把不确定性前置：现代药物发现的真正一体化

现代药物发现的让人眼花缭乱：HTS、DEL、FBDD、virtual screening、ASMS、SPR、Cryo-EM、AIDD、DMPK、PK/PD、tox、CMC。每一种技术都有自己的拥护者，也都有足够多的成功案例可以证明自己重要。

但真正让项目变慢、变贵、变混乱的，往往不是技术不够，而是问题没有被放在正确的位置上。一个靶点还没有被证明可筛，团队已经在争论用哪种库；一个 primary hit 还没有排除假阳性，项目已经开始讲 SAR；一个分子只有体外活性，团队已经把它想象成候选物；一个项目连续失败，却因为“还有一个想法”迟迟没有停下来。

这场关于 integrated screening and chemistry 的圆桌，最有价值的地方不在于推荐某一个平台，而在于给出了一套更朴素、也更接近真实研发的判断方式：先判断不确定性在哪里，再决定用什么技术购买下一块证据。

一体化不是能力清单，而是时间轴

很多公司都会说自己有一体化平台。问题是，一体化如果只是一张能力清单，其实意义有限。真正有用的一体化，应该是一条从 target 到 commercial 的时间轴：早期有 protein production、structural biology、membrane protein、Cryo-EM、biophysical technology 和 hit discovery；中段有 bioassay、AIDD/CADD、medicinal chemistry、pharmacology 与 DMPK；再往后要接上 CMC、API、formulation、scale-up 和 manufacturing。

图1. 一体化平台如果只是一张能力清单，价值有限；关键是它是否能沿着 target、hit、lead、PCC 到 commercial 的时间轴传递问题。

这条时间轴提醒我们：药物发现不是把多个部门并排放在一起，而是让每个阶段的问题能够自然传到下一个阶段。

Target 阶段要回答的是“这个靶点是否值得投入”。Hit 阶段要回答的是“这个信号是不是假象”。Lead 阶段要回答的是“这个系列能不能被优化”。PCC 阶段要回答的是“这个分子能否在药效、暴露、安全性、可开发性之间同时站住”。如果这些问题没有被按顺序组织起来，再强的平台也会变成局部最优的堆叠。

AI 不是跳过实验的捷径，而是嵌入这个时间轴的加速器：在 modeling 阶段帮助结构预测、binding site prediction 和 virtual screening；在 generation 阶段做 de novo design、hit selection 和属性优化；在 validation 阶段协助检测方法、合成测试和模型优化；在 lead optimization 阶段参与 FEP、MD 和多目标优化。AI 真正的价值不在于“替代研发”，而在于让下一轮实验更值得做。

图2. AI-driven workflow 的位置不是替代实验，而是把 modeling、generation、validation 和 lead optimization 连接到下一轮可执行实验。

所以，一体化的第一层含义不是“我有多少平台”，而是“我能否让每个平台在正确的时间回答正确的问题”。

Hit ID 的第一问，不是“用 HTS 还是 DEL”

早期项目最容易犯的错误，是把技术平台当作答案。手里有 HTS，就想把问题变成 HTS；熟悉 DEL，就倾向于把问题变成 DEL；有结构信息，就自然想从 docking、FBDD 或 virtual screening 切入。

但更好的顺序应该反过来：先问靶点，再问 assay，再问材料和资源，最后才问平台。

图3. Hit ID 不是平台偏好题，而是结构信息、assay 可用性、蛋白量、化学空间、预算与基础设施共同决定的证据购买路径。

如果一个靶点已经有可靠的 3D structure，例如 X-ray、NMR 或 Cryo-EM，那么 FBDD 和 virtual screening 就有了更好的起点。结构信息能把化学空间收束到更有意义的位置，fragment 也更容易被解释和扩展。

如果没有结构，但已经有可靠的 functional 或 cellular assay，HTS 的价值会变高。它能直接验证生物活性，尤其适合资源和基础设施允许、且需要在大规模物理库中寻找起点的项目。

如果 functional assay 还不可靠，或者细胞体系太复杂，那么 affinity-first 的思路更稳。ASMS、SPR、DEL 等方法至少可以先回答一个更底层的问题：分子是否真的接触靶点。没有这个层面的证据，后面的功能 readout 很容易被系统干扰带偏。

如果蛋白极难表达、产量极低，而项目又需要探索巨大的化学空间，DEL 的吸引力就来自它对蛋白量的要求较低，以及用 DNA 编码把超大库压进一个可筛选格式的能力。相反，如果蛋白充足、结构明确、问题聚焦，ASMS、SPR、FBDD 或更小而精的物理库也许更直接。

