COMPASS: Norsk AI-modell fra Harvard kan forutsi hvem som responderer på immunterapi

Når modellen skal forutsi et utfall, tar den imot pasientens tumor-mRNA-ekspresjonsprofil (i TPM-enheter) sammen med krefttypekoden, og leverer to ting ^P:

• 44 konseptskårer — kvantitative aktiveringer av biologisk forankrede «immunkonsepter» som representerer immuncellestater (f.eks. CD8⁺ T-celler, utmattede T-celler, B-celler), tumor-mikromiljø-interaksjoner og signalveier (f.eks. IFN-γ-veien, TGF-β-veien).
• Forutsagte sannsynligheter — modellens estimerte sannsynlighet for terapeutisk respons (responder vs. ikke-responder).

Hva gjør COMPASS annerledes enn eksisterende metoder

Tolkbar konseptflaskehalsarkitektur. I motsetning til de fleste svart boks-dyplæringsmodeller bruker COMPASS en konseptflaskehals-design: den kartlegger først det rå genuttrykksdataet over på 44 høynivå, menneskelig tolkbare immunkonsepter, og bruker deretter disse konseptene til å gjøre den endelige prediksjonen ^PP. Dette betyr at klinikere og forskere kan se hvorfor en prediksjon ble gjort — for eksempel «denne pasienten forventes å respondere fordi de har høy CD8⁺ T-celle-infiltasjon og sterk IFN-γ-vei-aktivering.»

Pan-kreft generaliserbarhet via overføringslæring. Mange eksisterende ICI-prediksjonsmodeller er trent på én enkelt krefttype eller en liten kohort, noe som begrenser generaliserbarheten. COMPASS er forhåndstrent på 33 krefttyper og finjustert på tvers av ulike kliniske kohorter, noe som gjør at den kan generalisere på tvers av forskjellige kreftformer og behandlingsregimer — selv til krefttyper og ICI-legemidler som ikke er sett under finjusteringen ^PP.

Overgår standard biomarkører. Ifølge forhåndspublikasjonen var COMPASS sine prediksjoner betydelig mer nøyaktige enn PD-L1-ekspresjon og tumormutasjonsbyrde (TMB) — de to mest brukte kliniske biomarkørene — når det gjelder å forutsi overlevelsesresultater. I en fase II-studie på urotelialkreft oppnådde COMPASS en hasardratio på 4,7 (p < 0,0001) for overlevelsesstratifisering, noe som er betydelig bedre enn PD-L1 ^P.

Mekanistisk tolkbarhet. Gjennom SHAP-analyse på de 44 konseptskårene identifiserer COMPASS hvilken immunbiologi som driver respons eller resistens hos individuelle pasienter og på tvers av krefttyper, noe som gir innsikt i resistensmekanismer ^P.

Potensielle kliniske implikasjoner

• Bedre pasientutvelgelse for ICIs. COMPASS kan bidra til å identifisere hvilke pasienter som mest sannsynlig vil ha nytte av immunterapi, og dermed spare ikke-respondere for ineffektive behandlinger og unødvendige bivirkninger ^PP.

• Studieberikelse og studiedesign. Modellen kan støtte utformingen av kliniske studier ved å muliggjøre mer presis kohortutvelgelse, potensielt redusere studieomfanget og fremskynde legemiddelutviklingen ^P.

• Mekanistisk innsikt i resistens. Ved å avsløre hvilke immunveier som driver manglende respons hos spesifikke pasienter eller krefttyper, kan COMPASS informere om kombinasjonsbehandlingsstrategier og identifisere nye resistensmekanismer ^P.

• Tilgjengelig via et offentlig verktøy. Et nettbasert MCP-serververktøy for å kjøre COMPASS-prediksjoner er vert for Zitnik Lab ved Harvard, og koden og de forhåndstrente modellene er offentlig tilgjengelige på GitHub og immuno-compass.com ^PPP.

Begrensninger

Forhåndspublikasjonen av COMPASS (publisert mai 2025 på medRxiv) har ikke gjennomgått formell fagfellevurdering, selv om den er publisert i PMC som en NIH-finansiert forhåndspublikasjon ^P. Modellen krever bulk RNA-seq-data som input, noe som ennå ikke er en del av den rutinemessige kliniske arbeidsflyten for alle kreftpasienter. I tillegg er det ennå ikke publisert uavhengige prospektive kliniske valideringsstudier.