小罗碎碎念参考来源Wanxiang Shen, Intae Moon, Thinh H. Nguyen, et al. Generalizable AI predicts immunotherapy outcomes across cancers and treatments.Nature Medicine, 2026.研究团队哈佛大学医学院Marinka Zitnik实验室、罗氏制药研发团队如果把癌症治疗比作一场攻坚战免疫检查点抑制剂Immune Checkpoint Inhibitors, ICIs就像是给免疫系统“松绑”的冲锋号——它能解除肿瘤对免疫细胞的压制让自身免疫细胞主动杀伤癌细胞。过去十几年这类药物彻底改写了黑色素瘤、肺癌、膀胱癌等多种癌症的治疗标准让不少晚期患者实现了长期生存甚至临床治愈。但临床现实始终绕不开一个尴尬的困境这款“神药”并不通用。临床上仅有约三成患者能从免疫治疗中持续获益剩下的患者要么毫无应答甚至可能出现超进展。更棘手的是我们至今没有一套可靠的通用筛选标准。目前临床上常用的PD-L1表达、肿瘤突变负荷Tumor Mutation Burden, TMB更像是“通过锁的外观猜能不能打开”有的肿瘤PD-L1高表达却对免疫治疗无动于衷有的低表达反而应答出色。正如这项研究中提到的一项覆盖两万余名免疫治疗患者的泛癌分析证实PD-L1、CD8T细胞浸润、免疫基因评分等常用指标在不同癌种中与疗效的关联微弱且不稳定无法作为通用的预测依据。还有更迷惑的临床现象按照传统分类“免疫炎症型”肿瘤有大量T细胞浸润理应更容易响应治疗但偏偏有一批患者明明符合炎症表型用药后却完全无效。背后的耐药机制是什么传统检测手段很难给出答案。过往的转录组预测模型也各有短板要么只针对特定癌种研发换一种肿瘤就彻底失效要么是纯粹的“黑箱模型”只输出一个预测分数讲不清背后的生物学逻辑临床医生很难放心采信。针对这一行业痛点哈佛大学医学院Marinka Zitnik团队联合罗氏研发团队在《Nature Medicine》发表重磅成果推出了名为COMPASS的泛癌AI基础模型。它采用“概念瓶颈Transformer”架构仅通过肿瘤批量转录组数据就能预测免疫治疗效果不仅在跨癌种、跨药物的测试中全面超越22种现有方法还能打开预测黑箱清晰解释“为什么有效、为什么耐药”甚至识别出传统方法无法区分的隐性耐药机制。COMPASS整体技术路线COMPASS是一款基于概念瓶颈Transformer架构的泛癌免疫治疗预测基础模型其核心设计思路是将肿瘤免疫生物学知识深度嵌入模型结构先通过整合单细胞数据、已发表文献与专业数据库中的基因特征搭建起覆盖免疫细胞状态、微环境相互作用、信号通路的多层级生物学概念体系再通过层级特征学习把原始转录组表达谱逐步抽象为人类可理解的肿瘤免疫微环境概念。模型首先在超过一万例、覆盖33种癌症的泛癌无标注转录组数据上开展自监督对比预训练通过三元组学习让同一样本的扰动变体在概念空间中相互靠近、不同样本彼此区分无需疗效标注数据就能让模型习得跨癌种通用的免疫特征表示为下游临床任务打下扎实的通识基础。完成预训练的模型会在有疗效标注的临床队列上开展监督微调通过在概念向量输出端接入轻量级分类器将预训练习得的通用免疫知识迁移到免疫治疗应答预测任务中最终不仅能输出患者的应答概率还能生成个性化响应图谱直观展示不同免疫概念对预测结果的贡献实现全程可解释。从内部架构来看模型由三部分串联而成首先是基于Transformer的基因编码器将高维基因表达转化为带上下文信息的基因嵌入再通过层级概念投影器先将基因嵌入映射为细粒度基因集概念再聚合为43个高层免疫概念加1个癌种概念的44维患者嵌入最后由任务分类器基于概念向量输出预测结果整套“基因-基因集-生物概念-预测结果”的链路完全锚定生物学逻辑。为适配临床中不同规模的研究队列模型设计了四种差异化的微调策略全参数更新的全量微调仅更新投影层与分类器的部分微调只调整分类头的线性探测完全冻结参数、靠相似度匹配实现零样本预测的无微调模式可根据队列样本量灵活选择在保留预训练知识与适配任务特征间取得最优平衡。这套兼具生物学可解释性与跨场景泛化性的架构既解决了传统预测模型癌种特异性强、小样本易过拟合的痛点也能为精准医疗患者分层、临床试验入组优化与耐药机制研究提供可验证的生物学线索推动免疫治疗从经验化走向可解释的精准化。医学AI交流群目前小罗全平台关注量120,000交流群总成员4000大部分来自国内外顶尖院校/医院期待您的加入由于近期入群推销人员较多已开启入群验证扫码添加我的联系方式备注姓名-单位-科室/专业即可邀您入群。