跳转到内容

高通量筛选

来自VeritasWiki 真理百科

高通量筛选(High-Throughput Screening,HTS)是指在短时间内对大量化合物样品进行生物活性测试,从中识别能与特定靶标发生作用或改变特定生物学过程的"苗头化合物"的技术体系。它把药物发现中最耗时的环节——在成千上万种分子中寻找有活性的那一个——从人工逐一试错,改造为自动化、微型化、信息化的流水作业。

从技术构成看,高通量筛选并非单一仪器,而是靶标制备、检测方法、化合物库、自动化操作与数据处理五个环节的集成。任何一个环节的短板都会限制整体通量:检测灵敏度不足会抬高假阴性率,化合物库多样性不足会让筛选"无鱼可捞",数据处理不当则会让真实的阳性信号淹没在噪声里。

从"筛选"到"体系"

高通量筛选真正成为一门体系性技术,是在二十世纪九十年代。此前的药物筛选多为在离体器官或整体动物上观察效应,通量低、样品消耗大、机制信息模糊。分子生物学与基因组学的发展使关键靶标蛋白可以被克隆、表达和纯化,检测手段则借助同位素、荧光与化学发光把"活性"转换为可读数信号,自动化液体处理与计算机数据处理系统再把这一流程串成流水线。

中国科学院上海药物研究所与国家新药筛选中心完成的"现代新药筛选体系和高通量筛选技术的研究和应用"项目,是国内这一阶段的代表性工作。该项目在国内首次实现系统化克隆、表达和纯化关键靶标蛋白,并将其发展为高效灵敏的分子水平筛选模型;同时通过基因转染技术建立多个疾病相关信号传导通路关键靶点的工程细胞株,形成细胞水平筛选模型,最终在国内首次实现真正意义上的高通量筛选,日筛选能力达 2 万药次。[1]该成果于 2003 年获国家科学技术进步奖,其技术路线被概括为"以分子水平模型初筛、以细胞组织和器官模型复筛"。

这一"初筛—复筛"的分层设计有其实用考虑:分子水平模型通量高、成本低,但脱离了细胞环境,容易把在完整细胞中无法穿透膜或会被代谢的分子误判为活性;细胞与组织水平模型更接近生理状态,通量却低得多。把两者串联,等于用便宜的实验做粗筛、用昂贵的实验做确认。

检测方法决定筛选的边界

检测方法是高通量筛选的核心变量,因为它决定了"什么信号可以被测量"。常见类型包括吸光度、荧光强度、荧光偏振、时间分辨荧光、化学发光、AlphaScreen 与报告基因等。选择何种方法,取决于靶标的生化性质:激酶类靶标常用荧光偏振或时间分辨荧光检测磷酸化产物;蛋白—蛋白相互作用则更多依赖 AlphaScreen 或双分子荧光互补;细胞水平的表型筛选则依赖高内涵成像,通过多通道荧光标记同时读取细胞形态、亚细胞定位与蛋白表达。

检测方法的选择还会反过来影响化合物库的构建。若检测依赖荧光信号,则库中自发荧光或淬灭荧光的化合物会制造大量假阳性,需要在数据校正阶段予以剔除。

DNA编码化合物库的范式变化

传统高通量筛选依赖实体化合物库,一个库的规模通常在十万到百万级,受限于合成与储存成本。DNA 编码化合物库(DNA-Encoded Library,DEL)用另一条思路突破了这个上限:把每个化合物分子与一段独特的 DNA 标签共价连接,使"分子身份"可以被测序读取。筛选时让整个库与靶标孵育,洗去不结合的成员,再对残留分子上的 DNA 标签进行扩增与测序,通过标签计数反推哪些结构富集。这样,一次实验即可完成对数十亿乃至更多分子的并行评估。

DEL 已成为当今新药发现的主流平台之一,但传统方法存在明显瓶颈:筛选过程近似"盲选",高度依赖预先选定的纯化靶标蛋白,靶标选择带有随机性,导致筛选成功率普遍不高。[2]针对这一问题,中国科学院上海药物研究所陆晓杰、廖苍松、谭敏佳课题组与复旦大学周璐课题组合作,开发了用于 DEL 合成的化学酶促 on-DNA 反应,并结合化学蛋白质组学构建了 FF tags-biocatDEL 平台。该平台先用两种吲哚探针在细胞水平系统扫描潜在靶点,确定磷酸甘油酸脱氢酶 PHGDH 作为筛选对象,再据此设计合成 DEL01 与 DEL02,最终发现新型酶活性化合物,形成了"组学指导—DEL 构建—精准筛选"的闭环。[3]其方法学意义在于把筛选顺序倒转:不再"从靶点找库",而是"从库结构反推合适的靶点"。

