COMPASS: Wie eine neue KI aus Harvard die Krebsimmuntherapie gezielter macht
COMPASS ist ein Foundation KI Modell der Harvard Medical School und Roche, das durch die Analyse von Tumor RNA Seq Daten das Ansprechen auf Immuntherapien vorhersagt. Anders als Black Box Modelle nutzt COMPASS eine Concept Bottleneck Architektur, um Genexpressionen in 44 interpretierbare Immunkonzepte zu übersetzen...
Veröffentlicht vonBearbeitet mit DeepSeek-V4-FlashBilder erstellt mit GPT Image 1.5
COMPASS ist ein Foundation KI Modell der Harvard Medical School und Roche, das durch die Analyse von Tumor RNA Seq Daten das Ansprechen auf Immuntherapien vorhersagt.
Anders als Black Box Modelle nutzt COMPASS eine Concept Bottleneck Architektur, um Genexpressionen in 44 interpretierbare Immunkonzepte zu übersetzen – Ärzte sehen, warum eine Vorhersage getroffen wurde.
Das Modell wurde an 10.184 Tumoren aus 33 Krebsarten vortrainiert und an 16 klinischen Kohorten mit 7 Krebsarten und 6 Behandlungsregimen verfeinert.
Search & fact-check with cited sources for How does Harvard Medical School's new AI model, COMPASS, predict which cancer patients will respoAn AI-generated visualization representing the COMPASS model's approach to predicting immunotherapy outcomes from tumor transcriptomic data.
KI-Prompt
Create a landscape editorial hero image for this Studio Global article: Search & fact-check with cited sources for How does Harvard Medical School's new AI model, COMPASS, predict which cancer patients will respo. Article summary: Here is a detailed, source-backed summary of COMPASS.. Topic tags: general, government, education, academic, general web. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait thumbnails, icons, and tiny thumbnail layouts. Make it useful as an illustrative visual, not as factual evidence.
openai.com
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 .
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 :
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Wie lautet die kurze Antwort auf „COMPASS: Wie eine neue KI aus Harvard die Krebsimmuntherapie gezielter macht“?
COMPASS ist ein Foundation KI Modell der Harvard Medical School und Roche, das durch die Analyse von Tumor RNA Seq Daten das Ansprechen auf Immuntherapien vorhersagt.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
COMPASS ist ein Foundation KI Modell der Harvard Medical School und Roche, das durch die Analyse von Tumor RNA Seq Daten das Ansprechen auf Immuntherapien vorhersagt. Anders als Black Box Modelle nutzt COMPASS eine Concept Bottleneck Architektur, um Genexpressionen in 44 interpretierbare Immunkonzepte zu übersetzen – Ärzte sehen, warum eine Vorhersage getroffen wurde.
Was soll ich als nächstes in der Praxis tun?
Das Modell wurde an 10.184 Tumoren aus 33 Krebsarten vortrainiert und an 16 klinischen Kohorten mit 7 Krebsarten und 6 Behandlungsregimen verfeinert.
COMPASS: Wie eine neue KI aus Harvard die Krebsimmuntherapie gezielter macht
COMPASS ist ein Foundation KI Modell der Harvard Medical School und Roche, das durch die Analyse von Tumor RNA Seq Daten das Ansprechen auf Immuntherapien vorhersagt. Anders als Black Box Modelle nutzt COMPASS eine Concept Bottleneck Architektur, um Genexpressionen in 44 interpretierbare Immunkonzepte zu übersetzen...
Veröffentlicht vonBearbeitet mit DeepSeek-V4-FlashBilder erstellt mit GPT Image 1.5
COMPASS ist ein Foundation KI Modell der Harvard Medical School und Roche, das durch die Analyse von Tumor RNA Seq Daten das Ansprechen auf Immuntherapien vorhersagt.
Anders als Black Box Modelle nutzt COMPASS eine Concept Bottleneck Architektur, um Genexpressionen in 44 interpretierbare Immunkonzepte zu übersetzen – Ärzte sehen, warum eine Vorhersage getroffen wurde.
