《American Journal of Hematology》：Proteomic Profiling of Nodal T-Follicular Helper Cell Lymphoma Reveals Distinct Biological Signatures and Improves Prognostic Stratification Beyond the IPI
编辑推荐：
摘要专业翻译
淋巴结T滤泡辅助细胞淋巴瘤（nTFHL），最常见为血管免疫母细胞型，其临床结局具有高度异质性，现有临床及生物学变量尚不能充分解释这种差异。尽管基因改变已被广泛研究，但其蛋白质组学景观在很大程度上仍未得到探索。本研究在发现队列中，通过质谱技术对63
摘要专业翻译
淋巴结T滤泡辅助细胞淋巴瘤（nTFHL），最常见为血管免疫母细胞型，其临床结局具有高度异质性，现有临床及生物学变量尚不能充分解释这种差异。尽管基因改变已被广泛研究，但其蛋白质组学景观在很大程度上仍未得到探索。本研究在发现队列中，通过质谱技术对63例初诊nTFHL患者的经典蛋白质组和替代蛋白质组进行了分析，并采用无监督k均值聚类进行分型。研究鉴定出两种具有不同通路富集特征且总生存期（OS）存在显著差异（p=0.02）的nTFHL分子亚型：nTFHL-基质型（nTFHL-stromal profile），以复杂的肿瘤微环境为特征；以及nTFHL-翻译型（nTFHL-translational profile），富集蛋白质生物合成和细胞增殖通路。多种监督学习算法均确认了该分型的可靠性，并据此筛选出由10种蛋白质组成的生物标志物组合，经免疫荧光验证。在包含31例nTFHL患者的独立验证队列中，该10蛋白组合能够准确预测蛋白质组学亚型，并重现所观察到的总生存期差异。在多变量Cox回归分析中，nTFHL-翻译型仍与较差的总生存期独立相关（HR=1.92，p=0.01），且独立于国际预后指数（IPI）。将蛋白质组学亚型与IPI整合后形成IPI-P评分，该评分细化了风险分层，并识别出三个总生存期显著不同的风险组（p<0.001）。综上所述，这些发现揭示了nTFHL异质性背后的不同蛋白质组学程序，并为基于蛋白质组学的预后分层提供了临床可行的框架。
论文解读
一、研究背景与科学问题
外周T细胞淋巴瘤（PTCL）是一类罕见但侵袭性较强的血液恶性肿瘤，近年来在复发治疗方面的进展相较于B细胞非霍奇金淋巴瘤（B-NHL）明显滞后。B-NHL在生物学机制上的深入阐明已推动多种亚型的精准分型及CAR-T等创新疗法的成功应用，这提示对PTCL亚型背后生物学机制的深入理解同样可能催生新的治疗策略并改善患者分层。淋巴结T滤泡辅助细胞淋巴瘤（nTFHL）是淋巴结PTCL中最常见的类型，涵盖血管免疫母细胞型、滤泡型及非特指型三种历史亚型，其命名依据在于共同的T滤泡辅助细胞（TFH）表型及基因表达特征。在遗传学层面，RHOA G17V是最具特异性的复发性突变（约60%病例），此外还存在影响DNA甲基化表观遗传调控的IDH2、TET2、DNMT3A等复发性突变，为去甲基化药物的临床应用提供了理论基础。然而，这些突变并未显示出明确的预后价值，患者临床结局差异显著——部分患者表现为难治性疾病，另一些患者经单线治疗即可获得长期缓解。尽管已有IPI和AITL评分等基于年龄、Ann Arbor分期等简单临床参数的预后工具，但其区分效能有限，对临床实践和治疗决策的影响甚微。在此背景下，蛋白质组学分析能够提供基因组学方法无法捕获的分子机制信息：RNA测序（RNAseq）估计的是基因表达水平，但mRNA丰度因转录后调控的存在并不总能反映蛋白质丰度，且无法识别蛋白异构体和翻译后修饰。因此，研究人员开展了一项基于质谱的蛋白质组学研究，旨在系统描绘nTFHL的蛋白质组学景观，探索其分子异质性并建立优于传统临床评分的预后分层工具。
二、研究设计与技术方法
