在本文中，我们将探讨多药联用筛选研究，包括主要设计和分析策略，以及如何使用新兴的高内涵技术来更有效地确定有前景的多药联用治疗方案。
联合疗法原理
长期以来，联合疗法一直是改善包括癌症在内的多种复杂疾病治疗效果的重要基础。在癌症治疗中，联合治疗通常表现出以下优势：肿瘤细胞杀伤力增强、毒性降低以及耐药性水平下降。这些益处是通过同时靶向多个关键癌症通路来产生协同、拮抗或加性效应来实现的。
然而，尽管联合用药策略已经过充分证明可提供益处，但识别有效的新型联合用药并将其转化至临床应用仍具挑战性，特别是当涉及到评估和量化联合用药效应时。
一般来说，联合用药筛选需回答关于药物效应的三个具体问题：
- 药理学：这种联合产生的是协同效应、拮抗效应还是加性效应?
- 肿瘤内异质性：这种联合产生的效应是同质效应，还是会针对肿瘤的特定细胞类型或结构产生不同的效应?
- 肿瘤间异质性：分层群的联合效应是什么?
虽然高通量药物联合效应的量化和分析一直是识别有前景的新型联合用药策略的主要障碍，但先进的高通量筛选技术（如高内涵成像[HCI]和高内涵分析[HCA]）现正被用于更有效地解决此类联合用药问题。下面我们首先讨论标准联合用药的研究设计和分析选项，随后讨论联合用药筛选研究中的高内涵筛选。
标准联合用药研究设计选项
最常用的联合用药研究设计共有三种，选择哪一种很大程度上取决于所问的研究问题。此外，应注意，联合筛选研究可以使用少数模型进行，也可以在使用2D和3D体外衍生细胞系模型的同时针对3D类器官进行大量、分层组合检测。
- – 固定比例设计是在单剂量中进行两种药物联用的最简单设计。如此，可将联用药物轻松扩充至三种或四种，并提供可通过高通量和自动化筛选进行轻松处理的数据。一般来说，这种设计的数据由于缺乏剂量反应信息而受到限制。
- – 固定浓度设计涉及两种药物，这两种药物在线性系列的剂量联合中进行测试。这种设计中的联用药物可以扩充至三种或四种，但为提供最佳效果，需要掌握一些关于剂量比的背景知识。与固定比例研究不同，固定浓度设计可提供剂量反应数据。
- – 矩阵设计最为复杂，需要进行高度密集的分析。虽然这种设计仅限于在两种药物联用时使用，但与前两种更简单的设计相比，该设计可生成全面的数据，包括关于药物相互作用和范围更广剂量比例的信息。
在分析模型中，主要可以使用两种模型，选择哪种模型取决于所问的研究问题，以及“药物是否靶向相同通路”这一信息是否已知。对于这两种模型，通过提供热图和曲面图来显示相关数据。
第一种是Loewe加性模型，该模型将预期效应定义为药物与自身结合所发挥的效应，有助于评估化合物A + B联用时是否能提供更强的反应，而不是单纯增加化合物A或B的剂量。
第二种是Bliss独立模型，该模型用于模拟彼此独立但相互竞争的单药在联用中的效应。例如，可提出这样一个问题：在细胞群或类器官群中，药物A导致的细胞死亡概率在统计学上是否独立于药物B导致的细胞死亡概率？
高内涵筛选应用于联合用药研究
计算技术的重大进步催生了基于算法的数据处理方式，其可生成剂量–反应曲线、组合指数图、抑制热图、2D轮廓图和3D反应曲面图，以高效、可靠和便于理解的方式处理众多模型产生的大量数据（如需生物信息学服务，请参阅CrownSynTM）。强大的算法使用剂量–反应曲线来量化联合用药效应，这些剂量–反应曲线来自于固定比例或矩阵设计，其中分别使用多个药物的恒定或可变浓度比。
高内涵技术目前应用于高通量体外多药联用研究。如上文所述，术语“高内涵”通常指的是，在传统的2D细胞系、球形细胞和类器官中，单细胞多个形态参数/特征（使用荧光染料测量）可以同时以自动化的方式进行评估，如细胞周期状态、细胞和核形态、细胞活性、受体内化、蛋白质聚集等。
最近，HCI和HCA已成功用于支持一种复杂的矩阵型三药联用筛选，在该筛选中，管腔和类器官区域的表型变化被量化，以回答特定的研究问题。3D图像分析的结果见图（A）和图（B），表型变化和矩阵型反应测量的量化结果见热图（C）。
结论
联合疗法是治疗各种复杂疾病的一种重要策略。虽然对于联合疗法的确定一直以来都具有挑战性，但新兴技术正使研究人员能够更有效地确定有效的新型联合用药策略。然而，联合药物筛选研究设计主要取决于所问的研究问题，因此在开始一项新的研究之前，我们建议与联合药物研究设计方面的专家取得联系，以确保您的研究最优化并获得成功。
了解中美冠科如何为您的多药联用筛选项目提供支持。