Das Modell wurde an 10.184 Tumoren aus 33 Krebsarten vortrainiert und an 16 klinischen Kohorten mit 7 Krebsarten und 6 Behandlungsregimen verfeinert.
Search & fact-check with cited sources for How does Harvard Medical School's new AI model, COMPASS, predict which cancer patients will respoAn AI-generated visualization representing the COMPASS model's approach to predicting immunotherapy outcomes from tumor transcriptomic data.
KI-Prompt
Create a landscape editorial hero image for this Studio Global article: Search & fact-check with cited sources for How does Harvard Medical School's new AI model, COMPASS, predict which cancer patients will respo. Article summary: Here is a detailed, source-backed summary of COMPASS.. Topic tags: general, government, education, academic, general web. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait thumbnails, icons, and tiny thumbnail layouts. Make it useful as an illustrative visual, not as factual evidence.
openai.com
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 .
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 :
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Wie lautet die kurze Antwort auf „COMPASS: Wie eine neue KI aus Harvard die Krebsimmuntherapie gezielter macht“?
COMPASS ist ein Foundation KI Modell der Harvard Medical School und Roche, das durch die Analyse von Tumor RNA Seq Daten das Ansprechen auf Immuntherapien vorhersagt.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
COMPASS ist ein Foundation KI Modell der Harvard Medical School und Roche, das durch die Analyse von Tumor RNA Seq Daten das Ansprechen auf Immuntherapien vorhersagt. Anders als Black Box Modelle nutzt COMPASS eine Concept Bottleneck Architektur, um Genexpressionen in 44 interpretierbare Immunkonzepte zu übersetzen – Ärzte sehen, warum eine Vorhersage getroffen wurde.
Was soll ich als nächstes in der Praxis tun?
Das Modell wurde an 10.184 Tumoren aus 33 Krebsarten vortrainiert und an 16 klinischen Kohorten mit 7 Krebsarten und 6 Behandlungsregimen verfeinert.
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 .
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 .
Zur Vorhersage erhält COMPASS das mRNA-Expressionsprofil des Tumors (in TPM-Einheiten) plus den Krebsart-Code und gibt zwei Ergebnisse aus :
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 . 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 .
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 . 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 . 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 .
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 .
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 .
Mechanistische Einblicke in Resistenzen. Indem es aufdeckt, welche Immun-Signalwege für ein Nicht-Ansprechen verantwortlich sind, könnte COMPASS Kombinationstherapien vorschlagen und neue Resistenzmechanismen aufzeigen .
Zugängliche Werkzeuge. Der COMPASS-Code, vortrainierte Modelle und ein webbasiertes Vorhersagetool sind öffentlich auf GitHub und unter immuno-compass.com verfügbar .
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 . 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 .
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 .
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 .
Zur Vorhersage erhält COMPASS das mRNA-Expressionsprofil des Tumors (in TPM-Einheiten) plus den Krebsart-Code und gibt zwei Ergebnisse aus :
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 . 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 .
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 . 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 . 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 .
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 .
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 .
Mechanistische Einblicke in Resistenzen. Indem es aufdeckt, welche Immun-Signalwege für ein Nicht-Ansprechen verantwortlich sind, könnte COMPASS Kombinationstherapien vorschlagen und neue Resistenzmechanismen aufzeigen .
Zugängliche Werkzeuge. Der COMPASS-Code, vortrainierte Modelle und ein webbasiertes Vorhersagetool sind öffentlich auf GitHub und unter immuno-compass.com verfügbar .
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 . 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 .
pubmed.ncbi.nlm.nih.govGeneralizable AI predicts immunotherapy outcomes across cancers ...
pmc.ncbi.nlm.nih.govGeneralizable AI predicts immunotherapy outcomes across cancers ...
arxiv.org[PDF] Transcriptomic Models for Immunotherapy Response Prediction ...
immuno-compass.com05_compass_prediction
zitniklab.hms.harvard.eduCOMPASS: Immunotherapy Outcome Prediction - Zitnik Lab