CMML2AML: maschinelles Lernen entdeckt Ko-Mutationen und spezifische Einzelmutationen, die die Blastentransformation bei chronisch-myelo-monocytärer Leukämie vorhersagen

Warum das für Menschen mit Blutkrebs wichtig ist

Die chronisch-myelo-monocytäre Leukämie ist ein seltener Blutkrebs, der über Jahre stabil bleiben oder plötzlich in eine aggressive Form ähnlich der akuten Leukämie übergehen kann. Ärztinnen und Ärzte haben Schwierigkeiten vorherzusagen, welche Patienten diese gefährliche Wendung nehmen. Diese Studie nutzt moderne Computerverfahren, um Muster in der Leukämie-DNA zu lesen, mit dem Ziel, diejenigen mit dem höchsten Risiko zu identifizieren, damit Therapieentscheidungen, einschließlich Stammzelltransplantation, besser terminiert werden können.

Auf der Suche nach Mustern in einem komplexen Blutkrebs

CMML ist ein Krebs der Knochenmarkzellen, die eine Überproduktion eines Typs weißer Blutkörperchen namens Monozyten erzeugen. Manche Patientinnen und Patienten leben viele Jahre mit kontrollierter Erkrankung, während andere schnell zur akuten myeloischen Leukämie fortschreiten, der sogenannten Blastentransformation. Traditionelle Risikowerkzeuge betrachten einzelne Genveränderungen oder breite Veränderungsgruppen, doch unterschiedliche Studien waren sich uneinig, welche einzelnen Mutationen wirklich relevant sind. Die Autorinnen und Autoren vermuteten, dass die eigentliche Gefahr nicht in einzelnen Veränderungen, sondern in bestimmten Kombinationen von Genveränderungen liegt, die gemeinsam wirken.

Maschinen die Patienten nach verborgenen genetischen Signalen sortieren lassen

Das Team untersuchte 605 CMML-Patienten der Mayo Clinic und überprüfte die Befunde später in 501 Patientinnen und Patienten aus Italien. Mithilfe der Next-Generation-Sequenzierung katalogisierten sie Mutationen in 47 Genen, die bei Blutkrebserkrankungen häufig verändert sind. Anschließend bauten sie ein maßgeschneidertes maschinelles Lernsystem, um Patienten danach zu clustern, welche Mutationen gemeinsam auftraten und wie lange die Patienten frei von einer Blastentransformation blieben. Der Algorithmus erzeugte viele einfache Entscheidungsbäume, die Patienten in Gruppen mit gemeinsamen Mutationsmustern aufteilten, und fasste dann ähnliche Gruppen entsprechend der Übereinstimmung ihrer Überlebenskurven zusammen.

Fünf genetische Risikogruppen von sehr sicher bis sehr gefährlich

Die Computeranalyse ergab fünf molekulare Cluster mit auffällig unterschiedlichen Wahrscheinlichkeiten für die Entwicklung zu akuter Leukämie. Eine kleine Gruppe mit Veränderungen im Gen PHF6, aber ohne Veränderungen in ASXL1, zeigte über mehrere Jahre praktisch keine Transformationen und bildete eine ultra-niedrige-Risiko-Gruppe. Am anderen Ende hatten Patienten mit entweder NPM1-Mutationen, einer Kombination aus NRAS und SETBP1 oder einer Kombination aus ASXL1 und BCOR extrem hohe Transformationsraten, die innerhalb von drei Jahren nahe 100 Prozent lagen. Dazwischen definierten andere Kombinationen, wie ASXL1 mit RUNX1 oder ASXL1 mit TET2, hohe bzw. intermediäre Risikocluster, während Patienten ohne diese Muster eine breitere Niedrigrisikogruppe bildeten.

Ein einfaches Punktesystem für Ärztinnen und Ärzte entwickeln

Um diese Ergebnisse in ein praktisches Werkzeug zu überführen, kombinierten die Forschenden die stärksten Einzelmutationen und Ko-Mutationen zu einem neuen Punktesystem, das sie CMML2AML nennen. Sie vergaben Punkte entsprechend der Stärke, mit der jedes genetische Muster mit der Blastentransformation verknüpft war. Die NPM1-Mutation trug das größte Gewicht, gefolgt von NRAS mit SETBP1 und von BCOR; ASXL1 und das Paar ASXL1 plus RUNX1 erhielten geringere Gewichtungen. Durch Addition dieser Punkte wurden Patientinnen und Patienten in vier Stufen von niedrig bis hoch eingeteilt, wobei die höchste Stufe fast eine Eins-zu-Zwei-Wahrscheinlichkeit für eine Transformation innerhalb eines Jahres hatte. Derselbe Score funktionierte in der italienischen Kohorte ähnlich, was seine breitere Anwendbarkeit stützt.

Ein besonderes Warnsignal: NPM1-Mutationen

Eines der auffälligsten Ergebnisse betraf NPM1, ein Gen, das in der akuten Leukämie gut bekannt ist. In dieser CMML-Studie waren NPM1-Mutationen selten, aber sehr bedrohlich. Selbst wenn der Anteil unreifer Blasten im Blut und Knochenmark noch unter den üblichen Grenzwerten für akute Leukämie lag, entwickelten Patienten mit NPM1-Veränderungen eine Blastphase und starben früher als andere. Diese Fälle wiesen oft nicht die sonst mit hohem Risiko assoziierten Mutationen wie ASXL1 oder RUNX1 auf und trugen stattdessen häufig DNMT3A-Veränderungen, was darauf hindeutet, dass sie einen eigenständigen genetischen Subtyp darstellen könnten, der möglicherweise sofort wie eine akute Leukämie behandelt werden sollte, sobald er erkannt ist.

Was das für Patienten und die Versorgung bedeutet

Für Menschen mit CMML zeigt diese Arbeit, dass das Muster der Mutationen — nicht nur die Anzahl der Blasten oder ein einzelnes Genresultat — die Prognose stark beeinflussen kann. Indem gefährliche Kombinationen von Genveränderungen identifiziert und in den CMML2AML-Score überführt wurden, bietet die Studie einen Weg, Patientinnen und Patienten herauszufiltern, die engmaschiger überwacht und früher bezüglich einer Stammzelltransplantation beraten werden sollten, sowie solche, bei denen eine schnelle Transformation unwahrscheinlich ist. Diese Ergebnisse müssen in weiteren Kohorten bestätigt werden, bringen das Feld aber einen Schritt näher zu präziseren, genetisch fundierten Leitlinien für die Behandlung dieses herausfordernden Blutkrebses.

Zitation: Fathima, S., Rokach, L., Yousuf, M. et al. CMML2AML: machine-learning discovery of co-mutations and specific single mutations predictive of blast transformation in chronic myelomonocytic leukemia. Blood Cancer J. 16, 76 (2026). https://doi.org/10.1038/s41408-026-01491-1

Schlüsselwörter: chronisch-myelo-monocytäre Leukämie, Risiko der Blastentransformation, Ko-Mutationen, maschinelles Lernen Genomik, NPM1-Mutation