合成致死在癌症药物发现中的挑战与机遇

引言

合成致死，这一概念在二十多年前首次提出，长期以来在靶向癌症治疗领域蕴含着巨大的前景。尽管作为概念验证，PARP抑制剂在BRCA突变癌症中获得了临床成功，但极少有其他合成致死相互作用能从临床前发现转化为有效疗法。这种缓慢的转化速度，部分源于开发针对遗传依赖性药物的困难，同时也反映了这些相互作用的细胞和组织特异性。

本综述概述了合成致死配对发现和验证的最新进展，从大规模遗传筛选中的发现到临床药物的开发。我们讨论了基于CRISPR的替代方法——包括组合筛选、碱基编辑和饱和诱变——如何被用于发现新的可靶向相互作用。同时，我们探讨了机器学习模型如何能够实现对候选配对的优先排序和患者分层生物标志物的识别。最后，我们强调了超越简单细胞生长或适应度的表型读数，如高内涵成像和单细胞分析，它们使得更精细的表型解析成为可能。这些发展共同完善了合成致死范式，并推进了其在癌症治疗中的潜力。

一、合成致死的临床转化进展

精准肿瘤学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）易于成药；许多肿瘤以肿瘤抑制基因功能丧失为特征，直接靶向无效。合成致死提供了一种策略，通过靶向由此获得的依赖性（如PARP1）来治疗携带肿瘤抑制基因失活或不可成药驱动因子的肿瘤。

过去二十年，已发现数千个候选合成致死相互作用。SynLethDB和SLKB数据库分别报告了超过26,000和16,000个基因对。然而，仅少数在低通量实验或动物模型中验证，更少进入临床试验。BRCA–PARP仍是临床最突出的例子。近期一项系统分析确定了1,207项基于合成致死的临床试验，其中三分之二涉及DNA损伤反应基因，表明其潜力尚未完全实现。值得注意的是，许多试验是BRCA–PARP相互作用的延伸。非DDR靶点的试验包括EZH2、PLK1和PRMT5抑制剂。有趣的是，基于合成致死的临床试验成功率高于非合成致死试验，提示存在扩展到DDR之外的未开发机会。

合成致死的上下文特异性

BRCA–PARP相互作用在各种模型和癌症类型中表现稳健，但此后发现的许多相互作用高度依赖于上下文。例如，不同KRAS相关筛选的重叠极少。遗传背景、细胞类型、筛选形式和培养条件都可能贡献于这种特异性。对PARP抑制剂耐药性的筛选揭示了BRCA状态外影响敏感性的多个基因，表明PARP敏感性是复杂的。类似地，KRAS和LKB1突变组合可预测非小细胞肺癌对COPI抑制的敏感性。环境条件（如葡萄糖或DNA损伤剂）也可重布线遗传相互作用。一些靶向癌细胞新兴特性（如同源重组缺陷）的相互作用可能源于不同基因的改变，提示需要超越一对一基因关系的视角。

从遗传靶点到药物的挑战

全基因组功能丧失筛选是发现新合成致死相互作用的主要方法。然而，许多已识别靶点缺乏使其适合药物开发的特性，因为仅约15-20%的蛋白质编码基因可用传统小分子或抗体方法“成药”。缺乏酶活性或配体结合位点的蛋白质（如转录因子）通常被认为难以成药。例如，ARID1B是ARID1A缺失细胞中的稳健合成致死靶点，但因其缺乏明确配体结合位点，十年后仍未开发出小分子抑制剂。

替代靶向方法如分子胶和蛋白水解靶向嵌合体（PROTAC）有望扩展可成药空间。PROTACs通过将靶蛋白与E3连接酶结合以促进降解，正针对多个合成致死靶点研究，最显著的是SMARCA4–SMARCA2。然而，并非所有蛋白质都适合PROTAC降解。一项系统分析提名了1,336个“PROTAC可靶向”蛋白质，但未包括ARID1B等有希望的命中。尽管多个PROTACs临床试验进行中，尚无获批用于临床。