研究人员从法国里尔大学医院等9个医疗中心收集了2003年至2025年间94例初诊nTFHL患者的淋巴结样本，随机分为发现队列（n=63，冻存样本）和验证队列（n=31，福尔马林固定石蜡包埋FFPE样本）。主要技术方法包括：基于数据非依赖采集（DIA）模式的液相色谱-串联质谱（LC-MS/MS）分析，分别使用UniProt人类参考蛋白质数据库和OpenProt 2.0替代蛋白质数据库进行经典蛋白质组和替代蛋白质组（AltProts）鉴定；采用无监督k均值聚类进行分子分型，并通过多种监督学习算法（含逻辑回归、LightGBM等）验证分型稳健性；利用LIME算法筛选对各亚型判别贡献最大的关键蛋白质；通过免疫荧光（IF）技术在独立验证队列中验证10蛋白组合的分型预测能力；采用ComBat算法校正冻存与FFPE样本间的批次效应；最终通过多变量Cox回归分析评估蛋白质组学亚型的独立预后价值并构建IPI-P评分。
三、主要研究结果
3.1 患者特征
发现队列中患者平均年龄70.4岁（±12.2），男性占47.6%，血管免疫母细胞型（nTFHL-AI）占92.1%，EBV（EBER）阳性率60.0%，IPI评分≥3的患者占67.4%。中位随访14.6年，中位总生存期（OS）为1.5年，2年、5年、10年OS分别为41.3%、32.4%和23.6%。
3.2 无监督蛋白质组学鉴定出两种具有不同生物学通路的分子亚型
对发现队列63例样本的LC-MS/MS数据（共3124个稳定检出的蛋白质）进行无监督k均值聚类，基于最高轮廓系数确定两个最优聚类：Cluster A（n=19，30%）和Cluster B（n=44，70%）。主成分分析（PCA）确认两簇间蛋白质组学谱存在明显分离，共鉴定出506个显著差异表达蛋白质（FDR<0.01），其中Cluster A过表达237个、Cluster B过表达269个。两簇间总生存期存在显著差异（p=0.02）：Cluster A中位OS为4.5年，Cluster B为0.9年；单变量Cox回归显示Cluster B死亡风险为Cluster A的2.1倍（HR=2.1，95% CI 1.1–4.1，p=0.03）。Reactome通路富集分析显示，Cluster A最显著富集的通路为细胞外基质（ECM）组织（FDR 8.1×10?1?），此外还包括止血（主要由血小板相关过程驱动）和补体级联通路，提示该亚型以复杂的肿瘤微环境为特征，命名为nTFHL-基质型；Cluster B则显著富集翻译（FDR 5.4×10?1?）、RNA代谢（FDR 5.4×10?1?）、DNA合成、细胞周期及氨基酸代谢等蛋白生物合成和细胞增殖相关通路，命名为nTFHL-翻译型。
3.3 监督学习稳健分类并筛选出亚型特异性候选生物标志物
采用5折交叉验证评估20余种监督学习算法的分类性能，多数算法取得优异的F1分数。逻辑回归模型F1分数和准确率均达0.98，63例样本中仅1例被错误分类。基于LightGBM算法的LIME模型筛选出10个对亚型判别贡献最大的蛋白质：nTFHL-基质型4个（AKAP12、ALAD2、AFAM、AT2L2），nTFHL-翻译型6个（NUP93、PYR1、RN213、DDX3X、SFXN1、LETM1）。基于这10个蛋白质的PCA和层次聚类热图均能清晰分离两个亚型，各蛋白质在两亚型间的表达差异均达到p<0.0001的显著水平。
3.4 10蛋白免疫荧光组合准确判别nTFHL蛋白质组学亚型
在发现队列中随机选取42例患者（Cluster A 19例、Cluster B 23例）进行免疫荧光验证，每例样本随机选取3个区域进行平均荧光强度定量。结果显示ALAD2、AFAM、AT2L2在nTFHL-基质型中显著高表达，而NUP93、PYR1、RN213、SFXN1、LETM1在nTFHL-翻译型中显著高表达（p值介于0.001至0.05之间）；AKAP12和DDX3X未显示显著差异。基于免疫荧光数据的监督学习分析中，ExtraTrees模型取得最高F1分数（0.94），126个分析区域中仅8个被错误分类。LIME分析显示LETM1、SFXN1和AFAM对模型贡献最大（贡献权重>10%），AKAP12和DDX3X虽平均强度差异不显著但贡献权重约6%，确认了其在亚型判别中的作用。
3.5 10蛋白免疫荧光模型在验证队列中准确预测与总生存相关的蛋白质组学亚型
对验证队列31例FFPE样本进行免疫荧光分析并应用ExtraTrees模型预测蛋白质组学亚型。由于样本来源差异（冻存vs FFPE）存在批次效应，经ComBat算法校正后两队列样本在PCA投影中实现良好重叠。预测结果显示，被分类为nTFHL-基质型的患者总生存期显著优于nTFHL-翻译型患者（p=0.049），与发现队列中LC-MS/MS分析结果一致。
