表型筛选是一种不预设分子靶点、直接以细胞或生物体表型变化为读出的筛选策略，适合复杂疾病、first-in-class 药物发现与老药新用等场景。它不需要提前知道药物该打哪个靶点，只看药物是否让细胞表现出想要的变化。命中体确认之后，通常还要走靶点去卷积这一步，才能把表型信号变成可申报的分子机制证据。
简述:
- 表型筛选无需预设分子靶点，能突破传统单一靶点限制，适合复杂疾病和少见突变研究。
- 选择合适的模型系统时，要考虑生物学相关性与通量成本的权衡，从2D细胞到类器官都有各自优势。
- 高质量的表型测定关键在于体系验证、刺激优化和终点指标的临床相关性，以确保结果可靠。
- 图像分析与机器学习结合能提取多维特征，但需依赖丰富的数据库和严格的元数据管理保障结果有效性。
- 命中化合物后，还需通过多浓度毒性验证和靶点去卷积，结合多组学分析形成可靠的作用机制证据。
目录
- 表型筛选测定与靶点筛选：本质区别在哪里
- 选对实验系统：从2D细胞到类器官该怎么权衡
- 设计高质量表型测定：Rule of 3 到底怎么落地
- 从显微图像到机器学习:读出与数据分析怎么做
- 命中体分流与靶点去卷积:从筛选结果到分子机制
- 一套可参考的实验协议:384孔活细胞多模块筛选
- 表型筛选最容易踩的坑,以及怎么绕开
- 作者视角：RareLabs 在个性化表型筛选中的实践与建议
- 表型筛选服务:从建模到候选方案的具体路径
- 来源
- 常见问题
表型筛选测定与靶点筛选：本质区别在哪里
表型筛选测定的核心逻辑很简单：先观察细胞或组织在某种刺激下表现出的可测量变化，再回头找是什么分子在起作用。这跟基于靶点的筛选正好相反,后者先锁定一个蛋白或通路，再去找能调控它的化合物。两条路线没有绝对的优劣，区别在于你更相信哪种假设。
基于靶点的筛选假设你已经知道疾病机制里哪个靶点是关键节点，然后大规模筛选能结合或调控这个靶点的化合物。这条路线效率高、机制清晰，缺点是完全依赖你对靶点的判断是不是正确。很多靶点在细胞培养皿里表现很好，放到真实生物系统里却根本不重要。
表型筛选反过来:不预设机制，只看结果。一篇发表在 PMC 上的综述系统梳理了近年通过表型策略获批或进入临床的多个案例,证明这类策略确实拓宽了可药用靶点的范围,尤其是在传统靶点假设屡屡失败的复杂疾病领域(Phenotypic Drug Discovery: Recent successes, lessons learned and new directions)。这类成功案例的共同点是,疾病机制本身太复杂，靶向单一蛋白根本覆盖不了病理全貌，表型筛选反而给了更接近真实生物学的答案。
对于罕见病和未诊断疾病领域，这个逻辑格外重要。很多超罕见突变根本没有现成的靶点假说可用，甚至连疾病机制都还在摸索。这种情况下，先建立患者来源的细胞模型，再用表型读出去筛选数千种已知药物，往往比等一个靶点假说成熟要快得多。
当然，表型筛选不是没有代价。它最大的短板是命中体确认之后，你还得倒推回去搞清楚化合物到底作用在哪个分子上。这一步的工作量常常比筛选本身还大，这也是为什么很多团队一开始就要规划好后续的靶点去卷积路径，而不是筛完再想办法。
选对实验系统：从2D细胞到类器官该怎么权衡
选实验系统的第一个问题不是"哪个最先进"，而是"哪个系统的表型最接近你要研究的疾病"。层级越高的模型（类器官、动物模型）生物学相关性通常更强，但通量会急剧下降,成本和时间成本也随之上升。
不同体系各有取舍：
- 2D细胞系（永生化细胞株）：通量最高，成本最低，适合大规模一次性筛选数千种化合物，但表型往往与真实组织差异较大，容易漏掉需要三维结构或细胞间互作才能体现的病理特征。
- 原代细胞：比细胞系更接近真实生理状态，但供体差异大、扩增能力有限，很难支撑超高通量筛选。
- iPSC来源细胞：能保留患者本身的遗传背景,这一点在罕见遗传病领域几乎是不可替代的优势，缺点是分化流程耗时，批次间一致性需要严格质控。
- 类器官：三维结构能还原部分组织架构和细胞类型多样性，代价是通量偏低、培养周期长，通常用在命中体验证阶段而非一线筛选。
- 动物模型：整体生理相关性最强，但通量最低、成本最高，一般留给已经筛出的候选化合物做体内验证。
读出方式的选择同样关键。传统的荧光或化学发光读出（比如检测ATP水平判断细胞活力）操作简单、成本低，但信息维度单一，只能回答"细胞是死是活"这类粗粒度问题。高内涵成像能同时捕捉细胞形态、细胞器分布、蛋白定位等多个参数，信息密度高得多，但对图像分析能力的要求也高出一个量级。
