManufacturing #Kunanayagam #PediatricResearch #44CGTs #14Pediatric #TranslationDay #Regulatory #Approval #PostmarketingReality #TimelyAccess #LimitedPremarket #Safety #Durability #AI #ML #DoseSelection #Biotech #DailyReport* --- ### Post 7: Spatial Transcriptomics — 6개 암종 5개 플랫폼 Benchmark와 Real-World Translation 🔬 **[Spatial Transcriptomics] Cervilla et al.으로 6개 암종 FFPE 샘플에서 5개 ST 플랫폼(Visium v1/v2/HD, Xenium, CosMx) 직접 비교 benchmark 완료(Genome Biology 2026) + Zhang et al.으로 SCLC 75명 600K+ cells spatial transcriptomics으로 3개 LNM-enriched malignant subclusters 발견(Cell Reports Medicine 2026) + Gao et al.으로 gastric cancer LAR + TLS 공간적 특성화 확인(Nature Communications 2026): spatial transcriptomics의 Translation(전이) 동시 확인** Spatial Transcriptomics의**플랫폼 검증과 임상 적용의 Translation**이 출처에서 동시에 확인된다[17][18][19]. **6개 암종 5개 ST 플랫폼 Benchmark: FFPE 샘플에서 직접 비교[17]** Sergi Cervilla et al.(Genome Biology 2026)의 연구는 5개 commercial ST 플랫폼을 동일한 FFPE 샘플에서 직접 benchmark한다. **플랫폼**: Visium v1, Visium v2/CytAssist, Visium HD, Xenium, CosMx. **샘플**: 6개 암종 FFPE human tumor sections. **평가 차원**: transcript/UMI detection, gene-histology concordance, cell type recovery, RNA-protein integration. **핵심 성과 1 — 동일 샘플 직접 비교**: sequencing-based와 imaging-based 플랫폼 동일 샘플에서 평가. **핵심 성과 2 — Xenium Multi-Tissue vs Prime 비교**: 377 genes vs 5,000 genes, transcript recovery와 spatial signal 차이 확인. **핵심 성과 3 — RNA-protein decoupling 발견**: Visium targeted protein data + matched RNA profiles 통합에서 RNA-protein decoupling과 공간적 이질성 확인. **핵심 성과 4 — Sampling strategy/trade-offs**: spatial resolution vs tissue context trade-offs量化. 핵심: 6개 암종 5개 플랫폼 직접 benchmark — spatial transcriptomics Translation methodology 검증. **SCLC Spatial Transcriptomics: 75명 600K+ Cells로 3개 LNM-Enriched Malignant Subclusters[18]** Zicheng Zhang et al.(Cell Reports Medicine 2026)의 연구는 SCLC의 lymph node metastasis에서 공간적 세포 생태계를 분석한다. **데이터**: 75명 SCLC 환자, 105개 primary/metastatic lymph node specimens, 600K+ cells. **플랫폼**: CosMx Spatial Molecular Imager. **핵심 성과 1 — 3개 LNM-enriched malignant subclusters**: distinct metabolic/angiogenic programs. **핵심 성과 2 — Immune exclusion features**: malignant subclusters가 immune exclusion features와 공간적 상관관계. **핵심 성과 3 — Vascular-immune crosstalk**: endothelial cells가 malignant cells 회피 + cytotoxic T cells와 functional perivascular niches 형성. **핵심 성과 4 — Pan-immune hotspot(PHIs-1)**: 독립적 survival predictor. 핵심: SCLC 75명 600K+ cells에서 3개 subclusters 발견 — spatial transcriptomics Translation clinical application. **Gastric Cancer LAR + TLS: Spatial Atlas로 면역 치료 biomarker 통찰[19]** Sen Gao et al.