Como o COMPASS Prevê a Resposta aos ICIs?

O modelo funciona em duas grandes fases, um processo conhecido como transfer learning (aprendizado por transferência) :

1. Pré-treinamento em Dados Pan-Câncer: O COMPASS foi inicialmente treinado (pré-treinamento auto-supervisionado) com dados de transcriptoma (RNA-seq) de 10.184 tumores, abrangendo 33 tipos diferentes de câncer. Essa base de dados veio do Atlas do Genoma do Câncer (TCGA), permitindo que o modelo aprendesse padrões gerais da biologia do tumor e do sistema imunológico .

2. Ajuste Fino (Fine-Tuning) em Coortes Clínicas: Após o pré-treinamento, o modelo foi refinado com dados de 16 coortes clínicas independentes, cobrindo 7 tipos de câncer (melanoma, câncer de pulmão de células não pequenas, câncer gástrico, câncer de bexiga, câncer renal, glioblastoma e câncer de cabeça e pescoço) e 6 diferentes regimes de ICI (anti-PD-1, anti-PD-L1, anti-CTLA-4 e suas combinações) .

No momento da predição, o COMPASS recebe o perfil de expressão de mRNA do tumor do paciente (em unidades TPM) e o código do tipo de câncer. Como saída, ele gera dois produtos principais :

• 44 Pontuações de Conceito (Concept Scores): São valores quantitativos que representam a ativação de "conceitos imunológicos" biologicamente fundamentados, como o estado de células T CD8⁺, células B, interações do microambiente tumoral e vias de sinalização (ex: via IFN-γ, via TGF-β).
• Probabilidades de Resposta Previstas: A estimativa do modelo sobre a chance de o paciente ser um respondedor ou não-respondedor ao tratamento.

O que Torna o COMPASS Diferente dos Métodos Existentes?

A grande inovação do COMPASS reside em sua arquitetura e abordagem :

• Arquitetura de Gargalo de Conceito (Concept Bottleneck): Diferente da maioria dos modelos de aprendizado profundo, que são "caixas-pretas", o COMPASS usa uma arquitetura que primeiro mapeia os dados brutos de expressão gênica em 44 conceitos imunológicos de alto nível e interpretáveis por humanos. Somente então, esses conceitos são usados para fazer a predição final. Isso significa que médicos e pesquisadores podem ver o porquê da previsão — por exemplo: "o paciente foi classificado como respondedor porque apresentou alta infiltração de células T CD8⁺ e forte ativação da via IFN-γ."

• Generalização Pan-Câncer via Transfer Learning: Muitos modelos de predição são treinados em um único tipo de câncer ou em uma coorte pequena, limitando sua aplicabilidade. O COMPASS, por ter sido pré-treinado em 33 tipos de câncer e ajustado em diversas coortes, consegue generalizar para diferentes tipos de tumor e regimes de tratamento, funcionando até mesmo para tipos de câncer e drogas ICI que não foram vistos durante o ajuste fino .

• Superioridade sobre Biomarcadores Padrão: De acordo com o preprint (versão preliminar do estudo), as previsões do COMPASS foram significativamente mais precisas que a expressão de PD-L1 e a carga mutacional tumoral (TMB), os dois biomarcadores clínicos mais utilizados. Em um estudo de fase II para câncer urotelial, o COMPASS alcançou um hazard ratio (HR) de 4,7 (p < 0.0001) para estratificação de sobrevida, superando substancialmente o PD-L1 . Para efeito de comparação, o HR do TMB e do PD-L1 no mesmo contexto foi de 1,7 e 1,5, respectivamente .

• Interpretabilidade Mecanística: Através de análises SHAP aplicadas aos 44 conceitos, o COMPASS pode identificar quais aspectos da biologia imunológica estão impulsionando a resposta ou a resistência em pacientes individuais e entre diferentes tipos de câncer, fornecendo insights sobre os mecanismos de resistência .

