-01-

引言

合成致死，這一概念在二十多年前首次提出，長期以來在靶向癌癥治療領域蘊含著巨大的前景。盡管作為概念驗證，PARP抑制劑在BRCA突變癌癥中獲得了臨床成功，但極少有其他合成致死相互作用能從臨床前發(fā)現(xiàn)轉化為有效療法。這種緩慢的轉化速度，部分源于開發(fā)針對遺傳依賴性藥物的困難，同時也反映了這些相互作用的細胞和組織特異性。

本綜述概述了合成致死配對發(fā)現(xiàn)和驗證的最新進展，從大規(guī)模遺傳篩選中的發(fā)現(xiàn)到臨床藥物的開發(fā)。我們討論了基于CRISPR的替代方法——包括組合篩選、堿基編輯和飽和誘變——如何被用于發(fā)現(xiàn)新的可靶向相互作用。同時，我們探討了機器學習模型如何能夠實現(xiàn)對候選配對的優(yōu)先排序和患者分層生物標志物的識別。最后，我們強調了超越簡單細胞生長或適應度的表型讀數(shù)，如高內涵成像和單細胞分析，它們使得更精細的表型解析成為可能。這些發(fā)展共同完善了合成致死范式，并推進了其在癌癥治療中的潛力。

-02-

一、合成致死的臨床轉化進展

精準腫瘤學的成功多基于利用癌基因，但存在局限：并非所有癌基因（如MYC）易于成藥；許多腫瘤以腫瘤抑制基因功能喪失為特征，直接靶向無效。合成致死提供了一種策略，通過靶向由此獲得的依賴性（如PARP1）來治療攜帶腫瘤抑制基因失活或不可成藥驅動因子的腫瘤。

過去二十年，已發(fā)現(xiàn)數(shù)千個候選合成致死相互作用。SynLethDB和SLKB數(shù)據(jù)庫分別報告了超過26,000和16,000個基因對。然而，僅少數(shù)在低通量實驗或動物模型中驗證，更少進入臨床試驗。BRCA–PARP仍是臨床最突出的例子。近期一項系統(tǒng)分析確定了1,207項基于合成致死的臨床試驗，其中三分之二涉及DNA損傷反應基因，表明其潛力尚未完全實現(xiàn)。值得注意的是，許多試驗是BRCA–PARP相互作用的延伸。非DDR靶點的試驗包括EZH2、PLK1和PRMT5抑制劑。有趣的是，基于合成致死的臨床試驗成功率高于非合成致死試驗，提示存在擴展到DDR之外的未開發(fā)機會。

合成致死的上下文特異性

BRCA–PARP相互作用在各種模型和癌癥類型中表現(xiàn)穩(wěn)健，但此后發(fā)現(xiàn)的許多相互作用高度依賴于上下文。例如，不同KRAS相關篩選的重疊極少。遺傳背景、細胞類型、篩選形式和培養(yǎng)條件都可能貢獻于這種特異性。對PARP抑制劑耐藥性的篩選揭示了BRCA狀態(tài)外影響敏感性的多個基因，表明PARP敏感性是復雜的。類似地，KRAS和LKB1突變組合可預測非小細胞肺癌對COPI抑制的敏感性。環(huán)境條件（如葡萄糖或DNA損傷劑）也可重布線遺傳相互作用。一些靶向癌細胞新興特性（如同源重組缺陷）的相互作用可能源于不同基因的改變，提示需要超越一對一基因關系的視角。

從遺傳靶點到藥物的挑戰(zhàn)

全基因組功能喪失篩選是發(fā)現(xiàn)新合成致死相互作用的主要方法。然而，許多已識別靶點缺乏使其適合藥物開發(fā)的特性，因為僅約15-20%的蛋白質編碼基因可用傳統(tǒng)小分子或抗體方法“成藥”。缺乏酶活性或配體結合位點的蛋白質（如轉錄因子）通常被認為難以成藥。例如，ARID1B是ARID1A缺失細胞中的穩(wěn)健合成致死靶點，但因其缺乏明確配體結合位點，十年后仍未開發(fā)出小分子抑制劑。

替代靶向方法如分子膠和蛋白水解靶向嵌合體（PROTAC）有望擴展可成藥空間。PROTACs通過將靶蛋白與E3連接酶結合以促進降解，正針對多個合成致死靶點研究，最顯著的是SMARCA4–SMARCA2。然而，并非所有蛋白質都適合PROTAC降解。一項系統(tǒng)分析提名了1,336個“PROTAC可靶向”蛋白質，但未包括ARID1B等有希望的命中。盡管多個PROTACs臨床試驗進行中，尚無獲批用于臨床。

