团队开发了一种基于自动化工作站的cf-EpiTracing方法，该方法能够捕获人类血浆中全基因组范围内的多种cfDNA组蛋白修饰（图1a）。具体流程如下：首先将针对特定组蛋白修饰的抗体通过共价方式偶联至磁珠上；为了控制批次效应以及样本间差异，在每份25-200 μL的血浆样本中加入了来自果蝇S2细胞的轻度固定染色质作为外源参照。与传统cfChIP方法在磁珠上连接接头的做法不同，cf-EpiTracing采用Tn5转座酶对已经固定在磁珠上的DNA片段进行标签化，从而将带有barcode的接头直接插入DNA中，后续所有反应步骤均在同一个反应孔内完成。此外，该方法使用了两轮barcode标记策略以实现高通量操作，因此可以支持在96孔板中对多个样本进行并行处理。由于整个流程高度简化，团队能够在抗体孵育后6小时内高效完成数百个样本的cfDNA表观基因组分析。

cf-EpiTracing在极少量样本的条件下即可准确测量多种表观基因组学特征。通过利用果蝇染色质作为外源参照进行归一化处理，批次效应和样本间差异得到了良好的校正。团队随后评估了不同血浆用量下的检测准确性，结果发现，在50-200 μL的样本范围内，峰识别的曲线下面积（AUC）达到0.77-0.95，表现出较高的准确性；而在25 μL样本中准确性相对较低（图1b）。为了进一步评估该方法对目标信号的检测灵敏度，团队将来源于结直肠癌肿瘤组织或果蝇S2细胞的片段化染色质按梯度加入健康供体的血浆中进行滴定实验。结果显示，仅0.005ng的外源染色质也能够被可靠地检测到（图1c,d）。

团队进一步对健康个体及弥漫大B细胞淋巴瘤（DLBCL）患者的血浆样本进行cf-EpiTracing分析，检测了多种组蛋白修饰类型，具体包括：标记活性启动子的修饰（H3K4me2、H3K4me3、H3K9ac和H3K27ac）、标记预激活及活性增强子的修饰（H3K4me1、H3K4me2、H3K9ac和H3K27ac）、标记活跃基因基因体区域的修饰（H3K36me3），以及标记抑制性区域的修饰（H3K9me3和H3K27me3）（图1e）。通过分析健康个体和DLBCL患者样本中这些修饰峰区域的标准化基因组覆盖度，团队评估了血浆中不同组蛋白修饰的丰度（图1e,f）。在所筛选的八种组蛋白修饰中，H3K9ac、H3K27ac和H3K36me3在游离染色质中最为丰富。相比之下，抑制性组蛋白修饰（H3K27me3和H3K9me3）虽然在K562细胞系中含量较高，但在血浆样本中无论是峰数量还是基因组覆盖度都较低。与健康对照相比，癌症患者血浆中的游离染色质表现出可区分的全局组蛋白修饰水平，尤其是在H3K4me1、H3K27ac和H3K36me3这三种修饰上（图1e）。鉴于H3K9me3在血浆中的丰度极低，且在不同组织和细胞间动态变化有限，团队在后续的分析中将该修饰排除。值得注意的是，来自健康供体及DLBCL患者的cf-EpiTracing数据，其在基因组上的分布模式与从实体组织及原代细胞中测得的特征高度相似（图1g）。此外，团队在各类组蛋白修饰中均观察到了显著的血浆特异性信号，这些信号很可能来源于非外周血单个核细胞（PBMC）的远端组织（图1h）。这些结果表明cf-EpiTracing是一种高效、稳健的自动化分析框架，能够在低至25μL的人类血浆样本中实现多种组蛋白修饰的全基因组高灵敏度检测。

此外，团队将cf-EpiTracing方法与已报道的cfChIP技术（Sadeh et al., Nat Biotechnol）进行了系统的对比评估。一个关键的技术差异在于：cf-EpiTracing中使用Tn5转座酶对游离染色质进行处理后，所获得的片段主要是亚核小体尺度的短片段，其中位长度为123 bp；而相比之下，无论是直接纯化的cfDNA还是基于连接反应的cfChIP方法，所得到的片段中位长度约为170 bp（附图2a）。而与公开报道中使用约2mL人类血浆才能获得的cfChIP数据相比，cf-EpiTracing在仅使用200μL血浆的条件下，即可获得总体可比的信号水平；不仅如此，在信噪比和峰识别准确性这两个关键指标上，cf-EpiTracing均表现更优——无论是以cfChIP的峰作为参考金标准，还是以cf-EpiTracing自身的峰作为金标准，结论一致（附图2b-d）。最后，团队在相同样本中比较了不同血浆体积下的表现，发现在每一种血浆用量条件下，cf-EpiTracing的检测性能都优于cfChIP（附图2e）。综合来看，cf-EpiTracing在样本需求量大幅降低的同时，还实现了更高的信号质量和检测可靠性。

