COMPASS AI 모델이 종양 유형 전반에 걸쳐 암 면역요법 결과를 예측한다는 연구 결과가 나왔습니다.

Nature Medicine 연구에 따르면 범암 기반 모델인 COMPASS는 7가지 암 유형에 걸쳐 표준 바이오마커보다 면역요법 반응을 더 정확하게 예측합니다.

연구자들은 오늘날 의사가 의존하는 표준 바이오마커보다 환자가 면역요법에 어떻게 반응할지 더 정확하게 예측하는 범암 AI 모델을 개발했습니다. COMPASS라고 불리는 이 모델은 2026년 7월 3일 Nature Medicine에 발표된 연구에서 설명되었으며 다양한 종양 유형, 치료 요법 및 임상 코호트에 걸쳐 일반화됩니다.

면역요법, 특히 면역관문억제제로 알려진 약물 계열은 암 치료에 변화를 가져왔지만 소수의 환자만이 혜택을 받았습니다. AI 산업 보도에서 기계 학습이 의학을 어떻게 재편하는지에 이어 COMPASS는 기초 모델 기술이 언어와 이미지에서 종양학으로 어떻게 이동하고 있는지 자세히 살펴봅니다.

COMPASS가 해결해야 할 문제

면역관문억제제(ICI)는 면역체계의 브레이크를 풀어 종양을 공격할 수 있도록 함으로써 일부 암의 결과를 극적으로 향상시켰습니다. 문제는 응답이 고르지 않다는 것입니다. 일부 환자들만이 지속적인 관해를 달성하는 반면, 다른 많은 환자들은 전혀 혜택을 누리지 못하며, 의사들은 누가 반응할지 미리 알 수 있는 도구가 제한되어 있습니다.

오늘날 임상적으로 검증된 예측 변수인 주로 종양 돌연변이 부담(TMB)과 PD-L1이라는 단백질의 발현은 불완전합니다. 27,000명 이상의 ICI 치료 환자에 대한 범암 분석에서는 해당 지표와 실제 환자 반응 사이에 약하거나 일관성이 없는 연관성만 발견되었습니다. 그 결과, 환자는 자신에게 도움이 되지 않는 약물에 노출될 수 있으며, 혜택을 받을 수 있는 다른 약물은 전혀 확인되지 않습니다.

COMPASS는 종양과 주변 면역 세포 사이의 복잡한 상호 작용인 종양 면역 미세 환경(TIME)에 대해 해석 가능하고 생물학적으로 근거가 있는 개념을 학습함으로써 이러한 격차를 줄이는 것을 목표로 합니다.

개념 병목 현상 기초 모델

COMPASS는 블랙박스가 아닌 설명이 가능하도록 설계된 아키텍처인 병목 현상 개념 모델로 제작되었습니다. 이는 15,672개의 단백질 코딩 유전자의 발현을 읽는 변환기 기반 유전자 인코더를 통해 환자의 종양 RNA 서열 분석 데이터를 처리합니다. 그런 다음 이러한 유전자 삽입은 132개의 선별된 유전자 시그니처에 투영되고 43개의 높은 수준의 면역 및 미세 환경 개념으로 집계되어 각 환자의 종양 면역 역학을 간략하게 표현합니다.

이 모델은 The Cancer Genome Atlas(TCGA)의 33개 암 유형에 걸쳐 10,184개의 종양에 대한 자기 지도 대조 학습을 사용하여 사전 훈련되었습니다. COMPASS는 라벨이 지정되지 않은 대량의 데이터로부터 먼저 학습함으로써 훨씬 더 작은 임상 코호트에서 미세 조정될 수 있는 일반화 가능한 표현을 구축합니다. 이는 라벨이 지정된 면역요법 데이터가 얼마나 부족한지를 고려할 때 중요한 속성입니다.

아키텍처는 사람이 읽을 수 있는 개념을 통해 정보를 전달하기 때문에 임상의는 T 세포 고갈, 골수성 프로그램 또는 면역 조절 신호와 같은 어떤 생물학적 신호가 주어진 예측을 주도했는지 검사할 수 있습니다. 이는 점수 뒤에 있는 추론을 설명하지 않고 점수를 출력하는 많은 딥러닝 모델과 대조됩니다.