許多有希望的合成致死伙伴涉及基因旁系同源物對。靶向這些配對需解決特異性問題，以避免抑制兩者可能產(chǎn)生的毒性。例如，ENO1缺失細胞對ENO2抑制敏感，但ENO1是紅細胞唯一表達的烯醇化酶，其抑制會導致毒性，促使開發(fā)ENO2特異性抑制劑。已成功開發(fā)出選擇性靶向旁系同源家族中單個成員的抑制劑（如PARP1選擇性抑制劑），表明特異性障礙可克服。

從遺傳靶點轉向新藥的另一挑戰(zhàn)是，小分子抑制與遺傳擾動（敲除/敲低）的表型效應可能不一致，因小分子可能僅抑制多域蛋白的單個活性，而遺傳擾動破壞所有功能。在某些情況下，小分子作用可能大于遺傳擾動，如PARP抑制劑的“捕獲”效應導致比單獨敲除更大的適應度缺陷。

評估和克服毒性

典型篩選比較擾動對不同癌細胞系的影響，提供敏感性生物標志物信息，但難以洞察人體毒性。癌癥依賴圖譜數(shù)據(jù)可將基因分類為“普遍必需”或“選擇性必需”。許多癌基因屬選擇性必需，是優(yōu)選靶點。但許多候選合成致死靶點是普遍必需基因。RNAi篩選可能揭示部分抑制對特定基因型的選擇性效應，而CRISPR敲除篩選因完全破壞基因可能無法識別。例如，RNAi篩選顯示KRAS突變與PLK1和蛋白酶體亞基抑制敏感性增加相關，這些是普遍必需基因。這些關聯(lián)可能不代表真正合成致死，但敏感性差異可能仍提供治療窗口。

MTAP–PRMT5相互作用是一個成功例子。MTAP缺失導致其底物MTA積累，部分抑制PRMT5，使MTAP缺失細胞對PRMT5抑制更敏感。第一代PRMT5抑制劑因PRMT5的必需作用仍引起毒性。第二代MTA協(xié)同抑制劑利用MTA結合狀態(tài)，選擇性破壞MTAP缺失細胞生長，已進入臨床開發(fā)（如MRTX1719和AMG193）。

缺乏系統(tǒng)方法評估基因抑制對非癌細胞的毒性。理想情況下，應有類似DepMap的資源報告健康細胞對基因抑制的敏感性。小鼠敲除研究和類器官模型可能提供見解。

即使在PARP抑制劑案例中，血液學毒性在臨床使用后才變得明顯。幾種合成致死療法在晚期階段識別出嚴重毒性，如USP1抑制劑TNG348因肝毒性終止，ATR抑制劑M4344也因肝毒性停止開發(fā)，后者可能源于脫靶抑制UGT1A1。

用現(xiàn)有藥物進行篩選

重新利用現(xiàn)有化合物可大大縮短上市時間。藥物庫篩選可識別新敏感性生物標志物。例如，SF3B1突變和EWS–FLI1易位與PARP抑制劑敏感性增加相關。重新定位也發(fā)現(xiàn)利用現(xiàn)有小分子的機會，如ROS1抑制與CDH1突變合成致死，可利用已批準的克唑替尼和恩曲替尼，迅速啟動了CDH1缺失乳腺癌的臨床試驗。

-03- 

二、全基因組多重擾動篩選

全面的遺傳相互作用圖譜極具價值，但實驗測試所有基因對具有挑戰(zhàn)性。這里討論基于CRISPR的進展如何擴大可測試的遺傳相互作用數(shù)量，并建議使用啟發(fā)式策略橫貫遺傳相互作用景觀。

用CRISPR解鎖大規(guī)�；�因組合篩選

多種系統(tǒng)應用于體外檢查遺傳相互作用，包括雙引導RNA Cas9、Cas12a/In4mer和Cas13d系統(tǒng)。同基因細胞系系統(tǒng)結合全基因組文庫可識別上位性。其他系統(tǒng)包括CRISPR抑制和激活系統(tǒng)。

哺乳動物細胞中潛在的基因相互作用篩選空間估計約為2億個全基因組成對相互作用。迄今發(fā)表的大多數(shù)組合文庫評估了最多5,000個基因對，通常在1,000個左右。篩選所有基因對需要至少2億個配對gRNA構建體，且需在多個模型中測試。目前，無重大技術進步下，完整的實驗衍生遺傳相互作用圖譜似乎不太可能。酵母等系統(tǒng)實驗表明合成致死相互作用極其罕見，預計相互作用景觀大部分是空的。

