COMPASS: AI Foundation Model dari Harvard Medical School dan Roche untuk Prediksi Respons Imunoterapi
COMPASS adalah foundation AI model dari Harvard Medical School dan Roche Pharma yang memprediksi respons pasien terhadap immune checkpoint inhibitors (ICI). Model ini bekerja dalam dua tahap: pre training pada data RNA seq dari 10.184 tumor di 33 jenis kanker, lalu fine tuning pada 16 kohort klinis yang mencakup 7 j...
Diterbitkan olehDiedit dengan DeepSeek-V4-FlashGambar dibuat dengan GPT Image 1.5
COMPASS adalah foundation AI model dari Harvard Medical School dan Roche Pharma yang memprediksi respons pasien terhadap immune checkpoint inhibitors (ICI).
Model ini bekerja dalam dua tahap: pre training pada data RNA seq dari 10.184 tumor di 33 jenis kanker, lalu fine tuning pada 16 kohort klinis yang mencakup 7 jenis kanker dan 6 regimen ICI berbeda.
Keunggulan utama COMPASS adalah arsitektur 'concept bottleneck' yang membuat prediksinya dapat diinterpretasi, mengungkap alasan mengapa seorang pasien diprediksi merespons atau resisten.
Dalam pengujian pada uji klinis kanker urothelial fase II, COMPASS mencapai hazard ratio 4,7 (p < 0,0001) untuk stratifikasi survival, jauh melampaui PD L1 dan Tumor Mutational Burden (TMB).
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.
AI Perintah
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
Berikut adalah rangkuman mendetail berbasis sumber tentang COMPASS.
Bagaimana COMPASS Memprediksi Respons ICI
COMPASS adalah foundation AI model yang dikembangkan oleh Harvard Medical School dan Roche Pharma. Model ini memprediksi apakah seorang pasien kanker akan merespons immune checkpoint inhibitors (ICI) dengan menganalisis data transkriptomik (RNA-seq) tumor .
Model ini bekerja dalam dua tahap:
Pre-training pada data pan-kanker — COMPASS pertama kali dilatih (pre-trained) pada transkriptom RNA-seq bulk dari 10.184 tumor yang mencakup 33 jenis kanker (dari TCGA), menggunakan self-supervised learning untuk mempelajari pola umum biologi tumor–imun .
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Apa jawaban singkat untuk "COMPASS: AI Foundation Model dari Harvard Medical School dan Roche untuk Prediksi Respons Imunoterapi"?
COMPASS adalah foundation AI model dari Harvard Medical School dan Roche Pharma yang memprediksi respons pasien terhadap immune checkpoint inhibitors (ICI).
Apa poin penting yang harus divalidasi terlebih dahulu?
COMPASS adalah foundation AI model dari Harvard Medical School dan Roche Pharma yang memprediksi respons pasien terhadap immune checkpoint inhibitors (ICI). Model ini bekerja dalam dua tahap: pre training pada data RNA seq dari 10.184 tumor di 33 jenis kanker, lalu fine tuning pada 16 kohort klinis yang mencakup 7 jenis kanker dan 6 regimen ICI berbeda.
Apa yang harus saya lakukan selanjutnya dalam latihan?
Keunggulan utama COMPASS adalah arsitektur 'concept bottleneck' yang membuat prediksinya dapat diinterpretasi, mengungkap alasan mengapa seorang pasien diprediksi merespons atau resisten.
COMPASS: AI Foundation Model dari Harvard Medical School dan Roche untuk Prediksi Respons Imunoterapi
COMPASS adalah foundation AI model dari Harvard Medical School dan Roche Pharma yang memprediksi respons pasien terhadap immune checkpoint inhibitors (ICI). Model ini bekerja dalam dua tahap: pre training pada data RNA seq dari 10.184 tumor di 33 jenis kanker, lalu fine tuning pada 16 kohort klinis yang mencakup 7 j...
Diterbitkan olehDiedit dengan DeepSeek-V4-FlashGambar dibuat dengan GPT Image 1.5
COMPASS adalah foundation AI model dari Harvard Medical School dan Roche Pharma yang memprediksi respons pasien terhadap immune checkpoint inhibitors (ICI).
