Immun-Checkpoint-Inhibitoren können für Krebspatient:innen wahre Wundermittel sein: Bei manchen führen sie zur Heilung, bei anderen verwandeln sie eine tödliche Krankheit in eine behandelbare chronische Erkrankung. Diese Medikamente wirken jedoch nur bei einer Untergruppe von Patient:innen und es gibt kaum Hinweise darauf, warum dies so ist – eine Wissenslücke, die sich nachteilig auf die Prognose der Patient:innen auswirkt und auf die Forschung, die zu neuen Therapien führen könnte.

Das Forschungsteam entwickelte das KI-Tool COMPASS, um zur Lösung dieses Problems beizutragen. Das Modell erstellt Vorhersagen zum ICI-Ansprechen, indem es die Aktivität von fast 16.000 Genen analysiert, deren Rolle bei den Zuständen von Immunzellen, der Interaktion zwischen Tumor und Mikroumgebung sowie bei Signalwegen bekannt ist. 

Unter Verwendung von Daten früher behandelter Patient:innen aus 16 klinischen Kohorten übertraf das Modell die besten bisher bestehenden Ansätze um 8,5 %. Es stützt seine Vorhersagen auf die Genaktivität der Tumoren der Patient:innen und liefert zudem eine Begründung für seine Ergebnisse. Diese höhere Genauigkeit zeigte sich unter einer Vielzahl von Bedingungen, darunter bei verschiedenen Krebsarten, ICI-Medikamenten, Plattformen zur Sequenzierung von Gentranskripten und Biopsieentnahmestellen.

Sollten sich diese Ergebnisse in prospektiven klinischen Studien bestätigen, könnte COMPASS in Krebskliniken als Entscheidungshilfe eingesetzt werden, um Ärzt:innen dabei zu helfen, zu entscheiden, welche Patient:innen am meisten von ICIs profitieren würden. Zudem könnte es auch für klinische Studien mit ICIs von großem Nutzen sein, da es den Studienleiter:innen dabei hilft, die am besten geeigneten Teilnehmer:innen zu rekrutieren und diesen die größten Chancen auf ein signifikantes Ansprechen zu bieten.

Die Ergebnisse wurden im Journal "Nature Medicine" veröffentlicht.