Os inibidores de checkpoint imunológico (ICIs) transformaram o tratamento de dezenas de tipos de câncer, tirando pacientes de prognósticos terminais e transformando doenças antes letais em condições crônicas administráveis. Mas essa revolução tem um limite conhecido: a maioria dos pacientes tratados não responde ao medicamento, e até hoje faltam ferramentas confiáveis para prever, antes de começar o tratamento, quem vai se beneficiar. Um estudo publicado em julho de 2026 na Nature Medicine, conduzido por pesquisadores da Harvard Medical School, apresenta um modelo de inteligência artificial que promete mudar esse cenário, com implicações diretas para a rotina de biologia molecular e oncogenética no laboratório clínico.
O problema que a imunoterapia ainda não resolveu
Os biomarcadores usados hoje para selecionar candidatos à imunoterapia, como a carga mutacional tumoral (TMB, do inglês tumor mutational burden) e a expressão de PD-L1 por imuno-histoquímica, têm uma limitação conhecida: funcionam de forma inconsistente entre diferentes tipos de câncer, diferentes medicamentos e diferentes contextos clínicos. Um biomarcador validado para melanoma pode não ter o mesmo valor preditivo em câncer de pulmão ou de bexiga. Essa falta de generalização é um dos principais obstáculos para selecionar pacientes com precisão e para desenhar ensaios clínicos mais eficientes.
O que é o COMPASS
O COMPASS (sigla que remete a bússola, em inglês) é um modelo de fundação (foundation model) pan-canceroso que prevê a resposta à imunoterapia a partir do perfil de expressão gênica do tumor, obtido por sequenciamento de RNA (RNA-seq) em massa (bulk). A arquitetura usa o que os autores chamam de "concept bottleneck transformer": em vez de processar cada gene isoladamente, o modelo organiza a expressão gênica em 44 conceitos imunológicos biologicamente definidos, que representam estados de células imunes, interações entre o tumor e o microambiente ao redor, e vias de sinalização relevantes para a resposta imune.
O modelo foi pré-treinado, por meio de aprendizado autossupervisionado, em transcriptomas de 10.184 tumores abrangendo 33 tipos diferentes de câncer. Depois, foi ajustado (fine-tuned) em coortes clínicas menores, com dados reais de resposta a imunoterapia, para gerar previsões explicáveis sobre o desfecho de cada paciente.
Resultados: mais acurácia e generalização entre tipos de câncer
Nos testes, o COMPASS superou 22 métodos de comparação em 16 coortes clínicas independentes, envolvendo sete tipos de câncer e seis diferentes inibidores de checkpoint imunológico. Em média, o modelo melhorou a acurácia em 8,5% e a área sob a curva de precisão-recall (AUPRC) em 15,7% em relação às melhores abordagens existentes.
Um ponto que chamou atenção dos pesquisadores é a capacidade de generalização: o modelo manteve desempenho consistente mesmo em tipos de câncer e tratamentos que não fizeram parte do processo de ajuste fino, além de se manter estável entre diferentes plataformas de sequenciamento e diferentes sítios de biópsia. Isso sugere que o COMPASS capturou princípios biológicos compartilhados da resposta imune ao câncer, e não apenas padrões específicos de um conjunto de dados.
A interpretabilidade como diferencial
Diferente de muitos modelos de IA usados em oncologia, que funcionam como caixas-pretas, o COMPASS foi desenhado para produzir previsões interpretáveis, ancoradas nos 44 conceitos imunológicos que ele aprendeu. Isso permite que os pesquisadores investiguem por que um paciente específico não respondeu ao tratamento, mesmo quando o resultado era inesperado.
Um exemplo citado pelos autores envolve pacientes não respondedores que tinham tumores classificados como "imunologicamente inflamados", um perfil normalmente associado a boa resposta à imunoterapia. Ao analisar os conceitos internos do modelo, a equipe identificou que a expressão gênica desses casos específicos estava associada a processos que ativamente bloqueavam a resposta imune, uma explicação biológica que um biomarcador único, como PD-L1 isolado, não seria capaz de capturar.
Relevância biomédica
Para o biomédico que atua em oncogenética, biologia molecular ou no apoio a protocolos de imuno-oncologia, este estudo aponta três direções concretas:
Primeiro, ele reforça a tendência de migração de biomarcadores únicos, como PD-L1 por imuno-histoquímica, para análises transcriptômicas mais amplas via RNA-seq, já disponíveis em plataformas de sequenciamento de nova geração usadas por laboratórios de oncologia molecular de maior porte no Brasil.
Segundo, a natureza interpretável do modelo é relevante para a prática, uma vez que ferramentas de IA que produzem apenas uma previsão sem explicação biológica encontram resistência para adoção clínica. Modelos como o COMPASS, que apontam o mecanismo por trás de uma previsão, têm caminho mais natural até protocolos de decisão compartilhada com o oncologista.
Terceiro, o código do COMPASS foi disponibilizado publicamente pelos autores em repositório aberto, o que deve acelerar sua adoção por grupos de pesquisa e, eventualmente, sua validação em estudos prospectivos multicêntricos, incluindo possíveis coortes brasileiras.
Limitações do estudo
Alguns pontos merecem cautela na leitura deste achado. O COMPASS é, até o momento, uma ferramenta de pesquisa, sem aprovação regulatória para uso clínico no Brasil ou em qualquer outro país, e sua adoção na rotina depende de validação prospectiva adicional, com desfechos clínicos reais e não apenas retrospectivos.
O modelo também foi treinado e validado majoritariamente em coortes internacionais, o que levanta a mesma ressalva já conhecida de outros estudos de genômica: a generalização para a diversidade genética da população brasileira ainda precisa ser demonstrada. Além disso, o COMPASS utiliza dados de RNA-seq em massa (bulk), que representam uma média da expressão gênica de todas as células do tumor, sem capturar a heterogeneidade celular que o sequenciamento de célula única (single-cell) permite observar, uma limitação que os próprios autores já indicam como próximo passo do desenvolvimento.
Equipe Biomed Viva
Conteúdo produzido e revisado por biomédicos com base em literatura científica indexada. O Biomed Viva não substitui orientação profissional ou laudo laboratorial.
Referências: Shen W, Moon I, Nguyen TH, et al. Generalizable AI predicts immunotherapy outcomes across cancers and treatments. Nature Medicine. 2026. Harvard Medical School / Zitnik Lab. AI tool improves prediction of who will respond to cancer immunotherapy drugs. Julho de 2026.
