三步把表型筛选的命中体转化为候选：诱导多能干细胞 (iPSC) 与罕见病的可执行路线

表型筛选是一种不预先指定分子靶点、直接观察细胞或生物体系表型变化来识别活性化合物的药物发现策略。它适合用在机制不明、疾病模型复杂或需要药物重定位的场景，尤其是罕见病和多基因疾病，因为这些领域往往连"该打哪个靶点"这个问题都还没有答案。下文会讲清楚它和靶向筛选的区别、如何设计一个真正能转化到临床的测定，以及命中体如何一步步走到候选药物。

简述:

表型筛选适合复杂、多基因疾病和药物重定位，能提高首创药物的比率，尤其在靶点未明的疾病中表现突出。

除非疾病已有明确靶点，否则采用表型筛选更有机会发现有效药物，特别是在罕见病和未确诊病例中。

选择模型时，应结合研究阶段和资源，优先用2D细胞和iPSC进行高速初筛，逐步过渡到3D模型和体内验证。

可靠的测定设计应遵循“Rule of 3”原则，确保体系、刺激和终点评估具备临床转化的预测性。

高内涵成像、转录组和多组学结合机器学习能有效提取机制线索，但需要稳定的实验流程和清晰的去卷积策略以避免资源浪费。

什么是表型筛选：与靶向筛选的核心区别

表型筛选（Phenotypic Drug Discovery，简称 PDD）和靶向筛选（Target‑based Drug Discovery，简称 TDD）的分歧点在于起点。TDD 先锁定一个分子靶点，再围绕它设计生化或结合测定，逐一筛选化合物对靶点的作用。PDD 反过来：先设定一个能代表疾病的细胞或生物体系，观察化合物如何改变某个可测量的表型，至于这个化合物到底打在哪个蛋白上，留到后面再查。NCBI 的定义说得很直接，表型筛选的判断标准是"体系有没有变化"，不是"靶点有没有被结合"。

这个差异带来的结果并不只是流程上的不同，而是实实在在的产出差异。2013 年一项针对首创小分子药物（first-in-class）来源的分析发现，采用表型发现策略找到的首创药，比例上高于纯靶点导向方法找到的首创药。这个数字之所以重要，是因为它挑战了一个业内长期的假设：以为把靶点研究得越透彻，成药概率就越高。事实是，很多真正有效的药物机制,人类在筛选阶段根本没有想到。

两种范式各有代价。TDD 的优势是逻辑清晰，靶点确认后容易做结构优化和专利布局；缺点是如果靶点选错了，后面所有工作都是徒劳。PDD 的优势是不会被错误的靶点假设卡死，缺点是命中之后要花大量资源去反查机制，这一步就是业内常说的"靶点去卷积"，也是 PDD 项目最容易超支超时的环节。

项目决策上该怎么选？

如果疾病机制已经被充分验证、有明确的可成药靶点，TDD 效率更高；
如果疾病模型复杂、多基因参与、或者你要做的是药物重定位，PDD 往往能更快给出可用的候选;
罕见病和未确诊疾病常常缺乏被验证的靶点假设，这正是 PDD 天然适配的场景;
很多成熟的研发管线选择混合策略：用 PDD 做初筛发现活性物，再用 TDD 的方法论去做后续优化。

