Ne Oldu?
Harvard Tıp Fakültesi öncülüğündeki araştırma ekibi, kanser hastalarının belirli immünoterapi ilaçlarına yanıt verip vermeyeceğini tahmin etmek amacıyla COMPASS adlı bir yapay zekâ modeli geliştirdi. Araştırmanın sonuçları 3 Temmuz 2026 tarihinde Nature Medicine dergisinde yayımlandı.
Model, kanser tedavisinin tamamını değil, bağışıklık kontrol noktası inhibitörleri olarak bilinen immünoterapi ilaçlarına verilecek yanıtı öngörmeye odaklanıyor. Bu ilaçlar PD-1, PD-L1 ve CTLA-4 gibi bağışıklık sisteminin kanser hücrelerine saldırmasını sınırlayan kontrol mekanizmalarını hedefliyor.
Bağışıklık kontrol noktası inhibitörleri bazı hastalarda uzun süreli ve güçlü sonuçlar sağlayabilse de her hasta tedaviye yanıt vermiyor. Mevcut biyobelirteçler, tümör türleri ve farklı ilaçlar arasında aynı güvenilirlikle çalışmayabiliyor. Bu durum, etkisiz kalabilecek bir tedavinin uygulanması sırasında hastalığın ilerlemesi ve yan etki riskinin oluşması gibi sorunlara yol açabiliyor.
COMPASS, tedavi öncesinde alınan tümör örneklerinden elde edilen gen ifadesi verilerini analiz ediyor. Model yaklaşık 15 bin 700 protein kodlayan genin faaliyetini; bağışıklık hücrelerinin durumu, tümör mikroçevresi, hücresel sinyal yolları ve bağışıklık sistemiyle tümör arasındaki etkileşimlerle bağlantılı biyolojik kavramlara dönüştürüyor.
Araştırmacılar modeli ilk aşamada 33 kanser türüne ait 10 bin 184 tümör örneğiyle eğitti. Daha sonra bağışıklık kontrol noktası inhibitörü tedavisi alan 1.133 hastadan oluşan 16 klinik kohort üzerinde değerlendirdi. Bu veriler yedi kanser türünü ve altı farklı immünoterapi seçeneğini kapsadı.
Çalışmanın sonuçlarına göre COMPASS, karşılaştırıldığı 22 yöntemden ortalama olarak daha iyi performans gösterdi. Model, klinik kohortlar genelinde tahmin doğruluğunu ortalama yüzde 8,5, kesinlik-duyarlılık eğrisinin altında kalan alanı ise yüzde 15,7 artırdı.
COMPASS’ın önemli özelliklerinden biri, yalnızca bir yanıt olasılığı üretmekle kalmayıp tahminini hangi biyolojik süreçlere dayandırdığını gösterebilmesi. Model, tedaviye yanıt veya dirençle bağlantılı bağışıklık faaliyetlerini hasta düzeyinde açıklayan haritalar oluşturuyor.
Neden Önemli?
Kanser immünoterapileri, bağışıklık sisteminin tümör hücrelerini tanımasını ve hedef almasını destekliyor. Ancak tedavilerin etkisi hastadan hastaya büyük ölçüde değişebiliyor. Aynı kanser türüne ve benzer klinik özelliklere sahip iki hasta, aynı ilaçtan farklı sonuçlar alabiliyor.
PD-L1 düzeyi ve tümör mutasyon yükü gibi mevcut biyobelirteçler tedavi kararlarında kullanılabiliyor. Ancak yüksek biyobelirteç değerine sahip bazı hastalar tedaviye yanıt vermezken düşük değerlere sahip bazı hastalarda güçlü yanıt görülebiliyor. Bu nedenle tek bir biyolojik ölçüme dayanan seçim yöntemleri her vakada yeterli olmayabiliyor.
COMPASS, çok sayıdaki genin faaliyetini tümör mikroçevresiyle ilişkili biyolojik süreçler üzerinden birlikte değerlendiriyor. Bu yaklaşım, tek bir belirteç yerine bağışıklık sisteminin ve tümörün genel durumuna ilişkin daha kapsamlı bir görünüm sağlayabilir.
Tedaviye yanıt olasılığının daha doğru tahmin edilmesi, uygun hastaların immünoterapiye yönlendirilmesine yardımcı olabilir. Yanıt verme ihtimali düşük hastalar için ise zaman kaybetmeden farklı tedavi seçeneklerinin değerlendirilmesi mümkün olabilir.
