Harvard och Roches nya AI-modell COMPASS – så förutsäger den vem som svarar på immunterapi

När modellen ska göra en förutsägelse matar man in patientens tumörs mRNA-uttrycksprofil (i TPM-enheter) tillsammans med en kod för cancertypen. COMPASS levererar därefter två saker ^P:

• 44 konceptpoäng – kvantitativa mått på biologiskt grundade ”immunkoncept” som representerar immuncellsstatus (t.ex. CD8⁺-T-celler, utmattade T-celler, B-celler), tumörmikromiljö-interaktioner och signalvägar (t.ex. IFN-γ-vägen, TGF-β-vägen).
• Förutsägelser om sannolikhet – modellens uppskattning av sannolikheten för behandlingssvar (responder vs. icke-responder).

Vad gör COMPASS annorlunda än befintliga metoder

Tolkbar konceptflaskhals-arkitektur. Till skillnad från de flesta svarta lådan-modeller använder COMPASS en konceptflaskhals: den översätter först rådata om genuttryck till 44 högnivåkoncept som är begripliga för människor, och använder sedan dessa koncept för att göra den slutgiltiga prognosen ^PP. Det innebär att kliniker och forskare kan se varför en prognos görs – exempelvis: ”den här patienten förväntas svara eftersom den har hög CD8⁺-T-cellsinfiltration och stark IFN-γ-signalering.”

Generalisering över cancerformer via överföringsinlärning. Många befintliga ICI-modeller är tränade på en enda cancerform eller en liten patientgrupp, vilket begränsar deras användbarhet. COMPASS är förtränad på 33 cancerformer och finjusterad på en mångfald av kliniska kohorter, vilket gör att den kan generalisera över olika cancerdiagnoser och behandlingsregimer – även till cancerformer och ICI-läkemedel som den inte har sett under finjusteringen ^PP.

Överträffar standardbiomarkörer. Enligt preprinten var COMPASS:s prognoser betydligt mer träffsäkra än PD-L1-uttryck och tumörmutationsbörda (TMB) – de två mest använda kliniska biomarkörerna – när det gäller att förutsäga överlevnad. I en fas II-studie av urinblåsecancer uppnådde COMPASS en hazard ratio på 4,7 (p < 0,0001) för överlevnadsstratifiering, vilket vida överträffade PD-L1 ^P.

Mekanistisk tolkningsbarhet. Genom SHAP-analys av de 44 konceptpoängen kan COMPASS identifiera vilken immunbiologi som driver svar eller resistens hos enskilda patienter och över olika cancerformer, vilket ger insikter om resistensmekanismer ^P.

Potentiell klinisk betydelse

• Bättre urval av patienter till ICI. COMPASS kan hjälpa till att avgöra vilka patienter som har störst nytta av immunterapi, vilket besparar icke-svarare från verkningslös behandling och onödiga biverkningar ^PP.
• Anrikning och design av kliniska prövningar. Modellen kan stödja utformningen av kliniska studier genom att möjliggöra mer precis kohortselektion, vilket potentiellt minskar studiestorlekar och påskyndar läkemedelsutveckling ^P.
• Mekanistiska insikter om resistens. Genom att visa vilka immunvägar som driver uteblivet svar hos specifika patienter eller cancertyper kan COMPASS ligga till grund för kombinationsterapier och identifiera nya resistensmekanismer ^P.
• Tillgängligt via ett offentligt verktyg. En webbaserad MCP-server för COMPASS-förutsägelser drivs av Zitnik Lab på Harvard, och koden med förtränade modeller finns fritt tillgänglig på GitHub och immuno-compass.com ^PPP.

Begränsningar att känna till

Preprinten om COMPASS (publicerad i maj 2025 på medRxiv) har ännu inte genomgått formell oberoende granskning, även om den finns tillgänglig via PMC som en NIH-finansierad preprint ^P. Modellen kräver bulk-RNA-sekvensdata som indata, vilket ännu inte ingår i den rutinmässiga kliniska diagnostiken för alla cancerpatienter. Dessutom har inga oberoende prospektiva kliniska valideringsstudier publicerats ännu.