预算和基础设施同样会改变答案。高资本投入可以支撑 HTS、自动化液体处理、物理库维护和高通量检测；资源更紧的团队，则可能更需要 virtual screening、DEL 或小规模快速评估来先购买关键信息。

这套决策树的核心不是“哪种平台更高级”，而是“当前最缺哪种证据”。强 genetic validation、明确 biological rationale、较好 tractability 的靶点，可以并行多平台，以提高获得多样起点的概率。高风险、低表征的靶点，则更适合先做小规模或快速评估：先确认小分子或肽路线是否有机会，再决定要不要扩大投入。

这就是复杂性管理的第一条规则：不要在靶点问题还没定义清楚时，就过早选择技术答案。

Modality 选择要前置，否则后面会很贵

很多项目把 modality 当成后置选择：先找 hit，找到了再看它能不能发展成小分子、肽、抗体或其他形式。但对难靶点和 first-in-class 靶点来说，这个顺序常常太晚。

更合理的方式，是在 target recommendation 之后就做 ligandability 和 modality assessment。遗传数据、gene mapping、AI data mining 可以帮助形成靶点优先级；随后要问的是：这个靶点更像 small molecule target，还是更适合 linear/cyclic peptide？如果这些路线不成立，是否应该转向 antibody、oligonucleotide、cell therapy 或其他 modality？

图4. Modality 需要在 target recommendation 后前置评估：先判断靶点和配体可行性，再决定小分子、肽、DEL/V-DEL 或其他治疗形式。

DEL 或 V-DEL 在这里的角色就不只是“找 hit”。它还可以作为 target triage 工具：用较少蛋白和较大化学空间，快速观察某些靶点是否产生可解释的富集、是否有 ligandability 信号、是否出现可扩展的 active series。再结合 post-selection chemistry、分子特征、蛋白结构或 Cryo-EM 信息，可以形成 target / modality / platform priority index。

图5. V-DEL 可以被用作 target triage：用平行筛选和 ligandability 观察，把靶点排序和资源聚焦提前。

这里必须保持克制：这种指数或算法不能因为出现在流程图里，就被当成已经独立验证过的行业标准。它更像一种资源分配工具。它的意义在于把原本凭经验争论的事情，尽量变成数据化排序：哪个靶点更值得继续，哪种 modality 更值得推进，哪种平台更可能给出下一步答案。

图6. target / modality / platform index 的意义，是把靶点优先级从经验争论推向可比较的数据排序。

对项目来说，这一步越早，代价越低。等到团队已经花了几轮筛选、合成、验证之后，才发现靶点与 modality 不匹配，损失的不只是钱，还有时间、团队注意力和错误叙事的惯性。

Primary hit 不是成果，只是嫌疑人

药物发现中最危险的时刻，未必是没有 hit，而是出现了看起来很漂亮的 primary hit。

一个筛选信号能过 activity threshold，不代表它就是可发展的化学起点。它可能来自化合物不纯，可能来自 aggregate，可能来自 reactive group，可能来自荧光淬灭或光学干扰，也可能只是某类在各种 assay 中反复出现的 frequent hitter。

所以，从 primary hit 到 validated hit，关键不是急着庆祝一个信号，而是把它放进一套验证链里，逐步证明它确实值得继续。

图7. Primary hit validation 的核心是把信号放进一组递进验证：质量确认、干扰排除、正交 assay、选择性、细胞毒性、生物物理结合和竞争实验。

第一步是确认基本质量：LC-MS 纯度是否足够，dose-response 是否合理，IC50 或 EC50 曲线是否有真实浓度依赖。没有这些，后面的讨论都可能建立在噪音上。

第二步是排除明显干扰：PAINS、aggregator、reactive group、fluorescence interference 都不应该被机械地“一票否决”，但它们必须降低团队对这个 hit 的信任度。一个带红旗的分子需要更多证据，而不是更多想象。

第三步是正交验证。换一个 readout，信号是否还在？从 luminescence 换到 TR-FRET，或者从一种检测模式换到另一种检测模式，能不能仍然看到一致趋势？如果换 readout 后信号消失，说明 primary assay 很可能在讲一个假故事。

第四步是反筛和选择性。对 family member 有什么表现？对 unrelated protein 是否也有信号？在细胞体系里是否只是 cytotoxicity 造成的假阳性？这些实验的作用不是锦上添花，而是防止团队把泛活性误读成选择性。

