别再只问能筛多少：这台 DESI-MS 平台真正压缩的是“失败出现的时间”

药物发现里最贵的，往往不是某一次 assay 本身，而是一个想法拖了几天、几周之后，才被证明根本没有变成正确的分子，或者变成了分子却没有任何值得追的活性。

所以 Morato 等人在 PNAS 发表的这台新一代 uHT-DESI-MS 平台，最不该被读成“又一个更快的质谱筛选系统”。最高约 3 Hz 的通量当然醒目，但它不是这篇文章的灵魂。真正的关键词只有一个：失败前移。[S001]

先给结论

• 这不是一篇新药论文，也不该被包装成“发现了强效候选物”。
• 它真正想做的，是把反应筛选、产物确认、小规模收集和生物活性测试接到同一条自动化链路里。
• 它的价值不是让每一步都变快，而是让错误反应、错误产物、错误读数和没方向的 SAR 更早暴露。
• 主文里最值得细读的，反而不是 AChE 类似物活性提升，而是 SULT2B1b 筛选里那 5 个假阳性。
• direct-to-biology 的正确理解不是“跳过验证”，而是“把第一轮验证提前”。

高通量筛选早就很快，慢的是想法变成证据

早期药物发现一直有一个不对称：测试端越来越快，化学端和确认端却没有同步跟上。HTS 可以吞下大量样品，但一个新 analog 从设计、合成、确认、转板到测活性，仍然常常是一串慢动作。

这篇 PNAS 工作的出发点就在这里。作者把 Hamilton Vantage 2.0 液体处理系统、Waters Xevo G2-XS QToF、prototype AutoDESI、track gripper、DESI plate、worklist/API 驱动和 MATLAB 分析接到一起。样品以约 50 nL spot 打到 PTFE-coated glass slide 上，一张 plate 最高 6,144 个 spot，16 张 plate 对应 98,304 个 sample capacity。[S001,S002]

这些硬件数字不是装饰。它们服务的不是“我能不能多测一点”，而是另一个问题：一个设计能不能更快变成可确认、可测试、可淘汰的实验对象？

这句话比“3 Hz”重要。因为 drug discovery 真正消耗人的地方，不只是等待读数，而是等待一个不确定想法慢慢露出真相。

这台平台像一个早期淘汰器

DESI-MS 的优势在这里被用得很直接：样品不需要走传统 LC 分离流程，可以从复杂基质或微滴反应产物里直接读出目标离子。再加上微滴反应加速，平台就能做一件传统流程里很分散的事：一边让反应发生，一边看产物有没有出现，必要时补 MS/MS，表现好的反应再进入小规模收集和 bioassay。

但要注意，这不是魔法。SI 里写得很清楚，常规筛选可以接近 3 Hz；在线 MS/MS 为了获得结构信息，通常会降到约 3 秒/样品；微克级收集和 mg 级 V-ESSI 放大又是另一套速度。[S002]

所以这台平台真正强的地方，不是每个步骤都快到同一个数字，而是它把原本分散在不同工位、不同天数、不同仪器之间的早期判断，压到了同一套实验链路里。

如果用项目语言说，它不是最终裁判，而是一个很快、很狠的早期淘汰器。

反应筛选：先别把 CR 当收率

作者先用平台做反应筛选。第一轮约 200 个独立反应，覆盖 10 类反应；第二轮超过 350 个独立反应，覆盖 7 类 transformation。对其中 20 个产物，作者比较了 uHT-DESI-MS/MS 和两小时 bulk incubation 后 LC-MS/MS 的 product ion spectra，平均 cosine similarity 为 0.83 ± 0.11。[S001,S002]

这说明平台能快速判断哪些反应值得继续看，也能给出一定结构确认。但这里有一个非常重要的边界：CR 不是 yield。

SI 里 CR 的定义是 product ion intensity 相对 product + starting material ion intensity 的比例。这个数会受到离子化效率、adduct、基质和目标分子本身 MS response 的影响。[S002] 它适合做排序，适合快速 triage，适合帮你决定“下一步先追谁”。它不适合被当成分离收率，也不该被写成工艺优化结果。

这其实并不削弱平台价值。早期 SAR 里，很多时候最缺的不是一个精确到小数点的 yield，而是一个足够快的方向判断：这批反应里，哪些明显没戏，哪些值得真的做出来。

最关键的一课，来自没有真实 hit 的 SULT2B1b

如果要找一张最能体现这篇文章科学诚实度的图，我会选 Fig. 3，而不是 Fig. 4。

SULT2B1b assay 做得并不差。作者用 cholesterol sulfate / pregnenolone sulfate 的 ion ratio 做 label-free 定量，得到 KM = 20 ± 2 uM，kcat = 0.0483 ± 0.002 min^-1；cyproterone acetate 的 IC50 为 24 ± 2 uM。验证板平均 Z’ = 0.78 ± 0.02，LOPAC 1280 筛选的 Z’ 在 0.76 到 0.86 之间。[S001]

如果这是一篇只想讲漂亮故事的文章，接下来应该出现一个 hit。但真实结果是：没有 bona fide hit。

更重要的是，那 5 个看起来像 hit 的点，最后都被追成了质量干扰。SI 里把原因讲得很具体：有的来自 internal standard pregnenolone sulfate 或 reaction product cholesterol sulfate 附近的等质量、同位素或同分异构干扰，包括 cortisone chloride adduct、ML240、GW2974、pregnenolone sulfate 本身和 CID2858522 相关峰。[S002]

这段结果比一个弱 hit 更有价值。它提醒我们：label-free 不等于 interference-free。MS 避开了很多光学 assay 和 coupled assay 的麻烦，但它有自己的陷阱。一个 m/z 附近的假信号，足以把筛选结论带偏。

