COMPASS: Wie eine neue KI aus Harvard die Krebsimmuntherapie gezielter macht

Eine der größten Herausforderungen in der Krebstherapie ist es, vorherzusagen, welche Patientinnen und Patienten tatsächlich von Immun-Checkpoint-Inhibitoren (ICIs) profitieren. Viele erhalten teure Behandlungen mit erheblichen Nebenwirkungen, ohne dass der Tumor anspricht. Forschende der Harvard Medical School haben nun zusammen mit Roche Pharma COMPASS entwickelt – ein Foundation-KI-Modell, das das ICI-Ansprechen anhand von Tumor-Transkriptomdaten mit höherer Genauigkeit vorhersagt als aktuelle klinische Biomarker und dabei seine Entscheidungen erklärt ^PP.

Wie COMPASS das ICI-Ansprechen vorhersagt

COMPASS ist ein Machine-Learning-Modell, das Bulk-RNA-seq-Daten eines Patiententumors analysiert. Es arbeitet in zwei Schritten ^P:

• Pan-Krebs-Vortraining: Das Modell wird zunächst im Selbstüberwachten Lernen (Self-Supervised Learning) auf 10.184 Tumoren aus 33 Krebsarten des Cancer Genome Atlas (TCGA) trainiert. Dadurch erlernt es allgemeine Muster der Tumor-Immun-Biologie, ohne dass Behandlungsergebnisse bekannt sein müssen ^PA.
• Klinische Feinabstimmung: Das vortrainierte Modell wird dann auf 16 unabhängigen klinischen Kohorten mit 7 Krebsarten (Melanom, nicht-kleinzelliges Lungenkarzinom, Magen-, Blasen-, Nierenkrebs, Glioblastom und Kopf-Hals-Tumoren) und 6 verschiedenen ICI-Schemata (u.a. Anti-PD-1, Anti-PD-L1, Anti-CTLA-4 und Kombinationen) verfeinert ^PA.

Zur Vorhersage erhält COMPASS das mRNA-Expressionsprofil des Tumors (in TPM-Einheiten) plus den Krebsart-Code und gibt zwei Ergebnisse aus ^I:

• 44 Konzept-Scores, die Immunzellzustände (z.B. CD8⁺-T-Zellen, erschöpfte T-Zellen, B-Zellen), Tumor-Mikroumgebungs-Interaktionen und Signalwege (z.B. IFN-γ, TGF-β) repräsentieren.
• Vorhergesagte Wahrscheinlichkeiten für Ansprechen vs. Nicht-Ansprechen.

Was COMPASS von bestehenden Methoden unterscheidet

Interpretierbare Concept-Bottleneck-Architektur. Die meisten Deep-Learning-Modelle sind Black Boxes – sie liefern eine Vorhersage ohne Erklärung. COMPASS verwendet ein sogenanntes Concept-Bottleneck-Design: Es übersetzt zunächst die rohe Genexpression in 44 hochrangige, für Menschen interpretierbare Immunkonzepte und nutzt dann diese Konzepte für die endgültige Vorhersage ^PZ. Ein Arzt kann also sehen, warum ein Patient voraussichtlich anspricht – etwa aufgrund einer hohen CD8⁺-T-Zell-Infiltration und einer starken IFN-γ-Signalweg-Aktivierung. Mittels SHAP-Analyse dieser Konzept-Scores lässt sich identifizieren, welche Immun-Biologie bei einzelnen Patienten für Ansprechen oder Resistenz verantwortlich ist ^Z.

Krebsartenübergreifende Verallgemeinerbarkeit. Viele bestehende ICI-Vorhersagemodelle werden nur für eine einzige Krebsart oder eine kleine Kohorte trainiert, was ihren Nutzen einschränkt. Da COMPASS auf 33 Krebsarten vortrainiert und über verschiedene Kohorten verfeinert wurde, kann es auf neue Krebsarten und ICI-Medikamente verallgemeinern, die es während der Feinabstimmung nicht gesehen hat ^PA. Das ist ein entscheidender Vorteil gegenüber Ein-Krebsart-Modellen.

Übertrifft Standard-Biomarker. In einer Phase-II-Studie zu Blasenkrebs erzielte COMPASS eine Hazard Ratio von 4,7 (p < 0,0001) für die Überlebensstratifikation und übertraf damit die PD-L1-Expression und die Tumormutationslast (TMB) deutlich ^ALL. In allen Evaluierungen war es 22 Baseline-Methoden überlegen, mit Verbesserungen von 8,5 % bei der Präzision, 12,3 % beim Matthews-Korrelationskoeffizienten (MCC) und 15,7 % beim AUPRC im Vergleich zu den besten konkurrierenden Modellen ^LL.

Mögliche klinische Bedeutung

Bessere Patientenauswahl. COMPASS könnte helfen, die Patienten zu identifizieren, die am wahrscheinlichsten von einer Immuntherapie profitieren, und so Nicht-Ansprecher vor unwirksamen Behandlungen und unnötigen Nebenwirkungen bewahren ^PA.

Optimierung klinischer Studien. Das Modell kann die Planung klinischer Studien unterstützen, indem es eine präzisere Kohortenauswahl ermöglicht, wodurch Studiengrößen reduziert und die Arzneimittelentwicklung beschleunigt werden könnten ^P.

Mechanistische Einblicke in Resistenzen. Indem es aufdeckt, welche Immun-Signalwege für ein Nicht-Ansprechen verantwortlich sind, könnte COMPASS Kombinationstherapien vorschlagen und neue Resistenzmechanismen aufzeigen ^Z.

Zugängliche Werkzeuge. Der COMPASS-Code, vortrainierte Modelle und ein webbasiertes Vorhersagetool sind öffentlich auf GitHub und unter immuno-compass.com verfügbar ^ZAI.

Zu beachtende Einschränkungen

Der COMPASS-Preprint (veröffentlicht im Mai 2025 auf medRxiv) hat noch kein formelles Peer-Review durchlaufen, obwohl er als NIH-finanzierten Preprint in PMC veröffentlicht wurde ^ZP. Das Modell benötigt Bulk-RNA-seq-Daten als Eingabe, die noch nicht in der Routineversorgung aller Krebspatienten verfügbar sind. Unabhängige prospektive klinische Validierungsstudien wurden noch nicht veröffentlicht, und die Validierungslücke bleibt eine kritische Herausforderung für KI-Modelle in diesem Bereich ^P.