Cell Painting 是高内涵成像里比较成熟的一套染色方案，通过多通道荧光染料同时标记细胞核、细胞膜、线粒体、细胞骨架等结构，一次成像就能提取上千个形态学特征。它的优势是能捕捉静态多维形态信息，适合做化合物分类和作用机制预测；局限是它是终点测定，捕捉不到动态过程。如果你的研究关心的是化合物起效的时间窗口，比如早期靶向效应和晚期毒性反应的区别，动态活细胞多模块测定往往更合适。实际项目里，这两种方法常常串联使用，用活细胞动力学数据补上 Cell Painting 缺的时间维度。
选系统时，2D还是3D培养的决策框架可以帮你更快判断项目该往哪个方向走，尤其是在预算和时间都有限的情况下。
设计高质量表型测定：Rule of 3 到底怎么落地
Science Translational Medicine 上提出的「Rule of 3」给了表型测定设计一个很实用的框架:任何一个测定的预测性，取决于三个要素是否都站得住脚——体系（system）、刺激（stimulus）、终点读出（endpoint）（Developing predictive assays: The phenotypic screening "Rule of 3"）。这三个词听起来抽象，但拆成具体检查项之后，其实就是一份可以直接照着做的实验清单。
体系（System）：你选的细胞或模型是否真的表达了疾病相关的特征基因或表型标志？如果一个iPSC分化出来的神经元根本不表达目标突变对应的蛋白，那后面所有筛选结果都没有意义。这一步需要用分子生物学方法（比如qPCR或免疫荧光）先验证模型本身的生物学身份，再谈筛选。
刺激（Stimulus）：给系统施加什么样的干预才能诱发出你想观察的表型？浓度梯度怎么设，时间窗怎么定，这些决策不能拍脑袋，得先做小规模的剂量反应和时间点摸索实验，找到表型信号最稳定、窗口最宽的那个区间。
终点读出（Endpoint）：你测的这个指标，跟疾病的真实病理表现有多接近？一个统计学上很显著但生物学上没有意义的读出，比没有读出更危险,因为它会把你的判断带偏。
把这三要素转成实验室能执行的检查表，大致是这几步：
- 确认体系表达了目标疾病标志物，并用独立方法交叉验证。
- 用小规模预实验确定刺激的最优浓度和时间点，避免直接上大规模筛选浪费样本。
- 设计板式时把阳性对照、阴性对照和质控化合物均匀分布在板的不同区域，防止边缘效应干扰判读。
- 提前算好统计功效，确定每组重复数够不够检测出你关心的效应量。
- 设定清晰的质控放弃标准（比如信噪比低于某个阈值、对照组变异系数超标）,一旦触发就重测，而不是硬着头皮往下分析。
专业提示: 把 Rule of 3 当成实验设计阶段的强制检查表，而不是写论文时的事后解释框架——大多数表型测定失败不是分析方法出了问题，而是体系或刺激这两步在设计之初就没验证到位。
从显微图像到机器学习:读出与数据分析怎么做
高内涵成像拿到的原始数据是像素，不是表型。中间这一步转化,把图像变成可以统计、比较、建模的多维表型指纹，才是真正决定测定价值的地方。
标准流程大致分三步：先做图像预处理（背景校正、去噪、通道对齐），再做细胞分割（把每个细胞从图像里精确抠出来），最后做特征提取（计算每个细胞的形态学、强度、纹理等数百个参数）。这三步任何一步出错，后面的分析都会跑偏,分割不准会直接污染所有下游统计。
Cell Painting 之类的方法把这套流程标准化了,同一套染色方案配合固定的分析管线，能让不同实验室、不同批次的数据具备一定的可比性。但它的局限也很明显：它只是一套采集与提取协议，具体能不能预测化合物机制，还得看你手上有没有足够丰富的参考数据库去做比对。
机器学习在这个环节的价值，是把几百个形态学特征压缩成低维度的表型指纹，再用分类器去预测化合物的作用机制。一篇聚焦图像画像与机器学习应用的综述指出，这种方法确实在推动MoA预测和化合物分类，但效果严重依赖参考库的质量和特征工程是否到位（perspective on image‑based profiling and ML applications）。换句话说，模型再先进，如果训练数据里没有覆盖到你要预测的那类机制，输出的结果照样不可靠。
LINCS 这类公开细胞画像数据库为表型指纹比对提供了重要参照，但它们的覆盖面仍有明显空白,遇到全新的、数据库里从没见过的作用机制，比对结果基本帮不上忙(Phenotypic Drug Discovery: Recent successes, lessons learned and new directions)。这也是为什么表型筛选团队通常不会把机器学习分类结果当作最终结论，而是当作缩小候选范围的第一轮筛子。
实操中还有几个容易被忽视的细节：
