COMPASS: Model AI Harvard yang Mampu Mengesan Respons Pesakit Kanser Terhadap Imunoterapi
COMPASS ialah model AI asas (foundation model) yang dibangunkan oleh Harvard Medical School dan Roche Pharma untuk meramal respons pesakit kanser terhadap perencat pusat pemeriksaan imun (ICI). Model ini menggunakan data transkriptomik RNA seq tumor dan beroperasi dalam dua peringkat: prapelatihan pada data pan kans...
Diterbitkan olehDisunting dengan DeepSeek-V4-FlashImej dijana dengan GPT Image 1.5
COMPASS ialah model AI asas (foundation model) yang dibangunkan oleh Harvard Medical School dan Roche Pharma untuk meramal respons pesakit kanser terhadap perencat pusat pemeriksaan imun (ICI).
Model ini menggunakan data transkriptomik RNA seq tumor dan beroperasi dalam dua peringkat: prapelatihan pada data pan kanser (33 jenis kanser) dan penalaan halus pada kohort klinikal ICI.
COMPASS menggunakan seni bina 'concept bottleneck' yang menterjemah data gen kepada 44 konsep imun yang boleh ditafsir, memberikan penjelasan tentang mengapa sesuatu ramalan dibuat.
Model ini mengatasi 22 kaedah asas dalam 16 kohort klinikal bebas dan mencapai nisbah bahaya (hazard ratio) 4.7 dalam percubaan kanser urothelial, jauh mengatasi PD L1 dan 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 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
Bagaimana COMPASS Meramal Respons ICI
COMPASS ialah model AI asas (foundation model) yang dibangunkan oleh Harvard Medical School dan Roche Pharma. Ia meramal sama ada pesakit kanser akan bertindak balas terhadap perencat pusat pemeriksaan imun (ICI) dengan menganalisis data transkriptomik tumor (RNA-seq) .
Model ini berfungsi dalam dua peringkat:
Prapelatihan pada data pan-kanser — COMPASS terlebih dahulu dilatih secara sendiri (self-supervised) pada data transkriptom RNA-seq daripada 10,184 tumor yang merangkumi 33 jenis kanser (dari TCGA) untuk mempelajari corak umum biologi tumor-imun .
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "COMPASS: Model AI Harvard yang Mampu Mengesan Respons Pesakit Kanser Terhadap Imunoterapi"?
COMPASS ialah model AI asas (foundation model) yang dibangunkan oleh Harvard Medical School dan Roche Pharma untuk meramal respons pesakit kanser terhadap perencat pusat pemeriksaan imun (ICI).
What are the key points to validate first?
COMPASS ialah model AI asas (foundation model) yang dibangunkan oleh Harvard Medical School dan Roche Pharma untuk meramal respons pesakit kanser terhadap perencat pusat pemeriksaan imun (ICI). Model ini menggunakan data transkriptomik RNA seq tumor dan beroperasi dalam dua peringkat: prapelatihan pada data pan kanser (33 jenis kanser) dan penalaan halus pada kohort klinikal ICI.
What should I do next in practice?
COMPASS menggunakan seni bina 'concept bottleneck' yang menterjemah data gen kepada 44 konsep imun yang boleh ditafsir, memberikan penjelasan tentang mengapa sesuatu ramalan dibuat.
COMPASS: Model AI Harvard yang Mampu Mengesan Respons Pesakit Kanser Terhadap Imunoterapi
COMPASS ialah model AI asas (foundation model) yang dibangunkan oleh Harvard Medical School dan Roche Pharma untuk meramal respons pesakit kanser terhadap perencat pusat pemeriksaan imun (ICI). Model ini menggunakan data transkriptomik RNA seq tumor dan beroperasi dalam dua peringkat: prapelatihan pada data pan kans...
Diterbitkan olehDisunting dengan DeepSeek-V4-FlashImej dijana dengan GPT Image 1.5
COMPASS ialah model AI asas (foundation model) yang dibangunkan oleh Harvard Medical School dan Roche Pharma untuk meramal respons pesakit kanser terhadap perencat pusat pemeriksaan imun (ICI).
