在預測階段，COMPASS 接受患者的腫瘤mRNA表達譜（以TPM為單位）以及癌症類型代碼作為輸入，並輸出兩項關鍵結果 ：

• 44個概念分數 — 這些是模型對生物學上具有意義的「免疫概念」的量化活化程度，代表免疫細胞狀態（如CD8⁺ T細胞、衰竭T細胞、B細胞）、腫瘤微環境互動以及訊息傳導路徑（如IFN-γ路徑、TGF-β路徑）。
• 預測機率 — 模型對患者治療反應（有反應者 vs. 無反應者）的估計可能性。

COMPASS與現有方法的差異

可解釋的概念瓶頸架構。與大多數黑箱深度學習模型不同，COMPASS 採用了一種概念瓶頸設計：它首先將原始基因表達數據映射到44個高階、人類可理解的免疫概念上，再利用這些概念進行最終預測 。這意味著臨床醫師和研究人員可以了解預測背後的原因——例如，「該患者預測有反應，是因為其CD8⁺ T細胞浸潤度高且IFN-γ路徑活化強」。

透過遷移學習實現的泛癌症泛化能力。許多現有的ICI預測模型僅在單一癌症類型或小型隊列上訓練，限制了其泛化能力。COMPASS 則在33種癌症類型上進行預訓練，並在多元的臨床隊列中進行微調，使其能夠在不同的癌症類型和治療方案之間進行泛化——甚至能運用於微調階段未曾見過的癌症類型和ICI藥物 。

超越標準生物標記的表現。根據預印本，COMPASS 的預測在預測存活結果方面，顯著優於臨床上最廣泛使用的兩種生物標記——PD-L1表現量與腫瘤突變負荷（TMB）。在一項二期泌尿上皮癌試驗中，COMPASS 在存活分層上達到了4.7的風險比（p < 0.0001），遠遠優於PD-L1 。

機制可解釋性。透過對44個概念分數進行SHAP分析，COMPASS 能夠識別出驅動個別患者或不同癌症類型中產生反應或抗藥性的免疫生物學機制，從而提供對抗藥性機制的深入見解 。

潛在的臨床應用

• 更精準的患者篩選。COMPASS 能幫助識別哪些患者最有可能從免疫治療中受益，從而避免無反應者接受無效治療和不必要的副作用 。

• 試驗設計與富集。該模型可以支援臨床試驗設計，實現更精確的隊列選擇，可能減少試驗規模並加速藥物開發 。

• 抗藥性機制洞察。透過揭示特定患者或癌症類型中驅動無反應的免疫路徑，COMPASS 可為組合療法策略提供資訊，並識別新的抗藥機制 。

• 公開可用的工具。哈佛Zitnik實驗室託管了一個基於Web的MCP伺服器工具，用於執行COMPASS預測。模型代碼和預訓練權重也可在GitHub和immuno-compass.com網站上公開獲取 。

應注意的限制

COMPASS 的預印本（2025年5月發表於medRxiv）尚未完成正式的同儕審查，儘管它以NIH資助的預印本形式發表於PMC 。該模型需要bulk RNA-seq數據作為輸入，而這項技術尚未納入所有癌症患者的常規臨床工作流程。此外，獨立的前瞻性臨床驗證研究尚未發表。

在預測階段，COMPASS 接受患者的腫瘤mRNA表達譜（以TPM為單位）以及癌症類型代碼作為輸入，並輸出兩項關鍵結果 ：

• 44個概念分數 — 這些是模型對生物學上具有意義的「免疫概念」的量化活化程度，代表免疫細胞狀態（如CD8⁺ T細胞、衰竭T細胞、B細胞）、腫瘤微環境互動以及訊息傳導路徑（如IFN-γ路徑、TGF-β路徑）。
• 預測機率 — 模型對患者治療反應（有反應者 vs. 無反應者）的估計可能性。

COMPASS與現有方法的差異

可解釋的概念瓶頸架構。與大多數黑箱深度學習模型不同，COMPASS 採用了一種概念瓶頸設計：它首先將原始基因表達數據映射到44個高階、人類可理解的免疫概念上，再利用這些概念進行最終預測 。這意味著臨床醫師和研究人員可以了解預測背後的原因——例如，「該患者預測有反應，是因為其CD8⁺ T細胞浸潤度高且IFN-γ路徑活化強」。

透過遷移學習實現的泛癌症泛化能力。許多現有的ICI預測模型僅在單一癌症類型或小型隊列上訓練，限制了其泛化能力。COMPASS 則在33種癌症類型上進行預訓練，並在多元的臨床隊列中進行微調，使其能夠在不同的癌症類型和治療方案之間進行泛化——甚至能運用於微調階段未曾見過的癌症類型和ICI藥物 。

超越標準生物標記的表現。根據預印本，COMPASS 的預測在預測存活結果方面，顯著優於臨床上最廣泛使用的兩種生物標記——PD-L1表現量與腫瘤突變負荷（TMB）。在一項二期泌尿上皮癌試驗中，COMPASS 在存活分層上達到了4.7的風險比（p < 0.0001），遠遠優於PD-L1 。

機制可解釋性。透過對44個概念分數進行SHAP分析，COMPASS 能夠識別出驅動個別患者或不同癌症類型中產生反應或抗藥性的免疫生物學機制，從而提供對抗藥性機制的深入見解 。

潛在的臨床應用

• 更精準的患者篩選。COMPASS 能幫助識別哪些患者最有可能從免疫治療中受益，從而避免無反應者接受無效治療和不必要的副作用 。

• 試驗設計與富集。該模型可以支援臨床試驗設計，實現更精確的隊列選擇，可能減少試驗規模並加速藥物開發 。

• 抗藥性機制洞察。透過揭示特定患者或癌症類型中驅動無反應的免疫路徑，COMPASS 可為組合療法策略提供資訊，並識別新的抗藥機制 。

• 公開可用的工具。哈佛Zitnik實驗室託管了一個基於Web的MCP伺服器工具，用於執行COMPASS預測。模型代碼和預訓練權重也可在GitHub和immuno-compass.com網站上公開獲取 。

應注意的限制

COMPASS 的預印本（2025年5月發表於medRxiv）尚未完成正式的同儕審查，儘管它以NIH資助的預印本形式發表於PMC 。該模型需要bulk RNA-seq數據作為輸入，而這項技術尚未納入所有癌症患者的常規臨床工作流程。此外，獨立的前瞻性臨床驗證研究尚未發表。