深度解析医学证据，DeepEvidence为你支撑决策
弥漫大B细胞淋巴瘤（DLBCL）在临床和遗传学上均具有异质性，业内普遍认为，存在具有治疗意义的遗传学定义亚型。除此之外，仍需进一步解决的其他考虑因素包括：定义不同类别之间的界限、相关的分子数据类型，以及无法分类/复合病例的处理。
《BLOOD CANCER DISCOVERY》近日发表综述中，并置了该领域专家的不同观点，概述了实际工作流程的考量，并总结了临床试验的经验教训。这些综合起来，形成了为开发和评估临床相关的DLBCL分型方法提供信息的实验设计和分析考量。
引言
2025年6月，在第十八届国际恶性淋巴瘤会议上，100多名研究人员齐聚一堂，参加了一个关于弥漫大B细胞淋巴瘤（DLBCL）分类的研讨会。在这篇综述中，该领域的八位专家提出了他们对此主题的独特观点，概述了意见大体一致的领域，并强调了需要进一步研究和协调的其他领域。尽管专家均认为DLBCL应分为遗传亚型，且这种划分具有预后和预测应用的潜力，但仍有许多问题悬而未决。哪些类别在生物学上不同和/或具有临床意义？哪些分子特征定义了它们各自的边界？哪些数据类型和算法足以/理想地稳健确定肿瘤的遗传类别？这里针对这些问题提出了答案（尽管并非完全一致）。本文概述了共识领域和悬而未决的问题，以及在这一领域向前推进的潜在方法。
通过DLBCLass定义的DLBCL遗传亚型– Margaret A. Shipp
DLBCL是一种临床和遗传异质性疾病。来自两个哈佛机构（丹娜-法伯癌症研究所和布罗德研究所）、梅奥诊所和德国高级别淋巴瘤研究组的研究人员定义了新诊断DLBCL中的复发性遗传改变（简单体细胞突变[SSM]、体细胞拷贝数变异[(SCNA]和结构变异[SV]）的谱系，并使用非负矩阵分解类(NMF)共识聚确定了五个离散的聚类，即C1至C5，这些聚类具有不同的转化机制和接受标准利妥昔单抗、环磷酰胺、多柔比星、长春新碱和泼尼松(R-CHOP)诱导治疗疗效。C5 DLBCL是高危肿瘤，富集活化B细胞基因表达亚型的肿瘤，具有频繁的18q拷贝获得、MYD88 L265P和CD79B突变以及结外趋向性。C1 DLBCL是较低危的肿瘤，具有在转化的边缘区B细胞淋巴瘤中可见的遗传改变以及额外的与免疫逃逸相关的遗传改变。C3 DLBCL富集生发中心B细胞基因表达亚型的肿瘤，具有频繁的BCL2易位（包括伴有MYC同时易位的病例），以及B细胞转录因子、染色质修饰因子和B细胞受体/PI3K信号通路组分的突变。C4 DLBCL是富集GCB肿瘤的低危亚型，具有RAS和JAK/STAT通路成员、连接子和核心组蛋白基因、PI3K通路调节因子以及先前与T细胞丰富大B细胞淋巴瘤相关的额外突变。相比之下，C2 DLBCL与细胞起源(COO)无关，其特征在于频繁的、双等位的TP53失活、CDKN2A拷贝缺失、基因组不稳定性增加，以及接受标准诱导治疗后结局较差。其他研究（包括美国国立卫生研究院使用NIH队列的一项研究和剑桥大学的一项研究）也独立地表征了DLBCL的遗传亚结构，并描述了类似的肿瘤亚群和分类策略。
鉴于存在分子上不同的、具有潜在不同治疗脆弱性和结局的DLBCL聚类，也凸显了对稳健分子分类器的需求。上述哈佛研究小组首先在独立的NIH队列中验证了其五类遗传亚结构(C1–C5)，然后使用两个DLBCL样本队列开发了一个概率分子分类器。这些肿瘤被分为一个训练/验证集和一个保留用于评估最终模型的独立测试集。此后，研究人员使用先前分配的NMF共识聚类标签作为“真实情况”，并使用一个测量类别分配准确性和置信度的性能指标，比较了多种机器学习模型和输入特征减少策略的输出。
获胜的算法称为DLBCLass，基于神经网络架构，包含163个复发性遗传改变，这些改变被组合成21个输入特征（“元特征”）。所有三类改变（SSM、SCNA和SV）——可通过全外显子组测序(WES)和荧光原位杂交(FISH)识别（两者都是实现最佳模型性能所必需的）。添加COO转录亚型（即ABC或GCB）和肿瘤倍性并不影响分类准确性。与NMF共识聚类分配相比(C1–C5)，DLBCLass在训练/验证集中的准确率为91%，在独立测试集中为89%。在具有最高置信度DLBCLass判定的病例中（置信度>0.7；占所有病例的75%），分类器在训练/验证集中的准确率为97%，在独立测试集中为98%。
