哈佛等团队提出泛癌基础模型 COMPASS，免疫治疗预测优于 22 种方法
哈佛等团队提出泛癌基础模型 COMPASS，预测免疫治疗响应平均准确率较 22 种方法提升 8.5%，已发表于 Natu…
哈佛医学院、罗氏制药与浙江大学联合团队在 Nature Medicine 发表论文，提出一种泛癌症基础模型 COMPASS。该模型基于 33 种癌症类型的 10,184 个肿瘤样本进行训练，在覆盖 7 种癌症、6 种免疫检查点抑制剂的 16 个临床队列中评估，平均预测准确率较 22 种现有方法提升 8.5%，AUPRC 提升 15.7%，并能泛化至训练中未涉及的癌种和治疗方案。
研究背景：免疫治疗响应预测的痛点
免疫检查点抑制剂（ICI）改变了癌症治疗格局，但不同患者对同一药物的响应差异显著。已有标志物如肿瘤突变负荷（TMB）、PD-L1 IHC 检测均存在局限，而 RNA 测序虽然提供了观察肿瘤免疫状态的新窗口，如何从数万基因中提取与治疗响应相关的规律仍是难题。COMPASS 正是为解决这一问题而提出。
数据基础：跨癌种、跨方案的大规模队列
- 预训练数据来自癌症基因组图谱（TCGA），经去除正常组织、既往治疗样本及非 FFPE 样本后，以 15,672 个蛋白编码基因作为模型输入
- 微调数据来自 16 个临床队列、1,133 名患者的治疗前 bulk RNA-seq 与临床结果
- 覆盖膀胱癌、肾透明细胞癌、黑色素瘤、肺腺癌、肺鳞癌、胃癌、胶质母细胞瘤等 7 种癌种
- 治疗方案涵盖抗 PD-1/PD-L1、抗 CTLA-4 及联合治疗
- 响应者 346 人（30.5%），非响应者 787 人（69.5%）
队列规模从 16 人到 298 人不等，呈现出不同癌种、治疗方案、测序平台与研究设计的高度异质性。
模型架构：基因语言模型 + 概念瓶颈
COMPASS 由三个核心组件构成：
- 基因语言模型（GLM）：借鉴 Transformer，将每个基因视为「token」，并引入可学习的基因位置偏置以捕捉基因间潜在关联
- 分层概念投影器：首次将概念瓶颈范式引入癌症转录组分析，建立「基因→基因集→概念」的层级映射，通过 44 个免疫相关生物学概念编码基因表达，涵盖免疫细胞状态、肿瘤—微环境互作及信号通路
- 预测模块：基于概念特征预测响应概率，支持零样本预测（NFT）、轻量微调（LFT）、部分微调（PFT）与全模型微调（FFT）四种适配方式，并提出多阶段微调策略（MSFT），先学通用免疫响应规律，再针对具体药物或癌种优化
关键性能：全面优于现有方法
在与 22 种 ICI 响应预测方法的对比中，COMPASS-PFT 与 COMPASS-LFT 在所有队列规模与评价指标上均显著领先：
- 平均准确率提升 8.5%
- AUPRC 提升 15.7%
- MCC 提升 12.3%
在 240 次跨队列迁移评估中，COMPASS-LFT 成功完成 163 次迁移，COMPASS-PFT 完成 155 次，显著优于 PGM（130 次）、Teff（118 次）、NetBio（117 次）等已发表最佳方法。
跨适应症测试中，移除肺腺癌训练数据后，COMPASS-PFT 在独立测试队列中仍达到 76.5% 准确率；仅用抗 PD-1/PD-L1 数据训练时，预测抗 CTLA-4 响应准确率达 70.8%，提示不同 ICI 之间存在可被模型捕获的共享免疫机制。COMPASS-PFT 在跨测序平台、跨样本来源条件下也保持稳定，而基于基因特征签名的方法则明显受技术因素影响。
局限与展望
研究团队也指出，COMPASS 依赖 bulk RNA-seq，空间分辨能力有限，低丰度免疫细胞信号可能被掩盖，模型仍属探索性工具，需更多前瞻性临床试验验证。这一工作展示了医疗 AI 的一个重要方向：不仅追求预测准确率，更需提供可解释的机制线索，服务于个体化治疗决策与临床试验设计。