Cancer Research
T细胞白血病和淋巴瘤的多组学分析揭示靶向治疗新策略
小赛推荐：
本研究构建了迄今最全面的T细胞白血病/淋巴瘤（TCL）多组学资源TCL-38，整合38株细胞系的基因组、转录组、表观组及药物敏感性数据，结合机器学习模型系统性识别出多种TCL亚型特异性药物敏感性和协同组合，为罕见TCL亚型的精准治疗提供了强大资源。
文献概述
本文《Multiomics Profiling of T-cell Leukemia and Lymphoma Enables Targeted Therapeutic Discovery》，发表于《Cancer Research》杂志，回顾并总结了针对T细胞白血病和淋巴瘤（TCL）这一异质性极强且临床治疗选择有限的罕见恶性肿瘤，通过构建包含38株TCL细胞系的TCL-38多组学资源，系统性整合基因组、转录组、表观组、拷贝数变异及药物敏感性数据，并结合机器学习模型，成功识别出多种TCL亚型特异性单药敏感性和药物协同组合，同时揭示了潜在的预测性生物标志物。该资源为TCL的靶向治疗发现和临床前评估提供了坚实平台。背景知识
T细胞白血病和淋巴瘤（TCL）是一组起源于不同成熟阶段T细胞的异质性非霍奇金淋巴瘤，占所有非霍奇金淋巴瘤的10%-15%。其亚型多样，包括T-ALL、PTCL-NOS、ALCL、CTCL、T-LGLL等，每种亚型具有独特的临床表现、分子特征和预后。由于TCL亚型罕见且高度异质，开展大规模临床试验极具挑战，导致当前治疗仍以CHOP等化疗方案为主，虽有如brentuximab vedotin、组蛋白去乙酰化酶抑制剂等靶向药物获批，但总体预后仍不理想。近年来，基于细胞系的药理基因组学研究在多种癌症中成功识别了新的治疗靶点和生物标志物，然而对于TCL，现有数据库如DepMap、DrugComb等仅包含少量亚型数据，且缺乏标准化的多组学整合资源。因此，构建一个全面、标准化、涵盖主要TCL亚型的多组学与药物敏感性整合资源，成为推动TCL精准治疗的关键突破口。该研究正是基于此需求，系统性建立了TCL-38资源，填补了领域空白。
研究方法与实验
研究团队收集了38株代表主要TCL亚型的细胞系，包括T-ALL、ALCL、CTCL、NK/TCL、γδ-TCL等。对这些细胞系进行了全面的多组学测序，包括RNA-seq用于基因表达和变异检测、ATAC-seq用于染色质可及性分析、aCGH用于拷贝数变异检测，并整合了DepMap中的DNA突变数据。同时，对172种化合物进行了单药药物敏感性筛选，计算药物敏感性评分（DSS），并采用固定比例对角设计测试了17对靶向药物的组合效应，结合DECREASE机器学习模型补全剂量反应矩阵，计算协同得分。使用MOFA+方法整合多组学与药物反应数据，识别共同变异因子。通过机器学习模型（XGBoost、pairwiseMKL、scTherapy）预测潜在敏感药物，并验证其预测性能。所有数据通过ORCESTRA平台和交互式网站公开共享。关键结论与观点
研究意义与展望
本研究提供的TCL-38资源为TCL研究领域填补了关键空白，为研究人员提供了标准化、可重复的多组学与药物反应数据，极大促进了靶向治疗的发现。资源的开放性确保了科学透明性和可及性，有助于全球研究者共同推进TCL精准治疗。
结合机器学习的分析策略展示了计算预测在罕见肿瘤药物发现中的强大能力，能够有效缩小实验筛选范围，提高发现效率。未来可将此资源扩展至更多原代样本或PDX模型，进一步提升临床相关性。此外，该资源可作为训练集用于开发更精准的药物反应预测模型，推动个体化治疗策略的制定。
结语
本研究通过构建并深度分析TCL-38多组学资源，系统性揭示了T细胞白血病和淋巴瘤的分子异质性与药物反应景观。研究不仅提供了迄今最全面的TCL细胞系多组学与药敏数据集，还通过整合机器学习方法，成功识别出多个具有亚型特异性的药物敏感性和协同组合，并关联了潜在的预测性生物标志物。该工作强调了转录组和表观组在决定TCL药物敏感性中的核心作用，为理解TCL治疗反应机制提供了新视角。TCL-38资源的公开将极大促进TCL领域的基础与转化研究，加速新疗法的发现与验证。未来研究可基于此资源进一步探索耐药机制、优化组合策略，并推动向临床应用的转化，最终改善TCL患者的预后。
