从标志物到全景图谱：DRUG-seq颠覆传统报告基因的筛选模式

在细胞命运调控与药物 发现和 机制研究中，标志物检测长期面临 四 重技术瓶颈：

• 视野局限 ：基于荧光报告基因的检测体系仅能捕获 1-2 个预设 标志物 ，关键调控因子可能存在于预设指标之外 ；

• 样本损耗 ：报告体系构建中经历转染筛选， 导致大量珍贵样本不必要的消耗；

• 模型失真： 报告基因的引入可能破坏内源基因调控网络、导致压力畸变、功能代偿等诸多问题；

• 数据断层 ：单基因定量无法解析基因互作网络，难以解释细胞状态 的 转换的 、药物调控机制等 系统性调控逻辑 。

随着 CNS 等顶刊对组学 甚至多组学 证据链的要求提升，研究范式正在向 " 全景图谱 " 演进 ， DRUG-seq2 通过全转录组捕获技术突破上述限制：

• 全景覆盖 ：单孔检测 1 2,000+ 基因，同步监控核心标志物与潜在调控网络 ；

• 无损直检 ： 96 孔板裂解液直接上样，避免 RNA 提取损耗 ；

• 零基因编辑 ： 无外源基因导入，尽可能保证 细胞原始转录状态 又简化实验步骤与周期并且记录的是细胞瞬时变化；

• 全景 解析 ：基于 UMI 校准 和全转录组 表达矩阵，可构建基因共表达网络与亚群 分析等。

DRUG-seq2的特点与优势

DRUG-seq2 技术不仅继承了二代测序的高效性，还具备如下显著优势：

1. 超低样本损耗：与传统 RNA-seq 方法相比， DRUG-seq2 技术仅需微升级别的样本，如单个类器官、少量血液或组织切片即可实现大规模测序，对于临床中难以获取的大量宝贵样本， DRUG-seq2 提供了前所未有的解决方案，最低可至 1000 个细胞 / 样本。

2. 无需 RNA 提取步骤：该技术直接对细胞样本进行处理，省略了传统复杂的 RNA 提取步骤，极大简化了实验操作流程。对于科研人员来说，这意味着减少了实验操作的变异性和实验周期。

3. 高通量与低成本：单次实验可同时测序上千个样本，大大提高了实验效率。相较于传统的 RNA-seq 方法， DRUG-seq2 具有更低的成本，单个样本可低至 50 元，更适合大规模样本的平行分析。

4. 灵活的应用场景：从肿瘤研究到药物开发， DRUG-seq2 技术的广泛适应性使其成为科研和临床领域中的重要工具。无论是药物机制的探索，还是肿瘤标志物的发现， DRUG-seq2 都能提供丰富的数据支持。

DRUG-seq2应用案例分析

技术本身只是一个工具，关于这项技术科研工作者们是如何使用它的呢？

1. 疾病分析

1a. 疾病特征描述 ：利用 DRUG-seq2 发现疾病 / 亚健康人群各种组织的分子特征

研究者们通过对中国的新冠病毒感染者进行横断面队列研究，深入探讨了病毒在组织中的持久性及其与长期 COVID 症状的关系。利用昕瑞再生 DRUG-seq2 技术对感染者的组织样本的表达谱特征进行了全面而细致的分析。分析 发现，在感染 SARS-CoV-2 后，病毒 RNA 能在多种组织中持续存在，且这种持久性与长期新冠肺炎症状的出现有显著关联。具体来说，研究人员在感染后 1 个月至 4 个月的组织样本中检测到了病毒 RNA ，且病毒 RNA 的存在与疲劳等长期症状相关。这表明病毒在体内的持续存在可能是导致长期症状的一个因素。

Refs ： Zuo, Wenting et al. The Lancet Infectious Diseases, Volume 24, Issue 8, 845 – 855

1b. 肿瘤溯源 ： 利用 DRUG-seq2 实现肿瘤组织溯源及其诊断标志物开发

肿瘤组织和细胞的转录谱是它们生物学特性的重要反映，能够揭示其原发灶的特征。在临床上，通过分析这些转录谱，医生和研究人员可以追溯肿瘤的起源，这对于肿瘤的诊断和治疗至关重要。例如，通过分析肿瘤细胞的特定基因表达模式，可以确定它们最有可能来自身体中的哪个部位，从而为患者提供更精确的治疗建议。

