1. Pre-addestramento su larga scala: COMPASS viene prima addestrato su un vasto dataset di trascrittomi (RNA-seq) provenienti da 10.184 tumori, coprendo 33 diversi tipi di cancro (dati del consorzio TCGA). Questa fase di apprendimento auto-supervisionato permette al modello di imparare i pattern generali della biologia tumorale e immunitaria.

2. Affinamento su coorti cliniche specifiche: Il modello pre-addestrato viene poi 'rifinito' su 16 coorti cliniche indipendenti, che coprono 7 tipi di cancro (melanoma, carcinoma polmonare non a piccole cellule, cancro gastrico, alla vescica, al rene, glioblastoma e tumori testa-collo) e 6 diversi regimi terapeutici a base di ICI (anti-PD-1, anti-PD-L1, anti-CTLA-4 e combinazioni) .

Al momento della predizione, COMPASS riceve in input il profilo di espressione genica del tumore (espresso in unità TPM) e il codice del tipo di cancro, e produce due output chiave :

• 44 punteggi concettuali: rappresentano l'attivazione di 'concetti immunitari' biologicamente fondati, come lo stato delle cellule T CD8+, delle cellule T esaurite, dei linfociti B, le interazioni tumore-microambiente e le vie di segnalazione (es. via IFN-γ, via TGF-β).
• Probabilità di risposta: la stima del modello sulla probabilità che il paziente sia un 'responder' o un 'non-responder' alla terapia.

Cosa rende COMPASS diverso dai metodi esistenti

Architettura a 'collo di bottiglia concettuale' (Concept Bottleneck). A differenza della maggior parte dei modelli di deep learning, che funzionano come 'scatole nere', COMPASS adotta un design che prima mappa i dati grezzi di espressione genica su 44 concetti interpretabili ad alto livello, e poi usa questi concetti per fare la predizione finale . Questo permette a medici e ricercatori di capire perché è stata fatta una certa previsione, ad esempio: 'questo paziente è previsto come responder perché ha un'elevata infiltrazione di linfociti T CD8+ e una forte attivazione della via IFN-γ.'

Generalizzabilità grazie al 'transfer learning'. Molti modelli esistenti sono addestrati su un singolo tipo di cancro o una coorte piccola. COMPASS, grazie al pre-addestramento su 33 tipi di cancro e al successivo affinamento su coorti diverse, riesce a generalizzare a diversi tumori e regimi terapeutici, persino a tipi di cancro e farmaci ICI non visti durante l'affinamento .

Superiore ai biomarcatori tradizionali. Secondo il preprint, le previsioni di COMPASS sono risultate significativamente più accurate dell'espressione di PD-L1 e del carico mutazionale tumorale (TMB), i due biomarcatori clinici più usati. In un trial di fase II sul cancro della vescica, COMPASS ha raggiunto un hazard ratio di 4.7 (p < 0,0001) per la stratificazione della sopravvivenza, superando nettamente il PD-L1 .

Interpretabilità meccanicistica. Grazie all'analisi SHAP sui 44 punteggi concettuali, COMPASS identifica i meccanismi biologici che guidano la risposta o la resistenza in singoli pazienti e in diversi tipi di cancro, offrendo spunti per comprendere le vie della resistenza .

Implicazioni cliniche potenziali

• Migliore selezione dei pazienti. COMPASS potrebbe aiutare a identificare con più precisione i pazienti che hanno maggiori probabilità di beneficiare dell'immunoterapia, evitando trattamenti inefficaci e i relativi effetti collaterali a chi non risponderà .
• Progettazione di trial clinici. Il modello può supportare la fase di arruolamento dei trial, permettendo una selezione più mirata delle coorti, con la possibilità di ridurre la dimensione degli studi e accelerare lo sviluppo di nuovi farmaci .
• Nuove intuizioni sui meccanismi di resistenza. Svelando quali vie immunitarie sono alla base della mancata risposta in specifici pazienti o tumori, COMPASS può suggerire strategie di terapia combinata e identificare nuovi bersagli per superare la resistenza .

Accesso al modello

Il codice, i modelli pre-addestrati e uno strumento web per eseguire le predizioni sono disponibili pubblicamente su GitHub e sul sito immuno-compass.com, ospitati dal laboratorio Zitnik Lab di Harvard .

Limitazioni da considerare

Il preprint di COMPASS (pubblicato a maggio 2025 su medRxiv) non ha ancora completato il processo di revisione paritaria formale, sebbene sia archiviato nel database NIH . Inoltre, il modello richiede dati di sequenziamento dell'RNA (RNA-seq) del tumore, che non fanno ancora parte del percorso clinico di routine per tutti i pazienti oncologici. Infine, non sono ancora stati pubblicati studi di validazione clinica prospettica indipendenti.

