답변게시됨3일 전Last edited 3일 전11 소스

펜실베이니아大 연구진, 인간-루프 AI 시스템으로 CAR-T 세포 치료 고형암 표적 발굴 가속화

펜 의대 다니엘 베이커, 칼 준, 졸탄 아라니 교수 연구팀이 2026년 6월 25일 '셀(Cell)'지에 인간 루프 AI 프레임워크를 활용한 CAR T 세포 치료 신규 표적 발굴 연구 발표 [1] 연구팀은 대규모 언어 모델(LLM)과 단일세포 RNA 시퀀싱 데이터를 통합해 1만여 개 잠재적 표면 항원 중 최우선 후보로 GPNMB(당단백질 비전이성 흑색종 단백질 B) 선정 [1] GPNMB 표적 CAR T 세포는 흑색종, 백혈병, 대장암 마우스 모델에서 유의미한 항종양 효능 입증하며 다중암 치료 가능성 제시 [1]

Studio Global AI로 검색 및 팩트체크 인기 페이지 더 보기

23K0

Conceptual illustration representing AI-driven discovery of CAR T cell therapy targets, combining DNA helix, immune cells, and large language model processing. — Search & fact-check with cited sources for How did Penn researchers use a human-in-the-loop AI framework integrating large language models aAn AI-generated conceptual image representing the integration of artificial intelligence, single-cell RNA sequencing, and CAR T cell therapy target discovery.
AI 프롬프트
Create a landscape editorial hero image for this Studio Global article: Search & fact-check with cited sources for How did Penn researchers use a human-in-the-loop AI framework integrating large language models a. Article summary: On June 25, 2026, Penn Medicine researchers led by Daniel Baker, Carl June, and Zoltan Arany published a study in *Cell* describing a **human-in-the-loop AI framework** that integrates large language models (LLMs) with s. Topic tags: general, government, education, academic, general web. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermark
openai.com

펜실베이니아 의대(펜 의대) 연구진이 CAR-T 세포 치료의 가장 큰 난제 중 하나인 고형암 표적 발굴을 획기적으로 가속화할 인간-루프 AI 프레임워크를 개발했습니다. 다니엘 베이커(Daniel Baker), 칼 준(Carl June), 졸탄 아라니(Zoltan Arany) 교수가 이끄는 이 연구는 2026년 6월 25일 국제 학술지 '셀(Cell)'에 게재됐습니다 .

인간-루프 AI 프레임워크란?

이 프레임워크는 거대한 생물정보학 데이터를 AI가 1차로 걸러내고, 최종 결정은 인간 전문가가 내리는 '인간-루프(human-in-the-loop)' 방식을 채택했습니다 .

데이터 통합: 팀은 피부암(skin cancer) 환자의 공개 단일세포 RNA 시퀀싱 데이터 4개 세트와 공공 데이터베이스를 결합해 1만 개 이상의 잠재적 표면 항원(surface antigen)을 확보했습니다 .
생물학적 필터링: 종양 특이적 발현, 세포 표면 접근성 등 CAR-T 치료에 적합한 생물학적 기준을 적용해 후보군을 1차 압축했습니다 .
LLM 기반 후보 선정: 여러 최첨단 대규모 언어 모델(LLM)이 이 1차 리스트에서 이상적인 표적을 지명하도록 설계했습니다 .
할루시네이션 제거: LLM의 고질적 문제인 할루시네이션(hallucination) 을 극복하기 위해 전체 선정 시뮬레이션을 독립적으로 1,000회 반복 실행했고, 결과를 취합해 최종 숏리스트를 구성했습니다 .

Studio Global AI

Search, cite, and publish your own answer

Use this topic as a starting point for a fresh source-backed answer, then compare citations before you share it.

Studio Global AI로 검색 및 팩트체크

사람들은 또한 묻습니다.