AI och bröstcancervaccin: så tas nästa dosbeslut

Tre patienter kan låta som ett svagt underlag. Ändå är det ofta precis så här klinisk utveckling faktiskt ser ut i början: små steg, noggrant dokumenterade, där varje datapunkt kan avgöra om ett projekt får fortsätta eller inte.

Den 2025-12-19 kom beskedet att ExpreS2ion Biotechnologies går vidare till nästa dosnivå i sin fas I-studie med bröstcancervaccinet ES2B-C001. De första immunologiska signalerna pekar åt rätt håll: vaccinet har inducerat immunsvar mot HER2, med ökade antikroppsnivåer som dessutom verkar hålla i sig över tid. Samtidigt har en oberoende säkerhetskommitté (DSMB) granskat säkerhetsdata från första doskohorten och rekommenderat upptrappning till en medelhög dos.

Det här är mer än en “notis om nästa dos”. För oss som följer serien AI inom läkemedel och bioteknik är det ett bra exempel på hur modern läkemedelsutveckling blir allt mer datadriven—och varför AI i kliniska studier är på väg att bli lika viktig som labbresultat och klinisk erfarenhet.

Varför dosbeslut i fas I är så kritiska (och ofta missförstås)

Fas I handlar inte om att “bevisa effekt”. Fas I handlar om att skapa en stabil grund: säkerhet, tolerabilitet, immunogenicitet och rätt doslogik. I onkologi och immunterapi är det extra knepigt, eftersom den biologiska responsen sällan ökar linjärt med dos.

Många företag får det här fel. De tänker att nästa dosnivå är en formalitet. Men doseskalering är ett beslutsmoment där du väger:

• Säkerhetssignaler (biverkningar, laboratorievärden, immunrelaterade reaktioner)
• Farmakodynamik/immunogenicitet (t.ex. antikroppar, T-cellsrespons, funktionella tester)
• Praktiska faktorer (administration, antal besök, provtagningsbörda)
• Risk mot framtida möjlighet (fel dos kan “förstöra” en annars bra kandidat)

När ExpreS2ion nu går vidare till en medelhög dos är det en indikation på att de första tre patienterna inte bara tolererade behandlingen, utan också gav mätbara immunologiska signaler som är relevanta för målmekanismen.

DSMB:s roll: kliniskt “stopp eller kör” utan prestige

En Data Safety Monitoring Board är i praktiken en oberoende broms (och ibland en accelerator). Deras jobb är att titta på data utan affärsincitament och svara på en enkel fråga: är det rimligt att fortsätta enligt plan?

Att DSMB rekommenderar upptrappning betyder inte att vaccinet “fungerar” kliniskt. Det betyder att risknivån är acceptabel och att studien kan fortsätta samla data på ett sätt som är etiskt och medicinskt försvarbart.

HER2 och vacciner: varför målet passar personlig cancerbehandling

HER2 är ett välkänt mål i bröstcancer, men det är också ett bra exempel på varför biomarkörer och patientselektion blir allt mer centralt.

I praktiken är inte “bröstcancer” en diagnos, utan ett paraply. Tumörer skiljer sig i:

• receptorstatus (t.ex. HER2, ER/PR)
• mutational profil
• immunologisk “temperatur” (hur inflammerad tumörmiljön är)
• tidigare behandlingar och resistensmönster

Ett vaccin som riktar sig mot HER2 passar in i en mer precisionsinriktad strategi, där rätt behandling ges till rätt patientgrupp. För en utvecklingsorganisation betyder det att det tidigt blir avgörande att förstå:

1. Vilka patienter visar starkast immunsvar mot antigenet?
2. Hur påverkas responsen av tidigare terapier?
3. Finns det biomarkörer som kan förutsäga vem som svarar (och vem som inte gör det)?

Det är exakt här AI ofta gör mest nytta: inte som “magisk svart låda”, utan som ett verktyg för att koppla ihop många svaga signaler till en robustare beslutsgrund.

Antikroppar som tidiga signaler: bra, men inte hela bilden

Notisen lyfter ökade antikroppsnivåer mot HER2 som tycks bibehållas över tid. Det är en relevant immunogenicitetssignal, särskilt i tidig fas.

Men i cancerimmunologi är den verkligt viktiga följdfrågan: är immunsvaret funktionellt och kliniskt relevant? Antikroppstitrar kan vara en indikator, men ett utvecklingsteam vill ofta också se data som:

• neutraliserande eller funktionella antikroppstester
• T-cellsaktivering (CD8+/CD4+ profiler)
• cytokinsignaturer och immunfenotypning
• koppling mellan immunsvar och tumörrelaterade utfall (även om fas I inte är designad för effekt)

AI kan bidra genom att identifiera mönster i dessa multimodala data—särskilt när sample size är liten och variationen mellan patienter är stor.

AI i kliniska prövningar: från immunspårning till smartare dosering

AI gör störst skillnad när den integreras i arbetsflöden där besluten är återkommande och datamängden är svår att överblicka för människor. Doseskalering och immunmonitorering är typiska exempel.

1) Dosering som optimeringsproblem, inte en trappa

Klassiska doseskaleringsdesigner bygger ofta på fasta steg. Det är enkelt att kommunicera, men biologin bryr sig inte om enkelhet.