Model ini bekerja dalam dua tahap: pre training pada data RNA seq dari 10.184 tumor di 33 jenis kanker, lalu fine tuning pada 16 kohort klinis yang mencakup 7 jenis kanker dan 6 regimen ICI berbeda.
Keunggulan utama COMPASS adalah arsitektur 'concept bottleneck' yang membuat prediksinya dapat diinterpretasi, mengungkap alasan mengapa seorang pasien diprediksi merespons atau resisten.
Dalam pengujian pada uji klinis kanker urothelial fase II, COMPASS mencapai hazard ratio 4,7 (p < 0,0001) untuk stratifikasi survival, jauh melampaui PD L1 dan Tumor Mutational Burden (TMB).
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.
AI Perintah
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
Berikut adalah rangkuman mendetail berbasis sumber tentang COMPASS.
Bagaimana COMPASS Memprediksi Respons ICI
COMPASS adalah foundation AI model yang dikembangkan oleh Harvard Medical School dan Roche Pharma. Model ini memprediksi apakah seorang pasien kanker akan merespons immune checkpoint inhibitors (ICI) dengan menganalisis data transkriptomik (RNA-seq) tumor .
Model ini bekerja dalam dua tahap:
Pre-training pada data pan-kanker — COMPASS pertama kali dilatih (pre-trained) pada transkriptom RNA-seq bulk dari 10.184 tumor yang mencakup 33 jenis kanker (dari TCGA), menggunakan self-supervised learning untuk mempelajari pola umum biologi tumor–imun .
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Apa jawaban singkat untuk "COMPASS: AI Foundation Model dari Harvard Medical School dan Roche untuk Prediksi Respons Imunoterapi"?
COMPASS adalah foundation AI model dari Harvard Medical School dan Roche Pharma yang memprediksi respons pasien terhadap immune checkpoint inhibitors (ICI).
Apa poin penting yang harus divalidasi terlebih dahulu?
COMPASS adalah foundation AI model dari Harvard Medical School dan Roche Pharma yang memprediksi respons pasien terhadap immune checkpoint inhibitors (ICI). Model ini bekerja dalam dua tahap: pre training pada data RNA seq dari 10.184 tumor di 33 jenis kanker, lalu fine tuning pada 16 kohort klinis yang mencakup 7 jenis kanker dan 6 regimen ICI berbeda.
Apa yang harus saya lakukan selanjutnya dalam latihan?
Keunggulan utama COMPASS adalah arsitektur 'concept bottleneck' yang membuat prediksinya dapat diinterpretasi, mengungkap alasan mengapa seorang pasien diprediksi merespons atau resisten.
Fine-tuning pada kohort klinis ICI — Model yang telah dilatih kemudian disesuaikan (fine-tuned) pada 16 kohort klinis independen yang mencakup 7 jenis kanker (melanoma, kanker paru non-sel kecil, kanker lambung, kanker kandung kemih, kanker ginjal, glioblastoma, dan kanker kepala & leher) dan 6 regimen ICI berbeda (anti-PD-1, anti-PD-L1, anti-CTLA-4, dan kombinasinya) .
Pada saat prediksi, COMPASS menerima profil ekspresi mRNA tumor pasien (dalam satuan TPM) beserta kode jenis kanker dan menghasilkan dua output :
44 skor konsep — aktivasi kuantitatif dari "konsep imun" yang relevan secara biologis, mewakili keadaan sel imun (misalnya, sel T CD8⁺, sel T yang kelelahan, sel B), interaksi tumor-mikro lingkungan, dan jalur sinyal (misalnya, jalur IFN-γ, jalur TGF-β).
Probabilitas prediksi — perkiraan kemungkinan respons terapi (responder vs. non-responder).
Apa yang Membuat COMPASS Berbeda dari Metode yang Sudah Ada
Arsitektur concept bottleneck yang dapat diinterpretasi. Berbeda dengan kebanyakan model deep learning yang bersifat black-box, COMPASS menggunakan desain concept bottleneck: pertama-tama model memetakan data ekspresi gen mentah ke dalam 44 konsep imun tingkat tinggi yang dapat diinterpretasi manusia, lalu menggunakan konsep-konsep tersebut untuk membuat prediksi akhir . Ini berarti dokter dan peneliti dapat melihat mengapa suatu prediksi dibuat — misalnya, "pasien ini diprediksi responsif karena memiliki infiltrasi sel T CD8⁺ yang tinggi dan aktivasi jalur IFN-γ yang kuat."
