克隆造血是造血干细胞中体细胞突变获得与扩增的结果，与衰老相关的多种临床后遗症密切相关，包括心血管疾病风险增加、髓系肿瘤发生以及癌症治疗相关并发症。尽管克隆造血作为一种临床相关的前体状态和预测性生物标志物日益受到重视，但对其在人体内的长期动力学特性仍缺乏深入理解。
2026年2月16日，由莫菲特癌症中心、罗斯基勒大学、伦敦玛丽女王大学等多所机构的研究人员合作，在《自然-遗传学》上发表了一篇重要的前瞻性综述。该研究系统总结了关于人类克隆造血动力学的最新证据，比较了用于预测克隆造血进展的各种数学模型，评估了模型假设的有效性，并讨论了这些模型对识别克隆造血阳性的高危个体的临床管理意义。
核心内容：从观察到预测的跨越
该综述的核心价值在于搭建了一座连接克隆造血基础研究与临床应用的桥梁，即通过数学模型将零散的纵向观测数据整合为可预测个体演化轨迹的定量框架。
1. 克隆造血的驱动因素与演化特征
克隆造血的出现和扩张取决于三个核心因素的相互作用：
- 突变细胞的适应性优势：某些基因（如DNMT3A、TET2、ASXL1、JAK2、TP53）的突变可为造血干细胞带来增殖或生存优势，使其在骨髓微环境中逐渐占据主导地位。
- 造血干细胞池的动态变化：随着年龄增长，活跃造血干细胞的数量、分裂速率和功能都会发生变化。这些变化会影响突变克隆播散和扩张的速度，也受到炎症信号、化疗暴露、遗传背景等多种因素的调节。
- 克隆竞争与微环境反馈：不同突变克隆之间、突变克隆与正常克隆之间会竞争有限的干细胞生态位。同时，突变细胞可能改变局部微环境（如促炎状态），进一步影响整个造血系统的平衡。
2. 数学模型在克隆造血研究中的应用框架
综述详细介绍了多种数学建模方法及其在克隆造血研究中的具体应用场景：
| 模型类型 | 核心原理 | 主要应用 |
|---|---|---|
| 群体动力学模型 | 使用常微分方程描述不同细胞群体（如正常干细胞、突变克隆、成熟血细胞）的数量变化及其相互作用。 | 模拟克隆扩张的动态过程，评估不同突变带来的相对适应性优势，预测干预措施对克隆大小的影响。 |
| 分支过程模型 | 假设每个干细胞独立地分裂、分化或死亡，突变发生在分裂过程中，后续克隆的生长遵循随机分支过程。 | 估算突变的发生率、克隆的生存与灭绝概率、克隆大小的分布，重建单个克隆的演化历史。 |
| 基于个体的随机模型 | 在计算机中模拟每个造血干细胞及其后代的完整生命周期，包括分裂、突变、死亡和微环境相互作用。 | 模拟复杂的、非线性的克隆演化过程，研究个体间的异质性，评估不同治疗策略的长期效果。 |
| 系统生物学/药理学模型 | 整合造血系统的多个调控层面（如细胞因子、转录因子网络）和药物作用机制。 | 预测药物治疗（如JAK抑制剂、干扰素）对突变克隆和正常造血的影响，实现虚拟临床试验，优化给药方案。 |
3. 模型对临床管理的启示
克隆造血的存在与多种疾病风险增加相关，而数学建模为实现精准的风险分层和干预策略提供了强大工具：
- 风险预测：可结合突变类型、变异等位基因频率、克隆增长速度、患者年龄及炎症状态等参数，预测个体从意义未明的克隆造血进展为髓系肿瘤（如骨髓增生异常综合征、急性髓系白血病）的5年或10年绝对风险，取代目前简单的“有/无突变”分类方法。
- 治疗监测：对于接受化疗或造血干细胞移植的患者，模型可以帮助区分治疗相关的克隆造血（源于既有克隆的扩增）与真正的供者源性白血病，指导后续治疗决策。
- 干预靶点评估：通过模拟不同干预措施（如抗炎药物、特定信号通路抑制剂、表观遗传调节剂）对克隆动力学的长期影响，模型可以优先筛选出最有希望的预防策略，为临床试验设计提供理论依据。
- 个体化建模：随着技术发展，理论上可以为单个患者构建其特异性的克隆演化模型，输入其突变谱、克隆大小、年龄、炎症生物标志物等信息，输出个性化的进展风险和随访建议。
挑战与未来方向
尽管前景广阔，但该领域仍面临多重挑战，需要跨学科合作来解决：
- 数据整合与标准化：不同研究队列的采样时间点、测序深度、克隆检测方法差异很大，需要建立统一的数据标准和共享平台，以便于模型校准和比较。
- 模型验证与校准：大多数模型仍基于回顾性数据或有限的纵向样本，迫切需要大规模、长期的前瞻性队列研究来独立验证模型的预测准确性。
- 模型复杂性与可解释性：过于复杂的模型虽然拟合度高，但可能难以解释和推广。需要在模型性能和生物学可解释性之间寻求平衡，开发用户友好的临床决策支持工具。
- 多尺度建模：未来的模型应整合从分子（如特定信号通路的活性）到细胞（克隆竞争）、再到组织（骨髓微环境）乃至全身（炎症水平）的多尺度信息，构建一个完整的、具有预测能力的“虚拟造血系统”。
- 跨疾病普适性：当前模型主要聚焦于血液系统，但意义未明的克隆造血还与心血管疾病、自身免疫病、实体瘤等多种疾病相关。未来的建模框架需要扩展到这些领域，实现真正意义上的泛疾病风险预测。
参考文献
- Marzban, S., Stiehl, T., Xie, Z. et al. (2026). Modeling the evolutionary dynamics of clonal hematopoiesis. Nature Genetics, 58, 481–491.
- Watson, C. J. et al. (2020). The evolutionary dynamics and fitness landscape of clonal hematopoiesis. Science.
- Fabre, M. A. et al. (2022). The longitudinal dynamics and natural history of clonal haematopoiesis. Nature.
- Weeks, L. D. et al. (2023). Prediction of risk for myeloid malignancy in clonal hematopoiesis. NEJM Evid.