患者入组和样本收集
收集RUNX1-RUNX1T1阳性AML患者的临床和实验室数据。
从2012年3月至2019年4月共入组131例患者，分为发现队列（n=70）和验证队列（n=61），进行诊断、免疫分型和细胞遗传学分析。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
机器学习衍生的基因组驱动的急性髓系白血病RUNX1-RUNX1T1预后预测
Machine learning derived genomics driven prognostication for acute myeloid leukemia with RUNX1-RUNX1T1
实验完整度
中基于发现队列和验证队列的二代测序数据，结合机器学习建模，并通过生存分析和MRD相关性进行验证，但缺乏功能实验和机制验证。
主要模型
发现队列AML患者（n=70） 验证队列AML患者（n=61）
重点核对
AML伴RUNX1-RUNX1T1的诊断通过常规核型和/或FISH确认 发现队列和验证队列的样本量分别为70和61 所有患者接受‘3+7’诱导化疗（柔红霉素60mg/m2 D1-D3，阿糖胞苷100mg/m2/天 D1-D7） 机器学习模型中纳入的突变基因频率>5%，突变负荷阈值≥2 FCM-MRD在诱导后和巩固后两个时间点评估，连续两次阴性判定为MRD阴性
摘要
在RUNX1-RUNX1T1阳性AML发现队列中进行了基于面板的下一代测序。监督机器学习识别出NRAS突变以及ASXL2、RAD21、KIT和FLT3基因无突变以及低突变负荷与良好结局相关。基于这些数据，患者被分为良好和不良遗传风险类别。被分类为不良遗传风险的患者总生存期（OS）和无复发生存期（RFS）显著较低。我们在独立验证队列（n=61）中独立验证了这些发现。不良遗传风险组的患者更可能携带可测量残留病。不良遗传风险成为预测较差结局的独立危险因素。使用无偏计算方法，我们为RUNX1-RUNX1T1阳性AML的基因面板检测提供了证据，并为这一异质性疾病实体中基因组标志物整合到临床决策提供了框架。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 在RUNX1-RUNX1T1阳性急性髓系白血病中，基于基因组数据的机器学习模型能否有效进行预后风险分层？
- 核心机制
- 机器学习衍生的遗传风险评分综合NRAS突变（有利）与ASXL2、RAD21、KIT、FLT3突变及高突变负荷（不利）的相互作用，从而预测预后。
- 主要证据
- 在发现队列（n=70）和验证队列（n=61）中，通过面板NGS检测突变，使用监督机器学习建模并构建遗传风险评分，生存分析显示不良遗传风险组OS和RFS显著更差，且与FCM-MRD阳性相关。
- 研究意义
- 该研究为RUNX1-RUNX1T1阳性AML的基因面板检测提供了证据，并为基因组标志物整合到临床决策提供了框架，有望改善该异质性疾病的预后分层。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
基因检测和NGS分析
检测诊断样本中的体细胞突变，获取基因组特征。
使用基于单分子分子倒置探针（smMIP）的髓系测序面板进行NGS，分析突变谱。
机器学习建模和遗传风险评分
识别与预后相关的突变特征，构建遗传风险评分系统。
在发现队列上应用监督机器学习算法，选择预测结局的重要变量，并根据各变量的有利/不利影响分配分数，计算总分后划分良好和不良遗传风险组。
可测量残留病（MRD）评估
评估治疗后MRD状态及其与遗传风险的关系。
使用多参数流式细胞术（FCM）检测MRD，分别在诱导后和巩固后两个时间点检测，连续两次阴性定义为MRD阴性。
临床结局关联和验证
验证遗传风险评分对生存结局的预测价值，并与MRD关联。
使用Kaplan-Meier和log-rank检验分析遗传风险组与OS和RFS的关系，并通过多变量Cox回归调整MRD等混杂因素；在独立验证队列中验证结果。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
基因突变检测
机器学习建模和遗传风险评分
可测量残留病检测
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 诱导化疗 | 柔红霉素 | -- | -- |
| 阿糖胞苷 | -- | -- | |
| 基因检测 | 基于smMIP的髓系测序面板 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 患者入组 | RUNX1-RUNX1T1的确认方法（核型和/或FISH） 阅读提示：Methods: Patient Details |
| 化疗方案 | 诱导化疗方案（‘3+7’），药物剂量（柔红霉素60mg/m2 D1-D3，阿糖胞苷100mg/m2/天 D1-D7） 阅读提示：Methods: Patient Treatment and Evaluation of Outcome |
| 基因检测 | 测序面板覆盖的基因列表（50基因）和测序深度（中位983.5X） 阅读提示：Methods: Panel Based NGS and Data Analysis; Results: Genetic Testing |
| 机器学习建模 | ML模型的超参数和特征选择方法（详见补充方法） 阅读提示：Supplementary Methods |
| 遗传风险评分 | 评分规则：NRAS突变（+1），FLT3、RAD21、ASXL2、KIT突变及高突变负荷（-1），总分≥4为有利，≤3为不利；突变负荷阈值≥2 阅读提示：Methods: Machine learning based genetic score; Results: Machine Learning Derived Genetic Score |
| MRD评估 | FCM-MRD的检测方法（两管10色），诱导后和巩固后两个时间点，连续两次阴性定义 阅读提示：Methods: Measurable Residual Disease Assessment |