“干实验”到底有哪些?怎么选?怎么搭?一次讲清!

“干实验”（Dry Lab）是生物医学研究中与“湿实验”（Wet Lab）相对的概念，一般指不直接接触生物样本、试剂和动物，而是用计算机、数据库、算法、统计模型和数学模型来分析、模拟和预测生物医学问题的研究。其优势在于成本较低、灵活性强，且能模拟动态变化过程，但高度依赖数据质量与计算能力。

截至目前，生物医学领域的干实验已形成多个成熟且相互交叉的方法门类。

生物信息学与多组学数据分析

这是干实验最基础、应用最广泛的方向，核心是从海量生物数据中提取有生物学意义的信号。

• 公共数据挖掘与整合：从GEO、TCGA等公共数据库获取基因组、转录组或临床数据，是研究起步的常见方式。对单细胞测序数据的深度分析也已成为常规手段，用于解析细胞异质性。

• 核心分析流程：包括差异表达分析、功能富集分析（如GO/KEGG）、蛋白互作网络构建、生存分析与临床关联分析等。

• 多组学整合：将转录组、表观组、蛋白组、代谢组等不同层次的数据结合起来，构建更系统的生物网络，以寻找更可靠的因果关联，而非仅仅停留在相关性层面。

• 因果推断方法：利用孟德尔随机化等方法，在观察性数据中尝试推断暴露因素与结局之间的因果关系，增强结论的稳健性。

计算建模与分子模拟

通过物理或数学原理，在原子、分子乃至细胞尺度上模拟生物系统的行为。

• 分子动力学模拟：模拟蛋白质、核酸等生物大分子在溶液中的运动轨迹，研究其构象变化、稳定性及与其他分子的相互作用机制。

• 蛋白质结构预测与对接：以AlphaFold2为代表的深度学习工具极大地提升了结构预测的精度。分子对接则用于预测小分子药物、多肽或蛋白质与靶标蛋白的结合模式和亲和力，是虚拟筛选的基础。

• 动力学与系统建模：使用常微分方程等数学模型来模拟信号转导通路、基因调控网络等动态过程，预测系统对扰动的响应。例如，IGEM团队曾用COPASI软件模拟合成生物传感器的信号放大动力学。

• 基于主体的建模：用于模拟多细胞组织等复杂系统中，大量个体（如细胞）遵循简单规则相互作用后涌现出的宏观行为。

人工智能与机器学习

AI/ML已渗透到干实验的各个层面，从数据分析到预测建模。

• 预测模型构建：利用机器学习算法（如随机森林、支持向量机、深度学习网络）基于多组学特征构建疾病诊断、预后或药物响应预测模型。

• 医学图像分析：深度学习被广泛用于病理切片、CT/MRI等医学图像的自动判读与特征提取，例如对H&E染色图像中的细胞外基质变化进行像素级分析，或进行肿瘤区域的自动分割。

• AI驱动的发现：在新抗原鉴定、药物靶点识别和分子生成等领域，AI平台正发挥越来越核心的作用。例如，已有AI驱动的药物研发模式产生了进入临床试验的候选药物。

• 虚拟筛选：结合分子对接和机器学习评分函数，从包含数十万乃至数百万化合物的大型库中快速筛选出潜在的活性分子，大幅缩小后续实验验证的范围。一项2026年的研究即评估了354种黄酮类化合物对Caspase-3的虚拟筛选可靠性。

计算机辅助药物设计

这是一个综合性很强的干实验分支，整合了上述多种方法。

• 基于结构的药物设计：在已知靶点蛋白三维结构的基础上，通过分子对接、片段生长、从头设计等策略，寻找或优化能与之结合的小分子。 

• 网络药理学：尤其适用于中药或复杂混合物体系，通过构建“药物-成分-靶点-疾病”网络，系统性地预测活性成分的潜在作用靶点和协同机制，并结合分子对接进行验证。

• ADMET预测：在药物研发早期，利用计算模型预测候选分子的吸收、分布、代谢、排泄和毒性性质，提前淘汰成药性差的化合物。

系统生物学与网络分析

从系统层面理解生物功能，而非孤立地看待单个基因或蛋白。