筛选通量优化：从测定小型化到智能调度的实操路径

优先在保证 Z' 因子与信号窗口的前提下推进测定小型化，同时升级低体积精密液体处理，再用智能调度算法提升设备利用率。这三件事的先后顺序很重要：先定验证清单，再选分液技术，最后用短周期试点验证调度方案，全量推行前一定要留出重新验证的余地。本文覆盖从 96 孔到 1536 孔的迁移路径、纳升级液体处理的实务陷阱，以及排程算法在真实平台上的落地方式。

简述:

小型化策略的成功依赖于液体处理的高精度和验证，误差放大会导致重工成本上升。

自动调度优化能显著提升设备利用率，合理的调度模型和现场验证是关键环节。

增加通量时，数据质量监控如 Z' 因子和信噪比必须严格把控，避免牺牲数据可信度。

设备兼容性和软件接口必须提前评估，避免未来升级和扩展的高额成本。

超高通量筛选适合大规模化合物库优先筛查，稀缺样本则偏向高通量、低体积、小型化和准确控制。

Hopeatrarelabs

加速罕见病治疗筛选

RareLabs利用患者自身细胞建立疾病模型，并并行测试药物、ASO及基因治疗方案，探索潜在治疗方向。

了解 RareLabs

筛选通量优化的总体杠杆与优先级框架

多数实验室把通量优化简单理解成"买更快的机器人"，这个思路往往是错的。真正决定产能上限的是四类杠杆，它们的成本曲线和见效速度差异很大。

测定小型化：把反应体积从 384 孔缩小到 1536 孔甚至更小，直接影响试剂消耗和板间处理时间，但需要重新验证检测化学。液体处理精度：低体积分液的准确性决定了小型化能不能落地，精度不足会让小型化的省钱变成返工的赔钱。自动化调度：同样的机器人组合，调度策略不同，设备利用率可能相差数倍。数据与QC体系：通量提高后，人工复核跟不上速度，异常检测必须自动化。

这四类杠杆不是并列关系，而是有依赖顺序：液体处理精度是小型化的前提条件，调度优化是在前两者稳定后才能发挥最大效果的乘数。建议用一个简单的评分表来判断本实验室该先动哪一块：

当前板密度低于 384 孔 → 优先做小型化评估，收益最直接。
分液 CV 值经常超过 15% → 优先升级液体处理设备，否则任何小型化都会放大误差。
设备空闲时间超过运行时间的 30% → 优先做调度诊断，硬件可能已经够用。
数据积压、复核周期长于筛选周期 → 优先补数据管道，否则通量提升会被分析瓶颈吃掉。

把这四项分别打分（1到5分，分数越高越紧迫），总分最高的那一项，就是本季度该动的改造。这个框架的价值在于避免"哪里都想改一点"的常见错误，资源分散往往比什么都不改更浪费。

测定小型化怎么做：实施步骤、收益与常见陷阱

从 384 孔迁移到 1536 孔，密度提高四倍，这意味着每孔试剂体积和总运行成本都会大幅下降，这是小型化策略中最直观的收益。但这笔账不能只算体积，要算清楚整体节省是不是被返工成本吃掉了。

体积缩小到微升甚至纳升级别时，物理规律开始起作用，而这些规律在 384 孔时几乎可以忽略。表面张力让液滴在孔壁附近的行为变得不可预测；蒸发速率相对体积占比急剧上升，边缘孔位可能在孵育期内损失可观比例的液体；扩散和混合时间在小体积下反而可能变慢，因为搅拌手段（如振荡）在微孔里效率下降。这些问题不会自动随着"缩小体积"消失，必须在工程层面逐一应对：加封膜或油层减少蒸发、优化板型减少边缘效应、选择带主动混合功能的分液头。

