• パンキャンサー事前学習（Pre-training）：まず、The Cancer Genome Atlas（TCGA）に収められた33のがん種、10,184の腫瘍サンプルを使って自己教師あり学習を行います。この段階では、治療結果ラベルを使わずに、腫瘍と免疫の生物学に関する一般的なパターンを学習します。
• 臨床ファインチューニング（Fine-tuning）：次に、7つのがん種（メラノーマ、非小細胞肺がん、胃がん、膀胱がん、腎がん、神経膠芽腫、頭頸部がん）と6種類のICIレジメン（抗PD-1、抗PD-L1、抗CTLA-4、およびその併用療法）をカバーする16の独立した臨床コホートでモデルを微調整します。

予測時には、患者のがん種コードと腫瘍mRNA発現プロファイル（TPM単位）を入力として、以下の2つを出力します：

• 44のコンセプトスコア：免疫細胞の状態（CD8⁺ T細胞、疲弊T細胞、B細胞など）、腫瘍微小環境の相互作用、シグナル伝達経路（IFN-γ、TGF-βなど）を表す数値。
• 奏効確率：奏効（responder）と非奏効（non-responder）の予測確率。

既存手法との違い

解釈可能な概念ボトルネック・アーキテクチャ：多くの深層学習モデルはブラックボックスであり、予測結果が出てもなぜそう判断したのかがわかりません。COMPASSは「概念ボトルネック」という設計を採用しており、まず遺伝子発現データを44の高次元で人間に解釈可能な免疫コンセプトに変換し、そのコンセプト群を元に最終予測を行います。これにより、医師は「この患者が奏効すると予測されたのは、CD8⁺ T細胞浸潤が高く、IFN-γ経路が強く活性化しているからだ」といった理由を直接確認できます。研究者はSHAP分析を用いて、個々の患者の奏効や抵抗性に関わる免疫学的な要因を特定することも可能です。

パンキャンサーへの汎化性：既存のICI予測モデルの多くは単一のがん種や少数のコホートで訓練されているため、適用範囲が限られています。一方COMPASSは33がん種で事前学習され、多様なコホートでファインチューニングされているため、ファインチューニング時に見られなかった新しいがん種やICI薬にも適応できる能力を持ちます。

標準バイオマーカーを凌駕する性能：第II相尿路上皮がん試験において、COMPASSは生存層別化でハザード比4.7（p < 0.0001）を達成し、従来のPD-L1発現（HR 1.5）や腫瘍遺伝子変異量（TMB、HR 1.7）をはるかに上回る成績を示しました。また、22のベースライン手法との比較では、適合率8.5%、マシューズ相関係数（MCC）12.3%、AUPRC 15.7%の改善を達成しています。

臨床応用への可能性

最適な患者選択：COMPASSによってICI療法の恩恵を受けられる患者をより正確に特定し、非奏効者を無駄な治療や不要な副作用から守ることが期待されます。

治験デザインの効率化：患者コホートの選定をより精密に行えるため、治験規模の縮小や医薬品開発の迅速化につながる可能性があります。

薬剤耐性メカニズムの解明：非奏効に関わる免疫経路を特定することで、新たな併用療法の戦略や抵抗性メカニズムの発見に貢献できます。

アクセスしやすいツール：COMPASSのコード、事前学習済みモデル、およびWebベースの予測ツールは、GitHubおよび immuno-compass.com で公開されています。

留意すべき限界

COMPASSの論文は2025年5月にmedRxivでプレプリントとして公開され、NIHの資金提供を受けてPMCにも掲載されていますが、正式な査読をまだ完了していません。また、入力としてバルクRNA-seqデータを必要とするため、現時点ではすべてのがん患者の日常診療で取得できるわけではありません。さらに、独立した前向き臨床検証研究はまだ発表されておらず、AIモデル全般に共通する「検証ギャップ」が本モデルにとっても重要な課題となっています。

