Harvard och Roches nya AI-modell COMPASS – så förutsäger den vem som svarar på immunterapi
COMPASS är en så kallad ”foundation AI modell” utvecklad av Harvard Medical School och Roche Pharma. Modellen analyserar tumörers RNA sekvensdata (transkriptom) för att förutsäga om en patient svarar på immunterapi med checkpointhämmare (ICI).
Publicerad avRedigerad med DeepSeek-V4-FlashBilder genererade med GPT Image 1.5
COMPASS är en så kallad ”foundation AI modell” utvecklad av Harvard Medical School och Roche Pharma.
Modellen analyserar tumörers RNA sekvensdata (transkriptom) för att förutsäga om en patient svarar på immunterapi med checkpointhämmare (ICI).
COMPASS tränades först på över 10 000 tumörer från 33 olika cancerformer och finjusterades sedan på 16 kliniska patientgrupper med sju olika cancerdiagnoser.
Till skillnad från svarta lådan modeller använder COMPASS en ”konceptflaskhals” arkitektur som gör att läkare kan se varför en prognos görs.
Search & fact-check with cited sources for How does Harvard Medical School's new AI model, COMPASS, predict which cancer patients will respoAn AI-generated visualization representing the COMPASS model's approach to predicting immunotherapy outcomes from tumor transcriptomic data.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: Search & fact-check with cited sources for How does Harvard Medical School's new AI model, COMPASS, predict which cancer patients will respo. Article summary: Here is a detailed, source-backed summary of COMPASS.. Topic tags: general, government, education, academic, general web. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait thumbnails, icons, and tiny thumbnail layouts. Make it useful as an illustrative visual, not as factual evidence.
openai.com
Här är en detaljerad och källdokumenterad genomgång av COMPASS.
Hur COMPASS förutsäger ICI-svar
COMPASS är en foundation AI-modell utvecklad av Harvard Medical School och Roche Pharma. Den avgör om en cancerpatient kommer att svara på immunterapi med checkpointhämmare genom att analysera tumörens transkriptom (RNA-sekvensdata) .
Modellen arbetar i två steg:
Förträning på pancancerdata – COMPASS förtränas först på bulk-RNA-sekvensdata från 10 184 tumörer som täcker 33 olika cancerformer (från databasen TCGA). Modellen använder självövervakad inlärning för att lära sig generella mönster i tumör–immun-biologi .
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "Harvard och Roches nya AI-modell COMPASS – så förutsäger den vem som svarar på immunterapi"?
COMPASS är en så kallad ”foundation AI modell” utvecklad av Harvard Medical School och Roche Pharma.
What are the key points to validate first?
COMPASS är en så kallad ”foundation AI modell” utvecklad av Harvard Medical School och Roche Pharma. Modellen analyserar tumörers RNA sekvensdata (transkriptom) för att förutsäga om en patient svarar på immunterapi med checkpointhämmare (ICI).
What should I do next in practice?
COMPASS tränades först på över 10 000 tumörer från 33 olika cancerformer och finjusterades sedan på 16 kliniska patientgrupper med sju olika cancerdiagnoser.
Harvard och Roches nya AI-modell COMPASS – så förutsäger den vem som svarar på immunterapi
COMPASS är en så kallad ”foundation AI modell” utvecklad av Harvard Medical School och Roche Pharma. Modellen analyserar tumörers RNA sekvensdata (transkriptom) för att förutsäga om en patient svarar på immunterapi med checkpointhämmare (ICI).
Publicerad avRedigerad med DeepSeek-V4-FlashBilder genererade med GPT Image 1.5
COMPASS är en så kallad ”foundation AI modell” utvecklad av Harvard Medical School och Roche Pharma.
Modellen analyserar tumörers RNA sekvensdata (transkriptom) för att förutsäga om en patient svarar på immunterapi med checkpointhämmare (ICI).
COMPASS tränades först på över 10 000 tumörer från 33 olika cancerformer och finjusterades sedan på 16 kliniska patientgrupper med sju olika cancerdiagnoser.
Till skillnad från svarta lådan modeller använder COMPASS en ”konceptflaskhals” arkitektur som gör att läkare kan se varför en prognos görs.
Search & fact-check with cited sources for How does Harvard Medical School's new AI model, COMPASS, predict which cancer patients will respoAn AI-generated visualization representing the COMPASS model's approach to predicting immunotherapy outcomes from tumor transcriptomic data.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: Search & fact-check with cited sources for How does Harvard Medical School's new AI model, COMPASS, predict which cancer patients will respo. Article summary: Here is a detailed, source-backed summary of COMPASS.. Topic tags: general, government, education, academic, general web. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait thumbnails, icons, and tiny thumbnail layouts. Make it useful as an illustrative visual, not as factual evidence.
openai.com
Här är en detaljerad och källdokumenterad genomgång av COMPASS.
Hur COMPASS förutsäger ICI-svar
COMPASS är en foundation AI-modell utvecklad av Harvard Medical School och Roche Pharma. Den avgör om en cancerpatient kommer att svara på immunterapi med checkpointhämmare genom att analysera tumörens transkriptom (RNA-sekvensdata) .
Modellen arbetar i två steg:
Förträning på pancancerdata – COMPASS förtränas först på bulk-RNA-sekvensdata från 10 184 tumörer som täcker 33 olika cancerformer (från databasen TCGA). Modellen använder självövervakad inlärning för att lära sig generella mönster i tumör–immun-biologi .
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "Harvard och Roches nya AI-modell COMPASS – så förutsäger den vem som svarar på immunterapi"?
COMPASS är en så kallad ”foundation AI modell” utvecklad av Harvard Medical School och Roche Pharma.
What are the key points to validate first?
COMPASS är en så kallad ”foundation AI modell” utvecklad av Harvard Medical School och Roche Pharma. Modellen analyserar tumörers RNA sekvensdata (transkriptom) för att förutsäga om en patient svarar på immunterapi med checkpointhämmare (ICI).
What should I do next in practice?
COMPASS tränades först på över 10 000 tumörer från 33 olika cancerformer och finjusterades sedan på 16 kliniska patientgrupper med sju olika cancerdiagnoser.
Finjustering på kliniska ICI-kohorter – Den förtränade modellen finjusteras sedan på 16 oberoende kliniska patientgrupper med sju olika cancerdiagnoser (malignt melanom, icke-småcellig lungcancer, magsäckscancer, urinblåsecancer, njurcancer, glioblastom samt huvud- och halscancer) och sex olika typer av ICI-behandlingar (anti-PD-1, anti-PD-L1, anti-CTLA-4 och kombinationer) .
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 :
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 . 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 .
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 .
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 .
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 .
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 .
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 .
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 .
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 . 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.
Harnessing multi-omics and machine learning for predicting immune ...
Finjustering på kliniska ICI-kohorter – Den förtränade modellen finjusteras sedan på 16 oberoende kliniska patientgrupper med sju olika cancerdiagnoser (malignt melanom, icke-småcellig lungcancer, magsäckscancer, urinblåsecancer, njurcancer, glioblastom samt huvud- och halscancer) och sex olika typer av ICI-behandlingar (anti-PD-1, anti-PD-L1, anti-CTLA-4 och kombinationer) .
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 :
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 . 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 .
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 .
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 .
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 .
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 .
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 .
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 .
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 . 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.
Harnessing multi-omics and machine learning for predicting immune ...
pmc.ncbi.nlm.nih.govArtificial Intelligence–Enabled Multi-Omics for Predicting Immune Checkpoint Inhibitor Response and Resistance