CMML2AML：机器学习发现共突变与特异单基因突变，可预测慢性单核细胞白血病向爆发性转化

这对血液癌症患者为何重要

慢性单核细胞白血病是一种罕见的血液癌症，可能多年保持稳定，也可能突然进展为类似急性白血病的侵袭性疾病。医生难以预测哪些患者会出现这种危险的转变。本研究运用现代计算技术解析白血病 DNA 中的模式，旨在识别出风险最高的人群，从而帮助更好地安排治疗决策，包括造血干细胞移植的时机。

在复杂的血液癌症中寻找模式

CMML 是骨髓生成细胞的恶性病变，导致单核细胞这一类白细胞过度增殖。有些患者多年病情受控，而另一些则快速进展为急性髓系白血病，即所谓的爆发性转化。传统风险评估工具关注单个基因变化或广泛的变化组，但不同研究对哪些单基因突变真正重要存在分歧。作者推测，真正的危险可能并非单一突变，而是特定基因变化的组合共同起作用。

让机器根据隐匿的遗传信号对患者进行分层

研究团队分析了梅奥诊所的 605 名 CMML 患者，并在意大利的 501 名患者中验证了发现。通过新一代测序，他们记录了 47 个在血液癌症中常见的基因突变。随后他们构建了定制的机器学习系统，根据哪些突变共现以及患者在无爆发性转化状态下的生存时长，将患者聚类分组。算法生成了许多简单的决策树，每个树将患者分为具有共同突变模式的组，然后根据这些组的生存曲线相似性合并相近的组别。

从非常安全到非常危险的五个遗传风险组

计算分析揭示了五个分子簇，其向急性白血病转化的概率显著不同。一个小群体具有 PHF6 基因改变但不伴随 ASXL1 改变，数年内几乎没有转化，构成超低风险组。处于另一极的是携带 NPM1 突变、或 NRAS 与 SETBP1 配对、或 ASXL1 与 BCOR 配对的患者，这些群体的转化率极高，三年内接近 100%。处于两端之间的则是其他组合，例如 ASXL1 合并 RUNX1 或 ASXL1 合并 TET2，分别构成高风险和中等风险簇，而不具备这些模式的患者则形成更广泛的低风险组。

构建医生可用的简明评分

为了将这些发现转化为实用工具，研究者把最有预测力的单突变与共突变结合，构建了名为 CMML2AML 的评分系统。他们根据每种遗传模式与爆发性转化的关联强度给出分值。NPM1 突变权重最大，其次是 NRAS 与 SETBP1 的组合以及 BCOR，ASXL1 和 ASXL1+RUNX1 的权重较小。加总这些分值后可将患者分为四个从低到高的风险层级，最高风险层在一年内面临近一半的转化几率。同样的评分在意大利队列中显示出相似的效能，支持其更广泛的适用性。

一个特别的危险信号：NPM1 突变

最显著的结果之一涉及 NPM1，这一基因在急性白血病中已广为人知。在本次 CMML 研究中，NPM1 突变虽少见但极具预后不良意义。即便外周血与骨髓中未成熟细胞（芽细胞）比例仍低于急性白血病的常规阈值，携带 NPM1 改变的患者仍更易进展到爆发期并更早死亡。这类病例常缺乏 ASXL1 或 RUNX1 等其他高危突变，并且常伴有 DNMT3A 改变，提示它们代表一种独特的遗传亚型，识别后可能应当尽早按急性白血病处理。

对患者和临床的意义

对于患有 CMML 的人来说，这项工作表明突变模式，而不仅仅是芽细胞比例或单一基因结果，能强烈影响预后。通过识别危险的基因组合并将其打包进 CMML2AML 评分，研究提供了一种方法来挑选需要更密切监测和更早讨论造血干细胞移植的患者，以及那些不太可能迅速转化的患者。虽然这些发现还需在更多队列中得到进一步验证，但它推动了基于遗传学的更精确管理策略在这一复杂血液癌症领域的发展。

引用: 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

关键词: 慢性单核细胞白血病, 爆发性转化风险, 共突变, 机器学习 基因组学, NPM1 突变