Model ini menggunakan data transkriptomik RNA seq tumor dan beroperasi dalam dua peringkat: prapelatihan pada data pan kanser (33 jenis kanser) dan penalaan halus pada kohort klinikal ICI.
COMPASS menggunakan seni bina 'concept bottleneck' yang menterjemah data gen kepada 44 konsep imun yang boleh ditafsir, memberikan penjelasan tentang mengapa sesuatu ramalan dibuat.
Model ini mengatasi 22 kaedah asas dalam 16 kohort klinikal bebas dan mencapai nisbah bahaya (hazard ratio) 4.7 dalam percubaan kanser urothelial, jauh mengatasi PD L1 dan 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 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
Bagaimana COMPASS Meramal Respons ICI
COMPASS ialah model AI asas (foundation model) yang dibangunkan oleh Harvard Medical School dan Roche Pharma. Ia meramal sama ada pesakit kanser akan bertindak balas terhadap perencat pusat pemeriksaan imun (ICI) dengan menganalisis data transkriptomik tumor (RNA-seq) .
Model ini berfungsi dalam dua peringkat:
Prapelatihan pada data pan-kanser — COMPASS terlebih dahulu dilatih secara sendiri (self-supervised) pada data transkriptom RNA-seq daripada 10,184 tumor yang merangkumi 33 jenis kanser (dari TCGA) untuk mempelajari corak umum biologi tumor-imun .
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "COMPASS: Model AI Harvard yang Mampu Mengesan Respons Pesakit Kanser Terhadap Imunoterapi"?
COMPASS ialah model AI asas (foundation model) yang dibangunkan oleh Harvard Medical School dan Roche Pharma untuk meramal respons pesakit kanser terhadap perencat pusat pemeriksaan imun (ICI).
What are the key points to validate first?
COMPASS ialah model AI asas (foundation model) yang dibangunkan oleh Harvard Medical School dan Roche Pharma untuk meramal respons pesakit kanser terhadap perencat pusat pemeriksaan imun (ICI). Model ini menggunakan data transkriptomik RNA seq tumor dan beroperasi dalam dua peringkat: prapelatihan pada data pan kanser (33 jenis kanser) dan penalaan halus pada kohort klinikal ICI.
What should I do next in practice?
COMPASS menggunakan seni bina 'concept bottleneck' yang menterjemah data gen kepada 44 konsep imun yang boleh ditafsir, memberikan penjelasan tentang mengapa sesuatu ramalan dibuat.
Penalaan halus pada kohort klinikal ICI — Model yang telah dilatih kemudian ditala halus pada 16 kohort klinikal bebas yang merangkumi 7 jenis kanser (melanoma, kanser paru-paru bukan sel kecil, kanser perut, kanser pundi kencing, kanser buah pinggang, glioblastoma, dan kanser kepala & leher) dan 6 rejimen ICI berbeza (anti-PD-1, anti-PD-L1, anti-CTLA-4, dan kombinasi) .
Semasa ramalan, COMPASS mengambil profil ekspresi mRNA tumor pesakit (dalam unit TPM) bersama kod jenis kanser mereka dan menghasilkan dua output :
44 skor konsep — aktiviti kuantitatif bagi "konsep imun" yang berasas biologi yang mewakili keadaan sel imun (cth., sel T CD8⁺, sel T letih, sel B), interaksi mikro persekitaran tumor, dan laluan isyarat (cth., laluan IFN-γ, laluan TGF-β).
Kebarangkalian ramalan — anggaran model tentang kemungkinan respons terapeutik (responder vs. bukan responder).
Apa yang Membezakan COMPASS daripada Kaedah Sedia Ada
Seni bina concept bottleneck yang boleh ditafsir. Tidak seperti kebanyakan model pembelajaran mendalam "kotak hitam", COMPASS menggunakan reka bentuk concept bottleneck: ia mula-mula memetakan data ekspresi gen mentah kepada 44 konsep imun peringkat tinggi yang boleh ditafsir manusia, dan kemudian menggunakan konsep tersebut untuk membuat ramalan akhir . Ini bermakna doktor dan penyelidik boleh melihat mengapa sesuatu ramalan dibuat — cth., "pesakit ini diramal akan respons kerana mereka mempunyai infiltrasi sel T CD8⁺ yang tinggi dan pengaktifan laluan IFN-γ yang kuat."