美国国家癌症研究所的一个小组独立地生成了他们自己的分类系统，称为LymphGen。组合哈佛-NIH队列中的每个肿瘤都有DLBCLass判定以及来自LymphGen的亚型分配，使得能够直接比较两种算法。所有699例DLBCL都被分配到一个DLBCLass聚类（C1-C5），75%的判定置信度>0.7。相比之下，只有55.4%的肿瘤被分类到特定的LymphGen类别；44.6%的DLBCL被归类为“不明确的”（7.3%）或“其他”（37.3%）。这项头对头的比较表明，与LymphGen相比，DLBCLass将更高比例的肿瘤分配到了离散的分子亚群。对已分配病例的进一步分析表明，各自的DLBCLass和LymphGen算法并非完全可互换。
总之，DLBCLass为DLBCL分类提供了一个分子框架，有可能为风险分层和对当前或未来治疗策略（如亚型特异性合理靶向治疗）的分析提供信息。与此一致，初步数据表明，DLBCLass可识别出从已POLARIX试验的维泊妥珠单抗/利妥昔单抗、环磷酰胺、多柔比星和泼尼松(R-CHP)治疗中获益最大的患者亚群。
通过LymphGen算法定义的DLBCL遗传亚型– Louis M. Staudt
在治疗DLBCL时，肿瘤学家长期以来一直困惑于化疗在某些患者中成功而在另一些患者中失败的原因，从而促使了使用基因表达谱对DLBCL进行亚类划分。COO分子亚型依赖于不同的致癌通路，并对化疗和靶向治疗表现出不同的反应。然而数据表明，这种亚类划分并不够精确。例如，与GCB亚型的其他肿瘤相比，伴有MYC和BCL2易位的GCB肿瘤患者被证明结局更差。同样，当ABC COO的DLBCL患者的肿瘤具有MYD88和CD79B突变时，他们对伊布替尼的反应更好。
DLBCL肿瘤的高通量测序依赖于遗传病变的共现模式，推进了DLBCL亚型定义。使用LymphGen系统，DLBCL可以进一步划分为七个遗传亚型（图1A）。通常来说，ABC DLBCL被分为MCD、BN2、N1和A53遗传亚型；GCB DLBCL往往被分配为EZB、ST2和BN2遗传亚型；而COO未分类的样本富集BN2。尽管最初使用双打击基因表达特征（现在称为“暗区特征”）来细分EZB亚型，但一个纯粹的遗传分类法使用存在BCL2和MYC两者易位(DH)来将EZB分为EZB-DH，其余病例定义为EZB-nonDH。
LymphGen算法使用贝叶斯统计提供亚型成员资格的形式化概率。值得注意的是，一些肿瘤缺乏足够的遗传证据来证明其属于任何遗传亚型，而其他肿瘤则有高概率属于多个亚型。与其他试图将所有DLBCL肿瘤分配到一个亚型的分类方法不同，LymphGen将证据不足的样本分配给“其他”类别，将证据冲突的样本分配给“复合”类别。这种区分基于的前提在于，对所有DLBCL进行独特分类所带来的好处，被用不具有相似发病机制的肿瘤“稀释”每个亚型的潜力所抵消，最终可能产生与治疗反应关联性较弱的结果。
使用LymphGen分配后的亚型与对化疗和靶向治疗的反应相关（图1A）。在 MCD DLBCL 和原发性中枢神经系统 (CNS) 淋巴瘤（遗传学特征与 MCD 相似）中，伊布替尼的缓解率分别为80%和92%（图1B）。当伊布替尼被添加到R-CHOP中时，在MCD和N1亚型中也提供了显著获益，使用伊布替尼的3年无事件生存率为100%，而单独使用R-CHOP时则≤50%。对接受多药联合方案维奈克拉、伊布替尼、泼尼松、奥妥珠单抗和来那度胺lenalidomide (ViPOR)治疗的患者的事后分析指出，完全缓解（CR）在具有MCD和N1遗传特征的患者中更为常见，这与先前关于伊布替尼可能带来获益的数据一致。出乎意料的是，与EZB-nonDH相比，EZB-DH患者的结局也更优。
图1. LymphGen的分子与临床特征。A，通过LymphGen算法分类的DLBCL基因表达与遗传亚型之间的关系。“其他”类别中的肿瘤因缺乏足够的遗传证据而无法高概率地归入某一亚型，其原因可能是：（i）存在外源性致癌驱动因素，如EB病毒（EBV）；（ii）恶性细胞稀少，如T细胞/组织细胞丰富的大B细胞淋巴瘤；或（iii）存在目前未被识别的致癌驱动因素。遗传复合型淋巴瘤被LymphGen以高概率（≥90%）同时归入多个亚型。图中显示了各组患者接受R-CHOP治疗后的5年总生存率（OS）。同时总结了PHOENIX试验中，所考虑的各组患者从R-CHOP联合伊布替尼治疗中的获益情况。B，根据分子亚组分类的活化B细胞样（ABC）型DLBCL对伊布替尼单药治疗的应答情况。