3.6 IPI-P评分整合IPI与蛋白质组学亚型预测nTFHL患者总生存
在全队列（n=94）多变量Cox回归分析中，nTFHL蛋白质组学亚型（翻译型vs基质型）与总生存期显著独立相关（HR=1.92，95% CI 1.16–3.17，p=0.01），其效应强度高于IPI评分（HR=1.46，p=0.02）；而性别、nTFHL WHO亚型和EBV状态均无显著预后价值。据此构建IPI-P评分，将患者分为三个总生存期显著不同的风险组（p<0.001）：低危组（nTFHL-基质型）、中危组（nTFHL-翻译型且IPI<4）、高危组（nTFHL-翻译型且IPI≥4）。高危组与低危组相比预后极差：中位OS分别为0.5年对2.9年，2年OS分别为14.3%对56.4%，5年OS分别为0%对43.4%。
3.7 探索性分析：替代蛋白质在nTFHL蛋白质组学亚型间差异表达
基于OpenProt数据库的分析在发现队列中鉴定出81个AltProts，其中29个在每簇至少70%样本中检出，主要来源于非编码RNA（28/29，97%）。在100%样本中检出的14个AltProts中，6个在两种蛋白质组学亚型间显著差异表达（p<0.05）：IP_592855和IP_571286在nTFHL-基质型中过表达，IP_762707、IP_789829、IP_641466和IP_774693在nTFHL-翻译型中高表达。基于14个AltProts的监督学习分类中，逻辑回归模型F1分数和准确率均达0.90。LIME和SHAP分析确认了各AltProt对分类的贡献，其中IP_612311虽未通过t检验显示显著差异，但在机器学习模型中具有判别价值，凸显了机器学习在识别单变量分析之外的判别特征方面的优势。
四、讨论与结论
讨论部分指出，nTFHL-基质型以ECM、血小板激活和补体级联等细胞外通路富集为特征，反映了肿瘤微环境（TME）在nTFHL肿瘤发生中的核心作用——TFH细胞依赖与滤泡树突状细胞、B细胞、巨噬细胞等周围免疫细胞的相互作用，而ECM失调可改变基质细胞、促进肿瘤相关血管生成和炎症。nTFHL-翻译型则富集基因表达和细胞增殖的关键过程，符合癌症的核心标志特征。值得注意的是，nTFHL-基质型的两个关键生物标志物AKAP12和ALAD2均参与RHO GTPase信号通路，提示该通路失调可能与nTFHL中高 prevalence（60%）的RHOA G17V突变相关，即使在缺乏该突变的情况下也可能参与nTFHL表型的形成。nTFHL-翻译型的主要贡献蛋白NUP93（核转运）和PYR1（嘧啶生物合成）可能通过增强细胞增殖和存活发挥促癌作用；RN213则与此前PTCL基因表达谱研究中较低的OS相关。关于AltProts，IP_592855（源自PPIAP9假基因）与PPIA蛋白高度同源（89%序列一致性），而PPIA参与血小板激活这一nTFHL-基质型的特征通路；IP_774693（源自TUBAP2假基因）来源于TUBA蛋白C端区域，TUBA参与RHO GTPase细胞信号传导，为该AltProt在nTFHL-翻译型中的潜在作用提供了支持。
研究结论为：nTFHL-翻译型与较差的OS相关，符合增殖和生物合成活性增强的肿瘤通常更具侵袭性的既有认知。nTFHL蛋白质组学亚型是独立于IPI的OS预测因子，nTFHL-翻译型患者的死亡风险约为nTFHL-基质型患者的两倍。研究人员开发了基于10种生物标志物免疫荧光分析的机器学习模型，可在FFPE样本中稳健预测蛋白质组学亚型，为常规临床实施提供了可行工具。IPI-P评分结合IPI与预测的蛋白质组学亚型，可能有助于识别可从强化治疗中获益的极高危患者。总体而言，深度LC-MS/MS蛋白质组学结合无监督和监督机器学习分析揭示了nTFHL可分为nTFHL-基质型和nTFHL-翻译型两种蛋白质组学亚型，各具独特的蛋白质特征和不同的总生存期，并在独立队列中通过10生物标志物组合得到验证，展示了常规临床应用的潜力。未来需进一步临床研究评估该蛋白质组学分类能否稳健地进行风险分层、指导治疗决策并最终改善nTFHL患者的临床结局。
