Jean Pierre LAROCHE 13 Juillet 2026 Clics : 144

IA et IMMUNOTHERAPIE

Prédire la réponse à l'immunothérapie

“L'ambition ressemble à un médicament, il faut en prendre la dose prescrite, car elle peut être soit bénéfique, soit nocive.” Marc Allegret

“Si le médicament ne trouble pas l'organisme, il ne guérira pas.” Mencius

Shen W, Moon I, Nguyen TH, Li MM, Huang Y, Nair N, Marbach D, Zitnik M. Generalizable AI predicts immunotherapy outcomes across cancers and treatments.

L'IA généralisable prédit les résultats de l'immunothérapie pour différents types de cancers et de traitements.

Nat Med. 2026 Jul 3. doi: 10.1038/s41591-026-04502-7. Epub ahead of print. PMID: 42399673.

https://www.nature.com/articles/s41591-026-04502-7

En libre accès

Les inhibiteurs de points de contrôle immunitaire (ICI) constituent un traitement standard pour de nombreux cancers.

Pourtant, la plupart des patients n'y répondent pas, et les biomarqueurs existants présentent une faible généralisation entre les différents types de tumeurs et les thérapies.

Nous présentons ici COMPASS, un modèle de base pancancéreux qui prédit la réponse à l'immunothérapie à partir de transcriptomes tumoraux massifs grâce à un transformateur de concepts.

COMPASS encode l'expression génique à travers 44 concepts immunitaires biologiquement fondés, représentant les états des cellules immunitaires, l'interaction tumeur-microenvironnement et les voies de signalisation. Entraîné sur 10 184 tumeurs issues de 33 types de cancers, COMPASS obtient des performances moyennes supérieures à celles de 22 méthodes sur 16 cohortes cliniques couvrant sept cancers et six ICI, améliorant la précision de 8,5 % et l'aire sous la courbe précision-rappel de 15,7 % en moyenne sur l'ensemble des cohortes. COMPASS se généralise aux types de cancers et aux traitements non représentés lors de l'optimisation et pourrait éclairer le choix des indications et la stratification des patients.

Dans les analyses de survie, les patients classés comme répondeurs par COMPASS présentaient une survie globale plus longue (risque relatif = 4,7 ; p < 0,0001). Les profils de réponse personnalisés relient l’expression génique aux concepts immunitaires, identifiant les programmes associés à la réponse et à la résistance.

Chez les patients non répondeurs présentant une inflammation immunitaire, COMPASS met en évidence des programmes tels que la signalisation du TGFβ, l’exclusion endothéliale, le dysfonctionnement des lymphocytes T CD4 ⁺ et le déficit en lymphocytes B. COMPASS prédit la réponse à l’immunothérapie et fournit des informations mécanistiques permettant de formuler des hypothèses pour la conception d’essais cliniques et d’études translationnelles.