암 전반에 걸쳐 강력한 결과

연구진은 치료 전 종양 전사체를 사용하여 항PD-1/PD-L1, 항CTLA-4 및 병용 요법을 포함한 체크포인트 억제제에 대한 반응을 예측함으로써 7개 암 유형에 걸친 16개 임상 코호트에서 추출된 1,133명의 환자에 대해 COMPASS를 평가했습니다.

한 번도 본 적이 없는 코호트에서 모델을 반복적으로 테스트하는 까다로운 1코호트 제외 평가에서 COMPASS는 22개 경쟁 모델 중 최고의 평균 성능을 달성했습니다. 예측 정확도는 8.5% 향상되었고, 한 결과가 다른 결과보다 훨씬 희귀할 때 핵심 지표인 정밀도-재현율 곡선 아래 면적(AUPRC)이 15.7% 향상되었습니다.

가장 놀라운 결과는 방광암과 요로암인 전이성 요로상피암종에 대한 2상 시험에서 나왔습니다. COMPASS가 반응할 것이라고 예측한 환자는 위험 비율이 4.7이고 P 값이 1.7 × 10⁻7로 반응하지 않을 것으로 예측한 환자보다 훨씬 더 오래 생존했습니다. 이 측정에서 AI 모델은 현재 병원에서 사용되는 바이오마커인 TMB 및 PD-L1 테스트보다 성능이 뛰어났습니다.

환자가 반응하거나 반응하지 않는 이유 설명

순수한 정확성을 넘어 COMPASS는 환자의 유전자 발현을 특정 면역 개념과 연결하는 맞춤형 반응 지도를 생성합니다. 이러한 지도는 예측 이면의 메커니즘을 설명하는 데 도움이 되며 기존 범주가 오해를 불러일으키는 사례를 드러냅니다.

예를 들어, 의사는 종종 3가지 면역 표현형(염증, 제외, 사막)을 사용하여 종양을 분류합니다. 그러나 COMPASS는 이러한 대략적인 정렬이 기만적일 수 있음을 보여주었습니다. 좋은 반응을 예측해야 하는 "염증" 종양이 있는 일부 환자는 TGFβ라는 단백질에 의해 유발되는 신호 억제, 혈관 배제 또는 특정 면역 세포의 기능 장애로 인해 반응하지 않았습니다. 반대로, 종양에 염증이 없어 보이는 일부 환자는 세포 독성 면역 활동을 유지하거나 면역 억제 신호 없이 높은 돌연변이 부담을 갖고 있었기 때문에 여전히 반응했습니다.

이러한 숨겨진 차이점을 해결함으로써 COMPASS는 기존 바이오마커를 단순히 대체하는 것이 아니라 보완하는 기능적 면역 상태를 식별합니다.

다음에 나올 내용

이 연구는 종양학에서 AI의 가능성과 한계를 모두 강조합니다. COMPASS는 암 유형과 치료법을 일반화하고 추가 교육 없이 새로운 환자를 유사한 사례에 연결하는 제로샷 모드를 포함하여 매개변수 효율적인 전이 학습을 통해 소규모 임상 코호트에 적응할 수 있습니다. 그러나 저자들은 면역요법 반응이 전사체 이외의 많은 요인에 따라 달라지며 임상 채택에는 더 크고 다양한 집단에 대한 추가 검증이 필요하다고 지적합니다.

이 작업은 또한 더 광범위한 추세를 반영합니다. 즉, 방대한 데이터 세트에 대해 사전 훈련된 후 전문 의료 업무에 맞게 조정된 기초 모델이 진료소에 더 가까이 다가가고 있습니다. 종양 면역 생물학에서 배운 개념이 개별 환자에 대한 더 좋고 빠른 치료 결정으로 전환될 수 있는지 여부는 다음 임상시험에서 대답해야 할 문제입니다.