做科研，谁没在实验里「被迫做过减法」？经费有限、样本稀缺、周期紧张、工具受限，这些现实困境，让多少精心设计的课题不得不将就。尤其是「成本高、周期长」的高通量测序：
为了省钱，忍痛删掉一半样本：梯度不完整、趋势不清晰，只能安慰自己「有总比没有强」。
为了凑样本，反复养细胞、反复质检：珍贵材料经不起折腾，费时费钱，心在滴血。
为了赶时间，放弃机制研究：化合物表型明明漂亮，却没时间做转录组验证，审稿意见一来：「作用通路是什么？」哑口无言。
预算、通量、数据质量、实验周期——在传统工具的框架下，似乎永远只能「保一个」。直到 2018 年 Nature Communications 文章《DRUG-seq for miniaturized high-throughput transcriptome profiling in drug discovery》首次报道DRUG-seq 技术[1]，才发现：问题或许不在于如何取舍，而在于工具本身的局限。
DRUG-seq是专为药物筛选设计的 3′ 端高通量转录组测序方案。其核心突破是：孔特异性 Barcode 与 UMI 分子标签实现精确定量，无需 RNA 提取，细胞裂解液即可直接建库——在不牺牲数据质量的前提下，缩成本、缩短周期、减少样本用量！
凭借高通量与高性价比的双重优势，DRUG-seq 可在单轮实验内完成大量化合物、多浓度、多时间点的转录组解析，从基因层面系统揭示药物作用机制、靶点与脱靶效应，并辅助预测药效与潜在毒性，显著提升候选化合物的筛选效率与可靠性。以下是主流测序技术的横向对比，供选型参考：
诺禾致源 DRUG-seq 专为大规模药筛优化，完美适配新药筛选、毒性评估、老药新用、中药复方解析等场景，同时也支持基因调控、细胞分化、基因编辑等基础研究，是兼顾通量、成本与数据深度的理想工具。（颠覆性定价超低成本，文末或点此查看活动详情）
一、DRUG-seq 技术应用方向
新药筛选（通过基因表达变化评价药效）
毒性评估
药物靶点检测
细胞培养条件筛选等大规模广筛研究
应用案例解析：
案例一
Article：DRUG-seq for miniaturized high-throughput transcriptome profiling in DRUG discovery
期刊：Nature Communications IF：15.7（2024～2025 最新影响因子）
本研究报道了一种用于药物发现的高通量平台——基因扰动数字 RNA 测序技术。药物发现领域高度依赖高通量筛选技术，但现有平台的检测指标存在局限性。虽然 RNA 测序能通过转录组变化来研究药物效应，但标准文库构建成本高昂。 DRUG-seq 技术能够以百分之一的成本捕获标准 RNA 测序所检测到的转录水平变化。在对 8 个剂量梯度下的 433 种化合物进行概念验证实验时，基于 DRUG-seq 生成的转录谱成功根据化合物作用靶点的分子作用机制，将其归纳入功能聚类。针对作用同一靶点的化合物，检测到转录组变化所反映的扰动差异，这证明了 DRUG-seq 在解析靶向及脱靶效应方面的价值。
实验结果表明， DRUG-seq 不仅能捕捉共同作用机制，还能识别同一靶点下化合物处理与 CRISPR 技术之间的差异。该技术为高通量筛选环境中的全面转录组分析提供了强大工具。
展示 DRUG-seq 和标准 RNA-seq 的可比较性
案例二
Article： Generation of iPSC-derived human venous endothelial cells for the modeling of vascular malformations and DRUG discovery
期刊：Cell Stem Cell IF：20.4（2024～2025 最新影响因子）
本文利用 iPSC 分化、CRISPR-Cas9、体外功能测定、体内肾包膜移植和 DRUG-seq 等方法，生成了携带 TIE2 基因突变的人类静脉内皮细胞（iVEC），构建了能模拟人类静脉畸形（VM）的体外和体内模型，并通过 AI 辅助的 DRUG-seq 筛选发现 Bosutinib 是潜在的治疗药物。研究中利用 DRUG-seq 结合深度学习模型（DLEPS），对携带 TIE2 突变的 iVEC 进行了高通量药物筛选，通过分析候选药物处理后细胞的转录组变化，识别能够逆转 VM 表型、使突变细胞转录组更接近野生型细胞的潜力药物。
A) 药物预测和筛选示意图。（B) 经不同药物和浓度处理的 L914F-iVECs 转录组学的 UMAP 可视化，颜色标注如图所示。（C） 经药物处理
的 L914F-iVECs 与 WT-iVECs 之间的转录相关性（上）。经药物处理的 L914F-iVECs 与经 DMSO 处理的 L914F-iVECs 之间的转录相关性（下）。