迁移到更高密度之前，建议走完这份最小验证清单：

确认检测化学在新体积下依然线性：荧光或化学发光信号强度不是简单按比例缩小，要重新做标准曲线。
测 Z' 因子：这是业界公认的可靠性门槛，Z' 因子低于 0.5通常意味着测定还不够稳健，不该急着放大规模。
专门测边缘效应：跑一整板阳性对照或已知活性化合物，看边缘孔和中心孔的信号是否有系统性偏差。
做板间均一性测试：连续跑三到五板同一批次样品，检查批次间变异是否在可接受范围。
验证封板策略：不同封膜材质对蒸发和气体交换的影响差异很大，需要针对具体检测类型逐一试验。

专业提示: 不要把小型化验证和检测灵敏度验证分开跑。很多团队先验证信号窗口，等确认体积可行了才测灵敏度，结果发现灵敏度不够又要重新选检测方案，等于把验证流程走了两遍。把这两项放在同一轮试点里同步测，能省下至少一到两周的迭代时间。

专家的共识是：小型化不是单纯缩小体积的操作，必须在设计阶段就把信号窗口、表面效应和蒸发速率一起纳入考量，否则会导致假阳性和假阴性比例上升，最终增加的重测成本可能超过省下的试剂费用。

低体积高精度的液体处理与检测适配

分液技术的选择直接决定小型化能不能成功落地。声学分液（如非接触式的 ADE 技术）适合无菌、无接触要求高的场景，误差主要来自液滴表面张力和板材疏水性不均。正位移移液适合需要处理高粘度试剂或悬浮液的场景，但机械部件的磨损会带来长期精度漂移。Pin-tool 转移适合从主板到子板的快速复制，误差主要来自针头残留和交叉污染。微流控平台适合需要极高并行度的纳升级实验，微流控圆盘可以在约 150 纳升的体积下实现可重复的并行滴定，代价是系统调试和维护的技术门槛更高。

纳升级分液出问题时，按这个顺序排查通常最快：

先查死体积：管路或喷嘴里残留的液体在超低体积分液时占比会明显偏高，检查耗材规格是否匹配目标体积。
再查吸附：塑料表面对某些化合物有非特异性吸附，体积越小，吸附损失占比越大。
然后查蒸发：从分液到加盖的时间窗口，在纳升尺度下几秒钟的延迟就可能造成浓度显著偏移。
最后查校准曲线：常规移液器和部分商用机器人在低体积区间存在系统性偏差，需要用声学分液或激光驱动阀，并频繁重做低体积校正曲线来修正。

微流控综述指出，微尺度反应能显著缩短扩散限制反应的平衡时间，让动力学检测更快完成，但检测光程会随之变短，直接影响吸光和荧光信号强度，这个权衡在细胞基高通量筛选的微流控综述里有详细讨论。补偿手段包括切换到发光检测（本身对光程不敏感）、增加信号放大步骤，或者用更长积分时间换取信噪比。QA 方面，建议每周至少跑一次低、中、高三个浓度点的校准曲线，长期数据可比性靠的就是这种频率的自我校验，而不是设备出厂时的一次性标定。

自动化流程与调度优化：从模型到短周期验证

同一套机器人手臂和读板机，调度策略不同，产能可能相差数倍。这不是夸张，HTS 平台的瓶颈往往出在调度策略而不是硬件速度，很多实验室花大价钱换更快的机械臂，结果利用率没提高多少，因为瓶颈根本不在臂速上。

调度优化领域有几类经典算法可以借用。PERT/CPM（关键路径法）来自项目管理领域，用来找出流程里真正限制总时长的那条链路。PIM（禁止区间法）用来剔除会导致设备冲突的不可行调度方案。Petri 网建模适合描述多工位之间的资源竞争和同步关系。这些方法听起来抽象，但实际操作可以拆成四步：

绘制工位模型：把每个工位（分液、孵育、读板、洗板）的处理时间和容量列成表，标出哪些工位是单点资源（比如只有一台读板机）。
识别瓶颈：通常是处理时间最长或者被多个流程共享的那个工位，用关键路径法能快速定位。
生成候选调度方案：包括单周期（1-cyclic）和双周期（2-cyclic）方案，前者每轮处理一批板，后者允许两批交错进行以填补空闲时间。
短周期现场验证：不要直接上全量，先用小批量（比如十到二十个板的循环）跑通候选方案，观察实际表现和理论预测的差距。