一、用“生物学概念瓶颈”打通AI预测的可解释性概念瓶颈模型的创新逻辑传统的转录组预测模型大多遵循“输入基因表达谱→直接输出预测结果”的路径中间是海量无法解读的参数。COMPASS的核心创新就是引入了概念瓶颈模型Concept Bottleneck Model 的思路在输入和最终预测之间加入一层人类完全能看懂的“中间生物学概念”。具体到肿瘤免疫场景COMPASS不会直接用上万个基因的表达量去“猜”疗效而是先把基因表达信息翻译成44个有明确生物学意义的“肿瘤免疫微环境TIME概念”比如细胞毒性T细胞活性、IFN-γ通路、TGF-β通路、内皮细胞特征等等再基于这些概念判断患者是否会响应免疫治疗。这些概念并非AI无师自通的“黑箱特征”而是研究团队从已发表文献中精心整理了132个经过验证的免疫相关基因特征再通过分层聚合得到的——从单个基因到功能基因集再到高层免疫概念每一层都有坚实的生物学依据从架构上就杜绝了不可解释的“黑箱”。两步走训练从泛癌通识到临床专精COMPASS之所以能实现跨癌种通用核心在于它“先泛癌预训练打基础再针对性微调适配场景”的两阶段设计这也是它和传统单队列模型最本质的区别。第一步泛癌自监督预训练练就“通用免疫认知”研究团队使用TCGA数据库中10184份肿瘤样本数据进行预训练覆盖33种癌症类型采用自监督对比学习的训练方式。简单来说就是给同一份转录组做轻微的“扰动”比如随机掩盖部分基因表达、加入少量噪声让模型学会把“同一个样本的不同变体”在概念空间中归到一起同时把不同样本远远分开。全程不需要昂贵的临床疗效标注数据就能让模型学到跨癌种通用的肿瘤免疫特征打下扎实的“通识基础”。最终每一份肿瘤转录组都会被模型压缩为一个44维的概念向量其中43维对应免疫细胞状态、微环境相互作用、信号通路等生物学概念额外1维对应癌症类型每一个维度都有明确的生物学含义。第二步参数高效微调适配不同规模的临床数据研究团队设计了四种不同的微调模式灵活适配不同规模的临床队列大样本队列采用全参数微调COMPASS-FFT全面适配任务特征中等样本队列仅调整概念投影层和分类器COMPASS-PFT保留预训练学到的通识知识小样本队列只修改最后的分类层COMPASS-LFT最大限度避免过拟合完全没有标注数据的场景还支持零样本预测COMPASS-NFT——直接在概念空间中匹配相似的已知病例靠相似度判断结果。这套设计最巧妙的地方在于哪怕是不足30人的极小队列COMPASS也能靠参数高效的微调模式发挥作用不会因为数据量少就“学歪”。这对于罕见癌种、早期临床试验这种样本量极其有限的场景临床价值尤为突出。让每一个预测都有迹可循COMPASS最具特色的功能是生成个性化响应图谱Personalized Response Maps把预测的完整逻辑链条完全展开从单个基因的表达水平到对应的基因集得分再到高层免疫概念的激活程度最后到最终的应答概率每一层的贡献权重都可以追溯。它输出的不是一个冰冷的“应答/不应答”标签而是一份详细的“免疫诊断报告”告诉你哪些免疫通路活跃、哪些耐药机制被激活、关键的驱动基因是哪几个。临床医生拿到的不只是预测结果更是一套可以验证、可以指导后续治疗的生物学假设。二、16个临床队列验证22种方法同台竞技平均准确率提升8.5%为了公平验证COMPASS的真实能力研究团队收集了16个公开的免疫治疗临床队列总计1133名患者覆盖膀胱癌、肾癌、黑色素瘤、肺腺癌、胃癌、胶质瘤、肺鳞癌7种癌症涉及PD-1、PD-L1、CTLA-4抑制剂及联合治疗等多种用药方案队列规模从16人到298人不等最大程度贴近真实世界的患者异质性。测试采用了最严格的“留一队列法”每次留出一个完整的独立队列作为测试集用剩下的15个队列训练模型循环16次确保模型从未提前“见过”测试数据。同时研究团队纳入了22种已有的主流预测方法作为对比包括业内熟知的TIDE、IMPRES、NetBio、T细胞炎症基因特征GEP等等。最终的测试结果十分亮眼COMPASS的部分微调PFT和线性探测LFT模式表现最佳与表现第二的模型相比平均准确率提升8.5%精准召回曲线下面积AUPRC提升15.7%马修斯相关系数MCC提升12.3%无论大、中、小型队列COMPASS都保持了稳定的优势不会像部分传统方法那样队列规模一变成绩就大幅波动。更严苛的“队列间迁移测试”更能体现模型的泛化能力用单个队列训练模型直接预测另外15个队列的结果总共形成240种迁移组合。结果显示COMPASS-LFT成功迁移163次而表现最好的传统方法PGM仅成功130次。这充分说明COMPASS学到的是真正通用的免疫应答规律而非某个特定队列的“应试技巧”。