许多有希望的合成致死伙伴涉及基因旁系同源物对。靶向这些配对需解决特异性问题，以避免抑制两者可能产生的毒性。例如，ENO1缺失细胞对ENO2抑制敏感，但ENO1是红细胞唯一表达的烯醇化酶，其抑制会导致毒性，促使开发ENO2特异性抑制剂。已成功开发出选择性靶向旁系同源家族中单个成员的抑制剂（如PARP1选择性抑制剂），表明特异性障碍可克服。

从遗传靶点转向新药的另一挑战是，小分子抑制与遗传扰动（敲除/敲低）的表型效应可能不一致，因小分子可能仅抑制多域蛋白的单个活性，而遗传扰动破坏所有功能。在某些情况下，小分子作用可能大于遗传扰动，如PARP抑制剂的“捕获”效应导致比单独敲除更大的适应度缺陷。

评估和克服毒性

典型筛选比较扰动对不同癌细胞系的影响，提供敏感性生物标志物信息，但难以洞察人体毒性。癌症依赖图谱数据可将基因分类为“普遍必需”或“选择性必需”。许多癌基因属选择性必需，是优选靶点。但许多候选合成致死靶点是普遍必需基因。RNAi筛选可能揭示部分抑制对特定基因型的选择性效应，而CRISPR敲除筛选因完全破坏基因可能无法识别。例如，RNAi筛选显示KRAS突变与PLK1和蛋白酶体亚基抑制敏感性增加相关，这些是普遍必需基因。这些关联可能不代表真正合成致死，但敏感性差异可能仍提供治疗窗口。

MTAP–PRMT5相互作用是一个成功例子。MTAP缺失导致其底物MTA积累，部分抑制PRMT5，使MTAP缺失细胞对PRMT5抑制更敏感。第一代PRMT5抑制剂因PRMT5的必需作用仍引起毒性。第二代MTA协同抑制剂利用MTA结合状态，选择性破坏MTAP缺失细胞生长，已进入临床开发（如MRTX1719和AMG193）。

缺乏系统方法评估基因抑制对非癌细胞的毒性。理想情况下，应有类似DepMap的资源报告健康细胞对基因抑制的敏感性。小鼠敲除研究和类器官模型可能提供见解。

即使在PARP抑制剂案例中，血液学毒性在临床使用后才变得明显。几种合成致死疗法在晚期阶段识别出严重毒性，如USP1抑制剂TNG348因肝毒性终止，ATR抑制剂M4344也因肝毒性停止开发，后者可能源于脱靶抑制UGT1A1。

用现有药物进行筛选

重新利用现有化合物可大大缩短上市时间。药物库筛选可识别新敏感性生物标志物。例如，SF3B1突变和EWS–FLI1易位与PARP抑制剂敏感性增加相关。重新定位也发现利用现有小分子的机会，如ROS1抑制与CDH1突变合成致死，可利用已批准的克唑替尼和恩曲替尼，迅速启动了CDH1缺失乳腺癌的临床试验。

二、全基因组多重扰动筛选

全面的遗传相互作用图谱极具价值，但实验测试所有基因对具有挑战性。这里讨论基于CRISPR的进展如何扩大可测试的遗传相互作用数量，并建议使用启发式策略横贯遗传相互作用景观。

用CRISPR解锁大规模基因组合筛选

多种系统应用于体外检查遗传相互作用，包括双引导RNA Cas9、Cas12a/In4mer和Cas13d系统。同基因细胞系系统结合全基因组文库可识别上位性。其他系统包括CRISPR抑制和激活系统。

