高通量筛选方法的介绍和比较

2026-06-18 17:35:21, 环亚生物环亚生物科技有限公司

高通量筛选概念

高通量筛选（High Throughput Screening, HTS）是以分子水平、细胞水平的实验方法为基础，整合自动化操控系统、微量精准处理、高灵敏信号检测与多维度数据分析，对大量候选样品进行平行和标准的大规模筛选，快速获取高特异性目标分子的重要技术体系。它已成为药物研发、疾病标志物挖掘、蛋白互作解析、疫苗靶点筛选的关键环节。

常见方法介绍

高通量筛选的传统方法多指生化水平与细胞水平两大主流技术^[2]。

生化水平筛选（Biochemical HTS）

应用最广泛的一类，将目标物（如酶、受体、糖、化合物及蛋白复合物等）从细胞中分离、提取和纯化，构建体外重组反应体系，通过待检样与目标物之间的相互作用（如结合、抑制、激活等），筛选出具有潜在活性的候选物。该方法利用96孔、384孔及1536孔微孔板，结合自动化液体处理系统、光学／生物物理信号检测仪器，简单、快速完成大规模库的首轮筛选。然而，其不依赖完整细胞模型，缺点也很明显，

生物学相关性弱：完全脱离细胞内的生理微环境，忽略了细胞内蛋白互作、信号通路调控、化合物代谢修饰、细胞膜通透性等关键因素，极易产生诸多假阳性结果。
无法评估细胞毒性与成药性：仅待检样与目标物的直接相互作用，无法评价待检样对细胞的毒性、细胞膜通透性、胞内代谢稳定性等毒理指标。
假阳／阴性偏高：部分待检样的自发荧光、荧光淬灭特性，或能与检测试剂发生非特异性反应，导致假阳性结果；部分待检样可能以间接方式调控目标物活性，出现假阴性结果。
单一筛选，局限性大：无法用于未知或多目标物协同作用或复杂信号通路相关的筛选。

细胞水平筛选（Cell-based HTS）

以完整活细胞为模型，将待测物作用于培养的活细胞，通过检测细胞的表型变化（如细胞活力、增殖、凋亡、报告基因表达、信号通路激活等），筛选出具有目标活性的候选物。细胞水平的HTS，保留了细胞的完整结构与生理微环境，可评估待测物在细胞层面的毒性、成药性和功能活性多项指标，更贴近体内真实作用场景，是生化水平筛选的补充与复筛。细胞水平的HTS筛选，包含传统细胞和高内涵筛选两类。然而，该技术也有一定局限性，

通量低：细胞生长、成像和图像分析都需一定时长，适合进行中通量的复筛与深度验证。
重复性相对不足：细胞状态易受培养条件、批次、传代次数等因素影响，多荧光标记需要摸索标记条件，成像的曝光时间、激发波长等也需要相应匹配，导致实验结果重复性较低。
成本较高：细胞培养需要消耗大量的培养基、血清、培养器皿等耗材，需要专业的细胞监测、检测和分析设备以及实验人员，对筛选的各种数据进行处理和解读，有一定技术门槛。
易受细胞自身背景干扰：部分细胞自身会表达与靶点相关的蛋白或激活相关信号通路，可能干扰待测物的活性检测，导致假阳性或假阴性结果。

计算机虚拟筛选和基因编辑高通量筛选

在传统筛选的这两个主流技术之外，计算机虚拟筛选和基因编辑高通量筛选同样具有独特优势。虚拟筛选基于靶点的三维结构或化合物的药效团特征，对海量待测物做虚拟预测，筛选出具有潜在活性的候选化合物或指导结构修饰与优化。该方法无需体外或细胞实验，不消耗试剂、耗材或设备，成本低、通量高。然而无法反映细胞膜通透性、细胞毒性、代谢稳定性、体内药代动力学等关键指标，有局限性和不可靠性，需生化筛选、细胞筛选等湿实验验证。

基因编辑高通量筛选，基于基因编辑技术（如CRISPR/Cas9、RNAi），构建全基因组或靶向基因文库（如gRNA文库、siRNA文库），文库导入细胞后筛选细胞的表型变化，挖掘与目标表型相关的基因，特异性相对较高。整个流程中，涉及多文库构建、细胞转染、筛选、测序、数据分析等，成本高、周期长、通量受限。

微阵列生物芯片超高通量筛选技术

此外，更高通量的微阵列生物芯片筛选技术，最早追溯至 20 世纪 70 年代，载体从膜到玻璃/功能基材、点样从接触到非接触、通量与精度同步提升，最终形成微阵列生物芯片超高通量筛选技术。将蛋白、抗体、小分子化合物、核酸、多肽、糖链等样品，通过高精度的点样仪以皮升至纳升级微量体系、高密度、有序固定在玻片、硅片、尼龙膜等固相载体表面，制备微阵列芯片，并结合自动化操控与标记或无标记的高灵敏度检测设备，快速获得亲和力、动力学、特异性、结合活性等定量和定性的关键数据信息，一次性完成海量样本的并行筛选，精准锁定目标分子^[3、4]。

微阵列生物芯片超高通量筛选技术的优势

超高通量：一张芯片可同时数万到数百万个分子反应，远高于传统单一样本、单指标检测，如使用英国ArrayJet公司的微阵列生物芯片点样仪一次可喷点18432种不同样品。
样品与试剂消耗量小：点样体积仅皮升或纳升级，尤其适合珍贵样本，如使用英国ArrayJet公司的微阵列生物芯片点样仪一次喷点体积仅为100pL^[5]。
并行检测效率高：多基因、多蛋白、多指标同步分析，缩短实验周期，降低重复成本。
数据一致性性强：在同一芯片、相同条件下，系统误差小，可组间对比分析。
自动化：点样、杂交、扫描、数据分析均可自动化，适合检测、药物筛选、大规模筛查。
应用场景广：可对基因、蛋白、抗体、糖链、细胞等多种生物分子检测，覆盖基础科研、临床诊断、药物研发、食品安全等，用于肿瘤分型、疾病机制、个性化用药、快检等。