这些亚型还可以揭示疾病的发病机制。尽管MCD和N1都依赖慢性活跃的BCR信号来激活促生存的NF-κB信号，但MCD可以通过使用包含MYD88、TLR9和BCR（My–T–BCR）的超分子复合物来实现这一目的，而N1有可能使用其他致癌病变来激活NF-κB。在MCD和N1中，伊布替尼阻断依赖于BCR的信号级联反应，最终导致NF-κB激活，而在MCD中，伊布替尼还促进My-T-BCR的自噬降解。BCL2抑制剂维奈克拉在杀死EZB-DH模型方面比EZB-nonDH模型显著更有效，这或许可以解释ViPOR在EZB-DH中的疗效。这些有前景的见解支持在临床试验中（使用WES和RNA测序）、并最终在DLBCL的常规临床诊断中，进行DLBCL的亚类划分。
血液恶性肿瘤研究网络的视角– Daniel J. Hodson
来自英国血液恶性肿瘤研究网络（HMRN）的一项研究进一步证实了DLBCL包含多个遗传亚型。与先前使用外显子组数据的研究相比，HMRN依赖于一个包含293个基因的靶向捕获panel，该panel旨在覆盖先前DLBCL调查中识别的基因。该方法应用于从928例DLBCL病例的福尔马林固定石蜡包埋(FFPE)活检样本中提取的DNA。为了更广泛地观察实体间的关系，该队列特意包括了在惰性淋巴瘤背景下发生的大B细胞淋巴瘤、原发性中枢神经系统淋巴瘤、T细胞/组织细胞丰富的大B细胞淋巴瘤、浆母细胞淋巴瘤和原发性纵隔大B细胞淋巴瘤(PMBL)。与先前研究不同的聚类算法揭示了DLBCL的五个遗传亚型——分别命名为MYD88、BCL2、SOCS1/SGK1和SOCS1/TET2，以及一个包含27%患者的未分类类别。值得注意的是，这四个分类亚型可以轻松地映射到NCI或哈佛研究已经描述的某些类别，包括相当于MCD/C5、EZB/C3、BN2/C1和ST2/C4亚组（图2）。
图2. DLBCL遗传学的概念性地形图。该地形图是基于使用DLBCLone（medRxiv 2025.09.18.25335809）对2,000多例DLBCL样本的遗传学数据进行均匀流形近似与投影降维后生成的三维渲染图。地形图中每个彩色的“山峰”代表被归类为某一种LymphGen类别的样本，每个区域的高度与该分类的置信度成正比。位于较低海拔区域（即“山谷”）的样本可能被以较低的置信度进行分类，或根据分类器设定的置信度阈值而未被分类。图例显示了HMRN、哈佛团队（DLBclass）和NCI团队（LymphGen）所描述分类体系中的类别对应关系。虚线表示在其他分类体系中缺乏对应类别的类型。实线标示的四组类别是所有三个分类体系共有的。
HMRN分类系统定义组的生物学区别进一步得到基因表达谱明显差异的支持，表明它们依赖于不同的致癌通路。其未识别出N1等效亚组，大概是因为该基因的突变频率太低，无法在使用所用算法和队列的情况下驱动聚类。在一项后续研究中，HMRN分类系统被修改，以基于存在截短的34号外显子NOTCH1突变来定义NOTCH1突变亚组。这些患者较差的临床结局支持将其认定为DLBCL的一个独特亚型。总体而言，HMRN研究组的发现作为独立验证，表明先前描述的遗传聚类是稳健的。此外，它证实了可以使用从FFPE活检样本中提取的DNA结合靶向测序panel来独立重现这些结果，其有可能应用于诊断环境。
HMRN研究的一个显著区别在于将ST2/C4聚类分为两个亚群，这种划分可能源于SOCS1和其他经历体细胞高频突变的基因中较高的突变频率，可能反映处不同研究中变异检出和注释策略的差异。然而应注意的是，由此产生的亚组(SOCS1/SGK1)富集了PMBL，这是一种在早期研究中没有代表的实体，表明队列的组织学构成可能会影响聚类的结果。A53/C2的一个定义特征是拷贝数变异，这意味着HMRN panel中可用的拷贝数数据极少导致缺乏等效亚型。事实上，当使用HMRN聚类算法对哈佛突变数据进行重新聚类时，ST2/C4的划分消失了，而出现了A53/C2的等效亚组。这阐明了一个重要观点，即通过聚类或应用分类器来解析任何单个遗传亚型的能力，在很大程度上取决于最初用于识别驱动变体的方法。事实上，HMRN和哈佛研究分别用于驱动聚类的117个和163个遗传特征中，只有60个是重叠的。这不仅仅是靶向panel设计的问题，很可能还受到用于报告驱动变体的过滤策略差异的驱动。在DLBCL中，由于报告体细胞高频突变基因和非编码变异的方法各不相同，这个问题变得更加复杂。需要标准化驱动变异注释的必要性可以通过以下惊人观察得到例证：在最近几项大型DLBCL外显子组研究中报告的723个复发性突变基因中，只有10个基因被其他几项大型DLBCL基因组调查报告为显著突变。随着学界努力实现DLBCL统一遗传分类的目标，关键的第一步将是协调B细胞癌症中变异检出和驱动注释的方法。