Kebolehgeneralisaian pan-kanser melalui pembelajaran pemindahan (transfer learning). Banyak model ramalan ICI sedia ada dilatih pada satu jenis kanser atau kohort kecil, mengehadkan kebolehgeneralisaian mereka. COMPASS dilatih pada 33 jenis kanser dan ditala halus merentas pelbagai kohort klinikal, membolehkannya digeneralisasikan merentas kanser dan rejimen rawatan yang berbeza — malah kepada jenis kanser dan ubat ICI yang tidak dilihat semasa penalaan halus .
Mengatasi biomarker standard. Menurut pracetak, ramalan COMPASS jauh lebih tepat berbanding ekspresi PD-L1 dan beban mutasi tumor (TMB) — dua biomarker klinikal yang paling banyak digunakan — dalam meramal hasil kemandirian. Dalam percubaan kanser urothelial fasa II, COMPASS mencapai nisbah bahaya (hazard ratio) 4.7 (p < 0.0001) untuk stratifikasi kemandirian, jauh mengatasi PD-L1 .
Kebolehtafsiran mekanistik. Melalui analisis SHAP ke atas 44 skor konsep, COMPASS mengenal pasti biologi imun yang mendorong respons atau rintangan pada pesakit individu dan merentas jenis kanser, memberikan pandangan tentang mekanisme rintangan .
Potensi Implikasi Klinikal
Pemilihan pesakit yang lebih baik untuk ICI. COMPASS boleh membantu mengenal pasti pesakit yang paling mungkin mendapat manfaat daripada imunoterapi, menyelamatkan bukan responder daripada rawatan tidak berkesan dan kesan sampingan yang tidak perlu .
Pengayaan dan reka bentuk ujian klinikal. Model ini boleh menyokong reka bentuk ujian klinikal dengan membolehkan pemilihan kohort yang lebih tepat, berpotensi mengurangkan saiz ujian dan mempercepatkan pembangunan ubat .
Pandangan mekanistik tentang rintangan. Dengan mendedahkan laluan imun yang mendorong ketiadaan respons pada pesakit atau jenis kanser tertentu, COMPASS boleh memaklumkan strategi terapi kombinasi dan mengenal pasti mekanisme rintangan baru .
Boleh diakses melalui alat awam. Alat pelayan MCP berasaskan web untuk menjalankan ramalan COMPASS dihoskan oleh Makmal Zitnik di Harvard, dan kod serta model prapelatihan tersedia secara terbuka di GitHub dan immuno-compass.com .
Batasan yang Perlu Diperhatikan
Pracetak COMPASS (disiarkan Mei 2025 di medRxiv) belum melengkapkan semakan rakan sebaya secara formal, walaupun ia diterbitkan dalam PMC sebagai pracetak yang dibiayai NIH . Model ini memerlukan data RNA-seq pukal sebagai input, yang belum menjadi sebahagian daripada aliran kerja klinikal rutin untuk semua pesakit kanser. Selain itu, kajian pengesahan klinikal prospektif bebas belum lagi diterbitkan.
Harnessing multi-omics and machine learning for predicting immune ...
Penalaan halus pada kohort klinikal ICI — Model yang telah dilatih kemudian ditala halus pada 16 kohort klinikal bebas yang merangkumi 7 jenis kanser (melanoma, kanser paru-paru bukan sel kecil, kanser perut, kanser pundi kencing, kanser buah pinggang, glioblastoma, dan kanser kepala & leher) dan 6 rejimen ICI berbeza (anti-PD-1, anti-PD-L1, anti-CTLA-4, dan kombinasi) .
Semasa ramalan, COMPASS mengambil profil ekspresi mRNA tumor pesakit (dalam unit TPM) bersama kod jenis kanser mereka dan menghasilkan dua output :
44 skor konsep — aktiviti kuantitatif bagi "konsep imun" yang berasas biologi yang mewakili keadaan sel imun (cth., sel T CD8⁺, sel T letih, sel B), interaksi mikro persekitaran tumor, dan laluan isyarat (cth., laluan IFN-γ, laluan TGF-β).