旁系同源物是合成致死相互作用最富集的基因群。同一復合物或通路中的基因也富集遺傳相互作用。這為篩選方法提供了信息：優(yōu)先考慮最可能發(fā)生相互作用的基因對，同時選擇對訓練機器學習算法最有信息的基因對，以集中資源尋找最具治療吸引力的靶點。

利用遺傳誘變篩選揭示結構-功能關系

識別合成致死靶點后，額外功能篩選可精確定位可能被小分子靶向的殘基。挑戰(zhàn)在于確定蛋白質哪些特定活性貢獻于合成致死相互作用。有幾種方法用于靶蛋白的掃描或飽和誘變。

堿基編輯將催化失活的Cas9與脫氨酶融合，直接編輯基因組，高效生成精確編輯而不產(chǎn)生雙鏈斷裂，但編輯范圍有限。先導編輯使用包含編輯模板的gRNA，更精確，也不產(chǎn)生雙鏈斷裂，適合對雙鏈斷裂敏感的系統(tǒng)。飽和基因組編輯通過同源重組引入全范圍遺傳變異，但需要產(chǎn)生雙鏈斷裂，通常使用近單倍體HAP1 LIG4缺失細胞增強同源重組。最近，HAP1 LIG4缺失細胞用于探索BAP1和RAD51C等基因中的所有可能變異，發(fā)現(xiàn)實驗衍生的功能評分與臨床分類高度相關。堿基編輯已應用于檢查對腫瘤藥物的細胞反應，識別耐藥突變，并與單細胞轉錄組測序結合提供更豐富表型讀數(shù)。誘變篩選工作量巨大，使得能精煉靶點空間的計算方法尤為重要。

-04-

三、計算機引導的合成致死相互作用發(fā)現(xiàn)遺傳相互作用景觀的組合性和稀疏性給實驗測試帶來挑戰(zhàn)。大規(guī)模生物學數(shù)據(jù)和計算建模進步使得在計算機中預測這些相互作用變得更加可行。然而，準確預測合成致死相互作用仍是未解決的問題。

預測合成致死相互作用

早期計算方法受微生物遺傳相互作用數(shù)據(jù)集驅動。基于生物網(wǎng)絡的概率模型結合異構數(shù)據(jù)類型預測遺傳相互作用。蛋白質-蛋白質相互作用網(wǎng)絡整合表明，合成致死相互作用可通過互補過程破壞在通路水平解釋。人類和酵母遺傳相互作用網(wǎng)絡比較揭示了人類細胞中更可能觀察到的預測合成致死特征。

基因組尺度代謝機制模型結合了代謝反應及其遺傳調控的廣泛知識，使用線性規(guī)劃預測遺傳擾動和環(huán)境變化對代謝和細胞活力的影響。它們可通過代謝通量耦合預測遺傳相互作用，并確認了合成致死相互作用的通路組織。遺傳相互作用數(shù)據(jù)可用于自動化模型精煉。

進化保守遺傳相互作用研究從酵母到人類細胞，成功識別了癌癥中的合成致死相互作用，如MSH2–SENP6。但總體上，遺傳相互作用在微生物和哺乳動物細胞間不強烈保守。某些關鍵癌癥基因直系同源物在微生物中缺失，限制了其用于發(fā)現(xiàn)。

因此，焦點轉向人類癌細胞。DepMap等聯(lián)盟促進了大規(guī)模合成致死相互作用的發(fā)現(xiàn)。癌細胞系作為腫瘤模型的相關性存在爭議，但大規(guī)模比較揭示了它們與腫瘤分子譜之間的強一致性。WRN–MSI合成致死相互作用的識別及體內驗證支持了細胞系的效用。統(tǒng)計方法利用腫瘤基因組數(shù)據(jù)集優(yōu)先考慮具有基因組改變相互排斥或共表達模式的基因對。人類基因組尺度代謝模型也被用于識別合成致死相互作用，如延胡索酸水合酶和血紅素加氧酶通路活性之間的致死性。隨著組合遺傳篩選數(shù)據(jù)增長，使用優(yōu)化算法精煉模型可改進預測。

