Herramienta de IA interpretable mejora la predicción de respuesta a la inmunoterapia

Los inhibidores de puntos de control inmunitario son opciones de tratamiento estándar en muchos tipos de cáncer, pero solo un subconjunto de pacientes se beneficia, lo que dificulta la selección de pacientes. Debido a que los biomarcadores predictivos siguen siendo limitados, los clínicos y los equipos de ensayo suelen recurrir a enfoques de prueba y error que pueden exponer a los no respondedores a toxicidad y retrasos en el tratamiento.

Las herramientas interpretables basadas en la biología podrían ayudar a los laboratorios a estratificar mejor a los pacientes con mayor probabilidad de responder utilizando datos transcriptómicos. Un nuevo estudio muestra ahora que un enfoque de inteligencia artificial podría mejorar la identificación de los pacientes con mayor probabilidad de beneficiarse de la inmunoterapia.

Investigadores de la Facultad de Medicina de Harvard han desarrollado COMPASS, un modelo de inteligencia artificial (IA) diseñado para predecir qué pacientes responderán a los inhibidores de puntos de control inmunitario (ICI). El sistema busca mejorar la selección de pacientes a la vez que proporciona una justificación para cada predicción. Hace hincapié en la interpretabilidad anclada en programas génicos relacionados con los estados de las células inmunitarias, las interacciones del microambiente tumoral y las vías de señalización.

COMPASS evalúa la actividad génica tumoral en casi 16.000 genes para generar resultados interpretables por humanos, en lugar de puntuaciones opacas de “caja negra”. El modelo fue entrenado con 10.184 tumores que representaban 33 tipos de cáncer del Atlas del Genoma del Cáncer (TCGA), aprendiendo patrones transcriptómicos asociados con la respuesta y la falta de respuesta a los ICI. Al basar sus decisiones en perfiles de expresión génica, la herramienta vincula los resultados previstos con los procesos biológicos subyacentes que promueven o impiden la inmunidad antitumoral.

Para la adaptación y prueba del modelo, los investigadores ajustaron COMPASS con resultados de 16 ensayos clínicos que abarcaron siete tipos de cáncer y una variedad de regímenes de ICI. El rendimiento se evaluó utilizando una estrategia de dejar un ensayo fuera, en la que cada ensayo se omitía por turno y el modelo predecía respondedores y no respondedores para la cohorte excluida.

En conjunto, COMPASS superó en casi un 10% de media al método existente más sólido para predecir la respuesta a ICI, con mejoras observadas en tipos tumorales, fármacos de checkpoint, plataformas de secuenciación de transcriptos génicos y sitios de biopsia.

Los resultados interpretables también aclararon los casos atípicos, como no respondedores con tumores inflamados por el sistema inmunitario cuyas pautas de expresión indicaban procesos que suprimen la actividad inmunitaria, y respondedores con tumores inmunológicamente desertos cuyas firmas sugerían una participación inmunitaria alternativa. Los hallazgos se publicaron en Nature Medicine el 3 de julio de 2026.

Si se valida prospectivamente, este enfoque podría ayudar a la toma de decisiones clínicas sobre el uso de ICI, mejorar la inclusión en ensayos al identificar a los participantes con mayor probabilidad de beneficiarse y generar hipótesis que señalen nuevos objetivos terapéuticos.

“Los ICI son una modalidad terapéutica emocionante que ha transformado el tratamiento del cáncer durante la última década al movilizar al sistema inmunitario para combatir las células cancerosas y destruirlas. Al aprovechar capacidades de IA de vanguardia, podemos identificar quién tendría más probabilidades de responder a un ICI concreto antes de que ese paciente reciba el fármaco”, dijo la autora principal del estudio, Marinka Zitnik, profesora asociada de informática biomédica en el Instituto Blavatnik de la HMS.

Enlaces relacionados
Harvard Medical School

Visitar la expo >

Miembro Platino

Analizador de coagulación automatizado

Hemolumi H6

Miembro Oro

HISOPOS DE FIBRA FLOCADA

Puritan® Patented HydraFlock®

Automated Clinical Chemistry Analyzer

Envoy 500+

ANALIZADOR DE ELECTROLITOS

BKE-B