(Nature Communications 2026)의 연구는 gastric cancer의 공간적 영역을 특성화한다. **방법**: Single-cell + spatial transcriptomics 통합. **핵심 성과 1 — 4개 공간 영역 발견**: lymphocyte aggregated region(LAR) + tertiary lymphoid structures(TLS) 포함. **핵심 성과 2 — Naive T cell + T cell activation association**: LAR에서 naive T cell abundance와 T cell activation-associated pathways 상관관계. **핵심 성과 3 — Lymphocyte distribution patterns**: Group A(more activated lymphocytes adjacent), Group B(more resting lymphocytes). **핵심 성과 4 — PD1+CD27+CD8 T cells + CD70+LAMP3+ DCs clustering**: Group A에서 closer proximity. **면역 치료 biomarker 함의**: TLS/ LAR가 면역 치료biomarker로 활용 가능. 핵심: gastric cancer spatial atlas로 LAR/TLS 특성화 — spatial transcriptomics Translation biomarker discovery. **9월 10일 Recalibrating vs 오늘의 차별점**: 9/10이 **Gao Nature Communications**으로 **LAR + TLS spatial characterization**을(recalibrating), **Li Cell Reports Medicine**으로 **12개 암종 373개 샘플 56개 LCPs + 13개 recurrent niches**를(recalibrating), **Cervilla Genome Biology**을 직접 다루지 않았다. 오늘은 **Cervilla Genome Biology**으로 **6개 암종 5개 플랫폼 직접 benchmark 체계화**를(translation - methodology 검증), **Zhang Cell Reports Medicine**으로 **75명 600K+ cells SCLC spatial atlas**를(translation - 임상 적용 확대), **Gao LAR/TLS**를 **면역 치료 biomarker discovery** 관점으로 재해석하여(translation - biomarker 적용) 차별화한다. Recalibrating(9/10) → Spatial Transcriptomics Translation(9/11) - methodology 검증 + biomarker 적용. 실무 함의: 암면역 치료 연구팀에서 Gao et al.의 LAR/TLS 결과를 참조하여 면역 치료biomarker 전략을, Cervilla et al.의 benchmark 결과를 참조하여 ST 플랫폼 선택 기준을 수립해야 한다. *출처: [Cervilla ST Platform Benchmark Genome Biology 2026](https://consensus.app/papers/details/cf934161d7415209a856d6484f37f754/), [Zhang SCLC Spatial Transcriptomics Cell Reports Medicine 2026](https://consensus.app/papers/details/dc8b02ddbfcb574fb92b18cf8aed1117/), [Gao Gastric Cancer LAR Nature Communications 2026](https://consensus.app/papers/details/46f3d71acd2e5b6e8816d6886aa485d9/)* *#SpatialTranscriptomics #Cervilla #GenomeBiology #Visium #Xenium #CosMx #FFPE #Benchmark #6CancerTypes #Zhang #CellReportsMedicine #SCLC #75Patients #600KCells #LNM #MalignantSubclusters #ImmuneExclusion #Gao #LAR #TLS #GastricCancer #NatureCommunications #PD1 #CD27 #CD8 #CD70 #LAMP3 #DC #TranslationDay #SpatialAtlas #Biomarker #Immunotherapy #ClinicalTranslation #PlatformSelection #MultiOmics #CellularEcosystem #TumorMicroenvironment #Biotech #DailyReport* --- ### Post 8: 오늘의 요약 — Translation(전이) Day 🧬 **AI × Bioresearch Daily — 9월 11일 (금요일) · Translation(전이) Day 요약** 오늘 6개 전선은 검증된 기술들이 **실제 임상·산업으로 이전하며 이행의 구체적里程碑을 동시에 확인**하는 날이었다. **CRISPR — Translation:** PE1→PE7 진화 종합 + **first-in-human trial functional restoration + promising safety profile** 확인[1][2]. Fang npegRNA 26.8×[3] + Jiang PE-LNP 49%[4]와 함께 PE의 임상 이행里程碑 도달. **AI Drug Discovery — Translation:** **AI Phase I 80-90%**(Hist. 52%) 확인 + **Phase II ~40% ≈ conventional ~37%** 근본 원인 target hypothesis validity 재확인[5]. Phase IIa efficacy + Phase I safety signals double-edged[6] + 전임상 4가지 hurdle[7]과 함께 AI drug discovery의 실제 이행 현실 확인. **단백질 AI — Translation:** AlphaFold2/3 monomeric 88%/dimeric 77% vs ESMFold 76%/41% 체계적 benchmark[8] + de novo design ESMFold pLDDT 최고 + confidence metric topology 의존성[9] + AlphaFold3 