一项研究提出结合参数化 PERT/CPM 与禁止区间子算法的调度方法，理论上能在强多项式时间内找到鲁棒最优调度，这意味着即便工位数量增加，计算调度方案的时间也不会失控增长，这对多工位复杂系统尤其重要。

动态剔除不可行轨迹是提高鲁棒性的关键一步：当某个板因为化学反应异常需要延长孵育时间，系统要能实时判断哪些后续调度分支已经不可行，并自动切换到备选路径，而不是让整条流水线因为一个异常样品全部停滞。

衡量调度改造效果，建议盯这几个指标：循环时间（完成一批标准工作量所需总时长）、设备利用率（工位实际运行时间占总可用时间的比例）、重测率（因异常需要重新跑的板占比）。调度改进带来的投资回报率，往往比单纯买更快的机器人高，因为后者只解决单点速度，前者解决系统性等待时间。

筛选验证与质量控制：维持数据可信性的操作要点

通量提高最容易牺牲的就是数据质量，这个代价往往滞后显现，等发现的时候已经浪费了几周的筛选时间。

Z' 因子：目标维持在 0.5 以上，低于这个门槛意味着测定的信号窗口不足以稳定区分阳性和阴性，这是业界常用的鲁棒性快速判断标准。
信噪比（S/B）：建议至少保持在 3 倍以上，低于这个值意味着微小的系统噪声就可能造成误判。
变异系数（CV）：板内 CV 一般要求控制在 10% 以内，板间 CV 稍宽松，但超过 20% 就该停下来查原因，而不是继续跑下去。

失败场景	常见原因	补救流程
信号整体丢失	试剂降解、封板导致蒸发过快	检查试剂批次稳定性，更换封板策略，重新校准分液体积
边缘孔信号异常	边缘蒸发效应、温度梯度	增加边缘缓冲孔或改用主动温控板架
批次间偏移	分液系统校准漂移、试剂批次差异	恢复到上一次校准记录，重新做低体积校准曲线
假阳性率突然上升	检测化学在小体积下非线性	重新做标准曲线，评估是否需要调整检测窗口

板内和板间对照设计要覆盖高、中、低三个信号水平，配合实时异常检测（比如每完成一板就自动比对历史 Z' 均值），能在问题扩散到几十个板之前就叫停，比事后统一复核省时间得多。想搭建可复用的质控清单，可以参考患者来源细胞系质量控制清单里的操作细节。

RareLabs 的实务经验与可借鉴流程

RareLabs 在为罕见病患者构建个性化疾病模型时，走的是一条从 iPSC 建模到并行药物筛选的完整链路：先用患者自身细胞诱导出疾病特异性的 iPSC 模型，再确定可量化的表型端点，最后对数千种已获批药物、定制 ASO 和基因治疗方案做并行筛选。这个流程天然要求高通量策略，因为患者来源的细胞样本数量有限，试剂和时间窗口都不允许反复试错。

在样本稀缺、试剂昂贵的场景下，优先选择小型化和自动化几乎是唯一可行的路径。当每一份细胞样本都来自具体的患者，浪费不起大批量测试的成本，测定必须在尽可能小的体积下先验证再放大，这跟通用药物筛选平台"先跑大规模再筛选异常"的思路正好相反。

建模阶段就规划好后续的检测体积，避免表型端点确定后发现检测化学不适配小体积。
用短周期试点验证调度和分液方案，再进入正式的并行筛选，这一点在高内涵成像验证路线的实践中体现得尤其明显。
把每一步的质控数据留存并结构化，方便后续向医生、家庭或合作方做透明的进展汇报。

