上周组会，一个学生汇报进展，说某个靶点「验证过了」。我没急着接话，问了三个问题：敲低用了哪几条序列？表型是在哪个模型里看到的？除了敲低，还有没有别的证据？
他顿了一下，说：只做了那一条 shRNA，只在一种细胞系里，只看到增殖变慢。
我没有批评他。这个靶点本身值得做，问题出在「验证」这两个字上。一个学生在组会上说「验证过了」，和一篇论文里写下「该靶点已获验证」，中间隔着好几层证据。今天我借这个场景，把我们组判断一个靶点走到哪一步的框架讲清楚。
「验证」这个词，我们组用得太轻了
先厘清概念。靶点验证（target validation），指的是用一系列实验证明某个分子确实在疾病过程里起因果作用，而不只是相关，并且干预它有望带来治疗收益。两个关键词：因果，以及有望干预。
「相关」和「因果」的差别，比多数人以为的大。一个基因在肿瘤里高表达，可能只是伴随现象；敲低它之后细胞死得更多，也可能来自脱靶或培养条件不匹配。任何单一实验，都只能提供一层证据。
麻烦在于，博士训练早期的评价标准往往很直接：能不能做出一个显著的差异。久而久之，学生把「敲低后表型明显」直接翻译成了「靶点验证完成」。这不是态度问题，是手里少了一张分层的地图。
「验证」因此不是一次判定，而是一条证据链。层数越多、彼此越独立，结论才越稳。下面这五层，是我们组梳理靶点时会依次过的。
敲低后表型明显，只是证据链的第一格
第一层是遗传学证据（genetic evidence）。手段包括敲除、敲低、过表达、点突变，以及在此基础上的回补实验（rescue，把被拿掉的功能重新放回去，看表型能否被逆转）。
这一层最常见的漏洞有三个。一是只做一条干涉序列：单条 shRNA 或 sgRNA 的表型无法排除脱靶，至少要两条互不重叠的序列给出同一结果。二是没有回补：重新表达该基因能把表型救回来，因果链才更可信。三是方向单一：只在「敲低」方向看到表型，缺少「过表达」方向的呼应。
遗传学证据自己也是分层的。敲低、单序列、无回补，是证据链最薄的一格，能帮你立项，不能帮你下结论。
只在一个模型里成立，就谈不上重复性
第二层是跨模型重复性（reproducibility across models）。换细胞系、换遗传背景、换物种、换体内体外，同一个结论能不能再出现一次。
一项发表在《自然》（Nature）的研究很能说明问题。一支团队做人 T 细胞的全基因组 CRISPR 筛选，论文自述：许多调控实体瘤中 T 细胞表现的因子，在体外根本筛不出来（Liu Q 等，Nature，2026，DOI 10.1038/s41586-026-10906-9）。他们为此建立体内模型：改造肿瘤表达 anti-CD3 scFv 后，每个肿瘤可回收数百万个 T 细胞，此前只能回收数万到数十万个，少量小鼠就能完成全基因组筛选。
两个全基因组敲除筛选给出了不同答案。丰度筛选发现，P2RY8 与 Gα13 组成的 GPCR 信号轴是 T 细胞肿瘤浸润的负调控因子；以 IFN-γ 为读出的效应功能筛选发现，GNAS 是肿瘤中 T 细胞功能障碍的关键驱动因子，其产物 Gαs 是多个 GPCR 下游的汇聚节点。更关键的是，P2RY8 在小鼠中不保守：只做小鼠来源的筛选，这个结果会被直接漏掉。
这一层与上一层的差别在于，问题从「这个实验做对了吗」变成了「换个模型还成立吗」。
两套独立方法指向同一个靶点，比一次漂亮的实验更值钱
第三层是独立方法收敛（convergence of independent methods）。同一个靶点被互不知情、方法完全不同的团队独立找到，这是很强的证据。
2026 年 9 月 9 日，一项发表在《自然》（Nature）的免疫检查点研究就是这样的例子。两个互不知情的团队用完全不同的方法逼近同一个靶点 PLA2G2D：一支免疫肿瘤学团队从 9,000 余例原发肿瘤样本出发，用生信算法筛出候选；另一支临床研究团队用空间蛋白质基因组学分析黑色素瘤样本，独立收敛到同一靶点。
