并行的条形码化高通量筛选，同时在 DNA 与 RNA 层面读出，是在动物模型中识别具临床转化潜力 AAV 衣壳的最有效策略。这种方法能大幅降低假阳性率，因为单纯依赖基因组拷贝数会漏掉那些转录活性低的“假候选”。三个必须记住的操作要点：把免疫原性筛查和空/完整衣壳比等生产质控指标提前纳入筛选设计；对高优先级候选尽早在非人灵长类或人源组织上验证；始终以 RNA 证据而非 DNA 富集作为排序依据。
简述:
- 在筛选过程中应提前考虑免疫原性、空/完整衣壳比和跨物种一致性等关键指标，以避免反复返工。
- 只依赖DNA富集数据会误判转录活性低的候选，RNA读出是评估衣壳功能性表达的必要补充。
- 条形码化与高通量测序技术可以高效筛选大量变体，确保比较公平且节省动物模型资源。
- 在引入非人灵长类模型验证时，应优先考虑衣壳受体差异和血脑屏障结构的物种特异性，以增强筛选的临床转化性。
- 生产中应持续监控空/完整衣壳比和批次稳定性，确保候选获得稳定的生产质量和一致的治疗潜力。
目录
- 为什么要做 AAV capsid screening：科研目标与临床可转化的衡量标准
- 从库到候选：完整的实验管线
- NGS 读出与数据分析：DNA 和 RNA 为什么必须一起测
- 免疫学约束：抗体普查、检测方法差异与整合策略
- 物种差异与验证策略：何时该上非人灵长类或人源模型
- 生产与质控要点：空/完整衣壳比与批次一致性
- 可执行的一页式检查表：从实验设计到交付数据包
- 常见误区与推荐的缓解策略
- RareLabs 在筛选流程中能提供的具体支持
- 作者视角：技术趋势与未来研究优先级
- 当您需要外包验证或患者来源模型时
- 精选参考文献与方法学协议
- 来源
- 常见问题
为什么要做 AAV capsid screening：科研目标与临床可转化的衡量标准
做 AAV capsid screening 的目的从来不是找出“转导效率最高”的那一个衣壳。理想的载体需要同时满足几个互相牵制的条件：高效递送、组织或细胞类型的选择性、低免疫原性，以及可规模化生产的稳定性。任何一项跛脚，候选都很难真正走到临床。
这也是为什么筛选流程通常分成两个阶段。初筛（发现性筛选）的任务是从成千上万个变体里快速缩小范围，通常用条形码化的库在体内或体外做一轮粗筛。二次筛选则是功能性验证：把入选的几十个候选放进更贴近目标疾病的模型里，看它们是否真的能在靶组织里表达出足够的转录本，而不只是“到达”那里。
条形码与下一代测序（NGS）技术把这两个阶段都变得更高效。研究者可以把成千上万个衣壳变体混合注射进同一批动物，通过读取组织中的条形码序列反推出每个变体的相对表现，而不需要给每个变体单独跑一次动物实验。这不仅节省了动物数量，也让不同变体之间的比较更加公平，因为它们经历的是完全相同的生理环境。
筛选设计阶段需要提前明确的关键指标：
- 目标组织或细胞类型的转导效率排序，而不是绝对值
- 与常见血清型（如 AAV9、AAV2）相比的组织选择性倍数
- 预存中和抗体对候选衣壳的交叉反应程度
- 生产过程中的空/完整衣壳比与批次间稳定性
- 候选衣壳在至少两个物种模型中的一致性表现
把这些指标写进实验设计的最开始，而不是等数据出来之后再倒推评价标准，能省下大量返工的时间。很多实验室吃过的亏是：筛选做完了才发现漏了免疫学数据，结果整批候选都要重新入组验证。
从库到候选：完整的实验管线
一次完整的 AAV 衣壳筛选管线，大致可以拆成六个环节，每一步的参数选择都会直接影响最终候选的质量。
