急性髓系白血病（AML）是一种由骨髓白细胞异常增殖引发的恶性肿瘤，其高度异质性给临床诊断和治疗带来诸多挑战。目前AML的诊断主要依赖细胞遗传学和分子突变分析，但仍有部分患者存在分型不明确和预后评估不准确等问题。已有研究表明DNA甲基化等表观遗传学改变在AML发生发展中具有重要作用，但由于表观基因组数据量庞大且解读困难，当前尚未在临床普及。近年来机器学习算法和长读长测序技术不断发展，为解决这一问题提供了新的技术路径。

近日，美国佛罗里达大学研究团队在《Nature Communications》发表了题为“Epigenomic diagnosis and prognosis of Acute Myeloid Leukemia”的文章。研究团队通过整合来自11个队列的3,314例白血病患者的甲基化数据，构建了急性白血病甲基化图谱（ALMA），并基于机器学习开发了诊断和预后模型。该研究进一步结合纳米孔测序技术建立了一套可在48小时内完成的快速检测流程，为甲基化检测向临床推广应用提供了重要依据。

在诊断与分型方面，ALMA利用无监督降维算法（PaCMAP）将331,556个CpG位点的甲基化数据压缩为5个维度，实现了对AML、ALL、MDS等多种白血病类型及其亚型的精准分类。诊断模型ALMA Subtype在训练集（n=2471）中准确率达89.6%，在独立测试集（n=180）中保持87.5%-89.5%的准确率，尤其对AML伴t(8;21)和NPM1突变等特定亚型的分类表现优异。在预后评估方面，研究团队开发了两个适应不同场景的模型。该研究首先建立了基于全基因组甲基化的AML表观基因组风险模型（Epigenomic Risk），该模型在发现队列（n=946）中高风险组的5年死亡风险比（HR）达4.40（P<0.0001），在测试队列（n=200）中HR达4.20。为进一步简化模型和降低检测成本，该研究通过表观基因组全关联分析（EWAS）和LASSO回归筛选出仅需检测38个关键CpG位点的预后模型（38-CpG AML Signature），同样显示出显著预后价值（HR=3.84，P<0.0001）。与传统风险分层相比，这两种模型的预测效能（AUC分别为0.71和0.69）均优于临床标准（AUC 0.67），且能有效识别标准风险组中的高危患者（HR=4.37）。该研究还开发了基于纳米孔测序的快速临床检测流程，包括DNA提取、纳米孔测序、甲基化调用、模型预测等步骤，可在48小时内完成全基因组和表观基因组分析，并在20例患者中验证了模型预测与关键基因组变异的高度一致性。

该研究不仅揭示了DNA甲基化在AML异质性中的关键作用，还为AML的早期诊断和风险分层提供了精准、快速的分子工具，有望优化诊疗决策。

论文链接：https://doi.org/10.1038/s41467-025-62005-4

注：此研究成果摘自《Nature Communications》杂志，文章内容不代表本网站的观点和立场，仅供参考。