在前行道路上寻找共同点– Ryan D. Morin
不同分类方法之间的差异可归因于生物学和技术变量的结合。例如，像SOCS1/SGK1这样的孤儿亚群可能反映了不同大细胞淋巴瘤实体(例如PMBL vs. DLBCL;图2)之间的潜在生物学差异。由于DLBCLass和LymphGen定义的遗传分组是从DLBCL推断出来的，它们不太可能代表相关疾病实体的更广泛多样性。其他的差异可以通过不一致地考虑遗传特征来解释，例如，分配EZB-DH或EZB-DZ+分别需要MYC/BCL2易位状态或DZsig基因表达特征。若没有这些特征，EZB仍然是一个与C3关系密切的单一类别。类似地，在缺乏SCNA或NOTCH1突变状态的情况下，LymphGen不会将肿瘤分配给A53或N1。事实上，依赖于panel测序的研究通常应用五类LymphGen算法（无A53）。在这些情况下，通常打算归入不可用类别的样本可能会被转移到另一个类别或保持未分类（图3A）。撇开在大多数队列中似乎罕见的N1不谈，剩下四个类别的核心集：EZB/C3、ST2/C4、BN2/C1和MCD/C5。
图3. 分类一致与不一致样本的遗传模式。作为另一个项目的一部分，对来自NCI队列和哈佛队列的外显子组数据进行了重新分析。将这些数据以及其他独立研究中的额外DLBCL样本一同分析其SSM，并按照先前描述的方法使用不含SCNA信息的LymphGen进行分类，因此无法获得A53分型。利用其中2,130个具有明确LymphGen分类的样本训练了DLBCLone分类器（medRxiv 2025.09.18.25335809）。随后，使用DLBCLone推断NCI和哈佛队列中每个样本的LymphGen类别。A，冲积图显示了图中每个样本被DLBclass、LymphGen（不含A53）或DLBCLone分类器分配的结果。B，这些样本的突变谱以oncoplot形式展示，涵盖了DLBclass（加粗±颜色）和/或LymphGen（颜色标注）所考虑的每个基因的突变状态。列（样本）按DLBclass的分配结果排列，分类一致性更高的样本排列在左侧。对于每个类别相关的行，列上叠加了阴影框。叠加阴影的透明度表示样本被一致分配到相应类别的情况：最不透明的区域表示被所有三种方法都分配到等效类别的样本（一致）；中等透明度区域表示仅在DLBclass和DLBCLone之间分配到一致类别（半一致），而LymphGen通常将其归为其他类别；透明度最高的方框表示DLBclass分配结果与DLBCLone分配结果不一致的样本。对于那些被DLBCLone和/或LymphGen分配至明确类别、但被DLBclass分配至C2类别的样本，叠加阴影代表DLBCLone的分配结果（右侧）。C，DLBclass所考虑的每个染色体区域中SCNA的存在情况，红色表示扩增，蓝色表示缺失。
尽管存在这些关系，但不同分类法中的相应组不应被视为可互换。事实上，尽管任何给定的EZB肿瘤很有可能被DLBlass分配给C3，但不同类别间的一致性程度差异很大。引人注目的是，只有不到一半的C4肿瘤被LymphGen分配给ST2，而分配给A53的C2肿瘤比例更小。其中部分原因可能在于，每种算法考虑的特征存在巨大差异。具体来说，LymphGen依赖于61个基因的突变，而DLBlass考虑了97个基因（图3B）。DLBlass还利用了更多的SCNA特征，特别是对于C2和C5（图3C）。当LymphGen或其他分类器在没有这些数据的情况下应用时，可以看到SCNA的影响（图3A）。