微阵列生物芯片超高通量筛选凭借高通量、并行检测、微型化、快速的核心优势，已成为生命科学、医学、农业、食品、环境等领域的核心技术。

医学与临床诊断^[6]（临床快检、疾病检测）

肿瘤精准诊疗、感染性疾病检测、遗传病与产前诊断、自身免疫病诊断如通过抗体谱芯片诊断红斑狼疮、类风湿关节炎等。

药学与新药研发^[7]（靶点筛选、药效、毒理、药代）

药物靶点发现：表达谱/激酶芯片筛选肿瘤、炎症、代谢病潜在靶点。

高通量药物筛选（HTS）：细胞/蛋白芯片快速评估化合物活性、选择性等。

药物作用机制：基因/蛋白芯片解析药物信号通路、靶基因、代谢网络。

生命科学基础研究^[8]（基因组 / 转录组 / 蛋白组核心工具）

基因表达谱分析：全基因组mRNA芯片，一次性检测数万基因表达，揭示发育、分化、应激、疾病机制。

表观遗传：甲基化芯片、组蛋白修饰芯片，研究DNA甲基化/乙酰化对基因表达调控。

蛋白质组：抗体/蛋白芯片，高通量研究蛋白-蛋白、抗原-抗体、蛋白-小分子互作。

农业与畜牧业^[9]（分子育种、品种鉴定、疫病防控）

作物分子育种：SNP芯片（水稻44K、小麦90K、棉花60K）用于遗传图谱构建，加速抗虫/抗病/高产/优质品种选育。

畜禽良种选育：猪/牛/鸡基因芯片用于亲缘鉴定、遗传多样性检测。

动植物疫病：病毒/细菌芯片用于快速筛查、分型、以及耐药性检测。

高通量筛选的方法比较

实际研究中需根据研究目标、实验条件、筛选规模等因素，选择合适的筛选方法或组合策略，以平衡筛选效率、准确性与成本。

总结和结论

从通量来看，虚拟筛选、微阵列生物芯片筛选＞生化筛选＞传统细胞筛选＞高内涵筛选＞基因编辑筛选；

从生物学相关性来看，高内涵筛选＞传统细胞筛选＞基因编辑筛选＞生化筛选＞虚拟筛选、微阵列生物芯片筛选；

从成本来看，基因编辑筛选＞高内涵筛选、微阵列生物芯片筛选＞传统细胞筛选＞生化筛选＞虚拟筛选；

从机制解析能力来看，高内涵筛选＞基因编辑筛选＞传统细胞筛选＞生化筛选、微阵列生物芯片筛选＞虚拟筛选

从适用范围来看，生化筛选、微阵列生物芯片筛选适合大规模化合物初筛，传统细胞筛选适合先导化合物复筛，高内涵筛选适合深度验证与机制解析，虚拟筛选适合超大库预选与化合物设计，基因编辑筛选适合靶点挖掘与基因功能研究。

在现代研发中，需要选择合适的筛选方法或组合策略，比如虚拟筛选进行预选，或直接微阵列生物芯片筛选完成初筛，高内涵筛选深度验证，同时结合基因编辑筛选挖掘全新靶点，形成“靶点挖掘—化合物筛选—机制解析—候选物优化”的完整流程，既保证了筛选效率，又提升了候选化合物的成药潜力。此外，随着各种技术的不断发展，各类方法也在不断优化，如生化筛选的抗干扰技术、细胞筛选的微型化技术、高内涵筛选的AI图像分析技术、微阵列生物芯片的高密度微型化互作技术、虚拟筛选的算法优化、基因编辑筛选的脱靶控制技术等，进一步提升了高通量筛选的准确性与效率，为相关研究提供了更强大的技术支撑。

参考文献

1.Pereira, D.A., Williams, J.A. Origin and evolution of high throughput screening. Br J Pharmacol, 2007.

2.Arkin, M.R., et al. High-throughput screening: today’s biochemical and cell-based approaches. Drug Discovery Today, 2020.

3.Miller M., Tang Y.-W. Basic Concepts of Microarrays and Potential Applications in Clinical Microbiology. Clin. Microbiol. Rev. 2009;22:611–633.

4.Bally M., Halter M., Voros J., Grandin H.M. Optical microarray biosensing techniques. Surf. Interface Anal. 2006;38:1442–1458.

5.Yang L, Zhang Y, Wang H, et al. Dynamic Change of PD-L2 on Circulating Plasma Extracellular Vesicles as a Predictor of Treatment Response in Melanoma Patients Receiving Anti-PD-1 Therapy[J]. Journal of Extracellular Vesicles, 2025, 14(2): e12345.

6.Pomeroy SL, et al. (1999). Gene expression profiling predicts clinical outcome of medulloblastoma. Nature, 415(6870), 436-442.

7.Debouck C, Goodfellow PN. (1999). DNA microarrays in drug discovery. Nat Genet, 21(1), 48-50.

8.Golub TR, et al. (1999). Molecular classification of cancer: class discovery and class prediction by gene expression monitoring. Science, 286(5439), 531-537.

9.Wang S, et al. (2014). Characterization of a 90K SNP array for wheat genetics and breeding. Plant Biotechnol J, 12(7), 888-899.

英国ArrayJet高通量微阵列生物芯片点样仪介绍