Med AI och bayesianska modeller (som ofta används i adaptiva designer) kan man i stället:

• väga in både säkerhets- och biomarkördata i realtid
• uppskatta sannolikheten för att nästa dos hamnar i ett “sweet spot”-intervall
• minska risken att man fastnar på en dos som är säker men biologiskt för svag

Det här betyder inte att AI ersätter DSMB. Det betyder att DSMB och prövarteamet kan få bättre beslutsunderlag.

2) Immunrespons över tid: AI hittar stabilitet, avklingning och avvikare

När man säger att antikroppsnivåer “verkar bibehållas över tid” finns flera saker gömda i den formuleringen:

• Hur snabbt byggs responsen upp?
• Finns en plateau?
• Avklingar responsen efter ett visst antal veckor?
• Finns “avvikare” som sticker ut—och varför?

AI-baserad tidsserieanalys kan hjälpa till att:

• segmentera patienter efter responsmönster
• koppla mönster till baseline-faktorer (t.ex. tidigare behandlingar)
• simulera hur ändringar i dos eller schema kan påverka varaktigheten

För ett vaccinutvecklingsprogram kan det vara skillnaden mellan att lägga till en booster, ändra intervall, eller fortsätta som planerat.

3) Biomarkörer och patientselektion: där AI ofta betalar sig tidigt

I svensk biotech ser jag en återkommande utmaning: man har en biologiskt rimlig hypotes, men saknar en tillräckligt vass strategi för vem som ska behandlas i nästa studie.

AI kan användas för att:

• hitta prediktiva biomarkörkombinationer (inte bara enskilda markörer)
• integrera kliniska data med omics (t.ex. proteom/transkriptom) och immunprofilering
• bygga enkla, kliniskt användbara beslutsregler (som faktiskt kan implementeras)

Den viktigaste vinsten är ofta inte att algoritmen är sofistikerad, utan att man minskar “bruset” genom bättre urval.

Vad ett “positivt steg” i fas I faktiskt säger (och inte säger)

Att studien går vidare till nästa dosnivå är bra. Men det är också lätt att övertolka.

Här är en rak tolkning som hjälper både investerare, FoU-team och affärsutvecklare:

• Det säger: säkerheten i första doskohorten ser acceptabel ut enligt DSMB.
• Det säger: det finns tidiga immunologiska signaler mot HER2.
• Det säger inte: klinisk effekt i form av tumörkrympning eller förbättrad överlevnad.
• Det säger inte: optimal dos eller optimalt doseringsschema är hittat.

En mening jag ofta återkommer till i kliniska projekt: “Fas I är en kartskiss, inte en GPS.” Du ser konturerna, men du är långt ifrån framme.

“People also ask” – vanliga frågor jag får om cancervacciner och fas I

Är cancervacciner samma sak som vaccin mot virus?
Nej. Virusvacciner förebygger infektion. Cancervacciner syftar oftast till att styra immunförsvaret mot tumörrelaterade mål, ofta terapeutiskt.

Varför räcker det med tre patienter för att ta ett dosbeslut?
I tidig doseskalering fattas beslut sekventiellt. Man börjar med få patienter för att minimera risk och lär sig stegvis.

Vad är den största praktiska risken i fas I för immunterapier?
Att man antingen väljer en dos som är för låg (svag biologi) eller triggar immunrelaterade biverkningar som stoppar programmet.

Vad du kan göra med det här som biotech-ledare (praktiska nästa steg)

Om du jobbar med klinisk utveckling, CMC, translational eller data science: använd ExpreS2ions nyhet som en checklista för ditt eget program.

1. Definiera “beslutsdata” innan du samlar in data.
   Vilka 3–5 mätpunkter avgör om ni eskalerar, ändrar schema eller pausar?

2. Planera immunmonitorering som en produkt, inte ett forskningsprojekt.
   Standardisera provtagning, tidsfönster, labbmetoder och datapipeline tidigt.

3. Bygg en enkel AI-strategi som går att köra i vardagen.
   Börja med prediktion av responsmönster och outlier-detektion. Det ger ofta mer än ett “stort” end-to-end-system.

4. Förbered nästa studie med biomarkörlogik redan nu.
   Om HER2 är målet: vilka HER2-relaterade mått, co-faktorer och kliniska variabler ska styra inklusion i senare faser?

Datadrivna dosbeslut är inte en framtidsvision. Det är redan ett konkurrensmedel för team som vill minska tid, kostnad och osäkerhet.

Nästa steg för AI inom läkemedel och bioteknik

ExpreS2ions upptrappning till nästa dosnivå är en liten rubrik men en stor påminnelse: klinisk utveckling är ett beslutsflöde, och beslutsflöden blir bättre när de matas med rätt data och analyseras med rätt verktyg.

För dig som bygger eller köper AI-lösningar inom pharma/biotech är frågan sällan “kan AI göra något här?”. Frågan är: vilken del av kedjan ger mest effekt om vi gör den mer mätbar, mer standardiserad och mer prediktiv?

Om vi ska få fler svenska immunterapier och cancervacciner hela vägen till patient krävs mindre “magkänsla” och mer systematik—utan att tappa det kliniska omdömet. Det är där AI passar som bäst.

Vilken del av era kliniska beslut skulle du vilja kunna förklara med data på en enda slide nästa gång ni står inför DSMB eller investerare?