哺乳动物细胞中潜在的基因相互作用筛选空间估计约为2亿个全基因组成对相互作用。迄今发表的大多数组合文库评估了最多5,000个基因对，通常在1,000个左右。筛选所有基因对需要至少2亿个配对gRNA构建体，且需在多个模型中测试。目前，无重大技术进步下，完整的实验衍生遗传相互作用图谱似乎不太可能。酵母等系统实验表明合成致死相互作用极其罕见，预计相互作用景观大部分是空的。

旁系同源物是合成致死相互作用最富集的基因群。同一复合物或通路中的基因也富集遗传相互作用。这为筛选方法提供了信息：优先考虑最可能发生相互作用的基因对，同时选择对训练机器学习算法最有信息的基因对，以集中资源寻找最具治疗吸引力的靶点。

利用遗传诱变筛选揭示结构-功能关系

识别合成致死靶点后，额外功能筛选可精确定位可能被小分子靶向的残基。挑战在于确定蛋白质哪些特定活性贡献于合成致死相互作用。有几种方法用于靶蛋白的扫描或饱和诱变。

碱基编辑将催化失活的Cas9与脱氨酶融合，直接编辑基因组，高效生成精确编辑而不产生双链断裂，但编辑范围有限。先导编辑使用包含编辑模板的gRNA，更精确，也不产生双链断裂，适合对双链断裂敏感的系统。饱和基因组编辑通过同源重组引入全范围遗传变异，但需要产生双链断裂，通常使用近单倍体HAP1 LIG4缺失细胞增强同源重组。最近，HAP1 LIG4缺失细胞用于探索BAP1和RAD51C等基因中的所有可能变异，发现实验衍生的功能评分与临床分类高度相关。碱基编辑已应用于检查对肿瘤药物的细胞反应，识别耐药突变，并与单细胞转录组测序结合提供更丰富表型读数。诱变筛选工作量巨大，使得能精炼靶点空间的计算方法尤为重要。

-04-
三、计算机引导的合成致死相互作用发现

遗传相互作用景观的组合性和稀疏性给实验测试带来挑战。大规模生物学数据和计算建模进步使得在计算机中预测这些相互作用变得更加可行。然而，准确预测合成致死相互作用仍是未解决的问题。

预测合成致死相互作用

早期计算方法受微生物遗传相互作用数据集驱动。基于生物网络的概率模型结合异构数据类型预测遗传相互作用。蛋白质-蛋白质相互作用网络整合表明，合成致死相互作用可通过互补过程破坏在通路水平解释。人类和酵母遗传相互作用网络比较揭示了人类细胞中更可能观察到的预测合成致死特征。

基因组尺度代谢机制模型结合了代谢反应及其遗传调控的广泛知识，使用线性规划预测遗传扰动和环境变化对代谢和细胞活力的影响。它们可通过代谢通量耦合预测遗传相互作用，并确认了合成致死相互作用的通路组织。遗传相互作用数据可用于自动化模型精炼。

进化保守遗传相互作用研究从酵母到人类细胞，成功识别了癌症中的合成致死相互作用，如MSH2–SENP6。但总体上，遗传相互作用在微生物和哺乳动物细胞间不强烈保守。某些关键癌症基因直系同源物在微生物中缺失，限制了其用于发现。

因此，焦点转向人类癌细胞。DepMap等联盟促进了大规模合成致死相互作用的发现。癌细胞系作为肿瘤模型的相关性存在争议，但大规模比较揭示了它们与肿瘤分子谱之间的强一致性。WRN–MSI合成致死相互作用的识别及体内验证支持了细胞系的效用。统计方法利用肿瘤基因组数据集优先考虑具有基因组改变相互排斥或共表达模式的基因对。人类基因组尺度代谢模型也被用于识别合成致死相互作用，如延胡索酸水合酶和血红素加氧酶通路活性之间的致死性。随着组合遗传筛选数据增长，使用优化算法精炼模型可改进预测。

