Un equipo de Harvard, en colaboración con Roche, publicó en Nature Medicine el desarrollo de COMPASS, un modelo de inteligencia artificial (IA) capaz de predecir si un paciente con cáncer responderá a la inmunoterapia a partir del análisis de la actividad genética de su tumor. El sistema fue entrenado con información de 10 mil 184 tumores correspondientes a 33 tipos de cáncer y evaluado en mil 133 pacientes de 16 cohortes clínicas que abarcan siete tipos de cáncer y seis fármacos inmunoterapéuticos distintos, superando en desempeño a 22 métodos de predicción existentes.
Los inhibidores de punto de control inmunitario o ICI son fármacos que reactivan la capacidad del sistema inmune para atacar células cancerosas, y forman parte del tratamiento estándar en múltiples tipos de tumores. Sin embargo, solo una fracción de los pacientes responde de forma duradera. Los biomarcadores actuales, como la carga mutacional tumoral y la expresión de la proteína PD-L1, ofrecen información limitada, ya que muchos tumores con alta carga mutacional no responden al tratamiento, mientras que algunos con baja carga mutacional sí lo hacen.
“Los ICI son una modalidad terapéutica prometedora que ha transformado el tratamiento del cáncer durante la última década al activar el sistema inmunitario para que combata y destruya las células cancerosas. Al aprovechar las capacidades de vanguardia de la inteligencia artificial, podemos identificar quiénes tienen más probabilidades de responder a un ICI concreto antes de que el paciente reciba el fármaco”, Marinka Zitnik, profesora asociada de informática biomédica en el Instituto Blavatnik de Harvard y autora principal del estudio.
COMPASS aborda este problema mediante una arquitectura que los autores denominan “cuello de botella conceptual”. En lugar de generar una predicción directamente a partir de los datos genéticos, el modelo primero traduce la actividad de más de 15 mil genes en 44 conceptos biológicos interpretables, como la presencia de células T citotóxicas, la actividad de macrófagos o la señalización de la vía TGFβ. A partir de estos conceptos, un clasificador final determina la probabilidad de respuesta. Este diseño permite que las predicciones puedan explicarse en términos de mecanismos biológicos reconocibles para el personal clínico, en lugar de funcionar como una caja negra.