多组学 AI，正在重写“药物筛选”这件事 ：一篇 IF 81.2的STTT综述，把筛选的起点、靶点发现与药物重定位讲透了
2026年6月，顶级期刊Signal Transduction and Targeted Therapy（IF 81.2）发表了一篇重磅综述——《Multi-omics and artificial intelligence for precision drug discovery and potential clinical applications》，由中南大学等机构的研究团队撰写，开放获取。文章系统梳理了多组学与人工智能（AI）如何贯穿整条新药研发链条，涵盖靶点解析、药物重定位、从头化合物设计，以及虚拟筛选、药代建模与安全性评估。
综述开篇给出两个常被引用的数字：当前临床淘汰率已超过90%，每个最终获批上市的新药平均耗资约26亿美元。作者指出，这背后是传统“一药一靶”范式在认识论层面的局限——在肿瘤、神经退行性与自身免疫病中，单个扰动往往牵动基因组、转录组、蛋白质组、代谢组的连锁变化，单点抑制难以奏效。
这篇文章信息量很大。本文只聚焦其中最具实操意义的一段——“药物筛选”：多组学如何联用、靶点怎么被发现、老药如何被重新命中，以及这一切对筛选范式的重写。
PART. 01
筛选的起点：多组学联用，重新定义“筛什么”
综述强调，单一组学难以刻画疾病真实状态；只有把基因组、表观基因组、转录组、蛋白质组、代谢组（乃至微生物组）整合成统一的高维数据，才能还原“被疾病扰动的相互作用网络”。在这一系统视角下，靶点发现获得了三项关键能力：
·重建信号级联：在多个生物学层级上，计算重构出疾病异常的信号通路；
·锁定“主调控节点”：借助网络中心性指标，识别多效激酶、表观修饰因子、非编码RNA枢纽等关键节点；
·评估可成药性：对候选靶点的成药性与功能必需性进行量化排序。
方法层面，综述点名了多模态张量分解与因果推断模型，把高维数据转化为机制上自洽的靶点假设；机器学习中，随机森林、XGBoost等集成算法负责稳健的特征筛选，自编码器、Transformer等深度模型则挖掘跨组学的非线性结构。
空间转录组学是“筛什么”被重写的典型例子。综述介绍，MERFISH可在单个CD8⁺ T细胞中同时定量数百个免疫检查点转录本，并测量它们与PD-L1⁺巨噬细胞的空间距离，从而识别出“免疫排斥”微环境——这类微环境正预示着对免疫检查点治疗的耐药；Visium则把表达谱叠加到H&E染色的组织形态上，定位可用于临床分层的空间标志物。换言之，筛选的“靶”不再只是一个基因，而是一个有空间坐标的网络位点。
PART. 02
靶点发现：从CRISPR功能图谱到可成药排序
在靶点发现上，综述给出的主线是“多组学+CRISPR功能基因组学”。CRISPR系统性敲除筛选，能在疾病相关细胞模型中构建基因组级的“功能脆弱性图谱”，刻画细胞类型特异的遗传依赖——大规模代表就是Cancer Dependency Map。综述举例：
·非小细胞肺癌：CRISPR-Cas9筛选解析出致癌网络中的核心依赖，将EGFR、KRAS、TP53以及抗凋亡因子BCL2等锁定为临床可干预的脆弱点；
·胶质母细胞瘤：CRISPR筛选叠加多组学分析，发现carboxypeptidase D是IGF1R信号通路的关键调控酶，敲除后可抑制肿瘤生长；
·慢阻肺（COPD）：整合基因组、转录组、蛋白质组与代谢组，锁定SPP1、APOA1等新靶点。
尤其值得关注的是，综述特别指出：当把表型CRISPR筛选放进三维肿瘤微生理系统——例如患者来源类器官、基质包埋球体——能复现缺氧梯度、生物力学与基质-上皮互作，从而显著提升结果的临床转化相关性。这等于把“筛选发生的地方”，从二维细胞系搬到了更接近人体的人源模型。
在筛选流程上，综述还提到一种正在兴起的范式：人–AI协同的主动学习框架。它把疾病特异的多组学特征与功能验证证据结合起来，对靶点进行动态优先级排序——本质上，是让“算法出假设、实验给反馈”形成一个不断收敛的筛选闭环。
PART. 03
药物重定位：让“老药”在筛选中被重新命中
药物重定位（老药新用）是多组学+AI在筛选端最“高性价比”的一类应用：在已知安全性的化学空间里做虚拟筛选，用药物的扰动特征（转录组/蛋白质组层面）去比对疾病特征，匹配出潜在的新适应症，从而大幅压缩时间与成本。综述列举的例子包括：
·阿尔茨海默病：利用转录组/蛋白扰动图谱，预测布比卡因、托吡酯等已上市药物的潜在治疗价值；