• パンキャンサー事前学習（Pre-training）：まず、The Cancer Genome Atlas（TCGA）に収められた33のがん種、10,184の腫瘍サンプルを使って自己教師あり学習を行います。この段階では、治療結果ラベルを使わずに、腫瘍と免疫の生物学に関する一般的なパターンを学習します。
• 臨床ファインチューニング（Fine-tuning）：次に、7つのがん種（メラノーマ、非小細胞肺がん、胃がん、膀胱がん、腎がん、神経膠芽腫、頭頸部がん）と6種類のICIレジメン（抗PD-1、抗PD-L1、抗CTLA-4、およびその併用療法）をカバーする16の独立した臨床コホートでモデルを微調整します。

予測時には、患者のがん種コードと腫瘍mRNA発現プロファイル（TPM単位）を入力として、以下の2つを出力します：

• 44のコンセプトスコア：免疫細胞の状態（CD8⁺ T細胞、疲弊T細胞、B細胞など）、腫瘍微小環境の相互作用、シグナル伝達経路（IFN-γ、TGF-βなど）を表す数値。
• 奏効確率：奏効（responder）と非奏効（non-responder）の予測確率。

既存手法との違い

解釈可能な概念ボトルネック・アーキテクチャ：多くの深層学習モデルはブラックボックスであり、予測結果が出てもなぜそう判断したのかがわかりません。COMPASSは「概念ボトルネック」という設計を採用しており、まず遺伝子発現データを44の高次元で人間に解釈可能な免疫コンセプトに変換し、そのコンセプト群を元に最終予測を行います。これにより、医師は「この患者が奏効すると予測されたのは、CD8⁺ T細胞浸潤が高く、IFN-γ経路が強く活性化しているからだ」といった理由を直接確認できます。研究者はSHAP分析を用いて、個々の患者の奏効や抵抗性に関わる免疫学的な要因を特定することも可能です。

パンキャンサーへの汎化性：既存のICI予測モデルの多くは単一のがん種や少数のコホートで訓練されているため、適用範囲が限られています。一方COMPASSは33がん種で事前学習され、多様なコホートでファインチューニングされているため、ファインチューニング時に見られなかった新しいがん種やICI薬にも適応できる能力を持ちます。

標準バイオマーカーを凌駕する性能：第II相尿路上皮がん試験において、COMPASSは生存層別化でハザード比4.7（p < 0.0001）を達成し、従来のPD-L1発現（HR 1.5）や腫瘍遺伝子変異量（TMB、HR 1.7）をはるかに上回る成績を示しました。また、22のベースライン手法との比較では、適合率8.5%、マシューズ相関係数（MCC）12.3%、AUPRC 15.7%の改善を達成しています。

臨床応用への可能性

最適な患者選択：COMPASSによってICI療法の恩恵を受けられる患者をより正確に特定し、非奏効者を無駄な治療や不要な副作用から守ることが期待されます。

治験デザインの効率化：患者コホートの選定をより精密に行えるため、治験規模の縮小や医薬品開発の迅速化につながる可能性があります。

薬剤耐性メカニズムの解明：非奏効に関わる免疫経路を特定することで、新たな併用療法の戦略や抵抗性メカニズムの発見に貢献できます。

アクセスしやすいツール：COMPASSのコード、事前学習済みモデル、およびWebベースの予測ツールは、GitHubおよび immuno-compass.com で公開されています。

留意すべき限界

COMPASSの論文は2025年5月にmedRxivでプレプリントとして公開され、NIHの資金提供を受けてPMCにも掲載されていますが、正式な査読をまだ完了していません。また、入力としてバルクRNA-seqデータを必要とするため、現時点ではすべてのがん患者の日常診療で取得できるわけではありません。さらに、独立した前向き臨床検証研究はまだ発表されておらず、AIモデル全般に共通する「検証ギャップ」が本モデルにとっても重要な課題となっています。