第五步是 biophysical confirmation。功能信号再漂亮，也要回到一个基本问题：分子是否真的与靶点发生 specific binding？SPR、ASMS 或其他 biophysical assay 不能单独证明药效，但可以帮助区分“真实结合”与“体系假象”。

最后，如果有 positive control 或竞争条件，还要进一步看 MOA 是否合理。竞争实验的价值在于把“有信号”推进到“可能以预期方式作用”。

这条验证链背后的原则很简单：validated hit 是被证据逐步放出来的，不是被项目组宣布出来的。

DMTA 的本质，是让错误假设更快暴露

Design-Make-Test-Analyze 看起来像研发流程图里的老词，但它真正的价值不在图，而在节奏。

图8. DMTA 的重点不是把 Design、Make、Test、Analyze 写成流程，而是让各职能在同一个 feedback cycle 中更新假设。

一个有效的 DMTA 循环，需要让药化、CADD、合成、生物、DMPK 和项目负责人处在同一个反馈周期里。讨论里提到的理想节奏是一周级，与 primary assay workflow 保持同步。这个细节很关键：如果设计周期、合成周期、测试周期和分析周期不同步，项目会不断堆积过期假设。

Design 阶段不只是画结构。真正有用的 design 要带着 protein model、known interaction、FEP、MD、docking、QSAR、matched pair、descriptor 和 efficiency metric 进入讨论。Make 阶段也不是照单合成，而是根据 synthetic route、ease of synthesis、purification 和 identity confirmation 重新排列优先级。Test 阶段不能只看 potency，还要让 biochemical、biophysical、cellular 和 DMPK 数据一起进入判断。Analyze 阶段的任务则是重新形成假设：下一轮到底该补 SAR、改属性、换 scaffold、补实验，还是停掉整个 design set？

这里有一个很实用的做法：每个 design set 先优先合成 2 到 4 个化合物。如果数据不好，就有机会取消整个 set，而不是让合成团队继续生产一组已经失去意义的分子。合成团队也可以把容易做、且能补足 SAR 的邻近化合物加入队列。

这就是“快”的真正含义。快不是少做实验，也不是压缩判断；快是让错误假设少占用一轮、两轮、三轮资源。

AI 如果要在这里产生真实价值，也必须服务于这个目标。它可以帮助 modeling、generation、多目标优化和优先级排序，但最终仍要回到 DMTA：它是否让下一轮分子更值得合成？是否让下一轮实验更能区分假设？如果不能，AI 只是把猜测包装得更漂亮。

从 hit 到 PCC：活性只是故事的第一章

很多失败不是因为团队找不到活性，而是因为团队太晚才发现活性之外的问题。

从 hit 到 PCC 的 screening cascade，本质上是一种 molecule story telling。一个 compound 不能只讲“我有活性”，还要用一层层数据把自己的故事讲完整：它如何结合靶点，如何进入细胞或体内，如何获得足够暴露，如何避开明显安全性和可开发性风险。第一层是 primary binding / biochemical assay、cellular or biochemical selectivity assay 和 secondary cell-based assay。它们回答的是：有没有活性？这个活性是否和目标相关？

图9. 从 hit 到 PCC 的 cascade 把活性、选择性、DMPK、PK/PD、tox、formulation 和 scale-up 逐层纳入同一个分子故事。

第二层开始进入 compound 在身体里的命运：permeability、microsomal stability、protein binding、rodent PK、mechanistic assay、early formulation。它们回答的是：这个分子能不能到达该到达的地方？是否有足够暴露？是否有基本可开发性？

第三层把药效、暴露、代谢和相互作用连起来：hepatocyte clearance、metabolite ID、PK/PD、DDI profiling，包括 CYP、P-gp、PXR 和 transporter。这个阶段开始逼项目回答更难的问题：体外 potency 能否转化为体内 target modulation？代谢和相互作用会不会提前限制窗口？

第四层靠近候选物选择：off-target profiling、kinome 或 Safety-44、in vitro tox、dog 或 primate PK、in vivo efficacy、developability、preformulation、API scale-up、non-GLP tox。到这里，项目已经不能只讲“这个分子很强”，而要讲“这个分子为什么还能继续”。