跨癌种、跨药物的“通用型”预测模型临床研发最头疼的问题就是“这个模型用黑色素瘤数据训练的能预测膀胱癌吗”“这个药在肺癌上有效换到胃癌还灵吗”传统预测模型大多做不到换个癌种、换种药物就基本失效。研究团队专门设计了三组泛化测试模拟真实的药物研发场景跨癌种预测训练时完全排除某一种癌症的数据测试时专门检测该癌种。例如完全不用肺腺癌数据训练模型在肺腺癌测试集上依然达到76.5%的准确率跨药物/跨靶点预测训练时排除某一类药物测试时检测该类药物疗效。只用PD-1/PD-L1队列训练预测CTLA-4抑制剂的疗效准确率达70.8%只用单药数据训练预测双免联合治疗的效果准确率高达85.3%跨技术因素验证哪怕测序平台不同、活检部位不同COMPASS的表现也十分稳定而传统的基因特征方法对这类技术差异非常敏感。这意味着COMPASS捕捉到了不同癌种、不同药物背后共通的免疫应答底层规律真正具备了跨场景泛用性——这也是它被称为“泛癌基础模型”的核心原因。生存预测远超传统生物标志物应答率只是短期指标患者最关心的始终是用药后能不能活得更久研究团队选用完全独立的二期临床试验队列IMvigor210阿替利珠单抗治疗转移性尿路上皮癌进行生存分析且训练过程全程排除该队列数据最大限度保证结果客观。结果极具说服力被COMPASS判定为“应答者”的患者1年总生存率达到86%而“不应答者”仅为40%死亡风险比HR高达4.7统计学差异极其显著与临床三大金标准对比TMB的HR仅1.67PD-L1免疫细胞评分的HR为1.75传统免疫表型分类的HR为1.85——COMPASS的生存分层能力是传统标志物的两倍以上。更有临床价值的是机制层面的发现。传统上我们将肿瘤分为炎症型、排除型、沙漠型默认炎症型患者免疫治疗效果最好但临床中总有一批“炎症型不应答”的患者背后原因一直不明确。COMPASS通过概念分析发现这类患者看似炎症水平高实则暗藏不同的耐药机制一部分是TGF-β通路激活导致的免疫抑制一部分是内皮细胞增生形成物理屏障阻挡T细胞浸润还有的是CD4T细胞功能紊乱、B细胞缺陷。不同的耐药机制对应的后续治疗方案完全不同——比如TGF-β高的患者可能更适合免疫治疗联合TGF-β抑制剂。这正是可解释模型的核心价值它不仅告诉你“行不行”还能告诉你“为什么不行该怎么改”。三、COMPASS将为免疫治疗带来什么改变首先它将大幅加速新药研发与临床试验效率。免疫治疗新药研发的一大痛点就是早期临床试验样本量极少很难快速筛选优势患者也很难快速锁定最有潜力的适应症。COMPASS的多阶段微调MSFT策略可以先用泛癌数据打底再用极少量的目标药物数据微调快速构建专属预测模型。研究数据显示用该策略预测肺腺癌患者的帕博利珠单抗疗效准确率可达91%远高于直接用小样本训练的67%。这意味着未来的早期临床试验可以用AI精准富集优势患者显著提高试验成功率也能提前探索药物的潜在适应症大幅降低研发成本。其次它能揭示全新的耐药机制指导精准联合用药。过去我们对免疫耐药的认知非常粗糙只能笼统分为“免疫沙漠”“免疫排除”几大类COMPASS的可解释概念层可以将每个患者的耐药机制拆解到具体通路是T细胞本身耗竭了还是被基质屏障挡住了还是有其他抑制通路在起作用这些发现可以直接转化为新的治疗靶点和联合用药方案推动免疫治疗从“广谱试用”真正走向“精准分型”。第三它为多组学医疗AI提供了可解释的“生物组件”。当下的医疗AI正走向多模态融合基因组、转录组、影像、病理、临床数据结合在一起做预测但很多多模态模型依然是黑箱。COMPASS输出的44个免疫概念是标准化、可解释的生物特征可以直接作为模块嵌入更大的多组学模型中。研究也证实将COMPASS的概念特征加入临床Transformer模型后生存预测效果显著提升——这种模块化的AI研发思路比从零训练一个大黑箱更可靠也更容易被临床接受。当然研究也明确指出了当前的局限性目前模型基于批量转录组数据缺乏空间分辨率未来结合单细胞、空间转录组数据会更加精准暂未纳入年龄、性别、肿瘤分期等临床协变量其临床价值还需要更多前瞻性临床试验验证。但毫无疑问它已经为免疫治疗的精准化打开了一扇全新的大门。从“黑箱预测”到“可解释的机制洞察”COMPASS代表了医疗AI的一个重要方向AI不应该只是给出结果的“算命先生”而应该成为科学家和医生的得力助手在输出结论的同时也带来新的生物学洞见最终推动精准免疫治疗真正落地。加入团队我们是一支由国内外顶尖高校硕博组成的前沿交叉团队多名成员以第一作者身份在Nature、Nature Communications、Advanced Science以及Radiology等顶级期刊发表过论文。团队正在招聘实习生/分析师/讲师欢迎医工交叉方向的优秀硕博投递个人简历到团队邮箱lxltx2025163.com