做 siRNA、ASO 这类小核酸研发,只靠 AI 直接出序列很容易踩坑,只盲目合成大量样品做湿实验又成本高、周期长,正确的方式是 AI 先完成靶点区域初筛、序列批量生成、脱靶与免疫风险打分,再交给湿实验做分层验证,再把实验活性数据回传给 AI 模型迭代优化,形成干、湿闭环;AI 擅长快速遍历海量候选、预测 mRNA 可及性、二级结构、热力学不对称性、脱靶同源比对,但是没办法完全模拟细胞内真实环境、递送条件、蛋白水平的沉默效果,湿实验的价值就是逐层过滤假阳性,验证 mRNA 敲低、蛋白表达、细胞毒性、免疫刺激,二者分工配合,就能用更少合成样品,更快锁定活性稳定、安全性可控的 lead 序列。
一、AI 与湿实验分工对照表
| 环节 | AI 辅助(干实验)核心工作 | 湿实验核心验证内容 |
|---|---|---|
| 靶点区域确认 | mRNA 结构预测、可及性打分、保守区域筛选、SNP 规避、转录本亚型区分 | RNase 探针、SHAPE 结构探测,实测 mRNA 在胞内真实开放区域 |
| 序列生成初筛 | 批量产出候选序列,按 Reynolds、Ui-Tei 规则打分,GC 控制 30%–52%,评估双链不对称性、自折叠、免疫基序 | 批量合成候选库,高通量 qPCR 初筛 mRNA 敲低效率 |
| 风险评估 | 全转录组 BLAST 脱靶预测、免疫刺激序列识别、修饰方案虚拟评估 | 转录组测序检测全基因组脱靶、细胞因子检测评估免疫原性 |
| 候选优化 | 根据湿实验活性数据,重新训练模型,调整修饰位点、骨架、糖基修饰组合 | 梯度剂量 - 效应、蛋白 WB 验证、稳定性、递送体系适配测试 |
| 最终确认 | 成药性、专利自由度 FTO 评估,体内效果预判 | 细胞功能实验、动物体内药效、组织分布验证 |
二、完整闭环操作流程清单
- 靶点基础信息准备:拿到目标基因转录本序列,区分不同剪接亚型,锁定需要沉默的转录本,排除高频 SNP 位点
- AI 靶点预选:调用 RNAfold、自研核酸大模型预测 mRNA 二级结构,优先挑选低自由能、开放可及区域,避开高度折叠的茎环区,生成 50–100 条候选序列
- AI 过滤排序:剔除高脱靶、高免疫风险、极端 GC、长同聚碱基序列,输出 Top20–30 优先级候选,同步给出化学修饰推荐方案
- 第一轮湿实验高通量初筛:合成候选序列,转染目标细胞,qPCR 检测 mRNA 敲低,筛出 Top3–5 活性较好分子
- 第二轮深度湿验证:WB 看蛋白水平、剂量梯度、细胞活力、初步脱靶筛查,淘汰只降 mRNA、蛋白无变化或者有明显毒性的序列
- 数据回流 AI:把活性、毒性、脱靶实测数据标注回数据集,重新优化模型打分权重,再生成第二轮优化候选
- 最终 lead 锁定:搭配 GalNAc/LNP 递送、化学修饰方案,开展稳定性、体内预实验,确定候选分子
三、实操避坑要点
- AI 预测的 “高可及位点” 不等于细胞内一定好用:mRNA 在细胞里会结合蛋白,静态折叠预测和真实动态结构存在偏差,有条件优先用 SHAPE 等结构实测校准 AI 结果
- 不能只看 mRNA 敲低:很多序列能下调 mRNA,但蛋白抑制弱、存在代偿,必须搭配 WB、功能表型实验验证
- 脱靶风险分层:AI 只能预测序列同源脱靶,种子区 miRNA 样脱靶很难完全靠计算预判,后期需要转录组交叉验证
- 修饰不能全部交给 AI:AI 给出的修饰组合,还要结合核酸酶耐受、免疫、递送载体特性做湿实验对比
- 对照组必须配齐:非靶向对照 NTC、阳性对照、空白转染对照,排除转染试剂本身带来的毒性与背景干扰
【相关 FAQ】
问题 1:在小核酸靶点确认与序列设计流程里,AI 辅助主要负责哪些环节,能不能直接替代湿实验?
回答 1:AI 辅助负责靶点区域筛选、批量序列生成、二级结构、脱靶、免疫风险的虚拟打分排序;AI 无法模拟胞内动态 RNA 结构、蛋白代偿、免疫反应,不能替代湿实验验证,二者需要闭环配合。
问题 2:做小核酸靶点确认的时候,AI 预测 mRNA 可及性,为什么还要额外做湿实验结构探测?
回答 2:AI 只是基于自由能做静态折叠预测,细胞内 mRNA 会结合 RNA 结合蛋白、发生动态构象变化,SHAPE、RNase 探针这类湿实验可以测出真实开放区域,修正 AI 靶点预判偏差。
问题 3:小核酸序列设计 AI 初筛出来的候选,湿实验一般分哪几层验证?
回答 3:第一层高通量 qPCR 筛 mRNA 敲低活性;第二层 WB、细胞活力、剂量梯度验证蛋白水平与毒性;第三层转录组脱靶、免疫因子、稳定性、递送适配验证,逐级缩小候选范围。
问题 4:AI + 湿实验闭环做小核酸靶点确认和序列设计,数据怎么回流优化模型?
回答 4:把每条候选序列实测的敲低效率、毒性、脱靶、稳定性数据标准化标注,回灌给 AI 模型,调整打分特征权重,再生成第二轮更贴合真实实验规律的候选序列。
【参考资料】
[2026-10-16](Toward a lab-in-the-loop AI platform for RNA therapeutics)Cambridge Core
[2026-06-10](siRNA 设计实操指南:Reynolds 与 Ui-Tei 规则、可及性与脱靶评估)SeqBench
[2026-05-22](AI 驱动 siRNA 药物发现平台:靶点、序列、修饰、湿实验闭环)晶泰科技官网
[2026-01-09](ASO 与 siRNA 高通量筛选实验方案、qPCR 验证流程)Nucleic Acid Research Hub
【免责声明】
本文仅为小核酸靶点确认、序列设计的研发实操科普,不构成药物研发方案;AI 预测结果存在不确定性,湿实验结果受细胞株、转染试剂、递送系统、检测平台影响;小核酸研发方案、修饰策略、申报要求以 CDE 指导原则、相关文献与企业内部 SOP 为准。