1. 构建变体库。 多数团队用肽显示或结构域洗牌的方式生成初始文库。插入位点的选择很关键，常见做法是在 VP1/VP2/VP3 共有的表面暴露环区插入随机或半随机肽段。密码子简化（减少同义突变造成的测序噪声）和去除半胱氨酸残基（避免非预期的二硫键导致衣壳折叠异常）是两个容易被忽略但影响很大的细节。
2. 条形码化设计。 每个衣壳变体对应一段独特的核酸条形码，通常安插在基因组的 3' UTR 区域。这个位置的好处是条形码会随转录本一起被转录出来，因此同一段序列既可以用来做 DNA 层面的基因组拷贝数分析，也可以直接从 mRNA 中读出转录活性。条形码长度一般在 8 到 20 个核苷酸之间，长度太短容易和其他条形码混淆，太长则会增加测序成本。
3. 三质粒生产与输入库校正。 用标准的三质粒共转染系统包装文库病毒后，必须先测序一次“输入库”，确认每个条形码在起始群体中的相对比例。这一步常被跳过，但没有输入库基线,后续所有富集倍数的计算都会失真。
4. 剂量与给药路径选择。 静脉、脑室内、玻璃体内等不同给药路径会显著改变候选衣壳的排序结果，因为它们绕过或依赖的生理屏障完全不同。剂量选择也要考虑：太低会让低丰度条形码的信号淹没在测序噪声里，太高则可能触发非线性的免疫反应，扭曲真实的生物学排序。
5. 采样时间点设计。 单一时间点的采样很难分辨出“快速但短暂”和“缓慢但持久”这两类完全不同的表达模式。多数近期研究会在给药后设置至少两到三个时间点采样，兼顾急性和稳态表达。
6. 聚焦库与二次筛选。 初筛跑出的候选往往要经过一轮“聚焦库”验证，也就是把有限数量的高潜力候选混在一起，用更严格的条件（更贴近临床剂量、更接近目标疾病的动物模型）再跑一次。这一步的动机很直接：随机库能覆盖的序列空间巨大，但噪声也大；聚焦库牺牲了广度，换来了更高的置信度。
Nature Communications 上发表的一项研究用这套条形码化管线在同一批动物体内并行评估了大量衣壳变体，最终鉴定出对肌肉组织具有更强偏向性的 AAVMYO 候选衣壳，是这类方法学价值的一个直接证明。另一项更早的工作则用类似的 Barcode-Seq 思路，对 AAV9 表面多个氨基酸位点做了高分辨率的功能图谱绘制，证明了这种大规模并行测序方法在指导衣壳工程设计上的实用性。如果你想要一份可直接照做的实验室操作手册，JoVE 发布的方法学协议详细写清楚了从文库构建到条形码分配、NGS 建库的每一步操作细节。
专业提示: 在设计插入位点时，先用已发表的衣壳结构数据比对候选环区的溶剂可及性，而不是凭经验挑选位点。溶剂可及性差的插入点即便测序结果正常，也大概率无法在体内正确折叠成有活性的衣壳。
NGS 读出与数据分析：DNA 和 RNA 为什么必须一起测
只测 DNA 层面的条形码富集，是筛选流程里最容易埋下隐患的一步。原因很简单：一个衣壳可能把基因组高效递送到目标细胞里，但转录效率却很低，也就是“到了但没干活”。仅看 DNA 富集会把这类衣壳误判成优质候选，等到后续验证阶段才发现表达量根本不够用。
并行做 RNA 层面的读出能直接解决这个问题。同样的条形码序列既出现在基因组 DNA 里，也会随转录本一起出现在 mRNA 里，所以同一批测序数据就能同时反映“递送效率”和“转录活性”这两个独立的生物学过程。前面提到的 Nature Communications 研究正是靠这种DNA 与 RNA 双层面并行追踪的思路，才能在同一只动物体内公平比较大量候选衣壳,避免了单纯依赖基因组信号带来的偏差。
从原始测序数据到候选排序，通常要走这几步归一化：
- 用输入库数据校正每个条形码在起始群体中的初始比例差异
