Το μοντέλο COMPASS AI προβλέπει αποτελέσματα ανοσοθεραπείας καρκίνου σε όλους τους τύπους όγκων, ευρήματα μελέτης

Οι ερευνητές ανέπτυξαν ένα πανκαρκινικό μοντέλο AI που προβλέπει πώς οι ασθενείς θα ανταποκριθούν στην ανοσοθεραπεία με μεγαλύτερη ακρίβεια από τους τυπικούς βιοδείκτες στους οποίους βασίζονται οι γιατροί σήμερα. Το μοντέλο, που ονομάζεται COMPASS, περιγράφηκε σε μια μελέτη που δημοσιεύτηκε στο Nature Medicine στις 3 Ιουλίου 2026 και γενικεύεται σε διαφορετικούς τύπους όγκων, θεραπευτικά σχήματα και κλινικές κοόρτες.

Η ανοσοθεραπεία, ιδιαίτερα μια κατηγορία φαρμάκων γνωστών ως αναστολείς σημείων ελέγχου του ανοσοποιητικού, έχει μεταμορφώσει τη φροντίδα του καρκίνου, αλλά μόνο μια μειοψηφία ασθενών επωφελείται. Για την κάλυψη της βιομηχανίας AI ακολουθώντας τον τρόπο με τον οποίο η μηχανική μάθηση αναδιαμορφώνει την ιατρική, το COMPASS προσφέρει μια λεπτομερή ματιά στο πώς οι τεχνικές θεμελιώδους μοντέλου μετακινούνται από τη γλώσσα και τις εικόνες στην ογκολογία.

Το πρόβλημα COMPASS αντιμετωπίζει

Οι αναστολείς σημείων ελέγχου του ανοσοποιητικού συστήματος, ή ICI, έχουν βελτιώσει δραματικά τα αποτελέσματα για ορισμένους καρκίνους, απελευθερώνοντας τα φρένα στο ανοσοποιητικό σύστημα, ώστε να μπορεί να επιτεθεί σε όγκους. Το πρόβλημα είναι ότι οι απαντήσεις είναι άνισες. Μόνο ένα υποσύνολο ασθενών επιτυγχάνει διαρκή ύφεση, ενώ πολλοί άλλοι δεν βλέπουν κανένα όφελος και οι γιατροί έχουν περιορισμένα εργαλεία για να πουν εκ των προτέρων ποιος θα ανταποκριθεί.

Οι σημερινοί κλινικά επικυρωμένοι προγνωστικοί παράγοντες, κυρίως το φορτίο μετάλλαξης όγκου (TMB) και η έκφραση μιας πρωτεΐνης που ονομάζεται PD-L1, είναι ατελείς. Μια πανκαρκινική ανάλυση περισσότερων από 27.000 ασθενών που έλαβαν θεραπεία με ICI βρήκε μόνο ασθενείς ή ασυνεπείς συνδέσμους μεταξύ αυτών των δεικτών και των πραγματικών ανταποκρίσεων των ασθενών. Το αποτέλεσμα είναι ότι οι ασθενείς μπορεί να εκτεθούν σε φάρμακα που δεν θα τους βοηθήσουν, ενώ άλλοι που μπορεί να ωφεληθούν δεν εντοπίζονται ποτέ.

Το COMPASS στοχεύει να κλείσει αυτό το χάσμα μαθαίνοντας ερμηνεύσιμες, βιολογικά θεμελιωμένες έννοιες σχετικά με το ανοσοποιητικό μικροπεριβάλλον του όγκου (TIME), τη σύνθετη αλληλεπίδραση μεταξύ ενός όγκου και των κυττάρων του ανοσοποιητικού συστήματος γύρω του.

