在实际预测时，COMPASS接收患者的肿瘤mRNA表达谱（以TPM为单位）和癌症类型编码，输出两类结果 ：

• 44个概念评分 — 代表生物学的“免疫概念”的量化激活水平，包括免疫细胞状态（如CD8+ T细胞、耗竭T细胞、B细胞）、肿瘤微环境相互作用以及信号通路（如IFN-γ通路、TGF-β通路）。
• 预测概率 — 模型对治疗反应（有效 vs. 无效）的估计可能性。

COMPASS与现有方法的区别

可解释的概念瓶颈架构。 与大多数“黑箱”深度学习模型不同，COMPASS采用概念瓶颈设计：它首先将原始基因表达数据映射到44个高层次、人类可解释的免疫概念上，然后利用这些概念做出最终预测 。这意味着临床医生和研究者可以看到预测的原因——例如，“该患者被预测为有效，因为其CD8+ T细胞浸润高，且IFN-γ通路激活强烈。”

通过迁移学习实现全癌种泛化。 许多现有的免疫治疗预测模型仅在单一癌种或小规模队列上训练，泛化能力有限。COMPASS在33种癌症类型上预训练，并在多样化的临床队列上进行微调，使其能够跨越不同癌症和治疗方案进行预测——甚至能推广到微调阶段未见过的癌症类型和ICIs药物上 。

优于标准生物标志物。 根据预印本，COMPASS的预测在预测生存结果方面显著优于PD-L1表达和肿瘤突变负荷（TMB）——这两种临床最常用的生物标志物。在一项膀胱癌II期试验中，COMPASS实现了4.7的风险比（HR，p < 0.0001），远超PD-L1表达谱 。

机制可解释性。 通过对44个概念评分进行SHAP分析，COMPASS能够识别出在个体患者和不同癌症类型中驱动治疗反应或耐药的免疫生物学因素，为理解耐药机制提供了新见解 。

潜在的临床意义

• 更精准的患者筛选。 COMPASS有助于识别最可能从免疫治疗中获益的患者，避免无效治疗和不必要的副作用 。
• 优化临床试验设计。 通过更精确的队列选择，该模型可支持临床试验设计，有可能减少试验规模并加速药物开发 。
• 揭示耐药机制。 通过揭示特定患者或癌症类型中导致无效的免疫通路，COMPASS可为联合治疗策略提供信息，并识别新的耐药机制 。
• 公开可用的工具。 哈佛Zitnik实验室托管了运行COMPASS预测的网页版MCP服务器工具，代码和预训练模型已在GitHub和immuno-compass.com上公开发布 。

需要注意的局限性

COMPASS预印本于2025年5月在medRxiv上发布，尚未完成正式的同行评审，尽管已作为NIH资助的预印本在PMC上发表 。该模型需要批量RNA-seq数据作为输入，而这尚未成为所有癌症患者临床工作流程的常规部分。此外，独立的前瞻性临床验证研究尚未发表。

总之，COMPASS代表了一种结合了迁移学习与可解释AI的新范式，为癌症免疫治疗的精准化提供了有前景的工具，但其临床应用仍需进一步的验证和标准化。

在实际预测时，COMPASS接收患者的肿瘤mRNA表达谱（以TPM为单位）和癌症类型编码，输出两类结果 ：

• 44个概念评分 — 代表生物学的“免疫概念”的量化激活水平，包括免疫细胞状态（如CD8+ T细胞、耗竭T细胞、B细胞）、肿瘤微环境相互作用以及信号通路（如IFN-γ通路、TGF-β通路）。
• 预测概率 — 模型对治疗反应（有效 vs. 无效）的估计可能性。

COMPASS与现有方法的区别

可解释的概念瓶颈架构。 与大多数“黑箱”深度学习模型不同，COMPASS采用概念瓶颈设计：它首先将原始基因表达数据映射到44个高层次、人类可解释的免疫概念上，然后利用这些概念做出最终预测 。这意味着临床医生和研究者可以看到预测的原因——例如，“该患者被预测为有效，因为其CD8+ T细胞浸润高，且IFN-γ通路激活强烈。”

通过迁移学习实现全癌种泛化。 许多现有的免疫治疗预测模型仅在单一癌种或小规模队列上训练，泛化能力有限。COMPASS在33种癌症类型上预训练，并在多样化的临床队列上进行微调，使其能够跨越不同癌症和治疗方案进行预测——甚至能推广到微调阶段未见过的癌症类型和ICIs药物上 。

优于标准生物标志物。 根据预印本，COMPASS的预测在预测生存结果方面显著优于PD-L1表达和肿瘤突变负荷（TMB）——这两种临床最常用的生物标志物。在一项膀胱癌II期试验中，COMPASS实现了4.7的风险比（HR，p < 0.0001），远超PD-L1表达谱 。

机制可解释性。 通过对44个概念评分进行SHAP分析，COMPASS能够识别出在个体患者和不同癌症类型中驱动治疗反应或耐药的免疫生物学因素，为理解耐药机制提供了新见解 。

潜在的临床意义

• 更精准的患者筛选。 COMPASS有助于识别最可能从免疫治疗中获益的患者，避免无效治疗和不必要的副作用 。
• 优化临床试验设计。 通过更精确的队列选择，该模型可支持临床试验设计，有可能减少试验规模并加速药物开发 。
• 揭示耐药机制。 通过揭示特定患者或癌症类型中导致无效的免疫通路，COMPASS可为联合治疗策略提供信息，并识别新的耐药机制 。
• 公开可用的工具。 哈佛Zitnik实验室托管了运行COMPASS预测的网页版MCP服务器工具，代码和预训练模型已在GitHub和immuno-compass.com上公开发布 。

需要注意的局限性

COMPASS预印本于2025年5月在medRxiv上发布，尚未完成正式的同行评审，尽管已作为NIH资助的预印本在PMC上发表 。该模型需要批量RNA-seq数据作为输入，而这尚未成为所有癌症患者临床工作流程的常规部分。此外，独立的前瞻性临床验证研究尚未发表。

总之，COMPASS代表了一种结合了迁移学习与可解释AI的新范式，为癌症免疫治疗的精准化提供了有前景的工具，但其临床应用仍需进一步的验证和标准化。