用于推断组织来源的ICSs

团队随后开展了一项整合分析，目的是定义出不同组织或细胞类型的“表观指纹”，称为“整合染色质状态”（integrated chromatin states，简称ICSs）。简单来说，他们并不是只看一种组蛋白修饰，而是同时分析多种组蛋白修饰的组合——某个基因组区域上，哪些修饰存在、哪些缺失，组合在一起就能推断出这个区域在某种组织或细胞中处于激活还是抑制状态，以及这种调控是否具有组织特异性。为了实现这一点，研究纳入了来自65种不同组织及原代细胞的7种组蛋白修饰数据（图2a、附图3a）。通过分析具有染色质活性且表现出细胞类型特异性的调控区域，成功构建了一个ChromHMM的模型。这个模型最终将染色质分成了18种不同的状态（ICS），其中包括13种活性状态和5种抑制状态（附图3b,c）。团队为每一种组织和细胞类型都构建了一套“特征集合”，每个集合里包含数千个具有该组织特异性的基因组区域。这样一来，当拿到一份血液样本中的游离染色质时，就可以对这些游离染色质的ICS进行“去卷积”分析——也就是反向推算，把它与已知的各种组织特征集合进行匹配，并对潜在受调控基因进行评分，从而判断这份游离染色质究竟来源于哪一种组织或细胞类型，并解析其相关调控事件（图2a）。

为了评估准确捕捉组织内部变异性所需的最小组蛋白修饰组合，团队首先开展了一项评估实验。他们基于10种有代表性的组织与细胞类型，在由18种组织特异性ICS所定义的基因组区域中检测相关的表观信号，并利用这些信号进行了主成分分析（PCA）聚类（图2b）。需要说明的是，这些信号是通过整合不同组蛋白修饰的ChIP-Seq数据计算得到的，目的是为每种组织或细胞类型构建出其特有的ICS特征。分析结果发现，H3K4me3、H3K9ac和H3K27ac这三种修饰的组合所产生的区分效果最为显著。在k-means聚类分析中，如果从该组合中任意排除其中一种修饰，两个评价聚类质量的指标NMI和ARI均明显下降（图2c）。与组织和细胞层面的结论一致，当将这三种关键修饰应用于cf-EpiTracing时，同样能够有效检测出癌症患者中与病变组织及细胞类型相关的特征信号（图2d,e）。

团队发现，如果只依赖上述三种修饰（H3K4me3、H3K9ac和H3K27ac）来推断全部18种ICS状态，对于那些与异染色质或转录抑制相关的ICS状态，解释能力会变得很有限——因为这些抑制性修饰状态很难通过这三种主要标记激活的修饰信号来加以区分。基于这一局限，团队在后续的分析中优先选取那些能够被这三种组蛋白修饰充分表征的、信息量最高的10种ICS状态（具体包括ICS6、ICS7、ICS9以及ICS12至ICS18）。数据表明，排除掉那些无法被上述三种修饰直接区分的其他染色质状态，并不会实质性地影响cf-EpiTracing技术在组织、细胞以及血浆样本分类中的整体表现（图2f,g）。换句话说，通过聚焦于这10个最可解释的ICS状态，团队既保证了分析的可行性，又保留了足够高的分类性能。