这类流程能否复用到通用高通量平台，取决于实验室是否也面临样本稀缺、时间紧迫的双重约束，如果是，优先做小型化验证的思路完全适用。

筛选通量优化中的数据管理与分析方法

通量提高后，最先崩溃的往往不是硬件，而是数据管道。一个 1536 孔平台每天能产生的原始数据量，是同样运行时长下 384 孔平台的好几倍，人工审核根本跟不上这个速度。

实用的做法是把数据处理拆成三层：采集层统一命名规则和文件格式，避免不同批次的板号、读数时间戳格式不一致导致后期合并困难；清洗层自动标记超出预设阈值的板（比如 Z' 因子异常或对照信号漂移），这些板在进入分析前先被隔离复核；分析层用标准化脚本批量计算命中率、剂量反应曲线和统计显著性，减少人工在 Excel 里反复操作带来的错误。

筛选数据三层处理流程图

版本控制同样重要，尤其是分析脚本和判定阈值的版本，如果某次筛选用了修改后的命中判定标准而没有留存记录，几个月后想复现结果会非常困难。建议给每一轮筛选建立独立的分析快照，包括当时用的脚本版本、阈值参数和原始数据校验和，这样即便后续调整分析方法，也能追溯回具体某一批数据当时的判定依据。

筛选设备和软件的选择标准及兼容性

选设备前先想清楚三个问题：目标板密度、检测模式、未来扩展空间。买一套只支持 384 孔的分液系统，两年后想升级到 1536 孔却发现硬件不兼容，这种沉没成本在实验室里并不少见。

兼容性检查要覆盖硬件和软件两层。硬件层面，确认分液头、读板机和自动化轨道对目标孔板密度和板材类型（透明底、黑壁、白壁）都有官方支持，不要只看厂商宣传的"支持"列表，最好要求实机测试。软件层面，调度控制系统能否和现有的实验室信息管理系统（LIMS）对接，数据格式是否标准化（比如是否支持通用的 SBS 板布局标准），这决定了后续数据分析能不能自动化，还是每次都要人工导出转换。

预算有限的实验室常见的取舍是：先买灵活性高但速度中等的模块化平台，等确认了长期需求再逐步替换成专用高速设备，而不是一开始就押注某一套封闭生态系统。封闭系统在早期看起来省事，但一旦厂商停止更新某个模块，整条流水线的升级都会被卡住。

解决常见瓶颈与故障排查策略

流程卡顿时，排查顺序建议按"先软件、后硬件、最后生物学"来走，因为软件层面的问题最常见也最容易快速定位。

先检查调度软件的日志，看是不是某个工位的等待队列异常堆积，这通常指向调度参数设置不合理，而不是硬件真的变慢了。如果日志显示硬件确实响应变慢，再检查机械部件的磨损情况，比如分液针头的堵塞或读板机光路的污染，这些问题积累到一定程度才会显性化，早期往往只是精度轻微下降,容易被忽略。

如果软硬件都排查完仍找不到原因，才轮到考虑生物学层面的问题，比如试剂批次差异或细胞状态不稳定。把生物学原因放在最后排查，不是说它不重要，而是因为软硬件问题的排查成本更低、速度更快，先排除便宜的可能性再深挖贵的可能性，是效率更高的顺序。

优化耗材使用和成本控制

耗材成本在高通量筛选的总预算里占比经常被低估，尤其是移液吸头、封板膜和检测试剂这几类消耗品。小型化本身就是压缩耗材成本最直接的手段,但很多实验室忽略了耗材采购策略的优化空间。

批量采购同一批号的关键试剂能减少批次间差异带来的返工成本,这笔账要和批量采购的资金占用成本一起算,不是批号越统一越好,而是要找到返工风险和库存成本的平衡点。对于分液吸头这类一次性耗材,评估是否有可重复使用或可回收利用的替代方案,部分声学分液技术因为无接触特性可以省掉传统吸头的持续采购。

