paper-radar 주간 다이제스트
2026-W42
바이오인포·임상ML·신약AI 논문 주간 요약. 모든 해석은 preprint 단계에서의 분석임.
단일세포 섭동 예측이 클론 해상도로 올라섰다. CloneOT는 CRISPR 계통 추적 데이터를 감독 신호로 결합해 클론 단위 약물 반응 예측을 시도한다.
구조 기반 신약 설계 파이프라인에서 오랫동안 검증 없이 쓰여온 AlphaFold 인터페이스 점수(ipTM·ipLDDT)의 보정 방법이 나왔다. 유연한 영역이 점수를 왜곡한다는 경고는 이전부터 있었으나, 이번 논문은 보정(calibration) 프레임을 정면으로 제시한다.
AI 에이전트가 실제 연구 규모 바이오인포매틱스 워크플로우를 얼마나 처리할 수 있는지를 재는 기준선이 한 단계 올라갔다. OmicsBench는 97개 DAG 태스크를 662개 서브태스크로 분해해 기존 벤치마크보다 복잡도를 높인다(수치: 검색 스니펫 기반 — 원문 확인 권장).
저자·소속 미확인
출처: arXiv · 2026-10-13 · preprint(미동료심사) · arXiv:2610.16093 · 코드 미공개 — 재현 불가
저자·소속 미확인
출처: arXiv · 2026-10-14 · preprint(미동료심사) · arXiv:2610.17108 · 코드 미공개 — 재현 불가
저자·소속 미확인
출처: arXiv · 2026-10-14~15 · preprint(미동료심사) · arXiv:2610.18879 · 코드 미공개 — 재현 불가
저자·소속 미확인
출처: arXiv · 2026-10-14 · preprint(미동료심사) · arXiv:2610.19029 · 코드 미공개 — 재현 불가
저자·소속 미확인
출처: arXiv · 2026-10-16(추정) · preprint(미동료심사) · arXiv:2610.21074 · 코드 미공개 — 재현 불가
단일세포 섭동 예측의 출발점은 간단한 질문이었다. 약물을 투여했을 때 각 세포가 어떻게 달라지는가. CellOT(NeurIPS 2021 / Nature Methods 2023)가 이 문제를 최적운송(optimal transport) 프레임으로 정식화한 이후, 섭동 전후 세포 분포를 매핑하는 방법들이 쌓였다. 그러나 이 접근에는 구조적 맹점이 있었다. 동일 약물에 대해 클론 A가 반응하고 클론 B가 내성을 보이는 현상 — 실제 항암 치료에서 재발의 핵심 기전 중 하나 — 은 집단 수준 매핑으로는 흐려진다.
CloneOT의 출발점은 이 해상도 한계다. CRISPR 기반 계통 추적(lineage tracing) 기술이 클론 정체성을 실험적으로 측정 가능하게 했지만, 이 정보를 섭동 반응 예측에 결합한 방법은 없었다. CloneOT는 계통 레이블을 역최적운송(inverse OT)의 감독 신호로 통합해 이 격차를 뚫으려 한다. (추정: q-bio.GN/QM 분류·제목 기반 — 초록 미확인)
메커니즘 핵심 가정: 이 프레임이 작동하려면 세 가지가 성립해야 한다. 첫째, 동일 클론 내 세포들이 공유하는 유전적 배경이 섭동 반응의 유효한 사전정보(prior)가 된다는 클론 일관성 가정. 둘째, 계통 레이블이 역OT 비용 함수에 통합될 때 정규화가 집단 수준 해를 억제하는 방향으로 작동해야 한다. 셋째, 고차원 단일세포 공간에서 계산이 가능하도록 쌍대 변수를 신경망으로 근사할 수 있어야 한다. (추정: 방법론 클래스에서 공통으로 요구되는 가정 기반)
데이터 병목이 첫 번째 제약이다. CRISPR 계통 추적 + 단일세포 RNA-seq 동시 측정 데이터셋은 아직 수가 제한적이다. 학습 데이터 충분성이 모델 성능의 상한을 결정한다. 바코드 오염이나 클론 붕괴(barcode dropout)가 감독 신호 품질을 낮출 수 있고, 수천 단위 클론으로 확장할 때의 계산 비용도 불명이다. (미제공: 코드·데이터 공개 여부 — 원문 미확인)
임상 연결 거리를 정직하게 본다. 클론 단위 예측이 종양 내성 기전 연구 도구로 활용되려면 몇 단계가 남아 있다. 실제 환자 종양 단일세포 데이터에서 재현 검증, 예측된 클론별 반응이 체외 실험과 일치하는지 확인, 임상 샘플 전처리 호환성 평가가 선행되어야 한다. 현 단계에서 "클론 내성 예측이 가능하다"는 확대 해석은 검증 수준을 두 단계 이상 뛰어넘는다.
관전 포인트: 코드 공개 여부가 이 논문의 즉각적 활용 가능성을 결정한다. 공개된다면 Perturb-seq 계열 데이터에 클론 레이블이 있는 실험실이 직접 적용을 검토할 수 있다. 계통 정보 없이도 비감독 모드로 사용 가능한지, 기존 CellOT와 동등한 성능을 내는지는 원문 확인이 필요하다.
인간과 7개 모델 생물에 걸친 게놈 단위 기능 요소 구성의 균질성과 이질성 (Homogeneity and heterogeneity of functional element composition of genome units)
인간·마우스·제브라피시 등 7개 모델 생물의 게놈 단위 안에서 프로모터·인핸서·코딩 서열 등 기능 요소 구성 비율의 종간 균질성·이질성을 계산 비교한다. 추정: Ensembl·ENCODE 공개 어노테이션 재분석. 어노테이션 품질이 종마다 크게 다르다는 것이 근본적 제약이다. 범종 게놈 파운데이션 모델(Nucleotide Transformer·HyenaDNA) 설계와 전이 학습 전략 수립에 배경 지식을 제공한다. 저자·소속 미확인. arXiv:2610.15182 · preprint(미동료심사)
보지 못한 과학적 상호작용 예측을 위한 조건부 플로우 모델 (Conditional flow models for predicting unseen scientific interactions)
훈련 중 보지 못한(out-of-distribution, OOD) 과학적 상호작용(추정: 약물-유전자·단백질-리간드 등)을 조건부 플로우 매칭(conditional flow matching)으로 예측하는 방법을 제안한다. cs.LG → q-bio.GN 크로스리스트는 방법론과 생물학 응용 양쪽을 포함한다는 신호다. OOD 일반화는 AI 신약 발굴의 핵심 병목 중 하나이며, 단일세포 섭동 연구의 미측정 처리 조합 예측에도 연결된다. 추정: 학습 분포와 가까운 unseen 쌍에서는 잘 작동하지만 완전 이질적 화학 공간에서는 한계가 있을 가능성이 높다. 저자·소속 미확인. arXiv:2610.20288 · preprint(미동료심사)