Generalizabilitas pan-kanker melalui transfer learning. Banyak model prediksi ICI yang ada hanya dilatih pada satu jenis kanker atau kohort kecil, sehingga ketergeneralannya terbatas. COMPASS dilatih (pre-trained) pada 33 jenis kanker dan disesuaikan (fine-tuned) di berbagai kohort klinis, memungkinkannya untuk menggeneralisasi ke berbagai kanker dan regimen pengobatan — bahkan ke jenis kanker dan obat ICI yang tidak dilihat selama fine-tuning.
Mengungguli biomarker standar. Menurut pracetak (preprint), prediksi COMPASS secara signifikan lebih akurat daripada ekspresi PD-L1 dan tumor mutational burden (TMB) — dua biomarker klinis yang paling banyak digunakan — dalam memprediksi outcome kelangsungan hidup. Dalam uji coba kanker urothelial fase II, COMPASS mencapai hazard ratio 4,7 (p < 0,0001) untuk stratifikasi survival, jauh melampaui PD-L1 .
Interpretabilitas mekanistik. Melalui analisis SHAP pada 44 skor konsep, COMPASS mengidentifikasi biologi imun mana yang mendorong respons atau resistensi pada pasien individu dan di berbagai jenis kanker, memberikan wawasan tentang mekanisme resistensi .
Implikasi Klinis Potensial
Seleksi pasien yang lebih baik untuk ICI. COMPASS dapat membantu mengidentifikasi pasien mana yang paling mungkin mendapat manfaat dari imunoterapi, sehingga pasien non-responder terhindar dari pengobatan yang tidak efektif dan efek samping yang tidak perlu .
Pengayaan dan desain uji klinis. Model ini dapat mendukung desain uji klinis dengan memungkinkan pemilihan kohort yang lebih tepat, berpotensi mengurangi ukuran uji coba dan mempercepat pengembangan obat .
Wawasan mekanistik tentang resistensi. Dengan mengungkap jalur imun mana yang mendorong non-respons pada pasien atau jenis kanker tertentu, COMPASS dapat menginformasikan strategi terapi kombinasi dan mengidentifikasi mekanisme resistensi baru .
Dapat diakses melalui alat publik. Server alat MCP berbasis web untuk menjalankan prediksi COMPASS dihosting oleh Zitnik Lab di Harvard, dan kode serta model yang telah dilatih tersedia untuk umum di GitHub dan immuno-compass.com .
Keterbatasan yang Perlu Dicatat
Pracetak COMPASS (diposting Mei 2025 di medRxiv) belum menyelesaikan peer review formal, meskipun telah diterbitkan di PMC sebagai pracetak yang didanai NIH . Model ini memerlukan data RNA-seq bulk sebagai input, yang belum menjadi bagian dari alur kerja klinis rutin untuk semua pasien kanker. Selain itu, studi validasi klinis prospektif independen belum dipublikasikan.
Harnessing multi-omics and machine learning for predicting immune ...
Fine-tuning pada kohort klinis ICI — Model yang telah dilatih kemudian disesuaikan (fine-tuned) pada 16 kohort klinis independen yang mencakup 7 jenis kanker (melanoma, kanker paru non-sel kecil, kanker lambung, kanker kandung kemih, kanker ginjal, glioblastoma, dan kanker kepala & leher) dan 6 regimen ICI berbeda (anti-PD-1, anti-PD-L1, anti-CTLA-4, dan kombinasinya) .
Pada saat prediksi, COMPASS menerima profil ekspresi mRNA tumor pasien (dalam satuan TPM) beserta kode jenis kanker dan menghasilkan dua output :
44 skor konsep — aktivasi kuantitatif dari "konsep imun" yang relevan secara biologis, mewakili keadaan sel imun (misalnya, sel T CD8⁺, sel T yang kelelahan, sel B), interaksi tumor-mikro lingkungan, dan jalur sinyal (misalnya, jalur IFN-γ, jalur TGF-β).
