AI model COMPASS z Harvard Medical School umí předpovědět odpověď na imunoterapii napříč druhy rakoviny

Při samotném vyhodnocení COMPASS na vstupu obdrží profil exprese mRNA nádoru pacienta (v jednotkách TPM) a kód typu rakoviny. Na výstupu poskytuje dvě věci ^P:

• 44 konceptuálních skóre – číselné hodnoty aktivace biologicky podložených „imunitních konceptů“ reprezentujících stavy imunitních buněk (např. CD8⁺ T-buňky, vyčerpané T-buňky, B-buňky), interakce nádoru s mikroprostředím a signální dráhy (např. dráha IFN-γ, dráha TGF-β).
• Předpovězené pravděpodobnosti – odhad modelu, zda pacient na léčbu zareaguje (respondér), či nikoli (non-respondér).

Co dělá COMPASS jinak než stávající metody

Interpretovatelná konceptuální bottleneck architektura. Na rozdíl od většiny modelů hlubokého učení, které fungují jako „černá skříňka“, COMPASS využívá architekturu konceptuálního bottlenecku: nejprve převede surová data o expresi genů na 44 lidsky srozumitelných imunitních konceptů a teprve na jejich základě provede finální predikci ^PP. To znamená, že lékaři a výzkumníci vidí, proč model k danému závěru dospěl – např. „tento pacient by měl reagovat, protože má vysokou infiltraci CD8⁺ T-buňkami a silnou aktivaci dráhy IFN-γ.“

Generalizace napříč druhy rakoviny pomocí transfer learningu. Mnoho stávajících modelů pro predikci ICI je trénováno jen na jednom typu rakoviny nebo na malé kohortě, což omezuje jejich použitelnost. COMPASS je předtrénován na 33 typech rakoviny a doladěn na různorodých klinických kohortách, což mu umožňuje zobecňovat – dokáže fungovat i u typů rakoviny a léků, které nebyly součástí dolaďovací fáze ^PP.

Překonává standardní biomarkery. Podle preprintu byly predikce COMPASS výrazně přesnější než stanovení exprese PD-L1 a mutační zátěže nádoru (TMB), což jsou dva nejpoužívanější klinické biomarkery. V rámci klinické studie fáze II u karcinomu močového měchýře dosáhl COMPASS hazard ratio 4,7 (p < 0,0001) pro stratifikaci přežití, což je podstatně lepší výsledek než u PD-L1 ^P.

Mechanistická interpretovatelnost. Díky analýze SHAP na 44 konceptuálních skóre dokáže COMPASS identifikovat, která imunitní biologie je hnací silou odpovědi nebo rezistence u jednotlivých pacientů i napříč typy rakoviny, a poskytuje tak vhled do mechanismů rezistence ^P.

Potenciální klinické dopady

• Lepší výběr pacientů pro ICI. COMPASS by mohl pomoci určit, kteří pacienti mají z imunoterapie největší prospěch, a ušetřit tak neúčinnou léčbu a zbytečné vedlejší účinky těm, u nichž je šance na úspěch malá ^PP.
• Efektivnější klinické studie. Model může podpořit návrh klinických studií umožněním přesnějšího výběru kohorty, což by mohlo zmenšit potřebný počet účastníků a urychlit vývoj léků ^P.
• Mechanistické porozumění rezistenci. Odhalením toho, které imunitní dráhy jsou příčinou nereagování na léčbu u konkrétních pacientů nebo typů rakoviny, by COMPASS mohl pomoci navrhovat kombinační terapie a identifikovat nové mechanismy rezistence ^P.
• Dostupnost. Webový nástroj pro spouštění predikcí COMPASS je hostován laboratoří Zitnik Lab na Harvardu a kód i předtrénované modely jsou volně k dispozici na GitHubu a na webu immuno-compass.com ^PPP.

Omezení, která je třeba zmínit

Preprint o modelu COMPASS (zveřejněný v květnu 2025 na serveru medRxiv) dosud neprošel formálním peer review, i když je publikován v PMC jako preprint financovaný NIH ^P. Model vyžaduje jako vstup data z bulk RNA-seq, což zatím není součástí rutinní klinické praxe pro všechny pacienty s rakovinou. Rovněž dosud nebyly publikovány nezávislé prospektivní klinické validační studie.