团队首先评估了cf-EpiTracing在不同患者队列中捕获组织来源特征的准确性与特异性。这些队列包括了来自多个临床中心的年龄匹配的健康个体（n = 125）、结直肠癌（CRC）患者（n = 107）、冠心病（CHD）患者（n = 23），以及多种B细胞淋巴瘤亚型患者（n = 309）——这些样本涵盖了治疗前以及治疗过程中的不同阶段。团队验证了该技术能否检测到与相应疾病高度相关的组织特征信号的升高。结果符合预期：在CRC、CHD和B细胞淋巴瘤患者的游离染色质中，分别可以清晰地观察到来源于消化系统组织、心脏组织和B淋巴细胞的显著特征信号（图3a及附图5b,c）。进一步分析表明，与原发病变组织相关的ICS特征能够在广义线性模型（GLMs）中有效区分患者与健康个体，以及不同疾病类型之间的差异。GLM分类器在测试集中的表现稳健，可区分CRC患者（AUC = 0.965；灵敏度=0.864；特异性=0.924）、CHD患者（AUC = 0.971；灵敏度=0.800；特异性=0.963）以及B细胞淋巴瘤患者（AUC = 0.963；灵敏度=0.839；特异性=0.962）与其他个体（图3b）。对不同疾病类型与健康个体的组织特征进行全局分析时，团队发现除了原发病变组织相关的信号外，患者体内还存在明显的免疫系统相关特征，这提示患者可能同时伴有炎症反应及免疫失调（图3c）。

为了进一步展示cf-EpiTracing在非肿瘤性疾病中的应用潜力，团队以炎症性肠病（IBD）为例进行了分析。该疾病与结直肠癌（CRC）作用于同一器官（结直肠），但IBD本身并非恶性肿瘤。结果显示，IBD患者同样表现出显著的结直肠组织来源特征信号，而且这些信号的强度介于CRC患者与健康个体之间（附图5d）。尽管IBD与CRC累及同一器官，但两类患者仍然可以通过cf-EpiTracing被有效区分（附图5e）。

疾病的发生往往不仅局限于原发病灶组织，还可能同时或相继影响其他组织。因此，有必要在不依赖任何临床先验信息的前提下，对尽可能多的组织进行无偏倚的评估。为此，他们构建了一种筛选模型，通过将患者血浆中检测到的组织来源特征与健康对照进行比较，以实现致病组织的无偏倚判定。具体操作上，团队首先观察到健康人群中各种组织特征的ICS信号呈正态分布（附图5f,g）。基于这一发现，他们针对每一种组织及原代细胞类型，在健康个体中拟合出该组织特征ICS的正态分布参数，从而建立了健康参考模型。随后，他们筛选出在患者与健康个体之间变化最为显著的组织特征ICS，并用这些特征计算出组织富集评分；评分越高，表示该患者的该组织特征相对于健康人群的偏离程度越大。

模型分析结果显示，不同疾病的患者呈现出各自特异的组织富集模式，而且这些模式通常与实际受累的组织完全一致（图3d）。例如，心脏、结直肠及淋巴细胞的富集评分分别仅在CHD、CRC及淋巴瘤患者中显著升高，与其他疾病的患者没有重叠。此外，团队还观察到一些并非原发病变组织的部位也出现了特征性的富集模式。例如，在CRC患者中，肝脏相关信号出现明显变化，这可能与CRC患者较高的肝转移风险有关。值得注意的是，在采样时仅有3例CRC患者被临床诊断为肝转移，这提示该分析流程在临床症状出现之前即可敏感检测到早期组织受累信号。同样，在B细胞淋巴瘤患者中，团队观察到来源于乳腺、胰腺及脾脏的特征信号也显著升高，这部分反映了淋巴瘤患者中常见的结外受累现象。这些变化与现有临床资料所揭示的器官受累情况总体一致（图3e,f）。此外，在所有疾病的无关组织中均未观察到显著的富集差异（附图5h）。团队进一步验证，该诊断模型能够在个体层面准确识别与疾病类型相对应的组织改变（附图5i）。例如，健康个体在代表性组织中未表现出任何明显的异常富集，而CRC、CHD及淋巴瘤患者中最显著升高的特征信号分别精准地来源于结直肠、心脏及淋巴细胞（图3g）。最后，团队还发现在不同年龄段（50岁以下、50至70岁、70岁以上）的健康人群中，淋巴细胞、脾脏及肝脏等组织的富集评分呈现显著的梯度分布（附图5j,k）。这一结果提示，随着年龄的增长，与组织病变相关的患病易感性（尤其是免疫系统）可能逐渐增加。

