COMPASS: Het nieuwe AI-model dat het succes van immunotherapie voorspelt

Bij het maken van een voorspelling neemt COMPASS het mRNA-expressieprofiel van een patiënt (in TPM-eenheden) plus de kankertypecode en geeft twee dingen weer ^P:

• 44 conceptscores – kwantitatieve activeringen van biologisch onderbouwde 'immuunconcepten' die immuunceltoestanden (bijv. CD8⁺ T-cellen, uitgeputte T-cellen, B-cellen), tumor-micro-omgevingsinteracties en signaalroutes (bijv. IFN-γ-route, TGF-β-route) vertegenwoordigen.
• Voorspelde kansen – de geschatte waarschijnlijkheid van de therapeutische respons van het model (responder vs. non-responder).

Wat COMPASS anders maakt dan bestaande methoden

Interpreteerbare concept bottleneck-architectuur. In tegenstelling tot de meeste black-box deep learning-modellen gebruikt COMPASS een concept bottleneck-ontwerp: het brengt eerst de ruwe genexpressiegegevens in kaart op 44 hoogwaardige, menselijk interpreteerbare immuunconcepten en gebruikt die concepten vervolgens om de uiteindelijke voorspelling te doen ^PP. Dit betekent dat clinici en onderzoekers kunnen zien waarom een voorspelling is gedaan – bijvoorbeeld 'deze patiënt zal naar verwachting reageren omdat hij een hoge CD8⁺ T-celinfiltratie en sterke IFN-γ-routeactivatie heeft.'

Pan-kanker generaliseerbaarheid via transfer learning. Veel bestaande ICI-voorspellingsmodellen worden getraind op één enkel kankertype of een klein cohort, wat hun generaliseerbaarheid beperkt. COMPASS is voorgetraind op 33 kankertypes en verfijnd in diverse klinische cohorten, waardoor het kan generaliseren over verschillende kankers en behandelregimes – zelfs naar kankertypes en ICI-geneesmiddelen die niet tijdens de verfijning zijn gezien ^PP.

Presteert beter dan standaardbiomarkers. Volgens de preprint waren de voorspellingen van COMPASS significant nauwkeuriger dan PD-L1-expressie en tumor mutationele belasting (TMB) – de twee meest gebruikte klinische biomarkers – bij het voorspellen van overlevingsresultaten. In een fase II-studie bij urotheelcarcinoom behaalde COMPASS een hazardratio van 4,7 (p < 0,0001) voor overlevingsstratificatie, wat aanzienlijk beter was dan PD-L1 ^P.

Mechanistische interpreteerbaarheid. Via SHAP-analyse van de 44 conceptscores identificeert COMPASS welke immuunbiologie respons of resistentie aanstuurt bij individuele patiënten en in verschillende kankertypes, wat inzicht geeft in resistentiemechanismen ^P.

Mogelijke klinische implicaties

• Betere patiëntselectie voor ICI's. COMPASS kan helpen identificeren welke patiënten het meest waarschijnlijk baat hebben bij immunotherapie, waardoor non-responders worden behoed voor ineffectieve behandelingen en onnodige bijwerkingen ^PP.

• Trialverrijking en -ontwerp. Het model kan de opzet van klinische trials ondersteunen door een nauwkeurigere cohortselectie mogelijk te maken, wat de omvang van trials kan verkleinen en de ontwikkeling van geneesmiddelen kan versnellen ^P.

• Mechanistische inzichten in resistentie. Door te onthullen welke immuunroutes bij specifieke patiënten of kankertypes de non-respons aansturen, kan COMPASS combinatietherapiestrategieën onderbouwen en nieuwe resistentiemechanismen identificeren ^P.

• Toegankelijk via een openbare tool. Een webgebaseerde MCP-servertool voor het uitvoeren van COMPASS-voorspellingen wordt gehost door het Zitnik Lab van Harvard, en de code en voorgetrainde modellen zijn openbaar beschikbaar op GitHub en op immuno-compass.com ^PPP.

Beperkingen om in gedachten te houden

De COMPASS-preprint (geplaatst in mei 2025 op medRxiv) heeft nog geen formele peer review doorlopen, hoewel het is gepubliceerd in PMC als een door NIH gefinancierde preprint ^P. Het model vereist bulk-RNA-seq-gegevens als invoer, wat nog geen onderdeel is van de routinematige klinische workflow voor alle kankerpatiënten. Bovendien zijn er nog geen onafhankelijke prospectieve klinische validatiestudies gepubliceerd.