• 범암 사전 학습(Pan-cancer pre-training): 모델은 먼저 미국 암유전체지도(TCGA, The Cancer Genome Atlas)가 제공하는 33종 암, 10,184개 종양 데이터로 자기지도학습(self-supervised learning) 방식으로 학습된다. 이 단계에서 치료 결과 레이블 없이도 종양-면역 생물학의 일반적인 패턴을 익힌다.
• 임상 미세 조정(Clinical fine-tuning): 사전 학습된 모델은 이후 7종 암(흑색종, 비소세포폐암, 위암, 방광암, 신장암, 교모세포종, 두경부암)과 6가지 ICI 치료 요법(항PD-1, 항PD-L1, 항CTLA-4 및 병용요법 포함)을 포괄하는 16개의 독립적인 임상 코호트 데이터로 미세 조정된다.

실제 예측 시, COMPASS는 환자의 종양 mRNA 발현 프로파일(TPM 단위)과 암종 코드를 입력받아 두 가지 결과를 출력한다:

• 44개 개념 점수(concept scores): CD8⁺ T세포, 소진 T세포, B세포 등의 면역세포 상태, 종양 미세환경 상호작용, IFN-γ나 TGF-β 같은 신호 경로를 나타낸다.
• 반응/비반응 예측 확률(predicted probabilities).

기존 방법과의 차별점: '해석 가능한' AI

해석 가능한 컨셉 보틀넥 구조(Interpretable concept bottleneck architecture). 대부분의 딥러닝 모델은 '블랙박스'라 불리며 예측 결과만 내놓고 이유를 설명하지 못한다. 반면 COMPASS는 '컨셉 보틀넥' 설계를 채택했다. 즉, 유전자 발현 데이터를 먼저 44개의 고수준, 사람이 이해할 수 있는 면역 개념으로 매핑한 뒤, 이 개념들을 바탕으로 최종 예측을 내린다. 따라서 임상의는 "이 환자는 CD8⁺ T세포 침윤이 높고 IFN-γ 경로가 활성화되어 있어 반응이 예측된다"는 식으로 예측 이유를 확인할 수 있다. 또한 SHAP 분석을 통해 개별 환자의 반응 또는 내성을 결정짓는 면역 생물학적 요인을 식별할 수 있다.

범암 일반화 가능성(Pan-cancer generalizability). 기존 ICI 예측 모델은 대부분 단일 암종이나 소규모 코호트에 국한되어 있어 활용도가 제한적이다. COMPASS는 33종 암으로 사전 학습되고 다양한 코호트로 미세 조정되었기 때문에, 미세 조정 과정에서 보지 못한 새로운 암종이나 ICI 약물까지 일반화할 수 있다. 이는 단일 암종 모델에 비해 큰 강점이다.

기존 바이오마커보다 뛰어난 성능. 2상 요로상피암 임상시험에서 COMPASS는 생존 기간 계층화에 있어 위험비(hazard ratio) 4.7(p < 0.0001)을 기록하며, PD-L1 발현이나 종양 돌연변이 부하(TMB) 등 기존 바이오마커를 크게 앞질렀다. 전체 평가에서 COMPASS는 22개 기준 모델을 능가했으며, 최고 경쟁 모델 대비 정밀도 8.5%, 매튜 상관계수(MCC) 12.3%, AUPRC 15.7% 향상된 성능을 보였다.

잠재적 임상적 의의

더 나은 환자 선별. COMPASS는 면역항암제의 혜택을 볼 가능성이 가장 높은 환자를 식별하여, 반응하지 않을 환자에게 불필요한 치료와 부작용을 피하도록 도울 수 있다.

임상시험 설계 최적화. 더 정밀한 코호트 선별을 가능하게 하여 임상시험 규모를 줄이고 신약 개발을 가속화하는 데 기여할 수 있다.

내성 메커니즘에 대한 통찰. 비반응을 유발하는 면역 경로를 밝힘으로써 병용 요법 전략 수립과 새로운 내성 메커니즘 발견에 도움을 줄 수 있다.

공개된 도구. COMPASS의 코드, 사전 학습 모델, 웹 기반 예측 도구는 GitHub와 immuno-compass.com에서 무료로 제공된다.

알아야 할 한계점

COMPASS 프리프린트(2025년 5월 medRxiv 게재)는 아직 공식적인 동료 심사를 완료하지 않았지만, NIH 지원 프리프린트로 PMC에 게재되었다. 이 모델은 입력 자료로 벌크 RNA 시퀀싱 데이터를 필요로 하는데, 이는 아직 모든 암 환자를 대상으로 한 일상적인 임상 검사는 아니다. 또한 독립적인 전향적 임상 검증 연구는 아직 발표되지 않았으며, 이러한 '검증 격차(validation gap)'는 이 분야 AI 모델들의 핵심 과제로 남아 있다.

