Studie zjistila, že model COMPASS AI předpovídá výsledky imunoterapie rakoviny napříč typy nádorů

Výzkumníci vyvinuli model AI pan-cancer, který předpovídá, jak budou pacienti reagovat na imunoterapii přesněji než standardní biomarkery, na které se dnes lékaři spoléhají. Model nazvaný COMPASS byl popsán ve studii publikované v Nature Medicine dne 3. července 2026 a zobecňuje různé typy nádorů, léčebné režimy a klinické kohorty.

Imunoterapie, zejména třída léků známých jako inhibitory kontrolních bodů imunitního systému, změnila péči o rakovinu, ale prospěch má pouze menšina pacientů. Pro obor AI sledující, jak strojové učení přetváří medicínu, nabízí COMPASS podrobný pohled na to, jak se techniky základních modelů přesouvají od jazyka a obrázků k onkologii.

Problém KOMPAS řeší

Inhibitory imunitního kontrolního bodu, neboli ICI, dramaticky zlepšily výsledky u některých druhů rakoviny tím, že uvolnily brzdy imunitního systému, aby mohl napadnout nádory. Háček je v tom, že odpovědi jsou nerovnoměrné. Pouze podskupina pacientů dosáhne trvalé remise, zatímco mnoho dalších nevidí vůbec žádný přínos a lékaři mají omezené nástroje, jak předem říci, kdo bude reagovat.

Dnešní klinicky ověřené prediktory, zejména nádorová mutace (TMB) a exprese proteinu zvaného PD-L1, jsou nedokonalé. Analýza rakoviny u více než 27 000 pacientů léčených ICI zjistila pouze slabé nebo nekonzistentní vazby mezi těmito markery a skutečnými reakcemi pacientů. Výsledkem je, že pacienti mohou být vystaveni lékům, které jim nepomohou, zatímco ostatní, kteří by mohli mít prospěch, nejsou nikdy identifikováni.

COMPASS si klade za cíl tuto mezeru zacelit tím, že se naučí interpretovatelné, biologicky podložené koncepty o mikroprostředí nádorové imunity (TIME), komplexní souhře mezi nádorem a imunitními buňkami kolem něj.

Model nadace konceptu úzkého hrdla

COMPASS je postaven jako koncepční model úzkého hrdla, architektura navržená tak, aby byla vysvětlitelná spíše než jako černá skříňka. Zpracovává data sekvenování nádorové RNA pacienta prostřednictvím kodéru genů na bázi transformátoru, který čte expresi 15 672 genů kódujících protein. Tyto genové vnoření jsou pak promítnuty do 132 kurátorských genových signatur a agregovány do 43 vysoce úrovní imunitních a mikroprostředních konceptů, čímž vzniká kompaktní reprezentace nádorově-imunitní dynamiky každého pacienta.

Model byl předem trénován pomocí samokontrolovaného kontrastního učení na 10 184 nádorech napříč 33 typy rakoviny z The Cancer Genome Atlas (TCGA). Tím, že se COMPASS nejprve učí z velkého množství neoznačených dat, vytváří zobecnitelné reprezentace, které lze následně doladit na mnohem menších klinických kohortách, což je důležitá vlastnost vzhledem k tomu, jak málo je značených imunoterapeutických údajů.

Protože architektura předává informace prostřednictvím konceptů čitelných pro člověka, lékaři mohou kontrolovat, které biologické signály, jako je vyčerpání T buněk, myeloidní programy nebo imunoregulační signalizace, řídily danou předpověď. To je v kontrastu s mnoha modely hlubokého učení, které vytvářejí skóre, aniž by vysvětlovaly důvody, které se za tím staví.

Silné výsledky napříč rakovinou

Výzkumníci hodnotili COMPASS na 1 133 pacientech vybraných ze 16 klinických kohort zahrnujících sedm typů rakoviny s použitím nádorových transkriptomů před léčbou k predikci odpovědi na inhibitory kontrolních bodů včetně anti-PD-1/PD-L1, anti-CTLA-4 a kombinované terapie.

V náročném opuštění jedné kohorty, kdy je model opakovaně testován na kohortě, kterou nikdy neviděl, dosáhl COMPASS nejlepšího průměrného výkonu mezi 22 konkurenčními modely. Zlepšila přesnost předpovědi o 8,5 procenta a oblast pod křivkou přesnosti vyvolání (AUPRC), což je klíčová metrika, když je jeden výsledek mnohem vzácnější než druhý, o 15,7 procenta.

Nejvýraznější výsledek přišel v odložené studii fáze 2 metastatického uroteliálního karcinomu, rakoviny močového měchýře a močových cest. Pacienti, u kterých COMPASS předpověděl, že budou reagovat, přežili významně déle než ti, u kterých předpovídali nikoli, s poměrem rizik 4,7 a hodnotou P 1,7 × 10⁻⁷. V tomto měření model AI překonal jak testování TMB, tak PD-L1, biomarkery v současnosti používané na klinice.

Vysvětlení, proč pacienti reagují nebo nereagují

Kromě hrubé přesnosti COMPASS generuje personalizované mapy odezvy, které spojují genovou expresi pacienta se specifickými imunitními koncepty. Tyto mapy pomáhají vysvětlit mechanismus předpovědi a odhalují případy, kdy konvenční kategorie zavádějí.

Například lékaři často klasifikují nádory pomocí tří imunitních fenotypů: zanícené, vyloučené a pouštní. Ale COMPASS ukázal, že toto hrubé třídění může být klamné. Někteří pacienti se „zanícenými“ nádory, které by měly předvídat dobrou odpověď, nereagovali kvůli potlačení signálů řízených proteinem zvaným TGFβ, vaskulární exkluzi nebo dysfunkci určitých imunitních buněk. Naopak někteří pacienti, jejichž nádory nevypadaly jako zanícené, stále reagovali, protože si zachovali cytotoxickou imunitní aktivitu nebo nesli vysokou mutační zátěž bez imunosupresivních signálů.

Vyřešením těchto skrytých rozdílů COMPASS identifikuje funkční imunitní stavy, které doplňují, spíše než jednoduše nahrazují existující biomarkery.

Co přijde dál

Studie podtrhuje příslib i limity umělé inteligence v onkologii. COMPASS zobecňuje napříč typy rakoviny a léčbou a dokáže se přizpůsobit malým klinickým kohortám pomocí parametricky efektivního učení přenosu, včetně režimu zero-shot, který přiřazuje nové pacienty k podobným případům bez dalšího školení. Autoři však poznamenávají, že odpověď na imunoterapii závisí na mnoha faktorech mimo transkriptom a klinické přijetí bude vyžadovat další ověření ve větších a rozmanitějších populacích.

Práce také odráží širší trend: základní modely předem připravené na rozsáhlých souborech dat a poté přizpůsobené specializovaným lékařským úkolům se posouvají blíže klinice. Zda se koncepty získané z nádorové imunitní biologie mohou promítnout do lepších a rychlejších rozhodnutí o léčbě pro jednotlivé pacienty, je otázka, na kterou bude muset odpovědět další kolo studií.

Udržujte si náskok před AI

Základní modely se stále více přesouvají od textu a obrázků do medicíny a vědy. Sledujte [nejnovější vývoj AI] (https://aibuzzwire.news), který utváří zdravotní péči a výzkum.

Přečtěte si další zprávy o AI →