Implicações Clínicas Potenciais

Se validado em estudos prospectivos, o COMPASS pode ter um impacto significativo na prática clínica :

• Melhor Seleção de Pacientes: A capacidade de identificar com precisão quem se beneficiará da imunoterapia é crucial. Pacientes que não respondem poderiam ser poupados de tratamentos ineficazes e de seus efeitos colaterais, sendo encaminhados para outras opções terapêuticas.

• Enriquecimento e Design de Ensaios Clínicos: O modelo pode ser usado para selecionar coortes de pacientes mais homogêneas para ensaios clínicos, reduzindo potencialmente o tamanho da amostra necessária e acelerando o desenvolvimento de novas drogas.

• Insights Mecanísticos sobre Resistência: Ao revelar quais vias imunológicas estão impedindo a resposta em um paciente específico ou em um tipo de câncer, o COMPASS pode orientar o desenvolvimento de terapias combinadas e identificar alvos para reverter a resistência.

• Acesso Público: Os modelos pré-treinados e ajustados do COMPASS, juntamente com o código, foram disponibilizados publicamente no GitHub e no site immuno-compass.com, promovendo a transparência e permitindo que outros pesquisadores os utilizem e validem .

Limitações a Serem Consideradas

• Revisão por Pares Pendente: O preprint do COMPASS foi publicado em maio de 2025 no medRxiv e ainda não passou pelo processo formal de revisão por pares .
• Dependência de RNA-seq: O modelo requer dados de RNA-seq do tumor como entrada, um tipo de exame que ainda não faz parte da rotina clínica de todos os pacientes com câncer.
• Validação Clínica: Estudos de validação clínica prospectiva independentes ainda não foram publicados.

Conclusão

O COMPASS representa um avanço notável na aplicação de inteligência artificial para a oncologia de precisão. Sua abordagem, que combina aprendizado profundo com interpretabilidade biológica, tem o potencial de transformar a forma como a imunoterapia é prescrita, indo além dos biomarcadores limitados de hoje e abrindo caminho para um tratamento mais personalizado e eficaz.

Como o COMPASS Prevê a Resposta aos ICIs?

O modelo funciona em duas grandes fases, um processo conhecido como transfer learning (aprendizado por transferência) :

1. Pré-treinamento em Dados Pan-Câncer: O COMPASS foi inicialmente treinado (pré-treinamento auto-supervisionado) com dados de transcriptoma (RNA-seq) de 10.184 tumores, abrangendo 33 tipos diferentes de câncer. Essa base de dados veio do Atlas do Genoma do Câncer (TCGA), permitindo que o modelo aprendesse padrões gerais da biologia do tumor e do sistema imunológico .

2. Ajuste Fino (Fine-Tuning) em Coortes Clínicas: Após o pré-treinamento, o modelo foi refinado com dados de 16 coortes clínicas independentes, cobrindo 7 tipos de câncer (melanoma, câncer de pulmão de células não pequenas, câncer gástrico, câncer de bexiga, câncer renal, glioblastoma e câncer de cabeça e pescoço) e 6 diferentes regimes de ICI (anti-PD-1, anti-PD-L1, anti-CTLA-4 e suas combinações) .

No momento da predição, o COMPASS recebe o perfil de expressão de mRNA do tumor do paciente (em unidades TPM) e o código do tipo de câncer. Como saída, ele gera dois produtos principais :

• 44 Pontuações de Conceito (Concept Scores): São valores quantitativos que representam a ativação de "conceitos imunológicos" biologicamente fundamentados, como o estado de células T CD8⁺, células B, interações do microambiente tumoral e vias de sinalização (ex: via IFN-γ, via TGF-β).
• Probabilidades de Resposta Previstas: A estimativa do modelo sobre a chance de o paciente ser um respondedor ou não-respondedor ao tratamento.

O que Torna o COMPASS Diferente dos Métodos Existentes?

