AI-stödd CAR-T-tillverkning: AcouSort + MFX i praktiken

Cellterapi har ett rykte om sig att vara framtiden. Det är den också. Men framtiden har en vardag – och den vardagen handlar ofta om provlogistik, tidskritiska handgrepp och känsliga överföringar mellan steg i processen.

Det är därför nyheten om att AcouSort inleder ett samarbete med MFX (publicerad 2025-12-19) är mer intressant än den först ser ut. Målet är att utvärdera om AcouSorts teknik kan fungera tillsammans med MFX bioreaktorsystem för att förbättra provhantering och tillverkning av CAR‑T-celler. Fokus: kortare provbearbetningstid och en smidigare överföring in i cellexpansion.

Jag gillar den här typen av samarbeten av en enkel anledning: de pekar ut var flaskhalsarna faktiskt finns. Och de visar också var AI inom läkemedel och bioteknik kan göra mest nytta – inte som en abstrakt framtidsvision, utan som ett operativt verktyg i tillverkningens mest känsliga moment.

Varför provhantering och överföring är CAR‑T:s ömma punkt

Den mest avgörande förbättringen i CAR‑T-produktion är ofta inte en ny receptor eller en ny vektor – det är att minska tid, variation och risk i processen.

CAR‑T är i grunden en kedja av steg där varje avbrott kostar:

1. Insamling av cellmaterial (ofta leukocyter)
2. Separation/berikning av relevanta cellpopulationer
3. Modifiering (t.ex. via viral vektor)
4. Expansion i kontrollerad miljö
5. Skörd, formulering och frisläppning

Det är steg 2 och 4 som samarbetet mellan AcouSort och MFX indirekt riktar in sig på – och det är där många team brottas med tre klassiska problem:

• Tidskänslighet: Celler förändras snabbt. Långa väntetider kan påverka viabilitet och funktion.
• Överföringsrisk: Varje transfer mellan system ökar risken för kontaminering, felmärkning och variation.
• Operatörsberoende: Små skillnader i handhavande ger stora skillnader i utfall.

När man säger “korta tiderna för provbearbetning” i cellterapi betyder det i praktiken: färre manuella moment, mindre köbildning mellan stationer, och mer robust processkontroll.

Vad samarbetet AcouSort–MFX signalerar om industrin

Teknikintegration är den nya konkurrensytan i cellterapi. Inte bara vem som har bäst enskild modul, utan vem som kan få moduler att fungera ihop utan att processen spricker.

Utifrån RSS-notisen är samarbetet tydligt avgränsat: parterna ska utvärdera möjligheten att kombinera teknologierna för att förbättra provhantering och CAR‑T-tillverkning, samt undersöka om AcouSorts teknik fungerar tillsammans med MFX bioreaktorsystem. Det kan låta som ett tidigt steg – men just tidiga integrationer är ofta där de största vinsterna gömmer sig.

Från “bra komponent” till “bra flöde”

Många tillverkningslinor inom avancerade terapier är fortfarande uppbyggda som en rad separata stationer. Varje station kan vara välvaliderad, men helheten blir skör.

När ett bolag som AcouSort tittar på hur deras teknik kan kopplas till en bioreaktorplattform handlar det om ett skifte:

• från punktoptimering → till flödesoptimering
• från manuell koordination → till systemkoordination
• från batch-tänk → till datadriven processstyrning

Det är också här AI kommer in på ett sätt som är mer praktiskt än många inser.

Var AI passar in: snabbare steg är bra – stabilare steg är bättre

AI i cellterapi ska först och främst minska variation. Tid är viktigt, men konsekvens är ofta avgörande för både kvalitet och kostnad.

