推荐一篇发表在Science上的文章，文章标题是“SPARK-seq: A high-throughput platform for aptamer discovery and kinetic profiling”。文章通讯作者是来自中国科学院杭州医学研究所的谭蔚泓院士和吴芩教授。本文中，作者通过整合CRISPR基因编辑技术、单细胞测序与核酸适配体筛选策略，设计并开发了一个同步实现疾病标志物解析与对应核酸适体探针筛选的技术平台。

疾病的发生发展往往伴随着细胞表面蛋白表达与构象的变化。如何在天然环境下，对此类分子进行高效、系统性的检测与靶向，一直以来都是生物医学领域面临的重大挑战。适配体作为一类可特异性识别靶标的核酸分子，由于其易合成且稳定性高等优势，被视为解决此问题的重要工具。然而，此前适配体设计与筛选的策略受限于较低的通量与对有限的真实靶点识别能力，因而应用受到了限制。

为了解决这一问题，本文中，作者设计并开发了单细胞扰动驱动的适配体识别与动力学测序平台（SPARK-seq），为疾病标志物的系统解析和新型适配体探针的开发提供了全新的技术路径。在技术上，研究者首先构建了与单细胞测序兼容的高复杂度适配体文库，并基于此前开发的基于细胞的Cell-SELEX筛选技术，筛选出能够富集在活细胞上的适配体，进行后续实验。随后，将富集的适配体文库与使用CRISPR技术进行了多靶点敲除的细胞群进行共孵育。最后，利用单细胞测序技术，对每个细胞中的gRNA、mRNA以及结合在细胞表面的适配体序列进行同步捕获。同时，借助配套开发的SPARTA数据分析与深度学习框架，SPARK-seq平台不仅实现了对海量适配体序列的自动聚类和靶点归属，还进一步解析了适配体-靶蛋白相互作用的动力学特征，最终实现了基因型-表型-配体映射。

通过SPARK-seq平台，研究者在单次实验中成功解析了数千条适配体序列与多种细胞表面蛋白之间的对应关系，其中包括多种低丰度、结构相似但功能不同的疾病相关蛋白。通过流式细胞术、表面等离子共振和活细胞动力学分析等多种手段，研究者对筛选结果进行了系统验证，证实了这些适配体在天然细胞环境中的高特异性和高亲和力。更为重要的是，SPARK-seq所产生的大规模高质量数据为人工智能驱动的适配体设计提供了坚实基础。基于深度学习模型，团队成员从已有数据中，预测了潜在高性能适配体序列，并进一步生成具有更优结合动力学的新型变体，大幅缩短了从“发现”到“优化”的研发周期。

综上，本文中，作者成功设计并开发了SPARK-seq平台，实现了适配体的数据驱动与系统化的设计与筛选。这一技术不仅显著提升了疾病标志物发现的效率和可靠性，也为高性能适配体探针的快速开发和理性优化提供了强有力的工具支撑。

本文作者：KLH

责任编辑：LZ

DOI：10.1126/science.adv6127

原文链接：https://doi.org/10.1126/science.adv6127