COMPASS AI モデルが腫瘍の種類全体でがん免疫療法の結果を予測することが研究で判明

Nature Medicine の研究では、汎がん基礎モデルである COMPASS が、7 種類のがんにおいて標準的なバイオマーカーよりも正確に免疫療法反応を予測することが示されています。

研究者らは、医師が現在信頼している標準的なバイオマーカーよりも正確に免疫療法に対する患者の反応を予測する汎がん AI モデルを開発しました。 COMPASSと呼ばれるこのモデルは、2026年7月3日にNature Medicine誌に掲載された研究で説明されており、さまざまな腫瘍の種類、治療計画、臨床コホートに一般化されています。

免疫療法、特に免疫チェックポイント阻害剤として知られる種類の薬剤はがん治療に変革をもたらしましたが、恩恵を受ける患者はほんの少数です。 COMPASS は、機械学習が医療をどのように再形成しているかを追跡する AI 業界の報道について、基礎モデル技術が言語と画像から腫瘍学にどのように移行しているかを詳細に紹介しています。

COMPASS が取り組む問題

免疫チェックポイント阻害剤 (ICI) は、免疫系のブレーキを解除して腫瘍を攻撃できるようにすることで、一部のがんの転帰を劇的に改善しました。問題は、反応が均一でないことです。永続的な寛解を達成できるのは一部の患者のみで、他の多くの患者には何の効果も見られず、医師が誰が反応するかを事前に知るためのツールは限られています。

現在臨床的に検証されている予測因子、主に腫瘍変異負荷 (TMB) と PD-L1 と呼ばれるタンパク質の発現は不完全です。 27,000人以上のICI治療を受けた患者を対象とした汎がん分析では、これらのマーカーと実際の患者の反応との間には弱いか一貫性のない関連性しか発見されなかった。その結果、患者は役に立たない薬にさらされる可能性がある一方、利益を得る可能性のある他の薬は特定されないことになります。

COMPASS は、腫瘍とその周囲の免疫細胞の間の複雑な相互作用である腫瘍免疫微小環境 (TIME) について、解釈可能で生物学に基づいた概念を学習することで、そのギャップを埋めることを目指しています。

コンセプトのボトルネック基盤モデル

COMPASS はコンセプトのボトルネックモデルとして構築されており、ブラックボックスではなく説明できるように設計されたアーキテクチャです。 15,672 個のタンパク質をコードする遺伝子の発現を読み取るトランスフォーマーベースの遺伝子エンコーダーを通じて、患者の腫瘍 RNA 配列データを処理します。これらの遺伝子埋め込みは、132 の精選された遺伝子シグネチャに投影され、43 の高レベルの免疫および微環境の概念に集約され、各患者の腫瘍免疫動態のコンパクトな表現が生成されます。

このモデルは、The Cancer Genome Atlas (TCGA) の 33 種類のがんにわたる 10,184 個の腫瘍に対する自己教師あり対比学習を使用して事前トレーニングされました。 COMPASS は、最初に大量のラベルなしデータから学習することで、一般化可能な表現を構築し、その後、はるかに小規模な臨床コホートで微調整することができます。これは、ラベル付き免疫療法データが非常に少ないことを考えると重要な特性です。

このアーキテクチャは人間が読める概念を通じて情報を伝達するため、臨床医は、T 細胞枯渇、骨髄プログラム、免疫調節シグナル伝達などのどの生物学的シグナルが特定の予測を引き起こしたかを検査できます。これは、背後にある理由を説明せずにスコアを出力する多くの深層学習モデルとは対照的です。

すべてのがんにおいて優れた結果

研究者らは、7種類のがんにまたがる16の臨床コホートから抽出された1,133人の患者を対象にCOMPASSを評価し、治療前の腫瘍トランスクリプトームを使用して、抗PD-1/PD-L1、抗CTLA-4、および併用療法を含むチェックポイント阻害剤に対する反応を予測した。

モデルがこれまで見たことのないコホートで繰り返しテストされる、要求の厳しい 1 コホートアウト評価において、COMPASS は 22 の競合モデルの中で最高の平均パフォーマンスを達成しました。これにより、予測精度が 8.5% 向上し、一方の結果が他方よりもはるかに稀である場合の重要な指標である適合率-再現率曲線下面積 (AUPRC) が 15.7% 向上しました。

最も衝撃的な結果は、膀胱と尿路のがんである転移性尿路上皮がんの保留中の第2相試験で得られた。 COMPASS が反応すると予測した患者は、反応しないと予測した患者よりも有意に長く生存し、ハザード比は 4.7、P 値は 1.7 × 10-7 でした。この尺度において、AI モデルは現在臨床で使用されているバイオマーカーである TMB 検査と PD-L1 検査の両方を上回りました。

患者が反応する、または反応しない理由を説明する

COMPASS は、生の精度を超えて、患者の遺伝子発現を特定の免疫概念に結び付けるパーソナライズされた応答マップを生成します。これらのマップは、予測の背後にあるメカニズムを説明するのに役立ち、従来のカテゴリーが誤解を招くケースを明らかにします。

たとえば、医師は多くの場合、炎症、排除、砂漠の 3 つの免疫表現型を使用して腫瘍を分類します。しかし COMPASS は、この大まかな並べ替えが欺瞞的である可能性があることを示しました。良好な反応が予測されるはずの「炎症」腫瘍を有する一部の患者は、TGFβと呼ばれるタンパク質、血管排除、または特定の免疫細胞の機能不全によって駆動されるシグナルの抑制により反応しませんでした。逆に、腫瘍が炎症を起こしていないように見えても、一部の患者は細胞傷害性免疫活性を保持していたり、免疫抑制シグナルがなくても高い突然変異負荷を保有していたりしたため、依然として反応した。

COMPASS は、これらの隠れた区別を解決することで、既存のバイオマーカーを単に置き換えるのではなく、補完する機能的な免疫状態を特定します。

次に何が起こるか

この研究は、腫瘍学における AI の可能性と限界の両方を強調しています。 COMPASS はがんの種類や治療全体に汎用性があり、追加のトレーニングなしで新規患者を同様の症例にマッチングするゼロショットモードなど、パラメーター効率の高い転移学習を通じて小規模な臨床コホートに適応できます。しかし著者らは、免疫療法の反応はトランスクリプトームを超えた多くの要因に依存しており、臨床導入にはより大規模で多様な集団でのさらなる検証が必要になると指摘している。

この取り組みは、より広範な傾向も反映しています。つまり、膨大なデータセットで事前トレーニングされ、その後特殊な医療タスクに適応された基礎モデルが診療所に近づいてきています。腫瘍免疫生物学から学んだ概念が個々の患者にとってより適切かつ迅速な治療決定につながるかどうかは、次の臨床試験で答えなければならない問題である。