A grande inovação do COMPASS reside em sua arquitetura e abordagem :

• Arquitetura de Gargalo de Conceito (Concept Bottleneck): Diferente da maioria dos modelos de aprendizado profundo, que são "caixas-pretas", o COMPASS usa uma arquitetura que primeiro mapeia os dados brutos de expressão gênica em 44 conceitos imunológicos de alto nível e interpretáveis por humanos. Somente então, esses conceitos são usados para fazer a predição final. Isso significa que médicos e pesquisadores podem ver o porquê da previsão — por exemplo: "o paciente foi classificado como respondedor porque apresentou alta infiltração de células T CD8⁺ e forte ativação da via IFN-γ."

• Generalização Pan-Câncer via Transfer Learning: Muitos modelos de predição são treinados em um único tipo de câncer ou em uma coorte pequena, limitando sua aplicabilidade. O COMPASS, por ter sido pré-treinado em 33 tipos de câncer e ajustado em diversas coortes, consegue generalizar para diferentes tipos de tumor e regimes de tratamento, funcionando até mesmo para tipos de câncer e drogas ICI que não foram vistos durante o ajuste fino .

• Superioridade sobre Biomarcadores Padrão: De acordo com o preprint (versão preliminar do estudo), as previsões do COMPASS foram significativamente mais precisas que a expressão de PD-L1 e a carga mutacional tumoral (TMB), os dois biomarcadores clínicos mais utilizados. Em um estudo de fase II para câncer urotelial, o COMPASS alcançou um hazard ratio (HR) de 4,7 (p < 0.0001) para estratificação de sobrevida, superando substancialmente o PD-L1 . Para efeito de comparação, o HR do TMB e do PD-L1 no mesmo contexto foi de 1,7 e 1,5, respectivamente .

• Interpretabilidade Mecanística: Através de análises SHAP aplicadas aos 44 conceitos, o COMPASS pode identificar quais aspectos da biologia imunológica estão impulsionando a resposta ou a resistência em pacientes individuais e entre diferentes tipos de câncer, fornecendo insights sobre os mecanismos de resistência .

Implicações Clínicas Potenciais

Se validado em estudos prospectivos, o COMPASS pode ter um impacto significativo na prática clínica :

• Melhor Seleção de Pacientes: A capacidade de identificar com precisão quem se beneficiará da imunoterapia é crucial. Pacientes que não respondem poderiam ser poupados de tratamentos ineficazes e de seus efeitos colaterais, sendo encaminhados para outras opções terapêuticas.

• Enriquecimento e Design de Ensaios Clínicos: O modelo pode ser usado para selecionar coortes de pacientes mais homogêneas para ensaios clínicos, reduzindo potencialmente o tamanho da amostra necessária e acelerando o desenvolvimento de novas drogas.

• Insights Mecanísticos sobre Resistência: Ao revelar quais vias imunológicas estão impedindo a resposta em um paciente específico ou em um tipo de câncer, o COMPASS pode orientar o desenvolvimento de terapias combinadas e identificar alvos para reverter a resistência.

• Acesso Público: Os modelos pré-treinados e ajustados do COMPASS, juntamente com o código, foram disponibilizados publicamente no GitHub e no site immuno-compass.com, promovendo a transparência e permitindo que outros pesquisadores os utilizem e validem .

Limitações a Serem Consideradas

• Revisão por Pares Pendente: O preprint do COMPASS foi publicado em maio de 2025 no medRxiv e ainda não passou pelo processo formal de revisão por pares .
• Dependência de RNA-seq: O modelo requer dados de RNA-seq do tumor como entrada, um tipo de exame que ainda não faz parte da rotina clínica de todos os pacientes com câncer.
• Validação Clínica: Estudos de validação clínica prospectiva independentes ainda não foram publicados.

Conclusão

O COMPASS representa um avanço notável na aplicação de inteligência artificial para a oncologia de precisão. Sua abordagem, que combina aprendizado profundo com interpretabilidade biológica, tem o potencial de transformar a forma como a imunoterapia é prescrita, indo além dos biomarcadores limitados de hoje e abrindo caminho para um tratamento mais personalizado e eficaz.