对平台工作来说，这不是尴尬结果，而是关键功能。一个真正能进入药物发现流程的系统，不能只负责“给出 hit”，还必须负责尽早告诉你：这个 hit 可能是假的。

AChE 案例证明闭环，不证明发现新药

AChE direct-to-biology 案例是全文最容易被写过头的部分。

作者从三个已知 AChE 抑制剂骨架出发：(-)-huperzine A、galantamine 和 rivastigmine。主文里，他们做了 140 个 transformation，超过 2,000 个 reaction mixtures 在 20 分钟内筛完，得到 46 个高 CR/SNR 反应 hit。[S001]

SI 把细节补完整了：小规模收集通常要求 SNR > 10 且 CR > 50%；因为 huperzine 只有 3 个反应过线，作者又额外收了 2 个 CR > 25% 的 huperzine 反应。最终，一个 array 收集了 51 个反应，加上 unmodified inhibitor controls。每个 reaction mixture 收集 75 秒，三套 array 分别用于 bioactivity、imaging 和 CR/hydrolysis 检查。[S002]

这里真正有意思的不是“发现了很强的分子”。恰恰相反，结果很克制。

Hup+37 的 hAChE IC50 为 0.28 ± 0.04 uM，和 parent 基本接近；Gal+12 和 Gal+13 分别约 10 ± 2 uM、9.5 ± 1.6 uM，比 galantamine parent 更差；Riv+13 和 Riv+27 分别为 107 ± 12 uM、104 ± 15 uM，相比 rivastigmine parent 约 328 uM 是约 3 倍改善。[S001,S002]

这不够让人喊突破。但它足够回答一个真实项目问题：如果我围绕一个已知弱 scaffold 做一批 late-stage modifications，能不能在很短时间内知道哪类修饰方向还有一点追的价值？

答案是可以。这个“可以”不华丽，但很实用。

对真实项目，它应该放在 SAR 前半程

这台平台最合理的位置，不是替代正式药化合成，也不是替代最终 assay，而是放在 SAR 前半程，作为证据过滤层。

一个可用场景是这样的：围绕一个 hit 或弱活性 scaffold 设计一批 late-stage diversification；用 uHT-DESI-MS 快速看反应是否生成目标质量附近的产物；对高 CR/SNR 反应补 MS/MS；把少量产物收集到纸基 array 或微孔板；用足够干净的 biochemical assay 做第一轮活性排序。到这一步，项目组仍然没有最终答案，但已经能删掉一批没反应、产物不对、读数没方向的设计。

这和传统 HTS 的逻辑不同。HTS 默认化合物已经在那里，问题是“谁有效”。这套平台问得更早：“我刚刚想出来的这批分子，哪些真的值得变成正式化合物？”

这也是它对 AI-guided discovery 的启发。AI 不缺建议分子的能力，缺的是快速实验回路：做出来了吗？产物对吗？活性读数真实吗？有没有被假阳性骗？这篇论文没有展示自主 AI 闭环，但它给出了一个可能的实验 readback 层。[S001]

Direct-to-biology 不是信粗产物，而是早淘汰

direct-to-biology 很容易被误解成“粗产物直接测，省掉麻烦”。这不是一个安全的理解。

更准确的说法是：它把第一轮验证提前，而不是把验证删掉。

反应筛选阶段用 CR/SNR 排序，不代表确认收率；MS/MS 能帮助确认结构，不代表完成完整结构表征；小规模 bioassay 能给方向，不代表替代 purified compound 的 dose-response；AChE 的 D2B 结果能证明 workflow 跑通，不代表得到开发候选物。

这套平台真正节省的，是多轮无效合成、无效确认、无效转板和无效解释的累计成本。它让失败更早发生，也让值得追的分子更早浮出来。

这已经足够重要。

该保守的地方，反而决定了它的价值

这篇文章必须保守读。

第一，微滴反应有化学适用范围，不能外推到所有 medicinal chemistry。第二，CR 是 MS signal-based 指标，不能替代真实收率和纯度。第三，MS assay 有自己的假阳性机制，SULT2B1b 已经展示得很清楚。第四，AChE 和 SULT2B1b 都是 biochemical assays，不等于 GPCR functional assay、phenotypic screen 或细胞内药效。第五，这是一套 vendor co-developed 的大型系统，更像 core facility 或平台团队能力，不是普通实验室即插即用工具。

但这些限制不是扣分项。它们恰恰把这项工作的定位变清楚了：它不是药物发现的最终答案，而是早期发现回路里的加速器和过滤器。

结尾：别只问能筛多少，要问多早知道错

药物发现不缺想法。真正稀缺的是足够快、足够可信的证据回路。

Morato 等人的这台平台，最重要的贡献不是让一个样品读得更快，而是让一个设计更早接受实验审问：有没有反应？是不是目标产物？读数有没有干扰？活性有没有方向？值不值得正式合成和验证？

低调一点说，这是一篇平台工程论文。更锋利一点说，它是一篇关于药物发现时间尺度的论文。

它提醒我们：在早期项目里，速度的最高形式不是更快得到一个漂亮答案，而是更早知道哪里错了。

---

Sources

• [S001] Morato et al. Early-stage drug discovery in a new-generation ultrahigh-throughput mass spectrometry platform. PNAS, 2026. DOI: 10.1073/pnas.2536552123. Local file: /Users/fanyi/articles/别只盯着筛选通量-这台desi-ms平台想把造分子和测活性接到同一条线上/research/sources/main-paper.pdf
• [S002] Supporting Information for Morato et al. 2026. Local file: /Users/fanyi/articles/别只盯着筛选通量-这台desi-ms平台想把造分子和测活性接到同一条线上/research/sources/si-appendix.pdf