Ένα Μοντέλο Θεμελίωσης Εννοιολογικής Συμφόρησης

Το COMPASS είναι χτισμένο ως ένα πρωτότυπο μοντέλο bottleneck, μια αρχιτεκτονική σχεδιασμένη να είναι εξηγήσιμη και όχι ένα μαύρο κουτί. Επεξεργάζεται δεδομένα αλληλουχίας RNA όγκου ενός ασθενούς μέσω ενός κωδικοποιητή γονιδίου που βασίζεται σε μετασχηματιστή που διαβάζει την έκφραση 15.672 γονιδίων που κωδικοποιούν πρωτεΐνες. Αυτές οι ενσωματώσεις γονιδίων προβάλλονται στη συνέχεια σε 132 επιμελημένες γονιδιακές υπογραφές και συγκεντρώνονται σε 43 υψηλού επιπέδου ανοσολογικές και μικροπεριβαλλοντικές έννοιες, παράγοντας μια συμπαγή αναπαράσταση της δυναμικής του ανοσοποιητικού όγκου κάθε ασθενή.

Το μοντέλο προεκπαιδεύτηκε χρησιμοποιώντας αυτοεποπτευόμενη αντιθετική μάθηση σε 10.184 όγκους σε 33 τύπους καρκίνου από το The Cancer Genome Atlas (TCGA). Μαθαίνοντας πρώτα από μεγάλους όγκους μη επισημασμένων δεδομένων, το COMPASS δημιουργεί γενικεύσιμες αναπαραστάσεις που μπορούν στη συνέχεια να προσαρμοστούν σε πολύ μικρότερες κλινικές κοόρτες, μια σημαντική ιδιότητα δεδομένου του πόσο σπάνια είναι τα δεδομένα ανοσοθεραπείας.

Επειδή η αρχιτεκτονική διοχετεύει πληροφορίες μέσω αναγνώσιμων από τον άνθρωπο έννοιες, οι κλινικοί γιατροί μπορούν να επιθεωρήσουν ποια βιολογικά σήματα, όπως η εξάντληση των Τ κυττάρων, τα μυελοειδή προγράμματα ή η ανοσορυθμιστική σηματοδότηση, οδήγησαν σε μια δεδομένη πρόβλεψη. Αυτό έρχεται σε αντίθεση με πολλά μοντέλα βαθιάς μάθησης που δίνουν μια βαθμολογία χωρίς να εξηγούν το σκεπτικό πίσω από αυτό.

Ισχυρά αποτελέσματα στους καρκίνους

Οι ερευνητές αξιολόγησαν το COMPASS σε 1.133 ασθενείς που προέρχονται από 16 κλινικές κοόρτες που εκτείνονται σε επτά τύπους καρκίνου, χρησιμοποιώντας μεταγραφώματα όγκου προ θεραπείας για να προβλέψουν την ανταπόκριση σε αναστολείς σημείου ελέγχου, συμπεριλαμβανομένων των αντι-PD-1/PD-L1, αντι-CTLA-4 και συνδυαστικών θεραπειών.

Σε μια απαιτητική αξιολόγηση άδειας μίας κοόρτης, όπου το μοντέλο δοκιμάζεται επανειλημμένα σε μια ομάδα που δεν έχει δει ποτέ, το COMPASS πέτυχε την καλύτερη μέση απόδοση μεταξύ 22 ανταγωνιστικών μοντέλων. Βελτίωσε την ακρίβεια πρόβλεψης κατά 8,5 τοις εκατό και την περιοχή κάτω από την καμπύλη ανάκλησης ακριβείας (AUPRC), μια βασική μέτρηση όταν το ένα αποτέλεσμα είναι πολύ πιο σπάνιο από το άλλο, κατά 15,7 τοις εκατό.

Το πιο εντυπωσιακό αποτέλεσμα προέκυψε σε μια δοκιμαστική φάση 2 που δεν πραγματοποιήθηκε για το μεταστατικό ουροθηλιακό καρκίνωμα, έναν καρκίνο της ουροδόχου κύστης και του ουροποιητικού συστήματος. Οι ασθενείς που το COMPASS προέβλεψε ότι θα ανταποκρινόταν επιβίωσαν σημαντικά περισσότερο από εκείνους που προέβλεπε ότι δεν θα ανταποκρινόταν, με αναλογία κινδύνου 4,7 και τιμή P 1,7 × 10-7. Σε αυτό το μέτρο, το μοντέλο AI ξεπέρασε τις δοκιμές TMB και PD-L1, τους βιοδείκτες που χρησιμοποιούνται επί του παρόντος στην κλινική.