PCC 不是最强活性的分子，而是跨过多维风险后仍然成立的分子。

这也解释了为什么早期 tool compound 和 in vivo 信息有时很重要。早期 in vivo 不一定是为了立刻证明临床潜力，而是为了校准后续优先级。如果 target modulation 已经达到预期却没有 efficacy，团队要重新审视 biology、模型、biomarker 或机制，而不是继续盲目追 potency。

Go/no-go 是研发纪律，不是流程装饰

最容易被忽视的复杂性，是组织心理。

一个团队越想要某个 target，越容易让项目无限延长。每一次失败都可以被解释为“实验还不对”“scaffold 还不对”“assay 还不对”“PK 还不够好”。这些解释有时是真的，但如果没有预设 hard stop，它们也会变成项目自我欺骗的语言。

Go/no-go 标准的作用，就是在情绪进入判断之前，先定义什么叫继续、什么叫改变路线、什么叫停止。

常见 hard stop 包括：关键 cellular assay 无法建立；关键 protein construct 无法生产；first-in-class 项目中已经实现最大 target modulation，却没有 efficacy；therapeutic index 过窄且无法通过 selectivity 或机制解释改善；scaffold-specific tox 无法通过 backup series 解决；hit 无法证明 tractability，例如 potency 没有可移动性、binding 非特异、pocket 太浅、selectivity 不足以解释 efficacy。

到了 lead optimization，停损标准会更加现实：DDI、tox panel、cross-species PK、dose linearity、CMC、formulation 和 developability，任何一个都可能改变项目命运。

Go/no-go 不是让团队保守，而是让团队诚实。继续不是因为还有想法，而是因为下一个实验仍然能回答一个值得回答的问题。

组织距离也是研发变量

一体化还有一个容易被低估的维度：组织距离。这里的距离不只是物理距离，而是一个判断从发现问题到影响下一步实验之间，要经过多少交接、等待和翻译。

药物发现里，很多延迟并不是实验本身造成的，而是问题在团队之间流动得太慢。Protein team、screening team、structure team、med chem team、DMPK team 和项目负责人如果处在不同系统、不同会议节奏、不同优先级里，一个简单判断就可能被拖成长链条：蛋白构建是否要改？筛选条件是否要换？某个 readout 是否可信？某个 scaffold 是否值得补 SAR？这些问题本身不一定复杂，但交接会放大复杂性。

一体化真正有价值的地方，是缩短反馈距离。不是因为所有能力放在一起就天然更科学，而是因为它让问题更快回到能解决它的人手里：protein construct 的修改可以直接影响下一轮筛选；结构信息可以直接改变下一组分子设计；DMPK 结果可以及时改变药化优化目标。关键不是“谁拥有更多平台”，而是这些平台之间是否能快速形成共同判断。

这不是说所有项目都必须内部化，也不是说一体化服务商一定优于分散式合作。真正的判断标准应该是：组织结构是否减少了关键问题的等待时间，是否减少了信息在团队之间翻译时的损耗，是否让每一轮实验更快指导下一轮决策。

结语：早期发现的核心能力，是更早知道什么不值得做

如果把这场讨论压缩成一句话，我会说：现代药物发现的效率，不是来自筛到更多 hit，而是来自更早知道哪些 hit、哪些靶点、哪些假设不值得继续。

这听起来不够振奋，但它更接近真实研发。

一个好项目，不是每一轮都有漂亮数据，而是每一轮都能减少不确定性。Hit ID 决策树减少平台选择的不确定性；modality triage 减少路线选择的不确定性；hit validation 减少假阳性的不确定性；DMTA 减少设计假设的不确定性；screening cascade 减少候选物风险的不确定性；go/no-go 减少组织自我欺骗的不确定性。

复杂性不会消失。能做的，是把它前置、拆开、验证，并放进一个有节奏的循环里。

真正的一体化，也不是把所有能力写在一页 slide 上，而是让每个实验都能指导决策。

参考资料

• Viva BioInsights 圆桌讨论：Managing Complexity in Modern Drug Discovery: A Practical Approach to Integrated Screening & Chemistry.
• Viva Biotech 官方资料：About Viva Biotech
• DEL 背景文献：Brenner S, Lerner RA. Encoded combinatorial chemistry. PNAS, 1992.
• Assay interference 背景：Assay Artifacts and Interferences, NCBI Bookshelf.
• Orthogonal/counterscreen 背景：Interferences with Luciferase Reporter Enzymes, NCBI Bookshelf.
• PAINS 背景：Baell JB, Holloway GA. New Substructure Filters for Removal of PAINS. Journal of Medicinal Chemistry, 2010.