机器学习方法在预测合成致死相互作用方面前景巨大，但存在局限：跨物种保守性差、训练数据集高度不平衡、预测超越充分研究的蛋白质类别具有挑战性。旁系同源基因对是预测最成功的应用。预测非旁系同源对的合成致死仍是重大挑战，主要因训练数据有限，且被相互作用的高度上下文依赖性加剧。协调和整合多个遗传相互作用筛选数据可能有助于解决局限性。开发和完善合成致死数据库（如SynLethDB和SLKB）对于稳健基准测试和改进机器学习模型至关重要。

总之，合成致死预测进展从基于微生物模型发展到针对人类癌细胞的复杂方法。计算方法有助于精炼预测，但上下文特异性、数据集不平衡和对稳健训练数据的需求等挑战仍然存在。

扩展遗传相互作用及其成药性

传统上，遗传相互作用通过细胞活力影响识别，但仅捕获部分表型变化。扩展到单细胞读数和高内涵成像能探索更广泛的表型变化。

单细胞RNA测序与遗传扰动结合，能在单基因和双基因修饰后表征转录谱。基于转录谱相似性的遗传相互作用图谱可从中挖掘遗传相互作用。优势在于提供比活力测量更详细的表型读数，支持差异基因表达和细胞状态识别，并训练更先进机器学习模型。挑战包括分析时间点和成本限制。大规模单细胞转录组数据集（如人类细胞图谱）使得能够训练深度学习模型预测细胞对扰动的转录组反应，有助于聚焦功能筛选。

细胞绘画是一种使用多重荧光染色捕获细胞形态学特征的高内涵成像检测，可分析由药物或遗传扰动诱导的形态学变化。遗传和基于图像的高通量筛选与人工智能整合，代表通过将形态学、表达和细胞相互作用谱与遗传改变或药物扰动联系起来绘制遗传相互作用的强大策略。

如前所述，许多合成致死靶点难以成药。AlphaFold和RoseTTAFold等工具革命性地从序列预测蛋白质结构，促进了基于结构的药物设计。但限制包括结构预测是静态的、无法捕捉替代构象、不模拟翻译后修饰、预测由SNP导致的结构变化能力有限。生成式强化学习方法（如GENTRL）能快速设计新型抑制剂，如在46天内设计出上皮盘状结构域受体1激酶的有效抑制剂。另一种方法POLYGON利用多药理学特异性抑制多种蛋白质，为已知合成致死基因对生成候选分子。对于MEK1和mTOR对，合成了32种候选分子，许多显示出显著靶上效应。这是一个快速发展的领域，正在探索其他深度学习策略，尽管重大挑战（如可靠生成化学有效分子）仍然存在。

-05-

五、未来展望

合成致死是选择性靶向癌细胞的有前途的方法。DNA损伤反应基因因其作为隐性肿瘤抑制因子的特性而富含保守的合成致死网络，成为理想的靶点。新兴的大规模扰动实验和计算技术正系统性地探索这一领域。下一代机器学习模型有望整合多组学数据，以应对遗传相互作用的背景特异性和数据不平衡挑战，从而更准确地预测不同癌症背景下的新相互作用。

在靶向策略上，PROTAC和分子胶等技术为靶向传统“不可成药”的蛋白质（如SMARCA2）提供了可能。人工智能模型正加速小分子的发现与设计，进一步扩展了可靶向的相互作用集合。同时，研究模型也在演进，癌症类器官能更忠实地代表肿瘤分子谱，并允许进行更具临床意义的肿瘤-正常组织比较。

未来的关键挑战包括深入理解靶点成药性的规律，以及探索合成致死疗法如何与现有的化疗、放疗及免疫疗法产生协同作用。通过计算预测和优化这些组合相互作用，对于推动合成致死策略的临床成功至关重要。

参考资料：

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

公众号已建立“小药说药专业交流群”微信行业交流群以及读者交流群，扫描下方小编二维码加入，入行业群请主动告知姓名、工作单位和职务。