该用哪种细胞或动物模型？2D、3D、iPSC 与体内验证的取舍

选模型不是越复杂越好，而是要匹配你的研究阶段和资源。以下几种体系各有明确的适用边界。

2D 细胞培养：通量最高、成本最低，适合大规模初筛几千甚至上万个化合物。缺点是细胞被拉平铺在塑料表面生长，微环境和组织结构信息基本丢失，容易出现假阳性或假阴性。
3D 类器官与球体模型：更接近组织的真实结构和细胞间通讯，转化性明显优于 2D，但通量会掉一个量级，成本也更高。如何在这两者之间取舍，可以参考2D 与 3D 培养的四步决策流程，先明确研究阶段再定体系。
iPSC 来源细胞：对罕见病和遗传病研究价值极高，因为可以直接用患者自己的细胞建模，保留患者特有的基因背景。局限在于批次间差异（donor variability）和分化效率不稳定，需要额外的质控投入，具体流程可参考iPSC 患者细胞模型的实操指南。
原代细胞：生物学相关性强，但供应有限、传代次数少，很难支撑大规模筛选，通常用作二级验证而不是初筛主力。
体内模型：斑马鱼、小鼠等模式生物很少用来对上千个化合物做初筛，成本和伦理审批的门槛太高。它们更适合放在流程后段，做重定位验证或安全性评估，一篇2022 年的综述明确把体内模型定位为二级验证工具而非一级筛选手段。

现实建议是：先用 2D 或高通量的 iPSC 分化细胞把化合物库筛一遍，把命中体缩小到适量规模，再上 3D 或体内模型做精筛。细胞系的选择本身也会直接影响后续能不能转化到临床决策，这一点在细胞系建立对患者意义的讨论里有更细的展开。donor 差异是 iPSC 项目里最容易被低估的成本项，预算阶段就该留出重复验证的空间，而不是等数据出来才发现批次跑不动。

设计可转化的表型测定：Rule of 3 怎么落地

一个测定设计得再精巧，如果结果无法转化到临床相关的问题上，那就只是一个漂亮的实验室游戏。业内用来评估测定可预测性的框架叫"Rule of 3"，指的是**体系（system）、刺激（perturbation）、终点（readout）**这三个要素，出自《Science Translational Medicine》上的一篇方法学论文。

体系：你选的细胞或组织模型能不能代表疾病的真实生物学？用健康供体的细胞系去筛遗传病药物,先天就有偏差,除非你能证明该基因表达模式和疾病状态足够接近。

刺激：你怎么"激发"这个体系，让它表现出可观察的疾病相关表型？比如加入炎症因子、缺氧刺激,或者对罕见病模型引入特定的遗传背景。刺激条件选错了,测定测的可能根本不是你想研究的通路。

终点：你测的这个指标,到底和临床结局有多近？形态学变化（比如细胞收缩、聚集）容易测,但和病人的实际症状之间可能隔着几层机制;而直接测生物标志物水平往往更贴近临床,但技术难度和成本更高。

把这三点变成实验室能执行的验收标准,大致是这样：

测定的信号窗要足够大，业内常用 Z' 因子作为分板质量指标，通常要求足够大才算稳定可用；
阳性对照和阴性对照必须在每一批次里都跑，且信号差异要有统计学意义上的稳定重复性；
终点选择要能被至少一种独立方法交叉验证，比如形态学读出配合一个生物标志物层面的验证；
测定条件（细胞密度、孵育时间、试剂批次）要写成标准操作流程，避免不同操作者跑出不一致结果。

一份 2020 年发表的综述提出的观点很值得记住：可重复性和转化性比测定本身的复杂程度更重要——一个简单但稳定的测定，往往比一个复杂但不稳定的测定更有价值，这个原则也呼应了 Rule of 3 提出者的核心主张，即测定的可预测性才是设计的终极标准，不是读出数据的丰富程度。

专业提示: 在正式开筛前,先用已知的阳性药物和阴性对照跑三到五个批次,专门检验测定本身的稳定性,而不是急着上化合物库。这一步能省下后期返工的大量时间。

高维读出：高内涵成像、cell painting 与多组学怎么配合

现代表型筛选早就不满足于"细胞活没活着"这种单一指标了。高内涵成像技术能同时抓取一个细胞的形态、大小、亚细胞结构等大量参数，其中最具代表性的方法是 cell painting：用一组荧光染料同时标记细胞核、细胞骨架、线粒体等多个结构,再通过图像分析提取数百到上千个特征值。这些特征值组合起来会形成一个"形态学指纹"，可以拿去和已知机制药物的指纹库做比对，从而推断未知化合物可能作用的通路。

