药筛指标需要多维度？DRUG-seq可能是你一直在找的方案

做药物筛选的人大概都有这个感受：传统的单一读出方式——荧光报告基因、酶活性检测——每次只能看一个靶点。但化合物进到细胞里，怎么可能只影响一条通路呢？激活的、抑制的、意料之外的脱靶效应，全被忽略了。

RNA-seq理论上能把这些都抓到，但问题也很现实：贵，而且操作繁重。一个样本数百元，建库还得一个一个来，上百个条件筛下来效率极低。所以很长一段时间里，大家只能忍着——忍着信息丢失，忍着单靶点读出的局限。

DRUG-seq就是从这个痛点长出来的。

传统RNA-seq的流程，每个样本都是独立跑完全套的：

样本A → 提取RNA → 建库 → 测序 → 分析

样本B → 提取RNA → 建库 → 测序 → 分析

...

384个样本就重复384次。成本就是这么堆上去的。

DRUG-seq换了个思路——384个样本，其实可以只建一个文库。

图一：DRUG-seq建库流程示意图

这背后靠的是两套条形码。一套给每个孔贴标签，测完能拆回来；一套给每条mRNA分子贴标签（UMI），把PCR扩增的偏差压掉。

另外，DRUG-seq只测mRNA的3'端。听起来像“少了东西”，但实际上正因为reads全部集中在有效区域，不存在非编码区浪费测序深度的问题。所以用很少的reads就够了。

Revvity这篇文章汇总了好几篇已发表文献的数据，我们挑核心的列出来：

成本方面：

$10/条件，是什么概念？过去筛一个靶点的预算，现在可以筛几百个条件。从“测不起”到“测得起”，这是质的变化。

测序深度：

大概是传统方法的二十分之一。

2018年原始论文（Ye et al., Nature Communications）做了严格的头对头比较：

·200万reads的DRUG-seq vs 4,200万reads的标准RNA-seq，检测到的差异表达基因数量基本一致；

·DRUG-seq额外发现了1,351个其他平台漏掉的DEG。

2022年的方法学验证（Li et al., ACS Chemical Biology）又补了一刀重现性数据：

简单来说就是，虽然便宜，但数据并不糊弄。

不能，也没必要。这两个东西面向的场景本来就不一样。

DRUG-seq合适的：

·化合物初筛，几百上千个条件；

·药物作用机制聚类；

·靶点发现、通路活性评估；

·剂量-响应的转录组验证；

·脱靶效应快速扫一遍。

还是得用RNA-seq的：

·样本少但要研究得深（比如挖可变剪接、新亚型）；

·关注低丰度的转录因子；

·要分析非编码RNA；

·做基因组层面的注释和参考图谱。

Revvity文章里有个挺实在的说法：化合物≥100个，选DRUG-seq；少数样本要挖深，选RNA-seq。

我们自己的经验也是，这两个东西配合着用效果最好——DRUG-seq先铺开做初筛，锁定候选之后，用RNA-seq或qPCR做精验。大网先捞一遍，重点的再细看。

Revvity不是唯一在往这个方向发力的。Alithea Genomics（DRUG-seq 的原始发明方）2024年底拿了新一轮融资，推出了Total DRUG-seq服务，检测深度又上了一个台阶。2025年DRAGoN分析流程开源了，数据处理门槛也降了不少。

趋势比较明显：DRUG-seq正在从实验室的工具变成药企的常规选项。

昕瑞再生的DRUG-seq2平台就是在原始DRUG-seq基础上做了工程化优化，把文库构建效率和数据分析流程往前推了一步。配合我们的全链路定制化方案可以让你的筛选过程更加有效。

如果你在做或者准备做化合物筛选，想评估一下DRUG-seq2是不是适合你的场景，可以联系我们。

参考资料

1. Revvity 官方博客：DRUG-seq vs RNA-seq for Drug Discovery Screening, April 24, 2026

2. Ye et al. DRUG-seq for miniaturized high-throughput transcriptome profiling. Nature Communications, 2018

3. Li et al. DRUG-seq Provides Unbiased Biological Activity Readouts for Neuroscience Drug Discovery. ACS Chemical Biology, 2022

4. Alithea Genomics: What is DRUG-seq and what are its benefits in drug discovery, 2026