- 将 DNA 层面的条形码读数换算成每二倍体基因组的病毒基因组拷贝数（vg/dg），把不同样本、不同批次的数据放到同一尺度上比较
- 计算类似 Βαβ 这样的复合指标，把递送效率和转录活性整合成一个可排序的分数
- 对低丰度条形码设定最低读取深度阈值，避免测序噪声被误判为真实信号
- 跨生物学重复和技术重复计算变异系数，剔除批次效应过大的样本
统计门槛的设定也值得多花心思。多数团队至少要求生物学重复数不少于 3，并对每个候选的富集倍数做多重检验校正，而不是简单看哪个数字最大就排第一。
一个容易被低估的细节：低丰度条形码的处理方式。如果实验设计阶段没有提前约定最低读取深度，不同批次、不同实验室之间的数据几乎没法直接比较，这也是很多筛选结果难以复现的根源之一。提前把这个阈值写进方法学部分，并在报告中明确标注，能省去后续大量的解释成本。
免疫学约束：抗体普查、检测方法差异与整合策略
预存中和抗体是 AAV 衣壳从筛选走向临床时最现实的一道门槛，而这道门槛比大多数人想象的更普遍。一项覆盖 50 项研究的综述汇总数据显示，约30% 到 60% 的个体体内携带针对常见 AAV 衣壳的预存抗体，具体比例随年龄增长和地域差异明显波动。这意味着即便某个候选衣壳在动物模型里表现优异，进入人体临床试验时也可能有一半左右的潜在受试者因为抗体阳性而被排除或需要调整方案。
抗体检测本身也不是一个统一的标准。中和抗体（NAb）检测衡量的是抗体是否能实际阻断病毒转导，通常用体外中和实验完成；总抗体（TAb）检测则衡量是否存在任何结合性抗体，灵敏度更高但特异性较低,可能把一些不影响转导的低亲和力抗体也算作阳性。这两种检测在不同实验室之间的结果差异不小，也是为什么跨研究比较抗体流行率数据时要格外谨慎。
在筛选与临床设计阶段减少偏差的几个实际做法：
- 在候选筛选早期就并行测试免疫逃避型衣壳变体（例如通过表面肽显示改造避开已知抗体结合位点），而不是等到临床前才补救
- 优先采用标准化、监管认可的检测平台（如 MSD 平台或免疫捕获 qPCR），减少不同批次数据之间的口径差异
- 在入组标准设计时明确区分 NAb 和 TAb 阈值，避免用过于宽泛的抗体阳性标准把可能合适的受试者排除在外
关于将免疫学检测流程写入临床开发方案的具体做法，可以参考基因治疗免疫原性检测的临床可执行流程这类实操性资料。抗体普查数据不是筛选之外的附加信息，而是决定候选衣壳能否真正走向患者的核心变量。
物种差异与验证策略：何时该上非人灵长类或人源模型
小鼠模型里表现出色的衣壳，换到灵长类或人类身上往往会“失灵”，这个现象在 AAV 领域已经反复出现。最典型的例子是 AAV.PHP.B。这个衣壳在小鼠体内展现出极强的中枢神经系统穿透能力，最初被认为是突破血脑屏障的重大突破,但后续研究发现这种能力高度依赖小鼠特有的 Ly6a 受体变体，在缺乏该受体等效物的非人灵长类和人类细胞中，同样的穿透效果并不成立。
受体表达谱的物种差异,加上血脑屏障结构本身的种间差异，是筛选流程里最容易被低估的转化风险。一项在非人灵长类中直接筛选 AAV 衣壳库的研究正是为了绕开这个陷阱，用更接近人类生理条件的模型来识别对人血管内皮细胞转导效果更好的衣壳变体，而不是先在小鼠里筛完再指望结果能直接外推。
实践中判断何时该引入更高阶模型的几条参考标准：
- 候选衣壳的靶细胞类型如果依赖已知具有明显种间差异的受体（如 Ly6a、某些整合素亚型），应尽早安排 NHP 或人源验证
- 对于神经系统或眼科靶点，血脑屏障和血视网膜屏障的结构差异较大,建议至少在一种非鼠类模型中复核
