Jak nowy model AI z Harvardu (COMPASS) przewiduje, którzy pacjenci z rakiem odpowiedzą na immunoterapię?

Oto szczegółowy, oparty na źródłach opis modelu COMPASS.

Jak COMPASS przewiduje odpowiedź na ICI

COMPASS to model AI typu foundation opracowany przez Harvard Medical School i Roche Pharma. Przewiduje on, czy pacjent z rakiem odpowie na inhibitory punktów kontrolnych (ICI), analizując dane transkryptomiczne (RNA-seq) guza ^P.

Model działa dwuetapowo:

1. Wstępne trenowanie na danych z różnych nowotworów – COMPASS jest najpierw trenowany na danych RNA-seq z 10 184 guzów obejmujących 33 typy nowotworów (z bazy TCGA), używając samonadzorowanego uczenia się do poznania ogólnych wzorców biologii guza i układu odpornościowego ^PP.

2. Dostrajanie na klinicznych kohortach ICI – Nauczony model jest następnie dostrajany na 16 niezależnych kohortach klinicznych obejmujących 7 typów nowotworów (czerniak, niedrobnokomórkowy rak płuca, rak żołądka, rak pęcherza, rak nerki, glejak i rak głowy i szyi) oraz 6 różnych schematów ICI (anty-PD-1, anty-PD-L1, anty-CTLA-4 i ich kombinacje) ^PP.

W momencie przewidywania COMPASS pobiera profil ekspresji mRNA guza (w jednostkach TPM) wraz z kodem typu nowotworu i generuje dwa wyniki ^P:

• 44 wyniki koncepcyjne – ilościowe wartości aktywacji biologicznych "koncepcji immunologicznych", takich jak stany komórek odpornościowych (np. limfocyty T CD8⁺, wyczerpane limfocyty T, limfocyty B), interakcje mikrośrodowiska guza i szlaki sygnałowe (np. szlak IFN-γ, szlak TGF-β).
• Przewidywane prawdopodobieństwa – szacowane prawdopodobieństwo odpowiedzi terapeutycznej (responder vs. non-responder).

Co odróżnia COMPASS od istniejących metod

Interpretowalna architektura 'concept bottleneck'. W przeciwieństwie do większości modeli głębokiego uczenia działających jak "czarna skrzynka", COMPASS wykorzystuje architekturę 'concept bottleneck': najpierw mapuje surowe dane ekspresji genów na 44 wysokopoziomowe, interpretowalne dla człowieka koncepcje immunologiczne, a następnie wykorzystuje je do końcowej prognozy ^PP. Oznacza to, że klinicyści i naukowcy mogą zobaczyć, dlaczego model podjął taką decyzję – np. "ten pacjent przewidziany jest jako odpowiadający na leczenie, ponieważ ma wysoką infiltrację limfocytów T CD8⁺ i silną aktywację szlaku IFN-γ."

Generalizacja między nowotworami dzięki uczeniu transferowemu. Wiele istniejących modeli przewidywania ICI jest trenowanych na jednym typie nowotworu lub małej kohorcie, co ogranicza ich uniwersalność. COMPASS jest wstępnie trenowany na 33 typach nowotworów i dostrajany na różnych kohortach klinicznych, co pozwala mu generalizować na różne nowotwory i schematy leczenia – nawet na typy nowotworów i leki ICI niewidziane podczas dostrajania ^PP.

Przewyższa standardowe biomarkery. Według preprintu, przewidywania COMPASS były znacznie dokładniejsze niż ekspresja PD-L1 i obciążenie mutacyjne guza (TMB) – dwa najczęściej używane biomarkery w praktyce klinicznej – w przewidywaniu przeżycia. W badaniu II fazy raka urotelialnego COMPASS osiągnął współczynnik ryzyka 4.7 (p < 0.0001) dla stratyfikacji przeżycia, znacznie przewyższając PD-L1 ^P.

Mechanistyczna interpretowalność. Dzięki analizie SHAP wartości koncepcyjnych, COMPASS identyfikuje, jakie mechanizmy immunologiczne odpowiadają za odpowiedź lub oporność u poszczególnych pacjentów i w różnych typach nowotworów, dostarczając wglądu w mechanizmy oporności ^P.

Potencjalne implikacje kliniczne

• Lepsza selekcja pacjentów do ICI. COMPASS może pomóc zidentyfikować pacjentów, którzy najprawdopodobniej odniosą korzyść z immunoterapii, oszczędzając osobom niereagującym nieskutecznego leczenia i niepotrzebnych skutków ubocznych ^PP.

• Wzbogacanie prób i projektowanie badań klinicznych. Model może wspierać projektowanie badań klinicznych poprzez umożliwienie bardziej precyzyjnej selekcji kohort, potencjalnie zmniejszając rozmiary badań i przyspieszając rozwój leków ^P.

• Wgląd w mechanizmy oporności. Poprzez ujawnienie, które szlaki immunologiczne odpowiadają za brak odpowiedzi u konkretnych pacjentów lub w konkretnych typach nowotworów, COMPASS może pomóc w opracowywaniu strategii terapii skojarzonych i identyfikacji nowych mechanizmów oporności ^P.

• Publicznie dostępne narzędzie. Narzędzie do uruchamiania przewidywań COMPASS jest hostowane przez Zitnik Lab na Harvardzie, a kod i wstępnie wytrenowane modele są publicznie dostępne na GitHub i na stronie immuno-compass.com ^PPP.

Ograniczenia

Preprint COMPASS (opublikowany w maju 2025 na medRxiv) nie przeszedł jeszcze formalnej recenzji, choć jest dostępny w PMC jako preprint finansowany przez NIH ^P. Model wymaga danych RNA-seq z guza jako wejścia, co nie jest jeszcze rutynową procedurą kliniczną dla wszystkich pacjentów onkologicznych. Ponadto nie opublikowano jeszcze niezależnych, prospektywnych badań walidacyjnych.