Cell painting 的价值在于它是无偏的：不需要提前假设某个通路，就能捕捉到细胞层面的整体变化；
DRUG‑Seq 等转录组读出方法可以在同一批实验里同时检测大量化合物对基因表达的影响，成本比传统单样本 RNA‑seq 低很多，适合早期机制线索的快速摸底；
转录组数据的局限在于分辨率受限于测序深度和样本量，早期机制推断只能算"线索"，不能当作确认结论；
把高内涵成像和转录组学结合起来使用，能在早期 triage 阶段就提供比较有力的机制信号，从而减少真正需要送去做昂贵靶点去卷积的命中体数量，这一点在PDD 综述里有具体讨论；
机器学习在这一步主要用来做特征提取和聚类，能把成千上万个高维图像特征压缩成可解释的分组，但模型的可靠性高度依赖训练数据的质量,如果输入的形态学指纹库本身样本量不足,聚类结果很容易出现过拟合。

多组学数据在解析患者特异性表型时价值更明显，尤其是罕见病领域，基因型和表型之间的关系往往不是简单的一一对应，具体的整合方法可以参考罕见病表型与基因型关系的多组学整合指南。一篇 2026 年发表在《npj Systems Biology and Applications》上的文章总结了这个趋势：iPSC、cell painting 与多组学结合机器学习，正在系统性提升 PDD 项目的生物相关性和机制洞察力。

从初筛到候选：筛选流程与靶点去卷积怎么走

表型筛选真正的挑战不是初筛本身，初筛只是一个相对标准化的工程问题。难的是初筛之后怎么把几百个命中体收窄到几个真正值得推进的候选,这个过程通常分三步走。

初筛（primary screen）：对整个化合物库跑一遍测定，目标是把假阴性率控制在可接受范围内,宁可多留一些命中体,也不要在这一步就用过严的阈值把潜在有效物筛掉。
命中验证（hit confirmation）：对初筛命中的化合物做剂量反应曲线复筛，同时排除掉那些只是因为荧光干扰或细胞毒性造成假信号的化合物。这一步的判断标准通常是要求命中体在独立重复实验里依然呈现一致的剂量依赖效应。
靶点去卷积（target deconvolution）：确认命中体到底作用在哪个靶点或通路上。常见方法包括化学蛋白质组学（用化合物做亲和纯化钓出结合蛋白）、基因型相关性匹配（把命中体的表型指纹和已知机制药物库对比）,以及用 CRISPR 筛选去验证某个基因的敲除或过表达是否复现同样的表型。

靶点去卷积是整个流程里投入产出比最难把握的一步。化学蛋白质组学信息量大但成本高、耗时长；基因型相关性匹配速度快但依赖已有的参考数据库是否覆盖到相关机制；CRISPR 比对能给出较强的因果证据，但需要针对每个候选靶点单独设计实验，不适合同时验证太多假设。行业综述明确指出，PDD 项目真正的瓶颈往往不在初筛，而在这个资源密集的去卷积环节，如果项目一开始没有规划好去卷积路线，很容易在这一步卡死预算。

triage 阶段最容易犯的两个错误，一是过早施加统一的细胞毒性过滤阈值。有些化合物在不同浓度下会表现出截然不同的表型，如果初筛阶段就用一刀切的毒性阈值把它们筛掉，可能会永久丢失掉真正有效的化合物。二是没有设定清晰的筛选里程碑，导致命中集不断膨胀却没有决策节点去砍掉那些机制不明、复现性差的候选。SLAS 关于表型筛选的行业观点特别强调，成功的 PDD 项目需要有明确的决策矩阵，在没有去卷积策略之前，不要盲目扩大命中集的规模。