·COVID-19：组学提示IL-6/JAK-STAT通路异常，AI预测托珠单抗、巴瑞替尼有效，并相继获得临床验证；
·HIV：多组学+网络药理学，挖掘出二甲双胍通过抑制OXPHOS的潜在治疗机制。
综述同时给出一个有冲击力的工程化数据：AI设计、靶向血浆蛋白质组的SOMAmer类疗法，把推进到II期临床的开发时间，相对常规基准缩短了约60%。这说明，当筛选从“盲筛”变成“数据驱动的精准命中”，提速是实打实的。
PART. 04
筛选范式的三个转向，以及尚未跨过的坎
综合来看，综述把多组学+AI对药物筛选的重写，归纳为三个范式转向：
·从单靶点抑制，转向针对“疾病扰动网络”的网络药理学；
·从线性、串行的开发，转向“计算预测 + 实验验证”不断迭代的并行循环；
·从群体平均治疗，转向整合个体多组学的“数字孪生”模拟。
但综述也很克制地指出了现实的坎：GEO、TCGA、PRIDE等公共库在采集协议、分析流程与本体框架上高度异质，跨研究整合困难、可重复性存疑；当前多组学测量大多是“静态快照”，时间分辨率不足，难以刻画动态的适应性耐药；再加上模型黑箱、算法偏见与平台高成本——这些都还制约着筛选范式的真正落地。
一个共识：这套范式真正跑起来，依赖“由稳健的技术基础设施支撑”——即大规模、标准化、贴近人体的真实数据，能持续地喂养并验证模型。
PART. 05
回到筛选的“燃料”：DRUG-seq2与AI建模转录组数据
把上面这条主线浓缩一下：无论是靶点发现、药物重定位，还是机制解析，AI在筛选端的发力，几乎都建立在“药物扰动 → 转录组应答”这类数据之上——转录组是承上启下、性价比最高的一层读出。于是问题落到一个很具体的入口：能否又快、又便宜、又贴近人源模型地，批量产出标准化的扰动转录组数据，供模型训练与验证？
这正是昕瑞再生自研DRUG-seq2技术所对应的位置。它是一种少量细胞、高通量的批量化3′端转录组测序方法：在96/384孔板中对每孔细胞批量加药，直接裂解、用孔特异Barcode标记后混样，一次测序即可还原每孔的全转录组“指纹”——单孔可读出上万个基因、样本量低至千级细胞、单样本成本压得很低，且天然适配原代细胞、类器官与iPSC来源细胞这些“高价值、难培养”的人源模型。
它与“AI建模转录组数据”的关系，恰好接在综述描述的范式上：
•做“燃料”：为靶点优先级排序、药物重定位、机制解析等模型，提供大规模、标准化、可复现的真实扰动转录组数据；
·闭“循环”：实测应答可直接回流，校准模型、支撑综述强调的“计算预测 + 实验验证”并行迭代；
·保“人源性”：在原代细胞、类器官上产数据，缓解“只见癌系、泛化失真”的老问题。
这条路已有旁证：发表于《Science》的主动学习模型DrugReflector表明，模型泛化能力高度依赖训练所用真实扰动数据的规模与多样性；《Nature Communications》的肝毒性预测框架，底座同样是药物扰动转录组数据，与综述中AI安全性评估的方向一致。昕瑞自身也用这套体系，从近万种小分子里筛出抗瘢痕先导分子FR-1并揭示新机制，成果于2026年发表在《Cell Reports Medicine》。
结语
这篇STTT综述清晰地标注了多组学+AI把药物筛选带向何方：从盲筛走向数据驱动的精准命中，从单靶点走向网络，从二维细胞系走向人源模型。而决定这套范式能跑多快的限速步骤，往往不在算法，而在能否持续供给大规模、真实、贴近人体的扰动转录组数据。把这层“燃料”工业化的人，也许正握着筛选范式升级里最上游的一环。
DRUG-seq2×数字细胞平台现已开放合作！！！
欢迎制药企业、科研院所与医疗机构携手，把“真实扰动转录组数据+人源模型验证”这一环做扎实。
联系我们
邮箱：xrzs-cx@xremed.com
官网：www.xremed.com
手机/微信：18936040318（微信昵称：昕小瑞）
关于昕瑞再生
南京昕瑞再生医药科技有限公司成立于2019年，先后获中科创星、红杉资本两轮融资，依托北京大学分子医学南京转化研究院软硬件支持。公司核心团队源自北京大学，承载创始团队在干细胞、再生医学及小分子创新药领域20余年经验，搭建了世界领先的细胞表型药筛平台——整合细胞疾病模型、表型组学定量、AI技术，聚焦“细胞疾病/衰老表型逆转”研发新药。
公司拥有自主知识产权的DRUG-seq2、PHDs-seq高通量测序技术，已在早期药物开发、靶点发现、人工智能大模型建立等场景见效，既服务自研项目，也为科研领域提供高质量技术解决方案。
