İmmün kontrol noktası inhibitörleri, PD-1, PD-L1 ve CTLA-4 gibi proteinleri hedef alarak tümör hücrelerinin bağışıklık sisteminden saklanmasını engelliyor. 2011’den bu yana FDA onayları alan bu ilaçlar, melanom, akciğer kanseri ve böbrek kanseri gibi daha önce tedavi seçeneği kalmamış birçok kanserde uzun süreli sağ kalım sağladı. Ne var ki, hastalar arasındaki yanıt farklılıkları büyük ölçüde anlaşılamamış durumda. Klinikte kullanılan PD-L1 ekspresyonu gibi biyobelirteçler sınırlı öngörü gücü sunarken, tümörün genetik karmaşıklığını ve bağışıklık sistemiyle etkileşimini tek bir molekül üzerinden değerlendirmek çoğu zaman yetersiz kalıyor.

Harvard Tıp Fakültesi’nden Doç. Dr. Marinka Zitnik liderliğindeki araştırmacılar, COMPASS modelini tam da bu karmaşıklığı çözmek üzere tasarladı. Ekip, binlerce tümör örneğine ait gen ifadesi verilerini kullanarak eğittiği modeli, tümör mikroçevresindeki ince ipuçlarını yakalayacak şekilde optimize etti. Model, yalnızca tek bir gen veya proteinin düzeyine bakmak yerine, tümörün genel gen ifadesi profilini analiz ederek bağışıklık sisteminin ilaca nasıl tepki vereceğini katmanlı bir yaklaşımla tahmin ediyor. Bu sayede, daha önce görülmemiş hasta gruplarında ve farklı kanser türlerinde dahi tutarlı sonuçlar üretebiliyor.

COMPASS’ı diğer öngörü araçlarından ayıran en önemli özelliklerden biri genelleştirilebilirliği. Araştırma ekibi, modeli 18 farklı kanser türünde ve 10’dan fazla immün kontrol noktası inhibitörünü içeren bağımsız hasta kohortlarında test etti. Sonuçlar, COMPASS’ın mevcut standart biyobelirteçleri ve daha önce geliştirilen yapay zeka modellerini geride bırakarak belirgin şekilde daha yüksek doğruluk sağladığını gösterdi. Üstelik model, eğitildiği veri setinde bulunmayan yeni kanser tipleri ve ilaç kombinasyonları için de anlamlı tahminler yapabildi. Bu da onu klinik uygulamada esnek ve güçlü bir karar destek aracı haline getiriyor.

Modelin bir diğer öne çıkan özelliği ise yorumlanabilir olması. Pek çok yapay zeka sistemi “kara kutu” gibi çalışırken, COMPASS hangi genlerin ve biyolojik yolakların tahmine katkıda bulunduğunu şeffaf bir şekilde ortaya koyuyor. Örneğin, belirli bir hastada T hücre aktivasyonuyla ilişkili genlerin yüksek, bağışıklık baskılayıcı sinyallerin ise düşük ifade edildiğini tespit ederek, tedavi yanıtının olası mekanizmalarını aydınlatıyor. Bu yorumlanabilirlik, hem klinisyenlerin modele güvenmesini kolaylaştırıyor hem de kişiselleştirilmiş tedavi stratejilerinin biyolojik temellere dayandırılmasına olanak tanıyor.

Bilim insanları, COMPASS’ın yakın gelecekte onkoloji pratiğinde dönüştürücü bir rol oynayabileceğini belirtiyor. Model, bir hastanın immünoterapiye yanıt verip vermeyeceğini öngörerek gereksiz ilaç maruziyetini ve yan etkileri azaltabilir; aynı zamanda sağlık sistemleri üzerindeki mali yükü hafifletebilir. Özellikle yanıt oranının düşük olduğu kanser türlerinde, tedavi öncesi hastaları seçmek, klinik kaynakların daha verimli kullanılmasını sağlayacaktır. Ancak araştırmacılar, herhangi bir klinik uygulama öncesinde modelin prospektif klinik çalışmalarla doğrulanması gerektiğinin altını çiziyor.

COMPASS’ın ilaç geliştirme sürecine etkisi de büyük olabilir. Klinik araştırmalarda, yalnızca yanıt verme olasılığı yüksek hastaların seçilmesi, deneylerin daha az katılımcıyla daha kısa sürede sonuçlanmasına yardımcı olabilir. Bu da yeni immünoterapötiklerin piyasaya sunulma süresini kısaltabilir ve Ar-Ge maliyetlerini düşürebilir. Harvard ekibi, modelin açık bilim prensipleri çerçevesinde akademik toplulukla paylaşılacağını ve farklı popülasyonlarda doğrulama çalışmalarının devam edeceğini belirtiyor.

Yapay zeka ve onkoloji kesişiminde atılan bu adım, kişiselleştirilmiş tıbbın sınırlarını genişletiyor. COMPASS, karmaşık biyolojik verileri hastanın tedavi yolculuğuna entegre ederek, her kanser hastasının kendine özgü moleküler profile göre en uygun tedaviyi alabileceği bir geleceğin habercisi olabilir. Erken aşamadaki bu bulgular, henüz rutin kliniğe yansımamış olsa da, yapay zekanın kanserle mücadelede sunduğu vaadi somut ve heyecan verici bir biçimde ortaya koyuyor. Araştırma ekibi, şimdi modeli daha geniş ve çeşitlilik içeren hasta gruplarında test ederek, bulgularını küresel sağlık alanına taşımayı hedefliyor.