团队在一个发现性数据集中（健康个体n = 93；CRC患者n = 75）应用cf-EpiTracing进行无癌个体的早期病变检测及CRC患者疾病进展评估，并在独立验证数据集中（健康个体n = 32；CRC患者n = 32）进行了验证（图4a）。为验证血浆中通过cf-EpiTracing识别的CRC特异性ICS是否确实来源于对应肿瘤组织，对4例患者的配对血浆与结直肠肿瘤组织进行了组蛋白修饰谱分析（图4b）。结果显示，与健康个体相比，在每位患者中均可在游离染色质及组织染色质中识别出癌症特异性ICS。肿瘤组织中约33.8%的癌症特异性ICS可在配对血浆中检测到，而在非癌对照及随机对照中几乎未见此类重叠（附图6d-f）。例如，在CFLAR基因（参与抗凋亡过程）和CDK19基因（参与细胞周期调控）位点周围的组蛋白修饰变化，在患者血浆及配对肿瘤组织中均被一致检测到（附图6g）。值得注意的是，从血浆与肿瘤组织中检测到的癌症特异性特征之间具有良好的相关性（Spearman相关系数ρ = 0.64；附图6h）。此外，无论在血浆还是肿瘤组织中，癌症特异性ICS均表现出显著的个体间异质性，凸显了在癌症管理中开展系统性筛查与分层分析的重要性（附图6i）。

为了筛选可用于早期诊断的cf-EpiTracing标志物。团队首先在发现性数据集中，比较了结直肠癌前病变（CRA）患者与健康个体之间的差异ICS（附图6j）。结果如预期所示，在CRA患者中观察到与细胞周期、细胞增殖及凋亡相关的转录因子基因显著激活（以CDK14为代表），同时肿瘤抑制基因（如DICER1）呈现抑制状态。随后，团队在发现性数据集中鉴定出747个CRC患者与健康个体之间差异显著的ICS，并用这些特征构建了一个基于XGBoost机器学习模型的CRC-健康分类器，同时也用于检测结直肠癌前病变（图4c）。这个XGBoost模型在训练集上的准确率达到了0.976，而在一个独立验证集上的准确率也保持在0.922，显示出稳健的分类性能（图4d,e及附图6k）。

随后，团队评估该CRC-健康分类器是否能够在不依赖既有CRA标志物、且未将CRA患者纳入训练过程的情况下，实现对CRA患者的无偏倚识别。为此，团队通过判断CRA患者更倾向被分类为健康个体还是CRC患者，对模型进行调整以用于CRA检测（图4f）。结果显示，该模型对CRA患者的真实检出率达到77.27%，优于现有临床指标如CEA和CA125，后两者在区分CRC或CRA患者与健康个体方面表现较差（图4g）。同时，团队观察到模型中排名靠前的ICS（例如MLIP.ICS9和CCL28.ICS9）评分呈现显著的梯度分布（图4g）。鉴于CRC患者中广泛存在的高度异质性，团队基于747个差异ICS，在发现性及验证数据集中将患者分为两个亚群（CRC-1和CRC-2）（图4h），且CRC-1与CRC-2患者的预后都存在显著差异，其中CRC-1亚群具有更高的疾病进展风险（图4i）。

综合上述结果可以看出，cf-EpiTracing作为一种无创检测工具，在早期诊断、患者分层和预后预测方面都具有重要的应用潜力，其综合表现优于现有的临床指标。

弥漫大B细胞淋巴瘤（DLBCL）、滤泡性淋巴瘤（FL）及套细胞淋巴瘤（MCL）是B细胞淋巴瘤的不同亚型，它们在发生来源的病变细胞类型及预后存在显著差异（图5a）。目前，这些亚型主要依赖来源于冷冻组织的基因表达谱分析进行临床定义。为了探索能否从患者血浆中无创地识别出反映病变细胞来源的肿瘤信号，团队首先验证了cf-EpiTracing检测到的癌症特异性整合染色质状态（ICS）确实来源于相应的肿瘤组织。且不同B细胞淋巴瘤亚型之间在多种组蛋白修饰的cf-EpiTracing信号上存在显著的差异（图5b）。

为了进一步揭示不同淋巴瘤亚型背后潜在的基因调控差异，团队对ICS进行了差异分析，分别鉴定出65个、6个和8个亚型特异性的ICS。随后，他们基于这79个亚型特异性ICS，或者基于肿瘤组织中通过RNA-Seq获得的差异表达基因（DEGs），分别对B细胞淋巴瘤患者进行了层次聚类分析（附图8a,b）。结果显示，利用ICS进行的亚型分型性能与基于RNA-Seq定义的DEGs相当（附图8c）。