- 训练机器学习分类器前，先用少量参考井做预分析，获得干净的训练样本，再把同一套图像处理参数应用到整块板子上，防止批次效应污染结果。
- 元数据记录（细胞批次、培养条件、成像参数、协议版本）必须同步保存,缺了这些信息，几个月后想复现或排查异常都无从下手。
- 存储和算力需求经常被低估。一块384孔板、四个时间点的高内涵成像，原始数据量动辄几百GB,团队如果没有配套的生物信息学支持，光是数据搬运和管理就会拖慢整个项目。
方法学综述也强调，元数据管理和实验可重复性是表型数据能不能被后续团队信任的关键前提，缺乏规范记录的数据集，价值会大打折扣（Perspectives on phenotypic screening）。
命中体分流与靶点去卷积:从筛选结果到分子机制
筛出几百个"阳性"命中体只是开始，真正的工作量在后面。命中体分流的第一轮任务,是把真正的活性化合物从毒性假阳性、荧光干扰、非特异性效应里挑出来。
第一轮通常做两件事:细胞健康/毒性筛查，以及多浓度剂量反应分析。如果一个化合物只在细胞开始死亡的浓度才表现出"活性"，那这个信号基本没有意义。高内涵活细胞多模块测定在这一步特别有用，因为它能在同一次实验里同时读出细胞健康、线粒体状态、细胞骨架形态等多个维度,一次判读就能把通用毒性和特异性表型区分开（High-content live-cell multiplex screen for chemogenomic compound annotation）。这种动力学优势也体现在时间维度上:活细胞测定能追踪效应随时间的演变，帮助区分早期靶向反应和晚期继发性毒性,这是终点测定天生做不到的。
第二轮是正交验证:换一个读出方式、换一个细胞模型，重新验证命中体是否依然有效。如果某个化合物只在特定读出、特定细胞系里才"起效"，那很可能是这套测定系统本身的伪影,而不是真实的生物学信号。
确认命中体真实有效之后，才轮到靶点去卷积。常用的方法组合包括：
- 化学蛋白质组学：用化合物做亲和柱把结合的蛋白钓出来，直接找靶点。
- CETSA（细胞热转移分析）：靶点结合后热稳定性会改变，据此反推结合对象。
- CRISPR基因组筛选：系统性敲除基因，看哪个基因缺失会影响化合物效应。
- 多组学整合：转录组、蛋白组数据联合分析，拼出化合物作用的完整通路图。
这几种方法单独用都有局限，通常需要组合起来才能建立起足够扎实的证据链。一篇聚焦筛选设计与测定技术的综述特别提到，靶点去卷积对团队的生物信息学整合能力要求很高，很多机构在这一步的瓶颈不是实验技术，而是缺乏能把多组学数据拼接起来分析的人手（Perspectives on phenotypic screening）。使用注释良好的化学基因组库能在一定程度上缓解这个问题，因为库里的化合物本身已经带有已知靶点信息，命中体和靶点的关联更容易追溯（Modular live-cell high-content cellular viability assay）。想了解如何把命中体转化为具体候选方案，表型筛选命中体转化为候选的实操路径提供了更细的分解。
一套可参考的实验协议:384孔活细胞多模块筛选
如果你需要一个具体的起点，而不是抽象的框架，一篇发表在PMC上的公开协议给出了相当完整的操作细节，值得直接借鉴。
- 化合物浓度与板式：135个测试化合物在384孔板上以两个浓度（1 μM 和 10 μM）测试，覆盖足够的剂量跨度来观察浓度依赖性效应。
- 对照设置：每块板均匀分布阳性对照、阴性对照与质控化合物，避免边缘孔的环境差异（蒸发、温度不均）干扰判读。
- 时间点与频率：实验在多个时间点内采集图像，以兼顾早期效应和晚期毒性的动态变化。
- 成像与染色：用
Hoechst染色标记细胞核形态，配合其他活细胞染料同时读出线粒体质量、微管形态等多个参数,借助CQ1显微镜完成采集，CellPathfinder软件完成图像分析（High-content live-cell multiplex screen for chemogenomic compound annotation）。 - 机器学习预分析：先挑选少量参考井（已知阳性和阴性对照孔）跑一轮预分析，用这些样本训练分类功能，再把统一的图像处理参数应用到整块板子，防止批次差异污染判读。
- 数据与协议存档：分析协议在
Zenodo上公开共享，方便其他团队直接复用同一套参数,这也是保证跨实验室结果可比性的关键一步。
这套协议的价值不在于它多么复杂，恰恰相反，它的每一步都可以直接照搬或按需调整。核形态学配合活细胞染料的组合尤其值得借鉴,一次实验同时拿到细胞健康和特异性表型信息，比分成两次独立测定要省时间也省样本。想了解高内涵成像具体如何应用在罕见病个案上，可以参考高内涵成像验证罕见病假说的实践路线。