adversarial 35% confidence[10]과 함께 단백질 AI의 검증된 methodology 체계화 + 적용 한계 확인. **Single-Cell FMs — Translation:** **scVI baseline 1.5M cells top performer**[11] + VCBench **baselines 4/5 차원에서 FMs 동등 또는 상회**[12] + GRN reconstruction에서 scGPT zero-shot 최고[13]과 함께 single-cell FMs의 검증된 한계 안에서 적용 가능한 영역 특정. **FDA/규제 — Translation:** FDA 38개 CGTs — **86.8% orphan, 92.1% expedited, 73.7% 단일 pivotal study**[14] + 1998-2025演化 + platform-aligned initiatives[15] + 44개 CGTs + 14개 소아 사용[16]과 함께 FDA 규제 이행 현실과 승인 후(postmarketing) 현실 확인. **Spatial Transcriptomics — Translation:** 6개 암종 5개 ST 플랫폼 직접 benchmark[17] + SCLC 75명 600K+ cells[18] + gastric cancer LAR/TLS[19]과 함께 spatial transcriptomics의 methodology 검증과 biomarker 적용 확인. **핵심 인사이트:** Recalibrating(9/10)에서 확인된 한계들이 오늘 **실제 임상·산업 이행(Translation)의 구체적 단계**로 이전했다. PE first-in-human trial, AI Phase I confirmed outsperformance, scVI baseline 재확인, FDA 38개 CGTs 실제 승인 데이터는 모두 **검증→이행**의 다음 단계 진입을 확인시켜준다. *출처: [Jong Prime Editing BMB Reports 2026](https://consensus.app/papers/details/11216802c06153dca45549e3d4ff98f5/), [Lushington PE First-in-Human Molecular Therapy 2026](https://consensus.app/papers/details/79a173589b1d58598fd94fa334768881/), [Laroia AI Drug Discovery 2026](https://consensus.app/papers/details/9e5850399cb35884a68986dc94903425/), [Mahtha AlphaFold ESMFold Benchmark 2026](https://consensus.app/papers/details/11a60df3938051cc87f7e295ef5e73f2/), [Han Single-Cell FM Benchmark 2026](https://consensus.app/papers/details/3e7944ef6ab85bb99aaeb74de2c3dca4/), [Weidener VCBench 2026](https://consensus.app/papers/details/48f053efc3485e6589bcd85cc6009842/), [Shahzad FDA CGT 2026](https://consensus.app/papers/details/24705d5037e85bcb9d9863f1aabca040/), [Cervilla ST Benchmark 2026](https://consensus.app/papers/details/cf934161d7415209a856d6484f37f754/), [Zhang SCLC 2026](https://consensus.app/papers/details/dc8b02ddbfcb574fb92b18cf8aed1117/), [Gao Gastric Cancer 2026](https://consensus.app/papers/details/46f3d71acd2e5b6e8816d6886aa485d9/)* *#TranslationDay #Translation #ClinicalTranslation #IndustrialTranslation #里程碑 #ProofOfConcept #RealWorld #Recalibrating #Consolidating #AI #Biotech #DailyReport #CRISPR #PrimeEditing #FirstInHuman #AIDrugDiscovery #PhaseI #PhaseII #ProteinAI #AlphaFold #ESMFold #SingleCell #FoundationModel #scVI #VCBench #FDA #GeneTherapy #CellTherapy #38CGTs #SpatialTranscriptomics #LAR #TLS #Benchmark #Biomarker* --- ## Sources [1] [Jong et al. Prime editing updates: technological evolution, methodological expansion, and delivery strategies for in vivo applications — BMB Reports 2026](https://consensus.app/papers/details/11216802c06153dca45549e3d4ff98f5/) [2] [Lushington et al. A primer on prime: A prime editing update from advances to first-in-human trial — Molecular Therapy 2026](https://consensus.app/papers/details/79a173589b1d58598fd94fa334768881/) [3] [Fang et al. Boosting prime