接下来，团队探讨了一个更具挑战性的问题：是否仅依赖于对细胞来源特征的从头检测（即不预先假设任何亚型信息），就可以实现B细胞淋巴瘤患者的无偏倚分型。团队将不同比例的DLBCL患者血浆掺入到健康血浆中进行检测，从而评估cf-EpiTracing捕获反映病变细胞来源的组织特征的灵敏度（附图8d）。结果表明，即使只掺入1%的DLBCL血浆，也足以提供清晰的B细胞来源信号，充分体现了cf-EpiTracing的高灵敏度（附图8e,f）。基于CD34阳性细胞（代表造血干细胞/祖细胞）、初始B细胞以及生发中心B细胞（GCB）这三种不同发育阶段的细胞来源特征差异，团队发现B细胞淋巴瘤患者可以被划分为三个清晰分离的群体，这一分群结果与文献中报道的病变细胞来源完全一致（图5c）。结合这三类细胞特异性信号的相对贡献，团队观察到对B细胞淋巴瘤亚型的良好分类能力，多分类分析的AUC达到0.823（图5d）。这些结果表明，cf-EpiTracing在细胞类型分辨率水平上实现无创疾病分型具有重要潜力。

团队进一步将目光聚焦于DLBCL的两种功能亚型——GCB型与非GCB型，试图追溯它们的细胞来源。尽管这两种亚型在多数表观特征上相似，但其致病细胞的起源不同。基于DLBCL亚型特异性的ICS（GCB型474个，非GCB型192个）构建的层次聚类热图显示，cf-EpiTracing的分型性能总体上与RNA-Seq定义的差异表达基因（DEGs）相当，甚至更优（准确率93.22% vs 89.76%；附图8g-i）。与预期一致，在GCB型DLBCL患者中，团队观察到GCB细胞特异性信号增强，而CD34阳性细胞特异性信号降低（图5e）。这一结果符合已知的生物学特征：GCB型DLBCL来源于生发中心B细胞，其恶性程度相对较低。以临床常用的Hans分型作为金标准，基于GCB及CD34阳性细胞特异性ICS进行的层次聚类分析，对DLBCL组织学亚型的区分准确率达到了90.68%（图5f）。

随后，团队评估了cf-EpiTracing是否能够揭示疾病亚型的转化过程。滤泡性淋巴瘤（FL）进展中的一个关键事件是向侵袭性更强的B细胞淋巴瘤（通常为DLBCL）发生组织学转化，这种转化往往伴随更差的预后和更低的治疗敏感性。为了解析其潜在的表观遗传机制，团队对6例转化型FL（tFL）患者在不同时间点采集的15份样本进行了cf-EpiTracing分析。这些样本在从FL向DLBCL转化的轨迹上均表现为中间状态（图5g）。在观察到的变化趋势中，DLBCL来源的细胞信号（CD34阳性细胞）逐渐增强，而FL来源的细胞信号（GCB）逐渐减弱。在这一连续过程中，团队鉴定出26个与转化显著相关的ICS。同时，分析揭示了与淋巴细胞增殖相关的基因（如IL17RD和TCF7L2）存在表观遗传失调（图5h）。通过对活性染色质区域进行转录因子结合基序的富集分析，团队发现与增殖相关的转录因子（如BCL6和MYC）呈现出逐渐富集的趋势，这些因子正是临床评估淋巴瘤预后时常用的经典标志物（图5i）。值得注意的是，在转化的早期阶段，团队还观察到了发育相关转录因子（如IRF4和EBF3）的富集增强，这提示它们可能作为先导因子参与触发疾病转化的早期过程。

鉴于DLBCL患者在临床分期及预后方面具有显著的异质性，团队进一步分析了不同分期患者中DLBCL特异性ICS的变化幅度。基于在发现性数据集中相对于健康对照筛选出的432个DLBCL特异性ICS，他们构建了一个XGBoost模型，用于对健康个体以及不同分期的DLBCL患者进行评分预测（附图9a,b）。结果显示，无论是在训练集还是独立验证集中，晚期（III-IV期）患者的DLBCL评分均显著高于早期（I-II期）患者和健康个体（图5j）。利用训练集中确定的分期阈值，该模型在验证集中对早期（I-II期，准确率0.78）、晚期（III-IV期，准确率0.89）及健康个体（准确率0.85）均具有较高分类准确性，多分类AUC为0.942（图5k及附图9c）。