每个点代表 (B) 中特定浓度下的一个重复样本。数据以平均值 ± 标准误表示。（D） 经博舒替尼处理的 L914F-iVECs 与 L914F-iVECs 在涉
及血管生成、血管发育、细胞迁移、细胞骨架组织和细胞外基质的基因方面的基因集富集分析（GSEA）。
二、DRUG-seq 技术产品优势
PCR 无偏好性，数据更准确
样本起始量低，1,000 个细胞即可开展
无需 RNA 提取，裂解液直接反转录
聚焦 mRNA 3’ 端序列，数据需求量小，2M/样即可分析
1
技术流程
细胞裂解后，通过在逆转录引物中引入的特异性 Well Barcode 和 UMI，使用 PolyT 捕获各个孔的细胞释放的 mRNA 分子，然后经 RT-PCR 对各个孔的 cDNA 第一链进行标记，将标记后的 96 孔板样本 Pooling 至一起，纯化得到双链 cDNA。双链 cDNA 经过片段化、末端修复、加 A 尾、接头连接、扩增和纯化等建库步骤，构建得到适用于 NGS 测序平台的文库。
2
送样建议
常见样本类型：人/鼠来源的活细胞、细胞系等。
* 注：
（1）细胞投入量：均指裂解处理时投入的细胞数量，此处贴壁细胞请注意根据不同细胞类型贴壁后的生长速率确定起始的细胞培养量和培养天数，保证加入裂解液时细胞投入量符合要求。
（2）其他类型或不常见样本请单独咨询。
（3）细胞投入量必须在要求细胞量范围内，过多过少都不行
（4）为什么限制细胞投入量和细胞活性？
• 细胞投入量过低（< 1k），裂解后释放的 mRNA 不足，导致捕获数量低，无法满足后续实验；
• 细胞投入量过高（> 30k），捕获 mRNA 数量过高，会包裹磁珠，影响磁珠与磁力架的吸附效果，导致弃上清时损失磁珠，无法满足后续实验。
• 细胞活性低，cDNA 大概率会降解，造成 cDNA 扩增产物产出偏低。
完成测序后，会提供一套完整的标准分析内容，帮你快速从数据中拿到关键结论。
3
分析内容
RNA-seq 的核心是基因表达差异的显著性分析，使用统计学方法，比较两个条件或多个条件下的基因表达差异，从中找出与条件相关的特异性基因，然后进一步分析这些特异性基因的生物学意义，分析过程包括质控、比对、定量、差异显著性分析、功能富集等环节。信息分析流程如下图所示：
样本基因表达量分布盒形图，直观展示所有样本基因表达量的整体分布，快速判断样本重复性与数据可靠性。
主成分分析结果图，从全局层面展示样本间的表达差异，清晰区分不同处理组的分离趋势。
差异基因火山图，一眼锁定两组间显著上调/下调的关键基因，直观呈现差异数量与显著性。
差异表达基因聚类热图，展示所有差异基因在不同样本中的表达模式，轻松识别处理组的特征性表达谱。
富集分析柱状图，统计差异基因最显著富集的功能通路，快速定位药物作用的核心生物过程。
富集分析散点图，结合富集程度与基因数量，直观展示关键通路的重要性与可信度。
4
部分研发数据展示
测序饱和度结果：
结论：传统 RNA-seq 测序量接近 40M；DRUG-seq 测序量达到 2M reads 即到达平台期。
DRUG-seq 基于 3' 端进行计定量：对低表达基因（FPKM 小于 1）检出率影响大，对高表达量（FPKM > 1）基因影响不显著。
RNA-seq：17123 genes；42M reads/well
DRUG-seq：12149 genes；13M reads/wel
DRUG-seq：10630 genes；2M reads/wel
分析结果：
Barcode 拆分率 > 96%，平均基因检出数均 > 1W。
更低的成本、更丰富的转录组维度数据！诺禾致源提供一站式服务，让每一位研究者的创新想法都不再需要妥协。现在点击下方图片咨询，即可享受「颠覆性定价」>>
内容策划：沈佳钰
内容审核：朱卿
题图来源：图虫创意
参考文献：
[1] Ye C, Ho DJ, Neri M, Yang C, Kulkarni T, Randhawa R, Henault M, Mostacci N, Farmer P, Renner S, Ihry R, Mansur L, Keller CG, McAllister G, Hild M, Jenkins J, Kaykas A. DRUG-seq for miniaturized high-throughput transcriptome profiling in drug discovery. Nat Commun. 2018 Oct 17;9(1):4307. doi: 10.1038/s41467-018-06500-x. PMID: 30333485; PMCID: PMC6192987.
热门跟贴