1. Pre-addestramento su larga scala: COMPASS viene prima addestrato su un vasto dataset di trascrittomi (RNA-seq) provenienti da 10.184 tumori, coprendo 33 diversi tipi di cancro (dati del consorzio TCGA). Questa fase di apprendimento auto-supervisionato permette al modello di imparare i pattern generali della biologia tumorale e immunitaria.

2. Affinamento su coorti cliniche specifiche: Il modello pre-addestrato viene poi 'rifinito' su 16 coorti cliniche indipendenti, che coprono 7 tipi di cancro (melanoma, carcinoma polmonare non a piccole cellule, cancro gastrico, alla vescica, al rene, glioblastoma e tumori testa-collo) e 6 diversi regimi terapeutici a base di ICI (anti-PD-1, anti-PD-L1, anti-CTLA-4 e combinazioni) .

Al momento della predizione, COMPASS riceve in input il profilo di espressione genica del tumore (espresso in unità TPM) e il codice del tipo di cancro, e produce due output chiave :

• 44 punteggi concettuali: rappresentano l'attivazione di 'concetti immunitari' biologicamente fondati, come lo stato delle cellule T CD8+, delle cellule T esaurite, dei linfociti B, le interazioni tumore-microambiente e le vie di segnalazione (es. via IFN-γ, via TGF-β).
• Probabilità di risposta: la stima del modello sulla probabilità che il paziente sia un 'responder' o un 'non-responder' alla terapia.

Cosa rende COMPASS diverso dai metodi esistenti

Architettura a 'collo di bottiglia concettuale' (Concept Bottleneck). A differenza della maggior parte dei modelli di deep learning, che funzionano come 'scatole nere', COMPASS adotta un design che prima mappa i dati grezzi di espressione genica su 44 concetti interpretabili ad alto livello, e poi usa questi concetti per fare la predizione finale . Questo permette a medici e ricercatori di capire perché è stata fatta una certa previsione, ad esempio: 'questo paziente è previsto come responder perché ha un'elevata infiltrazione di linfociti T CD8+ e una forte attivazione della via IFN-γ.'

Generalizzabilità grazie al 'transfer learning'. Molti modelli esistenti sono addestrati su un singolo tipo di cancro o una coorte piccola. COMPASS, grazie al pre-addestramento su 33 tipi di cancro e al successivo affinamento su coorti diverse, riesce a generalizzare a diversi tumori e regimi terapeutici, persino a tipi di cancro e farmaci ICI non visti durante l'affinamento .

Superiore ai biomarcatori tradizionali. Secondo il preprint, le previsioni di COMPASS sono risultate significativamente più accurate dell'espressione di PD-L1 e del carico mutazionale tumorale (TMB), i due biomarcatori clinici più usati. In un trial di fase II sul cancro della vescica, COMPASS ha raggiunto un hazard ratio di 4.7 (p < 0,0001) per la stratificazione della sopravvivenza, superando nettamente il PD-L1 .

Interpretabilità meccanicistica. Grazie all'analisi SHAP sui 44 punteggi concettuali, COMPASS identifica i meccanismi biologici che guidano la risposta o la resistenza in singoli pazienti e in diversi tipi di cancro, offrendo spunti per comprendere le vie della resistenza .

Implicazioni cliniche potenziali

• Migliore selezione dei pazienti. COMPASS potrebbe aiutare a identificare con più precisione i pazienti che hanno maggiori probabilità di beneficiare dell'immunoterapia, evitando trattamenti inefficaci e i relativi effetti collaterali a chi non risponderà .
• Progettazione di trial clinici. Il modello può supportare la fase di arruolamento dei trial, permettendo una selezione più mirata delle coorti, con la possibilità di ridurre la dimensione degli studi e accelerare lo sviluppo di nuovi farmaci .
• Nuove intuizioni sui meccanismi di resistenza. Svelando quali vie immunitarie sono alla base della mancata risposta in specifici pazienti o tumori, COMPASS può suggerire strategie di terapia combinata e identificare nuovi bersagli per superare la resistenza .

Accesso al modello

Il codice, i modelli pre-addestrati e uno strumento web per eseguire le predizioni sono disponibili pubblicamente su GitHub e sul sito immuno-compass.com, ospitati dal laboratorio Zitnik Lab di Harvard .

Limitazioni da considerare

Il preprint di COMPASS (pubblicato a maggio 2025 su medRxiv) non ha ancora completato il processo di revisione paritaria formale, sebbene sia archiviato nel database NIH . Inoltre, il modello richiede dati di sequenziamento dell'RNA (RNA-seq) del tumore, che non fanno ancora parte del percorso clinico di routine per tutti i pazienti oncologici. Infine, non sono ancora stati pubblicati studi di validazione clinica prospettica indipendenti.