• 범암 사전 학습(Pan-cancer pre-training): 모델은 먼저 미국 암유전체지도(TCGA, The Cancer Genome Atlas)가 제공하는 33종 암, 10,184개 종양 데이터로 자기지도학습(self-supervised learning) 방식으로 학습된다. 이 단계에서 치료 결과 레이블 없이도 종양-면역 생물학의 일반적인 패턴을 익힌다.
• 임상 미세 조정(Clinical fine-tuning): 사전 학습된 모델은 이후 7종 암(흑색종, 비소세포폐암, 위암, 방광암, 신장암, 교모세포종, 두경부암)과 6가지 ICI 치료 요법(항PD-1, 항PD-L1, 항CTLA-4 및 병용요법 포함)을 포괄하는 16개의 독립적인 임상 코호트 데이터로 미세 조정된다.

실제 예측 시, COMPASS는 환자의 종양 mRNA 발현 프로파일(TPM 단위)과 암종 코드를 입력받아 두 가지 결과를 출력한다:

• 44개 개념 점수(concept scores): CD8⁺ T세포, 소진 T세포, B세포 등의 면역세포 상태, 종양 미세환경 상호작용, IFN-γ나 TGF-β 같은 신호 경로를 나타낸다.
• 반응/비반응 예측 확률(predicted probabilities).

기존 방법과의 차별점: '해석 가능한' AI

해석 가능한 컨셉 보틀넥 구조(Interpretable concept bottleneck architecture). 대부분의 딥러닝 모델은 '블랙박스'라 불리며 예측 결과만 내놓고 이유를 설명하지 못한다. 반면 COMPASS는 '컨셉 보틀넥' 설계를 채택했다. 즉, 유전자 발현 데이터를 먼저 44개의 고수준, 사람이 이해할 수 있는 면역 개념으로 매핑한 뒤, 이 개념들을 바탕으로 최종 예측을 내린다. 따라서 임상의는 "이 환자는 CD8⁺ T세포 침윤이 높고 IFN-γ 경로가 활성화되어 있어 반응이 예측된다"는 식으로 예측 이유를 확인할 수 있다. 또한 SHAP 분석을 통해 개별 환자의 반응 또는 내성을 결정짓는 면역 생물학적 요인을 식별할 수 있다.

범암 일반화 가능성(Pan-cancer generalizability). 기존 ICI 예측 모델은 대부분 단일 암종이나 소규모 코호트에 국한되어 있어 활용도가 제한적이다. COMPASS는 33종 암으로 사전 학습되고 다양한 코호트로 미세 조정되었기 때문에, 미세 조정 과정에서 보지 못한 새로운 암종이나 ICI 약물까지 일반화할 수 있다. 이는 단일 암종 모델에 비해 큰 강점이다.

기존 바이오마커보다 뛰어난 성능. 2상 요로상피암 임상시험에서 COMPASS는 생존 기간 계층화에 있어 위험비(hazard ratio) 4.7(p < 0.0001)을 기록하며, PD-L1 발현이나 종양 돌연변이 부하(TMB) 등 기존 바이오마커를 크게 앞질렀다. 전체 평가에서 COMPASS는 22개 기준 모델을 능가했으며, 최고 경쟁 모델 대비 정밀도 8.5%, 매튜 상관계수(MCC) 12.3%, AUPRC 15.7% 향상된 성능을 보였다.

잠재적 임상적 의의

더 나은 환자 선별. COMPASS는 면역항암제의 혜택을 볼 가능성이 가장 높은 환자를 식별하여, 반응하지 않을 환자에게 불필요한 치료와 부작용을 피하도록 도울 수 있다.

임상시험 설계 최적화. 더 정밀한 코호트 선별을 가능하게 하여 임상시험 규모를 줄이고 신약 개발을 가속화하는 데 기여할 수 있다.

내성 메커니즘에 대한 통찰. 비반응을 유발하는 면역 경로를 밝힘으로써 병용 요법 전략 수립과 새로운 내성 메커니즘 발견에 도움을 줄 수 있다.

공개된 도구. COMPASS의 코드, 사전 학습 모델, 웹 기반 예측 도구는 GitHub와 immuno-compass.com에서 무료로 제공된다.

알아야 할 한계점

COMPASS 프리프린트(2025년 5월 medRxiv 게재)는 아직 공식적인 동료 심사를 완료하지 않았지만, NIH 지원 프리프린트로 PMC에 게재되었다. 이 모델은 입력 자료로 벌크 RNA 시퀀싱 데이터를 필요로 하는데, 이는 아직 모든 암 환자를 대상으로 한 일상적인 임상 검사는 아니다. 또한 독립적인 전향적 임상 검증 연구는 아직 발표되지 않았으며, 이러한 '검증 격차(validation gap)'는 이 분야 AI 모델들의 핵심 과제로 남아 있다.