editing with engineered non-canonical pegRNAs — Nature Biomedical Engineering 2026](https://consensus.app/papers/details/322a6b9e491258a5b21339e54b74d524/) [4] [Jiang et al. PE-LNP prime editing in vivo liver — Nature Nanotechnology 2026](https://consensus.app/papers/details/020416d0f3fa55179bf8ad67a122a32d/) [5] [Laroia et al. Decade of AI Drug Discovery — International Journal Pharmaceutical Sciences 2026](https://consensus.app/papers/details/9e5850399cb35884a68986dc94903425/) [6] [Mao et al. AI in Drug Discovery: from algorithmic foundations to clinical translation — Frontiers in Pharmacology 2026](https://consensus.app/papers/details/ca5321af0bb656e095b6108766231764/) [7] [Cai et al. AI Preclinical Drug Discovery Hurdles — Pharmaceuticals 2026](https://consensus.app/papers/details/9db7efc33cb250c4b08b448e73fcdd17/) [8] [Mahtha et al. AlphaFold2/3 vs ESMFold Benchmark — NAR Genomics and Bioinformatics 2026](https://consensus.app/papers/details/11a60df3938051cc87f7e295ef5e73f2/) [9] [Garcia et al. De Novo Protein Design ESMFold pLDDT — Protein Science 2026](https://consensus.app/papers/details/f9c8c442c8065c0688de2538546747db/) [10] [Feldman et al. AlphaFold3 Adversarial Mutations — Computational Structural Biotechnology 2026](https://consensus.app/papers/details/68f35194db525fb68a7bc8c10546001b/) [11] [Han et al. Single-Cell FM Benchmark 1.5M Cells — bioRxiv 2026](https://consensus.app/papers/details/3e7944ef6ab85bb99aaeb74de2c3dca4/) [12] [Weidener et al. VCBench 5 FMs — bioRxiv 2026](https://consensus.app/papers/details/48f053efc3485e6589bcd85cc6009842/) [13] [Ye et al. GRN Reconstruction Benchmark Single-Cell FMs — bioRxiv 2026](https://consensus.app/papers/details/ae098f8dad3657429770482597063290/) [14] [Shahzad et al. FDA 38 CGTs Assessment — Clinical Pharmacology Therapeutics 2026](https://consensus.app/papers/details/24705d5037e85bcb9d9863f1aabca040/) [15] [Oo et al. FDA Gene Therapy Approvals 1998-2025 — J Clinical Pharmacology 2026](https://consensus.app/papers/details/181658e93c825ea581a0664845a98d12/) [16] [Kunanayagam et al. CGTs Pediatric Clinical Pharmacology — Pediatric Research 2026](https://consensus.app/papers/details/1c13548ad5be537a8451eed2c85ecd75/) [17] [Cervilla et al. 6 Cancer Types 5 ST Platforms Benchmark — Genome Biology 2026](https://consensus.app/papers/details/cf934161d7415209a856d6484f37f754/) [18] [Zhang et al. SCLC 75 Patients 600K+ Cells Spatial — Cell Reports Medicine 2026](https://consensus.app/papers/details/dc8b02ddbfcb574fb92b18cf8aed1117/) [19] [Gao et al. Gastric Cancer LAR TLS Spatial — Nature Communications 2026](https://consensus.app/papers/details/46f3d71acd2e5b6e8816d6886aa485d9/)
Research Pulse·2026-09-11
Research Pulse — 2026-09-11
28 journals × 7 topics · fibrosis · OXPHOS · ferroptosis · sarcopenia · senescence
Raw data + scoring: Daily Tech Digest (separate feed)
Request a Paid Brief