这项研究还带来一类更难得的证据：PLA2G2D 的免疫抑制活性不依赖其酶活性，去掉酶催化活性后，抑制作用依然强效。也就是说，以往针对这个家族的药物开发主要围绕抑制酶活，机制方向可能被推翻。阻断该靶点，能在对 anti-PD-1 耐药的临床前模型中恢复抗肿瘤免疫。
一次漂亮的实验，可能只是一次漂亮的实验。
模型离患者越近，结论才越经得起追问
第四层是生理相关模型里的证据。细胞系最方便，但它和患者肿瘤之间，隔着基质、免疫与空间结构。
另一项发表在《自然》（Nature）的研究提供了一个参照。研究者建立了 256 个患者来源肿瘤类器官（organoid，指从患者肿瘤组织中培养出的三维细胞模型，能在体外一定限度地保留来源肿瘤的基因组与结构特征）生物库，覆盖结直肠癌、食管癌、卵巢癌、胰腺癌、胃癌，其中 162 个完成全基因组 CRISPR-Cas9 筛选；综合分析识别出 1,733 个基因依赖与肿瘤特征（DNA 突变、拷贝数变异、治疗史等）的显著关联（Herranz-Ors C 等，Nature，2026，DOI 10.1038/s41586-026-10830-y）。数据通过 DepMap（癌症依赖地图，向全球开放的癌症依赖数据库）门户公开。
更贴近临床的，是「治疗前后配对」类器官：生物库里有 13 个，来自 6 位患者。在治疗前与复发后配对的食管类器官中，肿瘤演化伴随依赖谱与药物敏感性的改变；结直肠癌里，不同 KRAS 变异对 KRAS 及上游 EGFR 信号的依赖程度也不一样。
这一层同样要诚实。论文与评述都指出，培养条件会影响结果，类器官也缺少完整的基质、免疫与空间背景。它比细胞系近，但仍不是患者本身，没有任何单一模型能替代整体判断。
能不能成药，是验证的最后一层，也最容易被跳过
第五层是成药性与转化风险。靶点在生物学上成立，不代表做得成药：它在正常组织里是否必需、有没有可结合的位点、干预会不会带来难以承受的副作用，都要单独回答。
前面那项类器官研究里，KRAS 的例子正指向这一层：同一个基因的不同变异，对应不同的依赖结构，这会影响药物该打在哪里。只记住「KRAS 是驱动基因」一句，就会漏掉这层差异。
我们组的做法是，每个在跟进的项目都建一份靶点档案（target dossier），固定记录：证据落在哪一层、证据等级、通路上下游关系、成药性判断、转化风险、还缺哪些关键验证。档案不是汇报材料，是下一次组会用来对着追问的底稿。
五层摆在一起，规律就出来了：越靠前越容易出结果，越靠后越接近真实世界，也越贵。跳过后面几层直接说「验证完成」，代价往往在项目后期才显现。
把证据链变成日常流程，比记住框架更重要
框架好讲，难在执行。课题组同时跟进多个靶点时，文献、筛选结果与通路信息散在不同学生的电脑里，每次组会都要重新拼一遍。这一步可以交给 DeepBio 承接，操作上是三件事。
第一，文献与证据整理。让平台围绕研究问题整理发现，并把证据等级、风险点与下一步验证方向一并列出。顺序是上传、结构化分析、复核迭代：把筛选结果、关键文献与通路信息上传，先出结构，再交给人复核。
第二，药物与靶点研究。围绕靶点档案、通路关联、成药性与转化风险做结构化推理。学生把五层证据按档案字段填进去，缺哪一层一目了然，下次组会讨论的就是「补哪一格」，而不是「做到哪了」。
第三，综述与论文写作。这套档案结构可以接进综述框架，并按院校学位论文格式模板统一版式，把参考文献与引文规范一次对齐。学生写绪论时最常见的毛病，是把不同证据等级的结果并列陈述；有了分层，逻辑就顺了。
它只做研究辅助，专业判断仍需研究者自己下；涉及健康或临床的结论，不构成医疗建议。
回到开头那个学生。后来我们把他的靶点按五层过了一遍：遗传学证据缺回补，跨模型只有一条细胞系，独立方法为零，生理相关模型还没起步，成药性没碰。这不是「验证过了」，是一个刚开了头的假设。
知道缺哪一格，总比误以为已经到终点好。你带的靶点，最近一次被说「验证过了」，是过到第几层？
标签：#SCI #期刊投稿 #论文写作 #靶点验证 #生物医药 #文献综述 #循证医学 #DeepBio