耗材损耗率也值得单独跟踪,如果某个环节的耗材损耗明显高于预期(比如吸头堵塞率异常),往往说明操作流程或设备校准存在问题,解决根源问题比单纯增加采购量更划算。

高通量与超高通量筛选的适用场景比较

高通量筛选（HTS）通常指每天处理几千到几万个化合物的规模,常用 384 孔板,适合大多数药物发现项目的常规筛选阶段。超高通量筛选（uHTS）指规模进一步扩大到每天数十万甚至上百万化合物,通常依赖 1536 孔或更高密度平台,配合高度自动化的机器人系统。

选择哪种模式,核心看化合物库规模和时间窗口。如果化合物库在几万级别、时间预算相对宽松,HTS 平台的性价比更高,因为超高通量所需的设备投入和维护成本对这个规模来说并不划算。如果需要筛查百万级化合物库,或者时间窗口极其紧迫（比如罕见病治疗窗口有限的场景）,超高通量的高并行度才能体现价值。

样本本身的稀缺性也是关键变量。对于患者来源细胞这类无法大量获取的样本,规模不是决定因素,精度和验证严谨性才是,这种情况下选择中等通量但高质控标准的方案,通常比一味追求超高通量更合理。

微流控、AI 调度与虚拟筛选如何改变通量优化

微流控让纳升级并行化成为常态,尤其适合高内涵成像和患者来源模型这类样本有限的场景。AI 驱动的虚拟筛选能在实体实验开始前先排除大批不太可能有效的化合物，减轻实体 HTS 的负担，这个趋势会让"先计算后实验"成为标准流程而不是加分项。中小实验室不必一次性押注所有新技术，可以先从调度优化这类低成本改造入手，等团队能力和预算允许时再评估是否自建微流控能力，还是通过合作伙伴获取这类资源。

— John

与 RareLabs 合作，把罕见病筛选的时间窗口用在关键决策上

自己搭建一整套小型化和调度优化能力，对大多数科研团队来说投入周期以年计算，而罕见病患者的治疗窗口往往等不了这么久。RareLabs 提供的是另一条路：直接把患者来源的 iPSC 模型和数千种已获批药物、定制 ASO、基因治疗选项的并行筛选交给已经跑通这套流程的团队去做。

Hopeatrarelabs

典型的交付物包括疾病模型建立报告、并行筛选的命中化合物清单，以及针对每个候选方案的可操作性评估，这些内容会以透明、可追溯的方式提供给患者家庭、主治医生或合作的生物医药机构。什么时候该考虑走这条路：当内部资源无法在几个月内完成模型建立和筛选、当样本量太有限不允许多次试错，或者当项目复杂度已经超出现有平台的验证能力。一个典型试点项目的范围，通常是从单个患者的细胞建模开始，先确认表型端点可检测，再决定是否扩展到全药物库筛选。如果你正在评估是否要为某个具体病例启动这样的项目，可以从 RareLabs 的项目咨询入口开始，说明患者背景和现有数据，团队会给出具体的时间线和范围建议。

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

常见问题

什么样的筛选算得上高通量筛选？

业界一般把每天能处理几千到几万个化合物、采用 384 孔或更高密度板型的自动化筛选流程称为高通量筛选，具体门槛因实验室规模和检测类型而异。

高通量筛选有哪些缺点？

主要缺点是假阳性和假阴性率可能因为小型化和自动化操作而上升，另外前期设备和验证投入较高，小型化过程如果忽视表面效应和蒸发问题会进一步放大这些风险。

高通量筛选主要用在哪些场景？

高通量筛选广泛用于药物发现中的化合物活性筛查，也用于像 RareLabs 这样的场景，对患者来源的疾病模型并行测试数千种已获批药物和候选疗法，加快找到可行治疗方案的速度。

什么是高通量筛选测定？

高通量筛选测定是指专门设计用于自动化平台、能在小体积孔板中快速读出生物学或化学反应结果的检测方法，通常需要满足特定的 Z' 因子和信噪比标准才能投入规模化使用。

从 384 孔迁移到 1536 孔需要多久？

具体时间因测定复杂度而异，但完整走完验证清单（信号线性、Z' 因子、边缘效应、板间均一性）通常需要几周时间，不建议为了赶进度跳过任何一项验证。