Probabilitas prediksi — perkiraan kemungkinan respons terapi (responder vs. non-responder).
Apa yang Membuat COMPASS Berbeda dari Metode yang Sudah Ada
Arsitektur concept bottleneck yang dapat diinterpretasi. Berbeda dengan kebanyakan model deep learning yang bersifat black-box, COMPASS menggunakan desain concept bottleneck: pertama-tama model memetakan data ekspresi gen mentah ke dalam 44 konsep imun tingkat tinggi yang dapat diinterpretasi manusia, lalu menggunakan konsep-konsep tersebut untuk membuat prediksi akhir . Ini berarti dokter dan peneliti dapat melihat mengapa suatu prediksi dibuat — misalnya, "pasien ini diprediksi responsif karena memiliki infiltrasi sel T CD8⁺ yang tinggi dan aktivasi jalur IFN-γ yang kuat."
Generalizabilitas pan-kanker melalui transfer learning. Banyak model prediksi ICI yang ada hanya dilatih pada satu jenis kanker atau kohort kecil, sehingga ketergeneralannya terbatas. COMPASS dilatih (pre-trained) pada 33 jenis kanker dan disesuaikan (fine-tuned) di berbagai kohort klinis, memungkinkannya untuk menggeneralisasi ke berbagai kanker dan regimen pengobatan — bahkan ke jenis kanker dan obat ICI yang tidak dilihat selama fine-tuning.
Mengungguli biomarker standar. Menurut pracetak (preprint), prediksi COMPASS secara signifikan lebih akurat daripada ekspresi PD-L1 dan tumor mutational burden (TMB) — dua biomarker klinis yang paling banyak digunakan — dalam memprediksi outcome kelangsungan hidup. Dalam uji coba kanker urothelial fase II, COMPASS mencapai hazard ratio 4,7 (p < 0,0001) untuk stratifikasi survival, jauh melampaui PD-L1 .
Interpretabilitas mekanistik. Melalui analisis SHAP pada 44 skor konsep, COMPASS mengidentifikasi biologi imun mana yang mendorong respons atau resistensi pada pasien individu dan di berbagai jenis kanker, memberikan wawasan tentang mekanisme resistensi .
Implikasi Klinis Potensial
Seleksi pasien yang lebih baik untuk ICI. COMPASS dapat membantu mengidentifikasi pasien mana yang paling mungkin mendapat manfaat dari imunoterapi, sehingga pasien non-responder terhindar dari pengobatan yang tidak efektif dan efek samping yang tidak perlu .
Pengayaan dan desain uji klinis. Model ini dapat mendukung desain uji klinis dengan memungkinkan pemilihan kohort yang lebih tepat, berpotensi mengurangi ukuran uji coba dan mempercepat pengembangan obat .
Wawasan mekanistik tentang resistensi. Dengan mengungkap jalur imun mana yang mendorong non-respons pada pasien atau jenis kanker tertentu, COMPASS dapat menginformasikan strategi terapi kombinasi dan mengidentifikasi mekanisme resistensi baru .
Dapat diakses melalui alat publik. Server alat MCP berbasis web untuk menjalankan prediksi COMPASS dihosting oleh Zitnik Lab di Harvard, dan kode serta model yang telah dilatih tersedia untuk umum di GitHub dan immuno-compass.com .
Keterbatasan yang Perlu Dicatat
Pracetak COMPASS (diposting Mei 2025 di medRxiv) belum menyelesaikan peer review formal, meskipun telah diterbitkan di PMC sebagai pracetak yang didanai NIH . Model ini memerlukan data RNA-seq bulk sebagai input, yang belum menjadi bagian dari alur kerja klinis rutin untuk semua pasien kanker. Selain itu, studi validasi klinis prospektif independen belum dipublikasikan.
Harnessing multi-omics and machine learning for predicting immune ...
pmc.ncbi.nlm.nih.govArtificial Intelligence–Enabled Multi-Omics for Predicting Immune Checkpoint Inhibitor Response and Resistance