Kebarangkalian ramalan — anggaran model tentang kemungkinan respons terapeutik (responder vs. bukan responder).
Apa yang Membezakan COMPASS daripada Kaedah Sedia Ada
Seni bina concept bottleneck yang boleh ditafsir. Tidak seperti kebanyakan model pembelajaran mendalam "kotak hitam", COMPASS menggunakan reka bentuk concept bottleneck: ia mula-mula memetakan data ekspresi gen mentah kepada 44 konsep imun peringkat tinggi yang boleh ditafsir manusia, dan kemudian menggunakan konsep tersebut untuk membuat ramalan akhir . Ini bermakna doktor dan penyelidik boleh melihat mengapa sesuatu ramalan dibuat — cth., "pesakit ini diramal akan respons kerana mereka mempunyai infiltrasi sel T CD8⁺ yang tinggi dan pengaktifan laluan IFN-γ yang kuat."
Kebolehgeneralisaian pan-kanser melalui pembelajaran pemindahan (transfer learning). Banyak model ramalan ICI sedia ada dilatih pada satu jenis kanser atau kohort kecil, mengehadkan kebolehgeneralisaian mereka. COMPASS dilatih pada 33 jenis kanser dan ditala halus merentas pelbagai kohort klinikal, membolehkannya digeneralisasikan merentas kanser dan rejimen rawatan yang berbeza — malah kepada jenis kanser dan ubat ICI yang tidak dilihat semasa penalaan halus .
Mengatasi biomarker standard. Menurut pracetak, ramalan COMPASS jauh lebih tepat berbanding ekspresi PD-L1 dan beban mutasi tumor (TMB) — dua biomarker klinikal yang paling banyak digunakan — dalam meramal hasil kemandirian. Dalam percubaan kanser urothelial fasa II, COMPASS mencapai nisbah bahaya (hazard ratio) 4.7 (p < 0.0001) untuk stratifikasi kemandirian, jauh mengatasi PD-L1 .
Kebolehtafsiran mekanistik. Melalui analisis SHAP ke atas 44 skor konsep, COMPASS mengenal pasti biologi imun yang mendorong respons atau rintangan pada pesakit individu dan merentas jenis kanser, memberikan pandangan tentang mekanisme rintangan .
Potensi Implikasi Klinikal
Pemilihan pesakit yang lebih baik untuk ICI. COMPASS boleh membantu mengenal pasti pesakit yang paling mungkin mendapat manfaat daripada imunoterapi, menyelamatkan bukan responder daripada rawatan tidak berkesan dan kesan sampingan yang tidak perlu .
Pengayaan dan reka bentuk ujian klinikal. Model ini boleh menyokong reka bentuk ujian klinikal dengan membolehkan pemilihan kohort yang lebih tepat, berpotensi mengurangkan saiz ujian dan mempercepatkan pembangunan ubat .
Pandangan mekanistik tentang rintangan. Dengan mendedahkan laluan imun yang mendorong ketiadaan respons pada pesakit atau jenis kanser tertentu, COMPASS boleh memaklumkan strategi terapi kombinasi dan mengenal pasti mekanisme rintangan baru .
Boleh diakses melalui alat awam. Alat pelayan MCP berasaskan web untuk menjalankan ramalan COMPASS dihoskan oleh Makmal Zitnik di Harvard, dan kod serta model prapelatihan tersedia secara terbuka di GitHub dan immuno-compass.com .
Batasan yang Perlu Diperhatikan
Pracetak COMPASS (disiarkan Mei 2025 di medRxiv) belum melengkapkan semakan rakan sebaya secara formal, walaupun ia diterbitkan dalam PMC sebagai pracetak yang dibiayai NIH . Model ini memerlukan data RNA-seq pukal sebagai input, yang belum menjadi sebahagian daripada aliran kerja klinikal rutin untuk semua pesakit kanser. Selain itu, kajian pengesahan klinikal prospektif bebas belum lagi diterbitkan.
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