- 人源类器官和原代细胞可以作为 NHP 之外的替代方案，尤其适合早期快速排除明显不具转化潜力的候选，但它们缺乏完整的血管系统和免疫环境，不能完全替代活体验证
关于如何把表型筛选的早期命中体系统性地转化为可验证候选，iPSC 与罕见病表型筛选的可执行路线提供了一套思路,可以作为衣壳筛选后期验证环节的参考框架。
生产与质控要点：空/完整衣壳比与批次一致性
一个衣壳变体在筛选中排名靠前，不代表它能被稳定、高质量地生产出来。空/完整衣壳比是这里最容易被忽视却影响巨大的一个指标：空衣壳不携带完整的基因组，注射后不仅无法产生治疗效果，还会占用有效剂量的“配额”,甚至可能加重免疫原性负担,因为患者接受的总蛋白载量并没有减少,而实际起效的病毒颗粒比例却更低了。
分析超速离心（AUC）曾长期是衡量空/完整比的金标准，但操作繁琐、通量低，很难满足工艺开发阶段频繁抽检的需求。阴离子交换高效液相色谱法（AEX-HPLC）近年来在生产质控中被更广泛采用，原因是它能在保持与 AUC 结果高度一致的前提下大幅提升检测通量。文献报道的一个应用示例显示,AEX-HPLC 的检测灵敏度可以达到 2.77×10^10 vg/mL，足以覆盖临床前和工艺放大阶段常见的样本浓度范围。
生产放大阶段值得重点监控的几项指标：
- 每个批次的空/完整衣壳比，以及该比值在多批次生产之间的波动范围
- 包装效率（有效病毒基因组数量相对于总蛋白衣壳数量的比例）
- AEX-HPLC 或 AUC 结果与下游功能性效价检测（如体外转导实验）之间的一致性
- 不同生产批次之间基因组完整性的变化,尤其是在使用不同细胞系或不同规模生物反应器时
把这些质控数据和筛选阶段的功能性排序放在一起看，才能判断一个候选衣壳是“筛选出来好看”还是“真的能被稳定生产出来用在患者身上”。这两件事经常被分开处理，但它们其实是同一个转化路径上不可分割的两端。
可执行的一页式检查表：从实验设计到交付数据包
把一次条形码化筛选实验的关键要素浓缩成一份清单，能大幅降低团队协作时遗漏关键记录的概率，尤其是在多个实验室或多个批次之间需要横向比较结果的时候。
1. 输入库记录。 记录文库覆盖度（每个变体的理论代表数）、均衡度（各条形码丰度的分布是否均匀）,以及一份完整的条形码对照表（barcode LUT），这份表格是后续所有分析的基础，丢失或版本混乱会让整批数据无法解读。
2. 生产阶段记录。 每批病毒的病毒基因组拷贝数（vg 计数）、空/完整衣壳比、以及包装效率数据都应该在给药前完整归档,而不是等实验结束后再回头补充。
3. 采样时间点清单。 明确列出每个采样时间点对应的动物编号、组织类型和采集方法，方便后续做时间序列上的表达动态分析。
4. 测序参数与深度设置。 建议为每个样本设定最低读取深度门槛，并在方法学中明确写出这个阈值是如何确定的,以及低于阈值的条形码在分析中如何处理（剔除还是标记为不确定）。
5. 归一化脚本与统计报告。 交付数据包应包含完整的归一化代码（输入库校正、vg/dg 换算、Βαβ 计算等步骤）、原始 FASTQ 文件,以及一份说明统计方法和置信度评估标准的报告文档。
专业提示: 把条形码对照表（LUT）和归一化脚本一起打包存档，哪怕这次实验暂时不需要复核。半年后想重新分析同一批数据时，最常见的卡点不是数据丢失，而是找不到当时用的那一版对照表和脚本参数。
关于如何在高通量阶段进一步压缩实验周期，测定小型化与智能调度的实操路径提供了几种可以直接套用的方法，尤其适合样本数量较大、需要多轮迭代的筛选项目。
常见误区与推荐的缓解策略