a ) Transfert de connaissances en immuno-oncologie par apprentissage hiérarchique de concepts. L'architecture de COMPASS, basée sur un goulot d'étranglement conceptuel, intègre des signatures génétiques TIME qui capturent les types cellulaires, les états fonctionnels et les voies de signalisation (en haut). L'apprentissage hiérarchique de caractéristiques transforme les profils d'expression en représentations TIME interprétables par des niveaux d'abstraction successifs (en bas). Cette architecture, biologiquement fondée et peu gourmande en paramètres, permet des prédictions généralisables et interprétables des résultats de l'immunothérapie. b ) Pré-entraînement auto-supervisé sur des transcriptomes pancancéreux. Grâce à l'apprentissage contrastif, COMPASS projette des profils RNA-seq en masse dans des représentations vectorielles de patients biologiquement fondées, qui capturent les informations essentielles sur les types cellulaires et les voies fonctionnelles. L'entraînement par triplets aligne les versions perturbées (augmentées) de chaque tumeur (A, A′) tout en distinguant les échantillons non apparentés (B) dans l'espace conceptuel. En exploitant de vastes cohortes pancancéreuses non étiquetées, ce processus construit des représentations TIME généralisables qui constituent la base des tâches prédictives. c ) Affinement du modèle sur des cohortes cliniques pour une prédiction explicable des résultats de l'immunothérapie. Le modèle pré-entraîné est affiné sur des cohortes cliniques par apprentissage supervisé, avec l'ajout d'un classificateur léger pour prédire les réponses des patients aux ICI. Grâce à un apprentissage par transfert optimisé en termes de paramètres, COMPASS s'adapte à divers schémas thérapeutiques et populations de patients sans surapprentissage, générant des prédictions interprétables fondées sur les concepts TIME appris. d ) Architecture du modèle COMPASS. Le modèle comprend trois composants : (1) un encodeur de gènes basé sur un transformeur qui transforme les profils d'expression en représentations contextuelles ; (2) un projecteur de concepts hiérarchique qui agrège progressivement ces profils en concepts TIME multi-échelles ; et (3) un classificateur spécifique à la tâche qui produit des prédictions à partir des caractéristiques conceptuelles. L'architecture à goulot d'étranglement conceptuel du projecteur (encadré violet) associe d'abord les plongements de gènes à des concepts TIME granulaires, puis les compresse en représentations de plus haut niveau. Le classificateur exploite ces caractéristiques biologiquement fondées pour distinguer les répondeurs des non-répondeurs. Lors du pré-entraînement (encadré bleu), l'apprentissage contrastif par triplets met à jour l'encodeur et le projecteur afin de construire des représentations TIME discriminantes. Ceci est réalisé par minimisation de la perte contrastive, qui réduit la distance cosinus entre les vues perturbées (augmentées) de la même tumeur ( _fA_, fA ' ) _tout en augmentant leur séparation par rapport aux autres échantillons ( fB ) dans l'espace conceptuel. Le réglage fin (encadré jaune) utilise un apprentissage supervisé sur des cohortes cliniques, adaptant sélectivement les composants (encodeur, projecteur ou classificateur) tout en préservant la hiérarchie conceptuelle interprétable.Stratégies d'ajustement fin flexibles pour l'adaptation clinique. Quatre modes d'apprentissage par transfert permettent d'équilibrer la stabilité et l'adaptation à de nouvelles cohortes cliniques de tailles variables : (1) ajustement fin complet (COMPASS-FFT) : mise à jour de tous les composants (encodeur, projecteur, classificateur), affinant les poids du modèle pour un alignement spécifique à la tâche ; (2) ajustement fin partiel (COMPASS-PFT) : ajustement du projecteur et du classificateur uniquement, préservant les connaissances de l'encodeur tout en recalibrant les concepts TIME ; (3) sondage linéaire (COMPASS-LFT) : mise à jour du classificateur uniquement, exploitant les concepts TIME pré-entraînés et figés pour les petites cohortes ; et (4) absence d'ajustement fin (COMPASS-NFT) : utilisation de la similarité cosinus pour référencer les patients dont les étiquettes de réponse sont connues dans l'espace TIME pré-entraîné (Fig. S1 ). Les composants entraînables sont représentés par des icônes de feu (poids apprenables) et des icônes de glace (poids figés). Icônes créées dans BioRender : icônes TEMPS et concept TEMPS de haut niveau dans a , Shen, W. https://biorender.com/3heg574 (2026) ; icônes patient et concept TEMPS dans b – d , Shen, W. https://biorender.com/3heg574 (2026). NK, cellules tueuses naturelles.

SYNTHESES NOTEBOOKLM

Cette étude présente COMPASS, un modèle d'intelligence artificielle de pointe conçu pour prédire la réaction des patients à l'immunothérapie à travers divers types de cancers. En utilisant une architecture innovante de transformateur à goulot d'étranglement conceptuel, le système traduit les données génétiques complexes en 44 concepts biologiques lisibles, tels que les voies de signalisation cellulaire et l'état des cellules immunitaires. Les recherches démontrent que cet outil surpasse les biomarqueurs traditionnels en termes de précision, permettant d'identifier avec succès les mécanismes de résistance chez les patients qui ne répondent pas au traitement. Finalement, COMPASS offre une approche personnalisée de l'oncologie, capable de généraliser ses prédictions à de nouveaux traitements et de fournir des cartes de réponse détaillées pour guider les décisions cliniques.

Résumé de l'article / CHATGPT

Titre : Generalizable AI predicts immunotherapy outcomes across cancers and treatments
Journal : Nature Medicine (2026)

Contexte

Les inhibiteurs des points de contrôle immunitaire (ICI) ont révolutionné le traitement de nombreux cancers, mais seuls 20 à 40 % des patients répondent durablement. Les biomarqueurs actuels (PD-L1, charge mutationnelle tumorale [TMB]) restent imparfaits pour sélectionner les patients susceptibles de bénéficier d'une immunothérapie.

Objectif

Développer un modèle d'intelligence artificielle capable de :

prédire la réponse aux immunothérapies,
fonctionner dans différents cancers,
être généralisable à plusieurs traitements,
rester interprétable biologiquement.

