Як модель ШІ COMPASS від Гарвардської медичної школи передбачає ефективність імунотерапії та чим вона відрізняється від інших методів

Ось детальний, заснований на джерелах опис моделі COMPASS.

Як COMPASS прогнозує відповідь на імунотерапію

COMPASS — це фундаментальна модель штучного інтелекту (AI foundation model), створена Гарвардською медичною школою спільно з Roche Pharma. Вона прогнозує, чи відповість пацієнт з раком на лікування імунними контрольними точками (ICI), аналізуючи транскриптомні дані пухлини (RNA-seq) ^P.

Робота моделі відбувається у два етапи:

1. Попереднє навчання на пан-ракових даних — COMPASS спочатку навчається на транскриптомах (bulk RNA-seq) від 10 184 пухлин, що охоплюють 33 типи раку (з бази TCGA), використовуючи самонавчання (self-supervised learning) для вивчення загальних закономірностей біології пухлини та імунітету ^PP.

2. Донавчання на клінічних когортах ICI — після попереднього навчання модель донавчається на 16 незалежних клінічних когортах, які охоплюють 7 типів раку (меланома, недрібноклітинний рак легень, рак шлунка, сечового міхура, нирок, гліобластома та рак голови та шиї) та 6 різних схем лікування інгібіторами імунних контрольних точок (анти-PD-1, анти-PD-L1, анти-CTLA-4 та їх комбінації) ^PP.

Під час прогнозування COMPASS отримує на вхід профіль експресії мРНК пухлини пацієнта (в одиницях TPM) та код типу раку, а на виході надає два результати ^P:

• 44 концептуальні показники — кількісні значення активації біологічно обґрунтованих «імунних концепцій», що представляють стани імунних клітин (наприклад, CD8⁺ T-клітини, виснажені T-клітини, B-клітини), взаємодії в мікрооточенні пухлини та сигнальні шляхи (наприклад, шлях IFN-γ, шлях TGF-β).
• Прогнозовані ймовірності — оцінка моделі щодо ймовірності терапевтичної відповіді (пацієнт реагує чи не реагує на лікування).

Чим COMPASS відрізняється від існуючих методів

Інтерпретована «концептуальна» архітектура. На відміну від більшості моделей глибокого навчання, які працюють як «чорний ящик», COMPASS використовує концептуальну архітектуру (concept bottleneck): спочатку вона перетворює сирі дані експресії генів на 43 високорівневі, зрозумілі людині імунні концепції, а потім використовує ці концепції для остаточного прогнозу ^PP. Це означає, що лікарі та дослідники можуть побачити, чому було зроблено той чи інший прогноз — наприклад, «цей пацієнт, ймовірно, відповість на терапію, оскільки має високу інфільтрацію CD8⁺ T-клітин та сильну активацію шляху IFN-γ».

Узагальнення на різні типи раку завдяки трансферному навчанню. Багато існуючих моделей прогнозування ICI навчаються лише на одному типі раку або невеликій когорті, що обмежує їхню здатність до узагальнення. COMPASS навчається на 33 типах раку та донавчається на різноманітних клінічних когортах, що дозволяє їй узагальнювати знання на різні типи раку та схеми лікування — навіть на ті, які не використовувалися під час донавчання ^PP.

Перевершує стандартні біомаркери. Згідно з препринтом, прогнози COMPASS були значно точнішими за експресію PD-L1 та пухлинне мутаційне навантаження (TMB) — два найпоширеніші клінічні біомаркери — у прогнозуванні виживаності. У дослідженні фази II раку сечового міхура COMPASS досяг співвідношення ризиків (hazard ratio) 4,7 (p < 0,0001) для стратифікації виживаності, значно перевершивши PD-L1 ^P.

Механістична інтерпретованість. За допомогою аналізу SHAP на основі 44 концептуальних показників, COMPASS визначає, які саме імунні механізми є драйверами відповіді або резистентності як у окремих пацієнтів, так і в різних типах раку, надаючи розуміння механізмів стійкості до терапії ^P.

Потенційні клінічні наслідки

• Кращий відбір пацієнтів для імунотерапії. COMPASS може допомогти визначити, які пацієнти з найбільшою ймовірністю отримають користь від імунотерапії, дозволяючи уникнути неефективного лікування та непотрібних побічних ефектів для тих, хто не відповість на терапію ^PP.

• Покращення дизайну клінічних досліджень. Модель може підтримувати розробку клінічних досліджень, дозволяючи більш точно формувати когорти учасників, що потенційно може зменшити необхідний розмір вибірки та прискорити розробку ліків ^P.

• Розуміння механізмів резистентності. Виявляючи, які саме імунні шляхи є причиною відсутності відповіді у конкретних пацієнтів або типів раку, COMPASS може допомогти у розробці стратегій комбінованої терапії та ідентифікації нових механізмів стійкості ^P.

• Доступність. Веб-інструмент MCP сервера для запуску прогнозів COMPASS розміщено в лабораторії Zitnik Lab у Гарварді, а код та попередньо навчені моделі є у відкритому доступі на GitHub та на сайті immuno-compass.com ^PPP.

Обмеження, які варто враховувати

Препринт COMPASS (опублікований у травні 2025 року на medRxiv) ще не пройшов повного рецензування, хоча й опублікований у PMC як препринт, профінансований NIH ^P. Модель потребує даних bulk RNA-seq, які наразі не є частиною рутинної клінічної практики для всіх онкологічних пацієнтів. Крім того, незалежні проспективні клінічні дослідження для валідації моделі ще не були опубліковані.