当由于实验限制导致遗传特征不完整时，这些固有的差异会变得更加复杂。使用外显子组范围的突变谱，LymphGen可能使高达45%的样本无法分类(medRxiv 2025.09.18.25335809)，并且使用panel数据报告的分类率更低。已经可以看到旨在使用有限的遗传数据产生类似LymphGen的分配的定制算法，例如LymphPlex是使用来自一个小基因panel的突变进行训练的。尽管开发工作正在进行中，但最初的实现只能将样本分配到EZB样、N1样、BN2样、MCD样或TP53突变，大概使得本应归入ST2的样本未被分类或被错误分类。尽管存在局限性，但使用panel的可能性似乎仍在继续，特别是考虑到第一个使用这种方法（GUIDANCE-01）的试验取得了令人鼓舞的结果。
这些不同的系统可以看作是一个机会，可以实施一种利用每种系统独特优势并解决所述局限性的方法（图3A）。考虑到突变数据并不总是全面的，理想的方法应该适应可用的特征，而不会不必要地牺牲分类准确性。Morin实验室正是本着这一意图开发了DLBCLone(medRxiv 2025.09.18.25335809)。从一个由现有遗传分类器（如LymphGen）标记的大型肿瘤集合（训练集）开始，高维空间中样本的接近度用于定义每个类别的边界。训练后，DLBCLone可以将新样本分配给由训练数据定义的分类法（LymphGen）。重要的是，没有分类器能在所有情况下提供100%的准确性，并且不同的工具可能在特定情况下表现更好。鉴于不完整数据对分类稳健性的影响，算法的选择可能是一个不如用于遗传谱分析的检测方法重要的考虑因素。撇开准确性不谈，目前仍没有足够的证据来断定任何一种分类法在不同的应用中会提供更优的临床效用。这些问题将需要对相同数据进行事后分析的头对头评估。
从分类转向临床影响 –赵维莅
尽管R-CHOP作为一线治疗有效，但约40%的DLBCL患者经历治疗失败或复发，这凸显了对改进治疗策略的需求。为了满足这一未满足的需求，已经开发了分子分类系统，如NCI/LymphGen、哈佛/DLBlass和HMRN分类。这些框架描绘了DLBCL亚型之间不同的致癌机制和药物敏感性差异，为精准医学奠定了基础。
PHOENIX试验代表了朝着实现亚型指导治疗潜力迈出的关键一步。在年轻non-GCB DLBCL患者中，将伊布替尼加入R-CHOP显示出显著获益。一项事后探索性分析提示MCD和N1亚型患者获益。同样，评估维泊妥珠单抗联合R-CHP (Pola-R-CHP)与R-CHOP对比的POLARIX试验显示，特别是在ABC DLBCL中，无进展生存期更优。总的来说，这些试验提示了在某些情况下R-CHOP联合靶向药物（R-CHOP-X）可能以使患者获益的背景依赖性方式。
为了将分子分型转化为临床实践，上海血液学研究所的一个研究小组启动了GUIDANCE-01试验，采用简化的二代测序panel在7天内进行亚型分配（图4）。患者接受一个周期的初始R-CHOP治疗，随后被随机分配继续接受R-CHOP或R-CHOP-X治疗，其中靶向药物与遗传亚型匹配：针对MCD-like和BN2-like使用伊布替尼；针对N1-like、EZB-like和无法分类的病例使用来那度胺；以及针对TP53突变肿瘤使用地西他滨。该试验达到了其预先指定的终点，提高了CR率和长期生存率。上海血液学研究所的研究小组还使用五种免疫组化(IHC)标记物设计了一种实用的淋巴瘤微环境(LME)分类，该分类非常接近基于转录组的LME亚型。值得注意的是，R-CHOP-X在特定LME类别（包括免疫耗竭和炎症亚型）的患者中也带来了获益。
图4. GUIDANCE试验概览。在GUIDANCE试验中，对新诊断的弥漫大B细胞淋巴瘤（DLBCL）患者进行活检，并使用18基因 panel 进行测序。这些数据，连同BCL2和BCL6的重排状态，被输入LymphPlex算法（1.0版；右图）。该流程将患者分为TP53突变亚型，或与LymphGen分类相对应的四种类型之一（MCD样、BN2样、N1样或EZB样）。若未检测到任何遗传特征，患者也可被归为未另行分类（NOS）。每位患者首先接受一个周期的背景治疗方案（R-CHOP）。之后，患者被随机分组，继续单独接受R-CHOP治疗，或接受R-CHOP-X治疗。对于后者，所添加的药物（X）对应为伊布替尼、来那度胺或地西他滨，并根据遗传亚型决定。
值得注意的是，不同研究小组之间的遗传分型方法存在根本差异。基础科学的优先事项是生物学发现和机制洞察，但临床转化需要可操作的工具来快速做出治疗决策。截至2026年2月，上海血液学研究所正在使用LymphPlex 2.0，这是一种更新的简化算法，利用了35个基因的突变状态和3个基因(BCL2、BCL6、MYC）的重排状态。LymphPlex 2.0的实用性正在GUIDANCE-02试验中得到验证。