多肽类药物的筛选则面临另一种困难。DNA 编码多肽文库(PDEL)具备高通量、样品需求量低、成本可控等优势,但缺乏有效纯化手段,随着肽链延长,未反应原料与副产物累积,截短肽与非目标序列比例升高,导致文库质量下降并引入大量假阳性与假阴性结果。[4]上海药物研究所陈士羽课题组提出基于叠氮修饰 Fmoc 保护氨基酸的建库策略,借助点击化学把氨基酸偶联到炔基修饰的介孔硅胶固相载体上,在常规脱保护条件下同步完成多肽释放与固相纯化,构建出由 5 个残基组成、整体纯度超过 95% 的文库。以转铁蛋白受体 1 为靶点进行平行筛选,所得候选肽在序列同源性与靶点特异性上均明显提升,代表性分子 TR17 的解离常数达到 176 纳摩尔。[5]

与其他筛选方式的分工

高通量筛选并不孤立存在。与之并列的另一条路径是虚拟筛选:先由计算机在化合物库中预测结合可能性,再对排名靠前的分子做实验验证。当待测分子数量过多、人员不足或成本过高时,计算方式可以显著压缩实验规模;而当靶标结构未知或结合模式难以建模时,实体筛选仍是不可替代的。[6]在产业实践中,两者常被串联使用:计算先做预筛,实体筛选负责给出确证数据。

DEL 技术的出现改变了这一分工的细节。由于 DEL 把"结合"编码为可测序的 DNA 标签,其筛选本质上是一次超大规模的并行结合实验,通量远超传统孔板筛选;但它同样受限于库的化学多样性,且对靶标纯度与固定方式敏感。[7]因此,把 DEL 视为高通量筛选的"高通量版本"并不准确——它换了一套读出机制,也换了一套误差来源。

命中之后

高通量筛选给出的只是起点。初筛得到的"命中"(hit)活性通常在微摩尔级,需经重复实验确认、排除假阳性、评估结构新颖性与成药性,再通过构效关系研究优化为"苗头化合物"(lead),最后才成为候选药物。以磷酸甘油酸激酶 1 抑制剂为例,中国科学院合肥物质科学研究院刘青松团队先通过高通量筛选发现苗头化合物 NG52,再以基于结构的理性设计对嘌呤骨架的三个区域开展构效关系研究,合成一系列新化合物,经多轮优化获得在酶活水平活性优异、口服暴露量良好、且在 210 种激酶中对 PGK1 表现出高选择性的衍生物 6e。[8]这一过程说明,筛选提供的是"可优化的起点",而优化的质量决定了项目能否走到临床。

值得注意的是,"高通量"这一指标本身正在被重新定义。早期以"日筛多少药次"衡量平台能力,反映的是机械通量;当化合物库规模扩大到十亿量级、检测手段转向成像与测序之后,更有意义的指标变成了"单位成本获得的有效信息量"。一个每天能测十万个分子但假阳性率高达九成的平台,实际产出可能低于一个每天只测一万个分子却数据干净的平台。[9]

局限与演进

高通量筛选的局限首先来自化合物库本身。实体库覆盖的化学空间相对于理论类药空间极为有限,许多靶点(如蛋白—蛋白相互作用界面)缺乏天然配体,用现有库难以筛出合格起点。DNA 编码多肽文库之所以受重视,部分原因正是它可以灵活引入非天然氨基酸,从而拓展多肽药物设计与优化的空间。[10]其次是假阳性问题:聚集、荧光干扰、反应性基团与去垢剂效应都会制造假信号,需要通过去垢剂对照、时间依赖性检测与正交实验排除。第三是成本与通量之间的矛盾:微量化降低了单次成本,却提高了对移液精度与蒸发控制的要求。

演进方向大致有三条:一是化合物库的多样化,包括共价库、大环库与 DNA 编码库;二是筛选维度的提升,从单一分子靶标扩展到细胞表型、类器官与高内涵成像;三是与计算方法的耦合,用虚拟筛选对实体库做预筛,把实验通量集中在计算得分较高的子集上。三条路径的共同目标,都是提高"每次实验获得可用信息"的密度。

参考资料