AI och CAR-T: därför är AcouSort–MFX-samarbetet viktigt

Det mest underskattade hindret i cellterapi är sällan själva ”AI:n”, eller ens den biologiska idén. Det är tiden och friktionen i provhantering och tillverkning – minuter som blir timmar, manuella steg som blir variation, och små avvikelser som blir stora kvalitetsfrågor.

Därför är nyheten från 2025-12-19 om att AcouSort inleder ett samarbete med MFX intressant. Målet är tydligt: utvärdera om AcouSorts akustofluidiska cellseparations-/provhanteringsteknik kan fungera ihop med MFX bioreaktorsystem för att förbättra flödet i CAR-T-tillverkning. Mindre väntetid mellan provbearbetning och cellexpansion, mindre handpåläggning och ett mer förutsägbart processfönster.

I vår serie ”AI inom läkemedel och bioteknik” passar det här som handen i handsken. För när man pratar om AI i cellterapi hamnar diskussionen ofta på modellering och prediktion. Men i praktiken vinner de team som också bygger datatäta, automatiserade processer som AI kan styra och optimera.

Varför provhantering är flaskhalsen i CAR-T (och varför det kostar)

CAR-T är inte en standardiserad tablett – det är en tidskritisk, patientnära tillverkningsprocess. Varje steg från insamling av celler till expansion och slutlig formulering påverkar kvalitet, kostnad och ledtid.

Ledtid och variation är en dyr kombination

I en typisk cellterapikedja finns flera moment där cellerna ska:

• separeras eller anrikas
• tvättas och byta medium/buffert
• koncentreras till rätt volym
• överföras till nästa modul (t.ex. bioreaktor)

Varje överföring innebär risk: kontamination, cellstress, cellförlust och batch-to-batch-variation. För CAR-T, där startmaterialet är begränsat och patienten ofta väntar på behandling, blir processens ”transportsträckor” ett direkt kliniskt och ekonomiskt problem.

AI kräver stabila processer – annars optimerar du brus

Här kommer en lite obekväm sanning: AI kan inte rädda en process som är för manuell och variabel. Om datan som samlas in kommer från steg som varierar mellan operatörer, dagar och labbmiljöer, då lär sig modellerna lika mycket om slumpen som om biologin.

Det är därför teknik som minskar manuella moment och standardiserar provflöden är mer än ”automation”. Det är en förutsättning för att AI-optimera tillverkningen.

AcouSort + MFX: vad som faktiskt testas – och varför integrationen är kärnan

Samarbetet handlar om att utvärdera kombinationen av AcouSorts teknik med MFX bioreaktorsystem inom cellterapi. Fokus ligger på att:

1. korta tiderna för provbearbetning
2. underlätta överföringen till cellexpansion

Varför ”hand-off” mellan moduler är där vinsten ofta finns

När man pratar processförbättring tänker många på att en enskild modul ska bli snabbare. Men i avancerad bioprocess är det ofta övergångarna som stjäl tid:

• provet väntar på nästa steg
• operatören förbereder engångsmaterial
• man gör manuell kvalitetskontroll
• man loggar data separat i olika system

Om AcouSort kan skapa ett mer direkt, kontrollerat flöde in i MFX bioreaktor (eller åtminstone reducera antal mellansteg) finns en tydlig potential: kortare ”cold time”/stillestånd, mindre cellstress och mer reproducerbara expansionsförhållanden.

Vad en sådan integration kan möjliggöra i praktiken

Om teknikerna fungerar bra ihop är det rimligt att förvänta sig förbättringar i tre dimensioner:

• Tempo: snabbare bearbetning och snabbare start av expansion.
• Kvalitet: stabilare cellpopulationer in i bioreaktorn och mindre variation.
• Skalbarhet: lättare att standardisera arbetsflöden över fler batcher, skift och sajter.

Det är exakt den typen av förbättringar som gör att en cellterapiverksamhet kan gå från ”hantverk” till industriell leverans.

AI-vinkeln: där algoritmerna faktiskt kan göra nytta i cellterapi

AI i cellterapi blir värdefull när den kopplas till beslut i realtid och tydliga processparametrar. När provhantering och expansion får mer konsekventa flöden uppstår ett läge där AI kan bli en praktisk styrkomponent – inte bara en rapport i efterhand.

1) Prediktiv styrning av cellexpansion

Om du har en mer standardiserad ingång till bioreaktorn kan du bygga modeller som förutser:

• optimal startdensitet för expansion
• förväntad tillväxtkurva givet startmaterial
• när du bör byta medium eller justera parametrar

Poängen är inte att modellen ska vara ”smartast”, utan att den ska ha tillförlitliga signaler. En bättre, mer repeterbar provbearbetning ger bättre signal.

