为虚拟细胞高性价比产生药物扰动转录组数据的技术-DRUG-seq2

2025 年 11 月发表在《Nature Communications》一篇药物诱导性肝损伤（DILI）预测的研究论文，其核心是构建了目前规模最大的毒性转录组学资源与高效预测框架，为药物研发中的肝毒性风险评估提供了新方案。

构建 了大规模数据库DILImap ：

这是研究打造的目前规模最大的 DILI 专用 RNA-seq 数据库，涵盖 300 种化合物，包含 DILI 阳性、阴性、特异体质型等不同类型，且每种化合物设置了多个浓度梯度。数据生成过程中，在保障细胞活性和 RNA 质量的前提下，还通过 LDH/ATP 活力检测、IC10 剂量筛选等操作，同时结合 DILIrank 与 LiverTox 进行分类，并构建了含 51 个化合物的独立盲测数据集，为后续模型训练奠定了坚实的数据基础。

开发了高性能AI模型 ToxPredictor ：

该框架是机器学习驱动的毒性基因组学工具。其先解析药物暴露 24 小时后人源初级肝细胞的 RNA-seq 转录组变化，提取差异基因与通路的激活模式，再结合临床 DILI 标签，用随机森林集成模型（30 个随机森林模型组合）开展训练。最终能输出剂量分辨的 DILI 概率，还可结合临床血药峰浓度建立安全边界，实现对药物肝毒性风险的分类和相关机制解析。

关键研究结果：预测性能领先：盲测验证中，ToxPredictor 框架展现出优异性能，达到 88% 的灵敏度和 100% 的特异性，远超 3D 肝模型、传统细胞毒性检测等 20 多种行业标准临床前安全模型。它还成功提前识别出 Evobrutinib、TAK-875 等多款在临床三期因肝毒性失败的候选药物，这些风险此前均未被动物实验发现。

DILImap 数据库的核心构建方法为 RNA-seq，那么是否有操作更便捷，通量更高的技术能更快速产生药物扰动转录组数据呢？

昕瑞再生开发的 DRUG-seq 2技术，凭借 “仅需 1000 个细胞 / 样本、免 RNA 提取、成本显著更低” 的核心优势，实现了少量细胞的高通量转录组测序突破；对于 AI 大模型构建所需的大规模数据节点积累而言，DRUG-seq2 无疑是效率更高、成本更优的最佳技术利器。

DRUG-seq2相比RNA-seq技术核心亮点

昕瑞再生还建立了自动化建库设备，可以实现每周上万样本速度高效生成扰动转录组数据，满足“数十万分子扰动+百万转录组响应”的高数据需求。

自主搭建的高通量自动化文库构建系统