专业提示: 在立项阶段就画出去卷积的决策树,明确"如果化学蛋白质组学找不到明确靶点,下一步用哪种方法"，而不是等命中体验证完了才现场讨论方案。

表型筛选的代表性成功案例说明了什么

表型筛选不是一个纸面上的理论优势，历史上有几个案例已经反复被引用，因为它们的成功路径清楚地展示了这套方法论的价值所在。

丙型肝炎（HCV）的药物开发是常被提及的案例之一。早期很多抗 HCV 化合物是通过细胞层面的病毒复制抑制测定筛出来的，而不是先锁定某个病毒蛋白靶点后再逐一设计抑制剂。脊髓性肌萎缩症（SMA）和囊性纤维化（CF）的治疗药物开发中，也出现过通过表型层面的功能读出（比如剪接修正效果、氯离子通道功能恢复）先找到活性物，再回头解析具体作用机制的路径。

首创小分子药物中，采用表型筛选策略发现的比例高于纯靶点导向方法，这个统计结果来自对大量已上市首创药物开发路径的回溯分析。

从这些案例里能提炼出几条共性：

这些成功案例的测定终点都直接和疾病的功能性缺陷绑定，而不是一个抽象的分子层面指标；
项目团队在命中确认后投入了足够的资源做机制解析，没有因为已经"筛到了活性物"就跳过去卷积;
这些疾病领域本身具备表型筛选的天然优势：病毒感染类疾病有清晰的细胞层面表型（病毒复制被抑制），遗传性疾病往往有明确的功能性读出（某个蛋白功能恢复），这两类疾病比复杂的多因素慢性病更容易设计出高质量的表型测定。

肿瘤领域里，某些依赖特定细胞死亡表型（比如某类合成致死机制）的药物开发也走的是类似路径。但要说清楚的是，这些都是个案的成功路径，不代表表型筛选在所有疾病领域都同等适用。机制极其复杂、缺乏清晰细胞层面表型的疾病，PDD 的命中率和转化效率会明显下降。

落地实施时最容易踩的坑

即便测定设计得再严谨，PDD 项目在真正跑起来之后仍然会遇到一堆现实问题，这些问题往往不是技术能不能做到，而是资源和判断力上的取舍。

伪信号和模型变异性：同一批细胞在不同传代次数、不同培养条件下可能表现出不同的基线表型，如果没有严格的批次对照，很容易把批次差异误判成化合物效应。iPSC 来源细胞模型在提高疾病相关性方面很强，但 donor 差异和分化批次一致性会带来额外的质控成本，这一点在项目立项阶段就要明确写进预算，而不是等实验跑到一半才发现数据没法比较。
预算与时间表：初筛阶段的失败成本相对低，放大规模前的成本敏感点在命中验证和去卷积之间。一个务实的做法是设定"止损点"：如果命中体在两轮独立复筛里都无法复现一致的剂量反应，就应该放弃，而不是投入更多资源去"抢救"数据。
链式可转化性的里程碑设置：从初筛到候选药物，每一步都应该有明确的、可量化的通过标准，而不是靠团队主观判断"这个结果看起来不错"。比如命中验证阶段要求剂量反应曲线的半数有效浓度在可接受范围内且跨批次误差不超过设定阈值，去卷积阶段要求至少两种独立方法指向同一机制假设。
过早的毒性过滤：前文提到过，统一阈值的细胞毒性过滤是初筛阶段最容易造成假阴性丢失的操作，值得在设计阶段就单独列出来作为质控检查点，而不是当作默认设置。

这些问题没有一个是无法解决的，但都需要在项目开始前就写进流程文档，而不是留到出问题时再补救。

RareLabs 在个性化表型筛选中的能力

某些实验室或团队可为罕见和未确诊遗传病患者构建患者自身细胞来源的疾病模型，采用诱导多能干细胞（iPSC）技术将患者的体细胞重编程为可扩增的细胞来源，再结合 CRISPR 基因编辑技术在需要时引入或修正特定的遗传变异，以尽可能贴近患者真实的疾病生物学。

