Ein internationales Forschungsteam der Universitätsmedizin Frankfurt und der Goethe-Universität Frankfurt hat mit einer neuartigen Proteogenom-Klassifikation einen Meilenstein zur personalisierten Behandlung des diffus großzelligen B-Zell-Lymphoms erreicht. Die Ergebnisse wurden 2026 in der Fachzeitschrift Cancer Cell veröffentlicht. Da etwa ein Drittel der Patientinnen und Patienten auf die Standardtherapie mit R-CHOP oder Pola-R-CHP nicht anspricht oder relabiert, ist die Identifizierung molekularer Risikofaktoren entscheidend für den Behandlungserfolg. Das Team kombinierte genetische und proteomische Daten von 478 DLBCL-Tumoren und wertete diese mit interpretierbaren Machine-Learning-Modellen aus. Durch die Vernetzung von Mutationmustern, Proteinexpression und klinischen Verläufen ermöglichte die KI-basierte Analyse eine biologisch fundierte Einordnung der Erkrankung. Die Validierung erfolgte mittels hochauflösender Einzelzellanalysen. Die Forschung identifiziert explizit eine Hochrisikogruppe, die in der Studie als PG4 bezeichnet wird. Bei diesen Tumoren steht das Gen MYC im Zentrum, das unkontrolliertes Zellwachstum und -teilung antreibt. Gleichzeitig ist das tumorumgebende Mikromilieu immunologisch inaktiv, da zytotoxische T-Zellen in ihrer Funktion gehemmt sind. Diese immunologisch kalte Tumorlandschaft erklärt die Resistenz gegenüber konventionellen Therapieansätzen und etablierten Risikoklassifikationen. In präklinischen Modellen gelang es dem Team, die MYC-abhängigen Signalwege pharmakologisch zu blockieren und so die Lymphomzellen selektiv zu eliminieren. Die Daten liefern damit konkrete Angriffspunkte für die Entwicklung zielgerichteter Diagnostik und Therapeutika. Wissenschaftler wie Professor Thomas Oellerich, Doktor Julius Enssle und Professor Florian Büttner betonen, dass die proteogenetische Charakterisierung unabhängig von bestehenden genetischen Subtypen klinische Prognosen präziser abbildet. Die Studie markiert einen wichtigen Schritt hin zur präzisionsmedizinischen Onkologie. Durch die frühere Identifizierung von PG4-Patienten könnte in Zukunft direkt auf alternative, biologisch passende Behandlungen wie CAR-T-Zell-Therapien oder MYC-Inhibitoren zurückgegriffen werden, um Therapieversagen zu vermeiden und die Heilungschancen signifikant zu steigern. Die Forschung integriert dabei Bioinformatik, KI-gestützte Mustererkennung und translationale Medizin, um die Lücke zwischen molekularem Profiling und klinischer Entscheidungsfindung zu schließen.