Bununla birlikte çalışma sonuçları, COMPASS’ın hastanelerde kullanılmaya hazır olduğu anlamına gelmiyor. Araştırma geçmişte tedavi edilmiş hastalardan alınan verilerle gerçekleştirildi. Modelin gerçek klinik karar süreçlerinde güvenilir biçimde kullanılabilmesi için farklı hasta gruplarını kapsayan ileriye dönük klinik çalışmalarla doğrulanması gerekiyor.
Kimleri Etkiliyor?
Gelişme öncelikle bağışıklık kontrol noktası inhibitörlerinin kullanıldığı kanser türleri üzerinde çalışan araştırmacıları ve sağlık profesyonellerini ilgilendiriyor. Model henüz klinik uygulamaya girmediği için hastaların mevcut tedavi planlarını doğrudan değiştirmiyor.
- İmmünoterapi uygulayan tıbbi onkoloji ekipleri
- Bağışıklık kontrol noktası inhibitörü tedavisi değerlendirilen hastalar
- Tümör gen ifadesi analizi yapan patoloji ve genomik laboratuvarları
- Kanser biyobelirteçleri üzerinde çalışan araştırmacılar
- İmmünoterapi klinik araştırmalarını yürüten ilaç şirketleri
- Klinik karar destek sistemleri geliştiren sağlık teknolojisi şirketleri
- Tıbbi yapay zekâ modellerini değerlendiren düzenleyici kuruluşlar
İlaç geliştiricileri açısından COMPASS, klinik araştırmalara belirli tedavilere yanıt verme olasılığı daha yüksek hastaların seçilmesini destekleyebilir. Bu yaklaşım araştırmaların daha hedefli yürütülmesine katkı sağlayabilir ancak hasta seçiminde adalet, veri çeşitliliği ve modelin farklı toplumlarda doğrulanması önemini koruyacaktır.
Olası Etkileri
COMPASS ileriye dönük çalışmalarda benzer sonuçlar verirse onkologlara immünoterapi kararlarında yardımcı olan bir klinik karar destek aracına dönüşebilir. Modelin çıktısı doktor kararının yerine geçmekten çok patoloji, görüntüleme, genetik testler ve hastanın klinik durumuyla birlikte değerlendirilebilir.
Modelin farklı kanserler ve farklı immünoterapi ilaçları arasında genellenebilmesi, her hastalık için sıfırdan ayrı bir sistem geliştirme ihtiyacını azaltabilir. Bununla birlikte çalışmada bulunmayan hasta grupları, nadir kanserler veya farklı tedavi kombinasyonlarında performansın aynı kalacağı henüz kesin değil.
Yapay zekânın belirlediği bağışıklık mekanizmaları, tedavi direncinin nedenlerine ilişkin yeni araştırma alanları oluşturabilir. COMPASS’ın özellikle TGF-beta sinyali, bağışıklık hücresi işlev bozukluğu ve tümör çevresindeki damar yapıları gibi süreçleri öne çıkarması, yeni biyobelirteç veya ilaç hedeflerinin araştırılmasına katkıda bulunabilir.
Gen ifadesi analizinin maliyeti, örnek kalitesi ve laboratuvarlar arasındaki teknik farklılıklar modelin uygulanmasını etkileyebilir. Bir hastanede üretilen verilerle başarılı çalışan sistemin başka bir laboratuvarda aynı performansı göstermesi için veri toplama ve analiz süreçlerinin standartlaştırılması gerekebilir.
Yanlış pozitif bir tahmin, etkisiz olabilecek tedavinin uygulanmasına; yanlış negatif bir tahmin ise yarar sağlayabilecek bir hastanın immünoterapiden uzaklaştırılmasına neden olabilir. Bu nedenle klinik kullanım öncesinde modelin doğruluğunun yanında hata türlerinin ve hasta güvenliğine etkisinin de değerlendirilmesi gerekecek.
Kaynaklar
- Nature Medicine: Generalizable AI Predicts Immunotherapy Outcomes Across Cancers and Treatments
- Harvard Medical School: AI Tool Improves Prediction of Who Will Respond to Cancer Immunotherapy Drugs
- ecancer: AI Tool Improves Prediction of Who Will Respond to Cancer Immunotherapy Drugs