DNA 富集不等于功能性表达,这一点值得反复强调，因为它是整个筛选流程里最常见的误读来源。前面已经解释过为什么并行 RNA 读出能纠正这个偏差,在候选排序阶段,应该始终把 RNA 层面的转录活性数据放在与 DNA 富集数据同等甚至更高的权重上。
归一化方法不透明是第二个高频问题。 很多筛选结果之所以难以在不同实验室之间复现，不是因为实验本身做得不好，而是因为归一化步骤（输入库校正方式、vg/dg 换算细节、低丰度条形码的处理阈值）没有在方法学部分完整披露。在发表或向内部团队汇报结果之前，把这些细节和批次信息一并公开，能省去后续大量的沟通成本。
缺乏明确的go/no-go标准也是常见的坑。 一些团队在筛选跑完之后才临时决定“排名前几的算候选”，这种做法容易受到单次实验噪声的影响。更稳妥的方式是在实验设计阶段就写清楚：候选衣壳需要在至少两个独立生物学重复中保持一致排名,并且要在第二个物种模型或人源体外系统中复现同样的趋势，才能进入下一阶段。前面提到的Fit4Function 一类机器学习指导的多特征衣壳工程方法，本质上也是在用算法把这种多指标平衡的判断标准化,而不是依赖单一转导效率数字做决策。
RareLabs 在筛选流程中能提供的具体支持
学术实验室完成 AAV 衣壳的初筛和二次筛选之后，往往会卡在一个环节：候选衣壳在动物模型里表现不错，但缺乏在患者来源的人源细胞上做功能性复现的手段。这正是服务清单里几项能力可以补位的地方。
Hopeatrarelabs 提供基于诱导多能干细胞（iPSC）的患者来源疾病模型构建与生物样本库服务，这类模型可以用来验证候选衣壳在真实患者背景细胞中的转导效率和表达水平，而不只是在通用细胞系或健康供体来源的组织中做验证。除此之外，Hopeatrarelabs 还提供已获 FDA 批准药物的高通量并行筛选、定制反义寡核苷酸的设计与体外功能验证，以及面向 IND 申报的数据包整理支持。
对于已经完成衣壳筛选、正在考虑把候选推向临床前阶段的团队,这类服务提供的可交付物通常包括可复现的实验数据包、书面报告,以及适合提交给监管机构的材料整理格式。具体的服务范围和项目安排可以在 Hopeatrarelabs 的项目页面查看。
作者视角：技术趋势与未来研究优先级
机器学习指导的衣壳工程正在改变筛选的优先级排序方式。Fit4Function 这类方法用有限的实验数据训练序列到功能的预测模型,让团队在跑下一轮体内实验之前就能提前排除明显不具潜力的变体，这比单纯扩大文库规模的传统思路效率更高。
但技术进步没有解决免疫学检测标准化这个更基础的问题。不同实验室用不同平台测出的抗体流行率数据几乎无法直接比较，这在短期内仍是整个领域的一块短板,亟需建立共享的检测标准和流行率数据库。
我认为最值得投入资源的方向,是尽早引入非人灵长类或人源组织验证,而不是把这一步留到临床前阶段才补做。等到那时候再发现物种差异导致的失败,付出的时间和资金成本已经很难挽回。
— John
当您需要外包验证或患者来源模型时
前面讨论的条形码化筛选、NGS 读出和物种转化验证，多数学术实验室靠自己的团队和设备就能完成初筛与部分二次验证。但当候选衣壳需要在患者来源的细胞背景中复现功能，或者需要准备一份适合监管审阅的数据包时,自建这些能力往往意味着额外几个月的摸索周期。
Hopeatrarelabs 提供基于患者细胞建立的 iPSC 疾病模型服务，配合已获 FDA 批准药物的并行筛选、定制 ASO 的体外验证，以及面向 IND 申报的数据包整理，能在一个项目周期内提供透明、可核查的科学结论。这对已经完成衣壳筛选、需要在人源背景下复核候选转导效果的团队来说，是比重新搭建整套人源验证体系更快的路径。如果你的项目正处于需要外部验证或患者来源模型支持的阶段，可以直接前往 Hopeatrarelabs 官网提交项目信息,获取具体的方案评估。
