Biotecnología · global
Un modelo de IA pancanceroso apunta al reto de la inmunoterapia, mientras BioCOMPASS intenta situar los biomarcadores en el centro de la predicción
Los inhibidores de puntos de control inmunitario han cambiado el tratamiento del cáncer, pero sigue siendo difícil anticipar quién se beneficiará; el nuevo modelo BioCOMPASS calibra sus predicciones con múltiples biomarcadores e información terapéutica, y los datos iniciales muestran una mejora de la precisión, aunque aún debe superar umbrales de validación antes de convertirse en una herramienta de decisión clínica.
Uno de los problemas más difíciles de la inmunoterapia contra el cáncer no es si los fármacos son eficaces, sino en quién lo serán. Los inhibidores de puntos de control inmunitario como PD-1 y CTLA-4 ya han permitido que los tumores de algunos pacientes permanezcan controlados a largo plazo, pero muchas otras personas, tras asumir efectos secundarios y costes de tiempo, siguen sin presentar una respuesta evidente. Si se pudiera predecir con mayor precisión la respuesta antes del tratamiento, en la práctica clínica sería posible ajustar antes la estrategia y diseñar ensayos con mayor precisión.
FirstWord Pharma informó que una herramienta de IA pancancerosa llamada BioCOMPASS mejoró la precisión en la predicción de la respuesta a la inmunoterapia. Según el preprint del estudio, BioCOMPASS es una versión ampliada del modelo COMPASS existente, con un foco que no se limita a las señales genómicas o transcriptómicas en sí, sino que incorpora biomarcadores clínicos y tipos de tratamiento en la interpretación del modelo.
La tarea específica a la que apunta este modelo es predecir si los pacientes con cáncer podrían presentar una respuesta terapéutica tras recibir inhibidores de puntos de control inmunitario. La información pública muestra que BioCOMPASS admite indicadores terapéuticos como PD-1, CTLA-4 y terapias combinadas, y utiliza múltiples tipos de características de entrada, incluidas 62 características de células inmunitarias, 42 puntuaciones de actividad de las vías CTLA4 y PD1, así como biomarcadores auxiliares como TIDE e IPRES, relacionados con la evasión inmunitaria o la resistencia al tratamiento.
El equipo investigador indicó en el preprint que BioCOMPASS, mediante diseños como compuertas terapéuticas, alineación de conceptos, consistencia de vías y aprendizaje auxiliar, permite que el modelo se acerque más al contexto biológico de la inmunoterapia al interpretar los datos de los pacientes. En otras palabras, no se limita a buscar asociaciones estadísticas en los datos, sino que intenta situar “qué tipo de inmunoterapia se recibe” y “qué señales presenta el microambiente inmunitario tumoral” dentro de un mismo marco predictivo.
En cuanto a la validación, el informe de investigación señala que, en pruebas leave-one-cohort-out realizadas en 8 cohortes, la precisión de BioCOMPASS aumentó del 63,10% de COMPASS al 70,00%. Los autores también emplearon estrategias como leave-one-cancer-type-out y leave-one-treatment-out para evaluar la capacidad de generalización del modelo frente a tipos de cáncer o tratamientos no vistos. Estos diseños se aproximan mejor a escenarios de aplicación real que una sola partición de datos, pero los resultados proceden por ahora de un preprint y aún no equivalen a una validación clínica prospectiva.
Por ello, las limitaciones también son bastante claras. La respuesta a la inmunoterapia se ve afectada por el tipo de tumor, los tratamientos previos, el procesamiento de las muestras, la plataforma de secuenciación y la definición de respuesta; los sesgos entre distintos conjuntos de datos pueden hacer que el modelo funcione bien en datos de investigación, pero que su rendimiento disminuya al entrar en los flujos hospitalarios. Para convertirse en una herramienta utilizable en la selección terapéutica, BioCOMPASS aún necesita demostrar estabilidad en datos independientes, multicéntricos y prospectivos, y explicar cómo deben usarse sus resultados junto con criterios clínicos existentes como la expresión de PD-L1 y la carga mutacional tumoral.
La relevancia de este avance reside en que desplaza el foco de la IA biomédica desde la idea abstracta de “predecir con mayor precisión” hacia un problema clínico más concreto: cómo conectar la inmunobiología, los mecanismos terapéuticos y los datos de los pacientes en un juicio comprobable. El código público de BioCOMPASS también ayuda a que investigadores externos reproduzcan y examinen el método. Sin embargo, mientras no se aclaren la regulación, la responsabilidad clínica y los estándares de estratificación de pacientes, se parece más a una plataforma de investigación con potencial que a una herramienta diagnóstica y terapéutica capaz de sustituir directamente el criterio médico.