DLBCL的一线标准治疗方案为R-CHOP（利妥昔单抗联合环磷酰胺、多柔比星、长春新碱及泼尼松）。然而，只有部分患者能够从该治疗中获得持久的临床获益，因此临床上亟需可靠的早期预后生物标志物。团队利用cf-EpiTracing对DLBCL患者接受R-CHOP类治疗的疗效进行了无创评估。在141例DLBCL患者中开展了纵向随访，其中完全缓解44例、部分缓解60例、疾病稳定37例；在平均随访118.6周后，共观察到27例复发事件。基于那432个DLBCL特异性ICS，经Bonferroni校正的多变量Cox比例风险分析筛选出了8个与复发风险显著相关的标志物（图5l）。这些ICS在独立数据集中得到了验证，显示出与患者预后的显著相关性，表明其具有良好的临床应用潜力与可推广性。值得注意的是，现有的临床指标（如国际预后指数IPI等）在该分析中未显示出与复发风险的显著相关性（图5l及附图9d）。团队进一步通过单个ICS以及整合的ICS评分评估了预后预测能力，并基于发现性数据集确定的阈值将患者分为高风险组与低风险组。Kaplan-Meier生存分析显示，两组之间的生存结局存在显著差异（图5m及附图9e）。相比之下，基于传统临床指标（如IPI）进行分层时，并未观察到显著的生存差异。综上所述，这些结果表明cf-EpiTracing在B细胞淋巴瘤的疾病分型、高分辨率早期诊断以及治疗结局预测方面具有重要的应用价值。

套细胞淋巴瘤（MCL）是一种恶性肿瘤，其发生通常与免疫球蛋白基因和CCND1位点之间的t(11;14)染色体易位事件密切相关。该易位能够将活性染色质状态引入细胞周期蛋白相关的靶区域，从而引发基因组不稳定性、基因表达程序失调以及细胞的异常增殖。为了在全基因组范围内探究遗传改变、表观遗传改变与疾病发生之间的关系，团队对cf-EpiTracing数据进行了深入分析，利用同一技术平台同时检测染色体易位事件和无细胞组蛋白修饰（附图10a）。结果发现，在CCND1位点的易位断点下游区域，与健康个体相比，MCL患者的启动子标记（H3K4me3）以及增强子标记（H3K4me1、H3K9ac和H3K27ac）的组蛋白修饰富集程度均显著升高（附图10b,c）。此外，MCL患者在目标位点的t(11;14)易位事件信号显著多于健康个体或滤泡性淋巴瘤（FL）患者，这表明cf-EpiTracing能够特异性地捕获致病性的染色体易位（附图10d）。

为了进一步揭示MCL发生过程中的表观遗传机制，团队将染色体易位与相关的表观遗传异常进行了整合分析。结果发现，大部分MCL特异性的表观特征定位于由ICS所定义的增强子区域，这提示增强子染色质状态的改变是对染色体变异最主要的表观遗传响应（附图10e）。与健康个体相比，MCL患者的无细胞染色质中，位于CCND1位点上下游各1Mb范围内的基因，其ICS13评分显著升高（附图10f）。值得留意的是，这些基因的ICS13评分与基于测序读段计数定义的t(11;14)易位评分之间呈现出显著的相关性，从而进一步证实了这些基因位点与染色体易位事件之间的相互作用关系。

此外，团队还观察到MCL患者与健康个体之间的表观遗传特征差异随年龄增长而逐渐减小，提示该疾病的进展可能具有年龄依赖性（附图10g）。通过对与衰老过程相关的差异ICS进行功能分析，团队发现在健康个体中，这些ICS主要富集于信号转导、细胞黏附、细胞迁移及稳态维持等正常的生物学过程（附图10h）。相比之下，在MCL患者中，一些参与血细胞增殖及细胞周期正向调控的转录因子基因（例如NEDD4L和CREBBP）出现了异常调控，而这些异常变化在健康的老年人群中并未被观察到。这些结果表明，cf-EpiTracing为在同一分析框架下同时解析MCL患者中的基因组易位事件与表观遗传改变提供了一种独特而有效的手段。