2) Avvikelsedetektion innan batchen går förlorad

Ett konkret användningsfall jag ofta tycker saknas i AI-snacket: tidig varning.

• Avvikande cellkoncentration efter separationssteg
• Onormala trender i pH, löst syre eller glukos i bioreaktorn
• Mönster som historiskt korrelerar med sämre slutprodukt

Med stabilare integrationsflöden blir det lättare att avgöra om en avvikelse beror på biologin eller processen. Då kan AI hjälpa teamet att agera tidigt, dokumentera åtgärder och minska kassation.

3) Snabbare release och enklare dokumentation

I cellterapi är dataspåret minst lika viktigt som cellerna.

När automation och integrerade steg gör att data kan samlas in strukturerat (tidsstämplar, parametrar, batch-ID, operatörslogg) kan AI även stötta:

• sammanställning av batch record
• kontroll av att kritiska steg följt specifikation
• identifiering av vilka parametrar som driver variation

Det här är inte ”flashigt”, men det är ofta där ROI sitter.

Vad svenska biotech-team kan lära av samarbetet (även om du inte jobbar med CAR-T)

Poängen med AcouSort–MFX är inte bara tekniken, utan tänket: integrera där värdet uppstår. Det är en bra modell för många svenska bolag som bygger AI-stöd i life science.

Tre praktiska principer jag tycker fler borde följa

1. Bygg datan där processen är som mest känslig. I cellterapi är det ofta vid överföringar och förbehandling, inte i slutsteget.
2. Optimera flödet före modellen. Om du måste ”städa” 80 % av datan manuellt är processen problemet.
3. Designa för beslut, inte dashboards. Var ska AI:n påverka processen? Vilket beslut, vid vilken tidpunkt, med vilka toleranser?

En enkel checklista för AI-stödd bioprocess (att ta med in i 2026)

Om du ansvarar för processutveckling, produktion eller digitalisering kan du använda detta som en snabb självtest:

• Har vi tydliga kritiska processteg (CPP) och kritiska kvalitetsattribut (CQA)?
• Är provhantering och överföringar standardiserade mellan operatörer?
• Samlar vi in data med gemensamma ID:n (batch, tid, material, instrument)?
• Kan vi koppla processdata till utfall (t.ex. cellviabilitet, fenotyp, expansionsgrad)?
• Har vi definierat en åtgärd när modellen flaggar risk?

Om du svarar nej på flera punkter: börja där. AI blir mycket enklare efteråt.

”People also ask”: vanliga frågor om AI, CAR-T och provhantering

Vad är den största flaskhalsen i CAR-T-tillverkning?

För många team är flaskhalsen kombinationen av manuell provbearbetning, flera överföringar och väntetider mellan steg. Det skapar både längre ledtid och variation i produktkvalitet.

Varför är integration mellan provhantering och bioreaktor så viktig?

Integration minskar antalet hand-offs. Färre hand-offs ger ofta lägre risk, stabilare celler och bättre reproducerbarhet – vilket i sin tur ger bättre data för optimering och AI-styrning.

Hur kan AI användas konkret i cellterapi?

De mest praktiska användningsfallen är:

• prediktion av expansionsförlopp och optimering av parametrar
• avvikelsedetektion tidigt i batchen
• automatiserad dokumentation och kontroll av processefterlevnad

Vad händer nu – och vad du bör hålla koll på

Samarbetet mellan AcouSort och MFX handlar, i grunden, om att få en kritisk kedja att flyta bättre: från provbearbetning till cellexpansion i CAR-T. Om det faller väl ut pekar det mot en framtid där cellterapiprocesser blir mer modulära, mer automatiserade och mer datadrivna.

För oss som följer AI inom läkemedel och bioteknik är slutsatsen ganska praktisk: den AI som faktiskt skapar värde i tillverkning kommer att byggas ovanpå stabila, integrerade processer. Samarbeten som detta är därför inte ”bara” industriella partnerskap – de är byggstenar för AI-stödd produktion.

Om du vill skapa leads i din egen organisation är min tydliga rekommendation att börja med en intern workshop: välj en enda flaskhals i provflödet, kartlägg hand-offs, och definiera vilken data som saknas för att kunna optimera med AI.

Nästa fråga blir spännande att följa under 2026: vilka delar av cellterapikedjan blir först riktigt standardiserade – och vilka bolag kommer att äga integrationslagret mellan labb, bioreaktor och AI?