总之，尽管实用的分类仍需要逐步改进，但遗传亚型指导的免疫化疗已从回顾性关联发展到前瞻性临床效用。整合分子分类器、LME谱和循环肿瘤DNA(ctDNA)动态变化，预示着DLBCL个性化、基于机制的管理新范式。
DLBCL中的超级增强子超突变 – Riccardo Dalla-Favera
DLBCL分类法的改进，来自于识别遗传亚组，其以不同模式共存基因组改变为特征。尽管这些分类的临床价值得到了与治疗反应相关联的支持，但并非所有患者都能被明确地分配，这表明这些分类代表了朝着更全面理解DLBCL生物学的中间步骤。值得注意的是，这些研究仅集中于编码区，而编码区仅占细胞遗传物质的2%，而具有致病意义的额外遗传复杂性可能存在于大得多的非编码基因组部分，包括高度相关的调控结构域。
基于这一原理，一项旨在识别DLBCL中功能性非编码突变的主要研究揭示，在超过92%的病例中，广泛的突变活性靶向对应于活跃超级增强子的染色质结构域。这种普遍存在的异常体细胞超突变(aSHM)具有活化诱导的胞苷脱氨酶活性的特征，该酶在生发中心中使抗体基因多样化，表明这种酶是潜在的突变驱动力。值得注意的是，超突变超级增强子（super-enhancers，SE）与在B细胞生理学和病理学中发挥关键作用的基因（包括众所周知的癌基因）相关，支持aSHM作为破坏DLBCL中基因转录调控的主要机制。使用DLBCL细胞系，哥伦比亚大学的一组研究人员证明，与BCL6、BCL2和CXCR4癌基因相关的SE中的特定突变热点通过损害转录抑制因子的结合来放松基因表达的调控。具体来说，他们证明了影响BLIMP1（由 PRDM1 编码）与BCL6 SE相互作用以及糖皮质激素受体（GR；由 NR3C1 编码）与BCL2和CXCR4相互作用的突变。重要的是，肿瘤细胞依赖于这些突变，揭示了可用于靶向治疗策略的脆弱性。在整合不同类别的遗传改变时，BCL6或CXCR4 SE中的突变热点与靶向连接癌基因或结合这些染色质结构域的转录因子的编码外显子的遗传病变大多是互斥的，确定了在这些肿瘤中关键致癌回路可能被破坏的互补机制（例如，BLIMP1结合位点的 BCL6 SE 突变vs. BCL6染色体易位和 PRDM1 失活突变）。
aSHM对GR结合位点的重复靶向促使了对这种转录因子在正常和恶性GCB中作用的全面研究，令人惊讶的是，之前尚未研究过这一作用。这些结果表明，GR在GCB中具有组成型活性，并揭示了先前未被重视的在控制GC后分化为浆细胞方面的功能，部分是通过拮抗BCL6介导的IRF4和PRDM1抑制来实现的。
总的来说，这些数据以及aSHM与增强子/SE失调之间的明确联系强烈表明，SE的普遍突变靶向在DLBCL的发生和维持中起着关键作用。这些观察结果值得付出巨大努力来功能化迄今为止在DLBCL中已识别的80多个突变簇。这些发现的意义是双重的。首先，这一现象有望揭示先前未被重视的、参与DLBCL发病机制的程序和信号通路（例如GR）。其次，这些研究可以使我们全面估计已知致癌转录回路被破坏的病例比例。总的来说，这些研究强调了DLBCL遗传学中一个未被充分重视的维度，暗示了以下潜力：(i) 扩展和完善基于遗传学的DLBCL分类；(ii) 识别预测性生物标志物以指导更个性化的治疗；(iii) 发现潜在的治疗靶点。
游离DNA用于淋巴瘤分类和监测– Ash A. Alizadeh
前面的章节侧重于使用遗传特征划分DLBCL的策略。考虑测量这些分组未捕获的临床和分子特征的正交方法仍然很重要。一种潜在的补充方法是基于肿瘤微环境特征对DLBCL进行分层，使用诸如ectotyping、LME分型、archetyping或COO免疫象限分析(bioRxiv 2024.01.17.576100)等方法。基因组技术也有望实现治疗前肿瘤负荷和解剖分布以及治疗后残留疾病的精确、无创测量，为实现个性化治疗和改善结局的替代策略提供了机会。
事实上，利用cfDNA的无创诊断方法已在肿瘤学、产前检测、移植和传染病领域得到广泛应用。在多种癌症中，cfDNA允许进行无创基因组分析，无需组织活检即可实现疾病诊断、分类和治疗监测。cfDNA分子的肿瘤来源部分，即ctDNA，包含肿瘤特异性改变，如SSM、包括SCNA和SV在内的结构变化，以及包括5' CpG甲基化在内的表观遗传修饰。