Le modèle : COMPASS

Les auteurs proposent COMPASS, un modèle fondé sur un transformer utilisant les transcriptomes tumoraux (RNA-seq).

Originalité :

entraînement sur 10 184 tumeurs
33 types de cancers
apprentissage auto-supervisé
représentation de 44 concepts biologiques (cellules immunitaires, voies de signalisation, microenvironnement tumoral).

Contrairement aux modèles « boîte noire », COMPASS fournit une explication biologique de ses prédictions.

Cohorte d'évaluation

Validation sur :

1 133 patients
16 cohortes cliniques
7 cancers
6 immunothérapies différentes
anti-PD-1
anti-PD-L1
anti-CTLA4
combinaisons thérapeutiques.

Résultats principaux

Comparé à 22 modèles existants, COMPASS obtient :

+8,5 % de précision
+15,7 % d'AUPRC
meilleures performances dans quasiment toutes les cohortes

Le modèle conserve ses performances :

entre différents cancers
entre différents médicaments
même avec de petites cohortes.

Généralisation remarquable

COMPASS prédit correctement la réponse :

dans des cancers jamais vus pendant l'entraînement,
avec de nouvelles immunothérapies,
pour des associations thérapeutiques.

Exemple :

le modèle atteint 85,3 % de précision pour une combinaison ipilimumab + pembrolizumab alors qu'il n'avait été entraîné que sur des monothérapies.

Impact pronostique

Chez les patients atteints d'un carcinome urothélial traités par atézolizumab :

les patients classés comme « répondeurs » par COMPASS présentent :

une survie globale très supérieure
Hazard Ratio ≈ 4,7
p < 10⁻⁶

COMPASS surpasse :

le PD-L1,
le TMB,
les phénotypes immunitaires classiques.

Compréhension biologique

Le modèle identifie plusieurs mécanismes expliquant les résistances :

activation de la voie TGF-β
exclusion vasculaire des lymphocytes
dysfonction des lymphocytes CD4
déficit en lymphocytes B
immunosuppression stromale
défaut de cellules NK

Ainsi, deux tumeurs ayant le même phénotype inflammatoire peuvent présenter des mécanismes de résistance totalement différents.

Cartes de réponse personnalisées

COMPASS génère pour chaque patient une carte explicative reliant :

gènes exprimés → voies immunitaires → concepts biologiques → probabilité de réponse.

Cette approche permet :

une meilleure interprétation clinique,
l'identification de nouveaux biomarqueurs,
la génération d'hypothèses thérapeutiques personnalisées.

Forces de l'étude

Très grande base d'apprentissage (10 184 tumeurs)
Validation multicentrique
33 cancers
16 cohortes indépendantes
Modèle explicable (IA interprétable)
Bonne robustesse sur de nouvelles indications
Potentiel considérable pour les essais cliniques et la médecine de précision.

Limites

Validation essentiellement rétrospective.
Nécessité d'une séquence RNA tumorale avant traitement.
Les mécanismes biologiques proposés restent à confirmer expérimentalement.
Une validation prospective est indispensable avant une utilisation clinique de routine.

Messages clés

COMPASS est un nouveau modèle d'IA capable de prédire la réponse à l'immunothérapie dans de nombreux cancers.
Il dépasse les biomarqueurs actuels (PD-L1, TMB) en précision.
Il fournit une explication biologique de chaque prédiction.
Il identifie des mécanismes de résistance potentiellement actionnables.
Cette approche représente une étape importante vers une médecine de précision guidée par l'IA, avec des applications potentielles pour la sélection des patients et l'optimisation des essais thérapeutiques.
D'après l'article de Shen et al. et la littérature connexe, plusieurs profils de patients tirent un bénéfice particulier de COMPASS (OPEN EVIDENCE)

Patients avec des tumeurs « immuno-inflammées » mais résistantes aux ICI

COMPASS apporte la plus grande valeur ajoutée chez les patients dont les tumeurs présentent un phénotype immuno-inflammé (infiltration immunitaire présente) mais qui, paradoxalement, ne répondent pas à l'immunothérapie. Chez ces patients, les biomarqueurs conventionnels (PD-L1, TMB) prédisent à tort une réponse favorable. COMPASS identifie les mécanismes de résistance sous-jacents — signalisation TGFβ, exclusion endothéliale, dysfonction des lymphocytes T CD4+ et déficit en lymphocytes B — permettant ainsi de mieux stratifier ces patients et d'éviter des traitements inefficaces. [1]