这些诊断标志物不仅可以用于肿瘤的溯源，还可以指导临床用药，帮助医生为患者选择最合适的治疗方案。例如，通过分析肿瘤组织中的特定基因表达，可以预测患者对某些药物的反应，从而实现个性化治疗。此外，这些转录谱数据还可以用于研究肿瘤的分子机制，为开发新的治疗方法提供科学依据。

在肿瘤治疗中，除了传统的化疗和放疗，靶向治疗和免疫治疗等新兴治疗手段也在不断发展。通过深入分析肿瘤组织的转录谱，研究人员可以更好地理解肿瘤的生物学行为，发现新的治疗靶点，从而为患者提供更有效的治疗方法。这种基于转录谱的分析方法，有望在未来的肿瘤治疗中发挥越来越重要的作用。

1c. 疾病诊断 ：利用 DRUG-seq2 发现药物敏感人群的诊断标志物及其分子机制

通过批量采集患者的组织样本，例如特定组织的石蜡切片或血液等，我们可以利用 DRUG-seq2 技术进行高效的批量测序。在获得这些样本的转录组数据后，我们可以根据不同治疗预后对样本进行分群。利用机器学习或人工智能模型对这些数据进行深入分析，我们可以识别出预测药物治疗效果的潜在诊断标志物。这些标志物不仅有助于预测患者对特定药物的反应，还可以为分析药物作用的潜在新机制提供线索。例如，通过整合患者的多模态数据，如影像学图像、病理学图像和临床信息等，人工智能技术可以开发出预测模型，如 MuMo 模型，该模型能够全面捕捉患者的疾病特征，并有效应对临床中模态数据的潜在缺失问题。这种多模态分析技术在临床决策中具有重要的支撑作用，能够为患者提供更精确的治疗方案。

此外，人工智能在癌症治疗响应预测方面的应用也日益增多，其核心任务是利用患者初期治疗的数据预测其对特定治疗方案的响应程度。这种预测能够帮助医生及早了解治疗可能的结果，并选择最佳的治疗策略，旨在最大化治疗效果并延长患者生存期。

综上所述，通过 DRUG-seq2 技术结合机器学习和人工智能模型，我们有望在肿瘤治疗领域实现更精准的诊断和治疗，为患者提供个性化的医疗方案。

2. 药物开发

2a. 新药发现 ：利用 DRUG-seq2 综合评价候选药物的效果及分子机制

DRUG-seq2 通过检测药物处理后的细胞转录谱，能够识别出药物作用的分子途径，以及细胞在不同处理条件下的基因表达变化。这些数据的多维度分析能够揭示药物的潜在靶点、毒性风险和预期药效，从而为药物的临床应用提供更精确的指导。此外，这一技术还能帮助预测候选药物的长期效果，并在早期阶段发现可能的副作用。 这种前瞻性和广泛的数据覆盖面，能够帮助研究人员快速、全面地评价候选药物的效果及其分子机制，显著提升了药物研发的效率和准确性。

2b. 中药研究 ：利用 DRUG-seq2 开展中药药效、机制及毒性研究

利用 DRUG-seq2 技术测试中药单体或组分的转录组变化，可以帮助识别其对细胞基因表达的影响，从而揭示它们是如何影响特定的生物学过程或疾病通路的。这个过程中，每个中药组分会在不同的细胞或组织模型中进行测试，进而通过高通量测序平台生成其对应的转录组数据。分析这些数据不仅能够验证已知的药用机制，还可能发现其在新的适应症或生物学靶点上的作用。这样一来， DRUG-seq2 可以为中药组分的药理学功能提供全新的科学证据，从而揭示它们的全新药用价值。

应用 DRUG-seq2 技术还可以预测潜在毒性。在筛选中药组分时，研究人员可以根据转录组数据中的分子标记物，初步判断某些组分可能的毒性反应。这对于传统中药的安全性评价具有重要意义，能够帮助避免潜在的安全隐患，加速中药组分向现代药物转化的进程。

总的来说， DRUG-seq2 与中药单体或组分库的结合，不仅为中药研究带来了更加精确的分子工具，还可以通过其高效的数据分析能力，推动中药研究走向组学时代。借助这一技术平台，我们不仅能拓宽中药在疾病治疗中的应用范围，还能确保其安全性，为新药开发和中药现代化贡献更多前瞻性成果。

2c. 药物靶点发现 ：基于 DRUG-seq2 筛选发现药物潜在靶点

基于 DRUG-seq2 化合物筛选，通过转录组聚类分析，鉴定出诱导化学重编程的关键小分子 E-616452 ，通过靶向 CDK8 发挥启动重编程的作用。