在这套模型上，可平行开展多条筛选路径：对数千种已获批准的现有药物进行重定位筛选，同时评估定制反义寡核苷酸（ASO）方案，并在合适的情况下评估基因治疗选项的可行性。这种并行策略的好处是不用把所有希望压在单一机制假设上，尤其适合那些基础病理机制尚未完全解析的罕见病个案。

整个流程从建立患者细胞模型到出具治疗方案报告，通常会经历建模、平行测试、结果解读几个阶段，每一步的进展应以透明的方式向患者、家属或合作的医生科学家同步。这种做法呼应了本文反复强调的一点：表型筛选真正的价值不在筛出多少化合物，而在于能否把命中体转化成有科学依据、可执行的治疗方案。

未来两三年，PDD 会往哪个方向走

我认为接下来两三年，PDD 领域最大的变化不会是某个新测定技术的突破，而是数据整合能力的突破。高内涵成像加上转录组学、蛋白质组学的多组学组合已经足够成熟，真正的瓶颈是团队有没有能力把这些高维数据变成可执行的机制假设——这需要计算生物学人才和湿实验室科学家坐在同一张桌子上，而不是数据甩过去等报告。

对小团队和学术实验室来说，我的建议是别急着追求"全套多组学"，先把一两种读出方式做到足够稳定和可重复，再逐步叠加。资源有限的情况下，提前规划去卷积路线比多买一台高内涵成像设备重要得多——设备解决不了"筛到之后怎么办"的问题。

— John

如何联系 RareLabs 开展个性化表型筛选项目

如果你正在为一名罕见病或未确诊疾病患者寻找可能的治疗方向，或者你是医生、基金会、生物医药公司，手上有一个缺乏已验证靶点或标准疗法的病例，Hopeatrarelabs 的模式可能比传统单靶点研发路径更快给出可执行的答案。

Hopeatrarelabs

一些专业机构提供的核心服务可能包括基于患者细胞构建 iPSC 疾病模型、必要时用 CRISPR 引入特定遗传背景、对多种已获批药物进行重定位筛选，以及评估定制 ASO 和基因治疗方案的可行性。适合提交的项目一般具有以下特点：患者已有明确的基因诊断或高度怀疑的遗传病因，但现有疗法选项有限或缺失；家庭、医生或合作机构愿意提供患者的临床病史和已有的基因检测报告作为建模起点。从表型筛选的角度看，越明确的遗传背景信息，越有助于团队做好体系设计（Rule of 3 中的第一环），从而缩短从建模到出具治疗方案的周期。

如果你手上正好有这样的个案，或者你所在的机构在评估是否要为某个罕见病群体启动个性化筛选项目，可以直接访问 Hopeatrarelabs 的官网了解具体的项目提交流程和所需材料。对于已经有靶点假设但缺乏验证路径的团队，也可以参考罕见病靶点发现的合作流程，看看去卷积阶段能如何嵌入现有研发管线。

关键文献与数据资源

本文引用和参考的核心资源如下，供进一步查阅。

方法学基础：NCBI Bookshelf 关于表型筛选的定义章节提供了 PDD 与 TDD 区分的基础框架；Science Translational Medicine 上提出 Rule of 3 的论文是设计可转化测定时最常被引用的方法学依据。

统计与案例证据：2013 年针对首创小分子药物发现路径的回溯分析给出了 PDD 在首创药贡献上的统计证据；2020 年 PDD 综述和2022 年后续综述总结了近年的成功案例与经验教训。

技术趋势：2026 年发表的计算表型药物发现综述详细讨论了 iPSC、cell painting 与机器学习结合的最新方向；SLAS 关于表型筛选的行业观点则聚焦于项目层面的决策矩阵与资源分配策略。