表型筛选最容易踩的坑,以及怎么绕开
表型筛选最大的风险不是筛不出命中体，而是筛出一堆看起来很漂亮、实际没用的假阳性。
非特异性毒性伪装成"活性" 是最常见的陷阱。很多化合物在高浓度下会让细胞进入应激状态,表型上看起来发生了变化，但这种变化跟你要研究的疾病机制毫无关系。解决办法是前面提到的多浓度剂量反应分析，加上同步读出的细胞健康指标,一旦发现活性只在接近毒性浓度才出现，基本可以判定为伪影。
模型表型和临床表型对不上，是转化失败的另一大来源。细胞培养皿里的表型变化再漂亮，如果这个表型跟患者真实的病理表现关联不上，药物到了临床阶段照样会失败。这也是为什么 Rule of 3 里的「体系」环节要反复强调,选模型之前一定要先验证它是否真的携带疾病相关标志，而不是图方便选个手头现成的细胞系。
数据整合与计算能力的短板，往往是组织层面的问题，而不是技术问题。高内涵成像产出的数据量和维度都远超传统读出，如果团队没有配套的生物信息学支持，很容易出现数据攒了一堆却分析不出结论的局面。提前规划好存储架构、元数据规范和分析人力，比事后补救要划算得多。
作者视角：RareLabs 在个性化表型筛选中的实践与建议
我们在 RareLabs 做的事情，本质上是把这篇文章里讲的方法学，直接套用到单个患者的疾病模型上。用患者自己的细胞建立 iPSC 模型，再平行测试数千种已获批药物、定制ASO和基因疗法选项，走的就是表型优先的路子,因为很多超罕见突变根本等不起一个成熟的靶点假说。
公开协议和标准化的高内涵成像流程给了我们一个可信的起点，但真正决定项目成败的是把这些方法快速套到单一患者样本上的能力,时间窗口比常规药物发现项目要紧得多。如果你是研究者、医生或者正在为家人寻找答案的家庭，想了解具体怎么把样本和临床信息对接到筛选流程里，可以直接联系 RareLabs 的团队。
— John
表型筛选服务:从建模到候选方案的具体路径
前面讲的这些方法学，落到具体项目里最缺的往往不是知识，而是能同时跑得动 iPSC 建模、大规模药物库筛选和数据分析的团队。RareLabs 把这几块整合成了一条服务线：从患者来源的 iPSC 疾病模型构建与生物样本库开始，平行开展约3,000种已获FDA批准药物的高通量筛选，同时提供定制ASO的设计、合成与体外挽救验证。
对于已经有明确候选方向的项目，RareLabs 还提供 IND申报数据包整理等支持服务，帮助判断哪些分子机制值得优先推进。整个合作从建立疾病模型到产出可操作的科学方案，大致需要数月时间，具体周期取决于项目复杂度和已有数据基础。如果你正在为一个缺乏现有疗法的罕见病患者寻找科学依据，可以直接访问 RareLabs 官网了解 Amenability Study 与 Discovery Roadmap 服务的具体对接方式。
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
- Phenotypic Drug Discovery: Recent successes, lessons learned and new directions
- Developing predictive assays: The phenotypic screening “Rule of 3”
- Perspective / review on image‑based profiling and ML applications (DOI source)
常见问题
什么是高通量筛选测定？
高通量筛选（HTS）测定是指用自动化设备在短时间内测试大量化合物（通常上千到数百万种）对某个生物学终点的影响，常搭配96孔或384孔板进行。
能举一个细胞测定的具体例子吗？
一个典型例子是384孔板上的活细胞多模块测定：用 Hoechst 染色标记细胞核，结合其他活细胞染料在48小时内的四个时间点观察细胞健康、线粒体状态与细胞骨架形态的变化。
表型筛选和靶点筛选在药物发现中有什么区别？
靶点筛选先锁定一个已知蛋白或通路再找化合物；表型筛选不预设机制，直接观察细胞或生物体的表型变化，更适合复杂疾病和缺乏明确靶点假说的场景。
测定分为哪几种类型？
常见类型包括基于2D细胞系的生化/细胞测定、原代细胞测定、iPSC来源细胞测定、类器官测定和动物体内测定，读出方式涵盖荧光/发光、高内涵成像和代谢类指标。
RareLabs 提供哪些和表型筛选相关的服务？
RareLabs 提供患者来源的 iPSC 疾病模型构建、约3,000种已获批药物的高通量筛选、定制ASO设计与体外验证，以及配套的 IND申报数据整理服务，具体价格可通过 RareLabs 官网咨询获取。