早期的ctDNA分析方法（如CAPP-seq）靶向复发性SNV，达到了约0.01%变异等位基因频率（VAF）的分析检测限。当应用于不同的淋巴瘤亚型时，使用这些方法测量的治疗前ctDNA负荷已可重复地预测无事件生存期。在DLBCL中，基线ctDNA水平已被证明与分期、乳酸脱氢酶、国际预后指数(IPI)和代谢肿瘤体积等临床指标相关，但其预后价值优于传统标志物。通过动态监测诱导治疗期间中期时间点的纵向 ctDNA 评估也显示了早期分子学缓解（例如，一个化疗周期后 ctDNA 水平下降2个对数），与有利结局的相关性更强。然而，后期时间点（包括治疗结束时[EOT]）对微小残留病(MRD)检测的敏感性受限，促使了如PhasED-seq等技术进步。该技术追踪单个cfDNA链上同一相位上的多个顺式突变，将背景错误降至百万分之一以下，从而实现超灵敏的疾病检测。在DLBCL队列中，PhasED-seq改善了EOT时MRD的检测，比CAPP-seq早150至320天识别出复发，并进一步对PET阴性和PET阳性患者的结局进行分层。
除了疾病监测，cfDNA还能够实现淋巴瘤亚型的无创分类。通过ctDNA进行基因分型可以解析经典霍奇金淋巴瘤（cHL）的遗传亚型，与组织的相当高一致性，同时揭示了解剖学异质性和进化动态。片段组学方法，如分析cfDNA长度分布，可以推断染色质可及性和基因表达。例如，EPIC-seq可量化转录起始位点片段化熵来近似基因表达谱，在多种组织学队列中以高精度分类分子亚型，如DLBCL、滤泡性淋巴瘤和cHL。通过EPIC-seq推断的淋巴瘤特异性基因表达特征与突变ctDNA VAF强相关，可区分淋巴瘤并解析可靶向标志物（如B细胞淋巴瘤的CD19和cHL及其他肿瘤的CD30）的表达。
在临床上，ctDNA-MRD正被整合到实践指南和试验中。几项前瞻性研究现已验证，EOT ctDNA-MRD在评估DLBCL缓解方面优于PET/CT。因此，对于确认难治性或复发性DLBCL，目前的NCCN B细胞淋巴瘤指南建议，对于活检不可行的患者，使用超灵敏MRD检测来指导挽救治疗。在二线治疗中，诸如lisocabtagene maraleucel的TRANSFORM试验等研究表明，嵌合抗原受体T细胞治疗后几天内快速的ctDNA清除可以预示着复发/难治性大B细胞淋巴瘤患者的CR和更长的生存期。这些结果已经为几项正在进行的ctDNA驱动的风险适应性试验提供了信息。这些试验使用各种疾病里程碑来为不同淋巴瘤的治疗决策提供信息，包括：(i) 基线ctDNA基因型和ctDNA水平用于指导靶向治疗（SAKK 38/19 PEDRO研究，NCT04604067；RAdICAL研究）；(ii) 早期中期ctDNA分子反应用于指导CD20-CD3双特异性抗体的联合应用（NCT04980222）；(iii) 治疗结束时评估用于指导治疗缩短（SHORTEN-ctDNA研究，NCT06693830；PRECISE-HL研究，NCT06745076）或治疗升级（ALPHA3研究，NCT06500273）。
理论上，ctDNA驱动的设计可以加速对活性药物在更早治疗线中的研究，因为它们可以在更早的时间点提供反应证据。未来的发展可能会通过多组学整合进一步提高cfDNA的实用性。结合基因分型、表观基因组学和片段组学可以实现全新的亚型发现，捕捉组织活检遗漏的微环境和进化特征。一些开放的挑战包括标准化、成本以及在多样化人群和治疗类别中的验证。
实施遗传分型的实际考量：从活检到临床– David W. Scott
尽管基于遗传学的DLBCL亚型目前并未强制要求改变患者管理（例如DLBclass、LymphGen、HMRN分类等），但根据特定亚型对药物选择性疗效的新证据，这种情况很可能在不久的将来发生变化。为了实现广泛实施基于遗传学的分类以指导患者护理，必须解决几个实际考量因素，包括获取合适的组织样本、检测平台特性、协调生物信息学工作流程，同时确保足够快的周转时间。