Εξήγηση γιατί οι ασθενείς ανταποκρίνονται ή όχι

Πέρα από την ακατέργαστη ακρίβεια, το COMPASS δημιουργεί εξατομικευμένους χάρτες απόκρισης που συνδέουν τη γονιδιακή έκφραση ενός ασθενούς με συγκεκριμένες έννοιες του ανοσοποιητικού. Αυτοί οι χάρτες βοηθούν στην εξήγηση του μηχανισμού πίσω από μια πρόβλεψη και αποκαλύπτουν περιπτώσεις όπου οι συμβατικές κατηγορίες παραπλανούν.

Για παράδειγμα, οι γιατροί συχνά ταξινομούν τους όγκους χρησιμοποιώντας τρεις ανοσοποιητικούς φαινοτύπους: φλεγμονώδη, αποκλεισμένο και έρημο. Αλλά το COMPASS έδειξε ότι αυτή η χονδροειδής ταξινόμηση μπορεί να είναι παραπλανητική. Μερικοί ασθενείς με «φλεγμονώδεις» όγκους, οι οποίοι θα έπρεπε να προβλέψουν μια καλή ανταπόκριση, δεν ανταποκρίθηκαν λόγω καταστολής σημάτων που οδηγούνται από μια πρωτεΐνη που ονομάζεται TGFβ, αγγειακού αποκλεισμού ή δυσλειτουργίας σε ορισμένα κύτταρα του ανοσοποιητικού. Αντίθετα, ορισμένοι ασθενείς των οποίων οι όγκοι δεν φαινόταν φλεγμονώδεις εξακολουθούσαν να ανταποκρίνονται, επειδή διατήρησαν κυτταροτοξική ανοσολογική δραστηριότητα ή έφεραν υψηλό φορτίο μετάλλαξης χωρίς ανοσοκατασταλτικά σήματα.

Επιλύοντας αυτές τις κρυφές διακρίσεις, το COMPASS εντοπίζει λειτουργικές ανοσολογικές καταστάσεις που συμπληρώνουν, αντί να αντικαθιστούν απλώς, τους υπάρχοντες βιοδείκτες.

Τι ακολουθεί

Η μελέτη υπογραμμίζει τόσο την υπόσχεση όσο και τα όρια της τεχνητής νοημοσύνης στην ογκολογία. Το COMPASS γενικεύει όλους τους τύπους και τις θεραπείες καρκίνου και μπορεί να προσαρμοστεί σε μικρές κλινικές κοόρτες μέσω εκμάθησης μεταφοράς αποδοτικής παραμέτρου, συμπεριλαμβανομένης της λειτουργίας μηδενικής λήψης που ταιριάζει νέους ασθενείς σε παρόμοιες περιπτώσεις χωρίς πρόσθετη εκπαίδευση. Αλλά οι συγγραφείς σημειώνουν ότι η απόκριση της ανοσοθεραπείας εξαρτάται από πολλούς παράγοντες πέρα ​​από το μεταγραφικό και η κλινική υιοθέτηση θα απαιτήσει περαιτέρω επικύρωση σε μεγαλύτερους και πιο διαφορετικούς πληθυσμούς.

Η εργασία αντικατοπτρίζει επίσης μια ευρύτερη τάση: τα μοντέλα θεμελίωσης προεκπαιδευμένα σε τεράστια σύνολα δεδομένων και στη συνέχεια προσαρμοσμένα σε εξειδικευμένες ιατρικές εργασίες πλησιάζουν περισσότερο στην κλινική. Το ερώτημα που θα πρέπει να απαντήσει ο επόμενος γύρος δοκιμών είναι αν οι έννοιες που διδάσκονται από την ανοσοβιολογία του όγκου μπορούν να μεταφραστούν σε καλύτερες, ταχύτερες αποφάσεις θεραπείας για μεμονωμένους ασθενείς.

Μείνετε μπροστά από την τεχνητή νοημοσύνη

Τα μοντέλα θεμελίωσης μετακινούνται όλο και περισσότερο από το κείμενο και τις εικόνες στην ιατρική και τις επιστήμες. Παρακολουθήστε τις τελευταίες εξελίξεις AI που διαμορφώνουν την υγειονομική περίθαλψη και την έρευνα.

Διαβάστε περισσότερα νέα AI →