Patients atteints de cancers où les biomarqueurs classiques sont insuffisants

Seulement 20 à 30 % des patients traités par ICI obtiennent une réponse durable, et PD-L1 ne démontre une valeur prédictive que dans environ 28,9 % des approbations FDA. [2] COMPASS surpasse 22 méthodes existantes sur 16 cohortes couvrant 7 types de cancers, ce qui le rend particulièrement utile dans les situations où les biomarqueurs standards (PD-L1, TMB, MSI) sont peu informatifs — notamment dans les tumeurs à TMB intermédiaire ou PD-L1 faible/négatif. [1][3]

Patients atteints de types tumoraux rares ou peu étudiés

Un avantage distinctif de COMPASS est sa capacité à généraliser à des types de cancers et des traitements non représentés lors du fine-tuning. [1] Cela le rend particulièrement pertinent pour :
- Les tumeurs rares pour lesquelles les données d'essais cliniques sont limitées
- Les indications émergentes où aucun biomarqueur compagnon n'est validé
- Les situations où un transcriptome tumoral est disponible mais où les tests PD-L1/TMB/MSI ne sont pas concluants
Patients candidats à une sélection thérapeutique personnalisée

Les « cartes de réponse personnalisées » générées par COMPASS permettent d'identifier les programmes immunitaires spécifiques à chaque patient, offrant un potentiel de stratification individualisée au-delà de la simple classification répondeur/non-répondeur. [1] Cela pourrait orienter vers des combinaisons thérapeutiques ciblant les mécanismes de résistance identifiés (par exemple, anti-TGFβ chez les patients avec une signalisation TGFβ dominante).

Contexte clinique plus large

Il est important de noter que les modèles prédictifs basés sur l'IA, y compris COMPASS, font face à un « fossé de validation » (validation gap) : de nombreux modèles performants en rétrospectif perdent en précision lors de la validation externe multi-institutionnelle. [2][4] La validation prospective dans des essais cliniques reste indispensable avant toute adoption en pratique courante. [2]

La figure ci-dessous illustre la performance comparative d'un modèle d'IA (Deep-IO) par rapport aux biomarqueurs conventionnels dans le CBNPC, montrant comment l'intégration de l'IA améliore la prédiction de réponse aux ICI.

Performance of Immune Checkpoint Inhibitors (ICIs) Biomarkers vs the Deep-IO Model

Deep Learning Model for Predicting Immunotherapy Response in Advanced Non−Small Cell Lung Cancer. JAMA Oncol. 1 février 2025.

Content used under license from the JAMA Network® © American Medical Association
L'article positionne COMPASS comme un outil générateur d'hypothèses pour la conception d'essais cliniques et les études translationnelles. Comme pour les autres modèles d'IA prédictifs en immuno-oncologie, la validation prospective dans des essais cliniques reste une étape essentielle avant toute adoption clinique.

Références

1.

Generalizable AI Predicts Immunotherapy Outcomes Across Cancers and Treatments.
Nature Medicine. 2026. Shen W, Moon I, Nguyen TH, et al.

2.

Predictive Models for Checkpoint Inhibitor Response in Cancer: A Review of Current Approaches and Future Directions.
Critical Reviews in Oncology/Hematology. 2025. Oisakede EO, Akinro O, Bello OJ, et al.Review

3.

Predictive Biomarkers for Immune Checkpoint Inhibitor Efficacy: Challenges, Innovations, and a Pathway to Precision Medicine in the Era of Cancer Immunotherapy.
Clinical Chemistry. 2026. Lee M, SoRelle JA, Everest-Dass A, Gerber DE, von Itzstein MS.Recent

4.

Facts and Hopes on the Use of Artificial Intelligence for Predictive Immunotherapy Biomarkers in Cancer.
Clinical Cancer Research : An Official Journal of the American Association for Cancer Research. 2023. Ghaffari Laleh N, Ligero M, Perez-Lopez R, Kather JN.

5.

Deep Learning Model for Predicting Immunotherapy Response in Advanced Non−Small Cell Lung Cancer.
JAMA Oncology. 2025. Rakaee M, Tafavvoghi M, Ricciuti B, et al.Observational

Commentaire

Une validation prospective est indispensable avant une utilisation clinique de routine.

À suivre, mais cette étude montre une fois de plus l'importance de l'IA dans tous les domaines de la recherche clinique, ici en cancérologie sans oublier les études in silico .

À quel coût ?

À LIRE