機器學習方法在預測合成致死相互作用方面前景巨大，但存在局限：跨物種保守性差、訓練數(shù)據(jù)集高度不平衡、預測超越充分研究的蛋白質類別具有挑戰(zhàn)性。旁系同源基因對是預測最成功的應用。預測非旁系同源對的合成致死仍是重大挑戰(zhàn)，主要因訓練數(shù)據(jù)有限，且被相互作用的高度上下文依賴性加劇。協(xié)調和整合多個遺傳相互作用篩選數(shù)據(jù)可能有助于解決局限性。開發(fā)和完善合成致死數(shù)據(jù)庫（如SynLethDB和SLKB）對于穩(wěn)健基準測試和改進機器學習模型至關重要。

總之，合成致死預測進展從基于微生物模型發(fā)展到針對人類癌細胞的復雜方法。計算方法有助于精煉預測，但上下文特異性、數(shù)據(jù)集不平衡和對穩(wěn)健訓練數(shù)據(jù)的需求等挑戰(zhàn)仍然存在。

擴展遺傳相互作用及其成藥性

傳統(tǒng)上，遺傳相互作用通過細胞活力影響識別，但僅捕獲部分表型變化。擴展到單細胞讀數(shù)和高內涵成像能探索更廣泛的表型變化。

單細胞RNA測序與遺傳擾動結合，能在單基因和雙基因修飾后表征轉錄譜�；�于轉錄譜相似性的遺傳相互作用圖譜可從中挖掘遺傳相互作用。優(yōu)勢在于提供比活力測量更詳細的表型讀數(shù)，支持差異基因表達和細胞狀態(tài)識別，并訓練更先進機器學習模型。挑戰(zhàn)包括分析時間點和成本限制。大規(guī)模單細胞轉錄組數(shù)據(jù)集（如人類細胞圖譜）使得能夠訓練深度學習模型預測細胞對擾動的轉錄組反應，有助于聚焦功能篩選。

細胞繪畫是一種使用多重熒光染色捕獲細胞形態(tài)學特征的高內涵成像檢測，可分析由藥物或遺傳擾動誘導的形態(tài)學變化。遺傳和基于圖像的高通量篩選與人工智能整合，代表通過將形態(tài)學、表達和細胞相互作用譜與遺傳改變或藥物擾動聯(lián)系起來繪制遺傳相互作用的強大策略。

如前所述，許多合成致死靶點難以成藥。AlphaFold和RoseTTAFold等工具革命性地從序列預測蛋白質結構，促進了基于結構的藥物設計。但限制包括結構預測是靜態(tài)的、無法捕捉替代構象、不模擬翻譯后修飾、預測由SNP導致的結構變化能力有限。生成式強化學習方法（如GENTRL）能快速設計新型抑制劑，如在46天內設計出上皮盤狀結構域受體1激酶的有效抑制劑。另一種方法POLYGON利用多藥理學特異性抑制多種蛋白質，為已知合成致死基因對生成候選分子。對于MEK1和mTOR對，合成了32種候選分子，許多顯示出顯著靶上效應。這是一個快速發(fā)展的領域，正在探索其他深度學習策略，盡管重大挑戰(zhàn)（如可靠生成化學有效分子）仍然存在。

-05-

五、未來展望

合成致死是選擇性靶向癌細胞的有前途的方法。DNA損傷反應基因因其作為隱性腫瘤抑制因子的特性而富含保守的合成致死網(wǎng)絡，成為理想的靶點。新興的大規(guī)模擾動實驗和計算技術正系統(tǒng)性地探索這一領域。下一代機器學習模型有望整合多組學數(shù)據(jù)，以應對遺傳相互作用的背景特異性和數(shù)據(jù)不平衡挑戰(zhàn)，從而更準確地預測不同癌癥背景下的新相互作用。 

在靶向策略上，PROTAC和分子膠等技術為靶向傳統(tǒng)“不可成藥”的蛋白質（如SMARCA2）提供了可能。人工智能模型正加速小分子的發(fā)現(xiàn)與設計，進一步擴展了可靶向的相互作用集合。同時，研究模型也在演進，癌癥類器官能更忠實地代表腫瘤分子譜，并允許進行更具臨床意義的腫瘤-正常組織比較。 

未來的關鍵挑戰(zhàn)包括深入理解靶點成藥性的規(guī)律，以及探索合成致死療法如何與現(xiàn)有的化療、放療及免疫療法產(chǎn)生協(xié)同作用。通過計算預測和優(yōu)化這些組合相互作用，對于推動合成致死策略的臨床成功至關重要。

參考資料：

Synthetic lethality in cancer drug discovery: challenges and opportunities. Nat Rev Drug Discov. 2026 Jan;25(1):22-38. 

       原文標題 : 合成致死在癌癥藥物發(fā)現(xiàn)中的挑戰(zhàn)與機遇