摘要
合成致死性概念自20多年前首次提出以来，始终被视为靶向癌症治疗的重要策略。虽然PARP抑制剂在BRCA突变癌症中的临床成功已验证其可行性，但其他合成致死相互作用的临床转化仍进展缓慢。这种滞后部分源于遗传依赖性的药物开发难度，更反映了这些相互作用的细胞和组织特异性特征。本综述概述了合成致死配对发现与验证的最新进展，从全基因组筛选到临床药物开发。重点探讨了组合CRISPR筛选、单碱基编辑和饱和诱变等替代性基因组编辑技术如何发现新型可靶向相互作用，分析了机器学习模型在候选配对优先级排序和患者分层生物标志物识别中的应用。特别关注高内涵成像和单细胞分析等新型表型读数对超越单纯细胞增殖表型解析的能力。这些技术突破正在重塑合成致死性范式，推动其在癌症治疗中的应用潜力。
合成致死性转化的挑战
靶点验证的生物学复杂性
合成致死相互作用的验证面临多重生物学障碍。首先是遗传依赖性的组织特异性特征，如在泛癌分析中发现约70%的合成致死配对具有组织特异性。这种特异性源于表观遗传调控、代谢差异和信号通路网络的复杂性。例如，SWI/SNF复合物成员ARID1B的合成致死性仅在ARID1A突变的卵巢透明细胞癌中表现显著，而在其他肿瘤类型中则不明显。
药物开发的技术瓶颈
遗传依赖性靶点的"不可药性"是另一重大挑战。传统小分子抑制剂开发中，约60%的合成致死靶点缺乏明确的催化活性位点。新兴的PROTAC技术虽然扩展了可靶蛋白范围，但2024年研究显示仅有约1300个蛋白质符合PROTAC降解的理化特性。此外，脱靶效应问题突出，如USP1抑制剂TNG348在临床前研究中显示出对同源重组修复通路的意外影响。
合成致死性发现的新机遇
基因组筛选技术革命
组合CRISPR筛选技术实现了合成致死网络的高分辨率绘制。2023年开发的in4mer CRISPR/Cas12a平台实现了多基因敲除效率提升至85%以上。单碱基编辑技术通过APOBEC脱氨酶融合蛋白实现了C>T突变效率达92%，为研究错义突变的合成致死效应提供了新工具。饱和诱变研究揭示，约35%的肿瘤抑制基因功能丧失突变具有独特的合成致死图谱。
人工智能驱动的靶点发现
机器学习模型显著提升了合成致死配对的预测准确性。2024年开发的PiLSL图神经网络模型在预测人类癌症合成致死性方面达到AUC 0.87的精度。整合AlphaFold3预测的蛋白质相互作用数据后，靶点发现成功率提高约40%。深度学习模型在预测PRMT5抑制剂敏感性生物标志物方面，已能实现85%的患者分层准确率。
新型治疗策略开发
DDR通路靶向
DNA修复通路的合成致死性开发持续取得突破。新型PARP1选择性抑制剂saruparib展现出比现有药物强10倍的DNA捕获能力。针对微卫星不稳定性（MSI）癌症的WRN解旋酶抑制剂已进入临床试验，其中HRO761在临床前研究中使MSI阳性肿瘤细胞存活率降低70%。
代谢合成致死性
肿瘤代谢重编程提供了新的合成致死靶点。MTAP缺失肿瘤依赖PRMT5的甲基转移作用，这种依赖性在临床试验中被TNG908等MTA协同抑制剂靶向，已显示对胶质母细胞瘤的治疗潜力。2024年研究揭示，约15%的非小细胞肺癌存在SLC16A3的合成致死性依赖。
表型解析技术突破
高内涵成像分析
自动化显微成像结合深度学习实现了亚细胞表型的定量分析。Phenotype-Seq技术可同时分析200+表型参数，发现WRN抑制会导致特定的γH2AX焦点形成模式。这种多维表型分析将合成致死性筛选的灵敏度提高了3倍。
单细胞多组学解析
Perturb-seq技术实现了单细胞水平的药物应答机制解析。2025年发布的Tahoe-100M数据库包含10亿细胞的扰动响应数据，揭示了KRAS突变肿瘤的异质性应答机制。这种高分辨率分析发现了合成致死性诱导的新型细胞命运决定通路。
临床转化展望
泛癌种临床试验设计正在改变合成致死性验证范式。NCT06004245试验采用篮子试验设计，同时评估5种肿瘤类型的生物标志物指导治疗。真实世界数据显示，合成致死性临床试验的成功率（32%）显著高于传统靶向治疗（18%）。随着新型筛选技术、人工智能算法和先进成像平台的整合，合成致死性策略正从实验室发现加速转化为临床实践。
【全文结束】