尽管FFPE切口/切除肿瘤活检通常能提供足够的核酸用于测序并最大化诊断准确性，但核心针活检越来越多地用于淋巴瘤诊断。作为一个群体，通过核心针活检诊断的患者患有高危疾病（晚期阶段和高IPI评分）、治疗结局较差，并且用于分子分析的核酸不足的比例更高。采集多个组织核心并且不将它们全部包埋在一个蜡块中可以增加测序成功的几率。骨骼和骨髓活检提出了脱钙对核酸质量影响的额外挑战。历史上，DLBCL基因组学研究通常排除肿瘤含量低于40%的活检样本。在临床环境中，不可避免地会遇到细胞数量较少的肿瘤，这所带来的局限性将根据所寻求的分子特征和方法学变量而变化（例如测序深度）。另一个考虑因素是肿瘤的分子特征并非随时间保持不变。事实上，经历晚期复发（>2年）的DLBCL活检样本具有最大程度的遗传差异，从而支持了如果在靶向特定突变和通路，应在复发时重新取样和测序。
分配至遗传亚型所需的SSM、SCNA和SV的检测，可以通过panel测序、外显子组测序（理想情况下，添加靶向重要非编码区域的额外探针）或全基因组测序来实现。Panel测序目前在临床上使用更广泛，具有通常更高测序深度的优势；然而亚型分配的准确性取决于panel上是否存在突出的分子特征。使用测序方法检测重要的SV（MYC、BCL2和BCL6基因的重排）仍在进行中，尽管这些信息中的一部分可以用基因表达谱衍生的信息替代，但FISH可能会继续在为遗传分类提供这些特征方面发挥作用（图5）。
图5. 用于分子分型的样本采集与分析概览。分子分型通常依赖于切除活检或空心针穿刺活检（理想情况下取多于一条组织），这些活检也用于常规诊断，包括组织学和FISH（例如检测BCL2和MYC）。FFPE组织是肿瘤DNA和RNA的来源，可用于基因表达谱分析。此外，还需采集个体（胚系）DNA，通常来自血液，或者理想情况下来自较少受循环肿瘤细胞影响的样本，如皮肤或口腔拭子。将患者肿瘤DNA以及可获取的胚系DNA样本，构建成与所需测序方法兼容的文库。通过使用通用探针面板或定制探针面板，富集代表目标区域的DNA片段并进行测序。在足够的测序深度、适当的分析技术（及对照）下，比对后的数据（通常为二进制比对图（BAM）格式）能够检测出分子分型所需的体细胞变异，包括单碱基突变（SSM）、体细胞拷贝数改变（SCNA）和结构变异（SV）。
为了确保不同中心之间的分子亚型分配一致，生物信息学工作流程需要透明、广泛可及且可重复。尽管许多工具会提供一致的体细胞突变检出，但拷贝数检出算法存在显著差异，并且还受到是否存在匹配正常样本的影响（如果使用了一组未配对的正常样本，这种情况可以在一定程度上得到缓解）。可重复性和广泛实施需要高水平的生物信息学自动化、最小化对人工审核的依赖，以及强大的质量控制以标记测序质量和深度不足。
鉴于侵袭性B细胞淋巴瘤患者通常需要快速治疗，如果这些分配要用于指导治疗，分子亚型分配的适当周转时间（数周而非数月）也至关重要。尽管人们对检测运行需要多长时间非常关注，但其他因素对周转时间有同等或更大的影响，包括触发分子检测的时间、运送到检测地点（无论是内部处理还是外包处理）、检测分批以及生物信息学和报告提供所花费的时间。将分子检测整合到常规诊断过程中是减少延迟的一种方法。诊断到治疗间隔最短的患者结局最差，并且可能从亚型特异性治疗中获得最大益处。为了使这些患者受益，可能需要前期化疗或一个周期的治疗作为桥接，使他们能够过渡到分子亚型分配和亚型指导的治疗。
结论与未来方向
将遗传分型纳入临床试验设计无疑将越来越受到重视。上述遗传分类体系代表了用于DLBCL分层或治疗选择的潜在生物标志物。初步结果令人鼓舞，分子分型已在回顾性研究中显示出显著的关联性，并开始指导前瞻性临床试验。通过对试验参与者系统性地生成遗传图谱，可进一步加速其推广应用。此类研究还需考虑临床病理背景以及大B细胞形态学中共有的、明确区分的不同亚型。能够测量互补生物标志物（如COO或微环境）的数据，则可能进一步促进新发现。
重要的是，这些分子数据以及相关的临床数据必须在科学界内共享。尽管遗传亚型可通过靶向测序数据进行推断，但这些分型得益于更全面的遗传信息来源，尤其是适合推断体细胞拷贝数改变（SCNA）的信息来源（如外显子组测序）。对遗传异质性的分析仍在进行中，同时，收集临床上有用的分子信息（如ctDNA测序）的方法也正在探索中。展望未来，协调现有的分类体系，并在不同数据集和测序背景下严格比较它们的性能，对于推动DLBCL分型走向常规临床实践至关重要。
参考文献
Blood Cancer Discov . 2026 May 12:OF1-OF12. doi: 10.1158/2643-3230.BCD-25-0327.