精选参考文献与方法学协议
以下几篇文献和协议是本文核心论点的直接支撑，建议按需查阅原文以获取完整的实验细节和统计方法。
关于双层读出方法学的原始验证数据,可参考高通量条形码化衣壳筛选识别新型 AAV 衣壳的研究，以及在同一动物体内并行评估条形码化变体的Nature Communications 2020 研究。可执行的实验操作步骤见JoVE 发布的方法学协议。免疫学部分的核心数据来自反 AAV 抗体流行率综述，生产质控部分参考了AEX-HPLC 在 AAV 质控中的应用研究。功能位点图谱构建方法可参考Barcode-Seq 高分辨率功能图谱研究。
This article is general information, not a substitute for advice from a qualified doctor. Consult a qualified healthcare professional about your own circumstances before acting on anything here.
来源
- Scoping review on anti-AAV antibody seroprevalence
- AEX-HPLC method in AAV quality control
- Drawing a high-resolution functional map of adeno-associated virus capsid by massively parallel sequencing
- Isolation of Next-Generation Gene Therapy Vectors through Engineering, Barcoding, and Screening of AAV capsid variants
常见问题
什么是 AAV 衣壳？
AAV 衣壳是包裹在腺相关病毒基因组外层的蛋白质外壳，由 VP1、VP2、VP3 三种蛋白按特定比例组装而成。衣壳表面的氨基酸序列决定了病毒能识别并进入哪些细胞类型，因此衣壳工程和筛选是基因治疗载体开发的核心环节。
AAV 基因治疗的费用大概是多少？
已上市的 AAV 基因治疗产品定价通常在数十万到超过百万美元之间，具体金额因疾病类型、生产规模和地区而异，且会随监管审批和市场情况变化。这类费用信息以药品说明书和监管备案文件为准，本文不涉及具体产品定价。
有多少人体内存在 AAV 抗体？
一项汇总 50 项研究的综述显示，约 30% 到 60% 的个体体内携带针对常见 AAV 衣壳的预存抗体，具体比例随年龄增长和地区差异明显波动。这类抗体可能阻断基因治疗载体的转导效果，是临床入组时的重要筛查指标。
AAV 基因治疗有哪些局限性？
预存中和抗体会排除相当一部分潜在受试者，衣壳在不同物种间的表现差异也可能导致动物实验结果无法直接外推到人体。此外，空/完整衣壳比、生产批次一致性等工艺问题，也会影响最终产品的有效剂量和安全性。
RareLabs 能在 AAV 衣壳筛选中提供什么支持？
Hopeatrarelabs 提供基于患者 iPSC 的疾病模型构建、高通量药物与 ASO 并行筛选，以及面向 IND 申报的数据包整理服务，可以用来在人源细胞背景中复现候选衣壳的功能表现。具体服务范围和项目流程可在 Hopeatrarelabs 官网查看。