Om målet är att korta provbearbetning och underlätta överföring till cellexpansion finns flera AI‑nära användningsfall som passar som hand i handske med teknikintegration:

1) Realtidsbeslut vid provbearbetning

När celler separeras/berikas vill man fatta beslut snabbt: är provet “tillräckligt bra” för att gå vidare, eller behöver det ett extra steg? AI‑modeller kan tränas på historiska processdata för att:

• förutsäga sannolik expansion (yield) baserat på tidiga signaler
• varna för avvikande mönster (anomalidetektion)
• rekommendera processparametrar (t.ex. flöden, tider, trösklar)

Det mest värdefulla här är inte att “AI tar över”, utan att operatören får en second opinion som bygger på tidigare batcher.

2) Digitala tvillingar för bioreaktor och celltillstånd

Bioreaktorer är ofta fulla av sensordata (pH, DO, temperatur, agitation, gasflöden). Lägg till celldata från provhantering, och du kan bygga en digital tvilling som:

• kopplar tidiga kvalitetsmått till senare expansion
• simulerar vad som händer om du ändrar en parameter
• identifierar vilka faktorer som faktiskt styr utfallet

När integrationen mellan provhantering och bioreaktor blir tajtare blir datakedjan obruten. Och obruten data är vad AI behöver för att bli pålitligt.

3) Automatiserad kvalitetsstyrning (Quality by Design i praktiken)

Regulatoriskt är cellterapi hårt styrt, och bra så. Men traditionell QC kan bli en bromskloss om den bygger på sent upptäckta avvikelser.

AI‑stöd kan flytta kvalitet från “slutkontroll” till processkontroll, till exempel genom att:

• hitta drift som långsamt glider åt fel håll
• koppla sensortrender till risk för misslyckad batch
• föreslå korrigerande åtgärder tidigt

Det är en stor skillnad på att kassera en batch dag 10 jämfört med att justera en parameter dag 1.

En enkel tumregel: i CAR‑T är den billigaste avvikelsen den du fångar före cellexpansion.

Vad “kortare provbearbetning” kan betyda i kronor, kvalitet och kapacitet

Tid i en cellterapiprocess är inte bara tid – det är kapacitet, risk och kostnad. Varje timme du tar bort ur ett kritiskt steg kan ge tre effekter samtidigt:

• Högre throughput: fler batcher per vecka i samma facility
• Lägre risk: färre handoffs och väntelägen där fel kan uppstå
• Mer förutsägbar kvalitet: mindre variation mellan operatörer och skift

Här blir samarbeten som AcouSort–MFX extra relevanta för svenska och nordiska aktörer som vill skala utan att bygga om allt från grunden. Det är ofta mer realistiskt att koppla ihop två starka teknologier än att vänta på en “one size fits all”-plattform.

En konkret (och vanlig) flaskhals

Ett återkommande problem i cellexpansion är att startmaterialet varierar mer än man tror. Om provbearbetningen blir snabbare och mer standardiserad kan du få:

• stabilare startkoncentration
• jämnare cellhälsa
• mindre behov av “räddningsåtgärder” under expansion

Och när du väl har stabilitet kan du börja optimera på riktigt. Det är då AI‑modeller blir användbara på bred front, eftersom de får data som är jämförbar mellan batcher.

Så utvärderar du teknikintegration (och AI-stöd) utan att lura dig själv

De flesta företag mäter fel saker när de testar ny processteknik. Man tittar på snabbast möjliga demo, inte på robusthet över tid.

Här är en checklista jag själv hade använt för att bedöma ett upplägg som detta – oavsett om du sitter på ett biotech, en CDMO eller ett sjukhusnära ATMP‑center:

Praktiska mätetal som faktiskt betyder något

• Total “hands-on time” per batch (minuter, inte bara total processtid)
• Antal öppna moment/överföringar (varje öppning = risk)
• Variationskoefficient (CV) i nyckelutfall mellan batcher
• Andel batcher som kräver avvikelsehantering
• Tid till beslut (hur snabbt vet du att batchen är på rätt spår?)

AI-specifikt: börja smalt

Om AI ska in i kedjan, börja med ett smalt use case:

1. Välj ett tydligt mål (t.ex. prediktera expansion dag 3)
2. Säkerställ datakvalitet (kalibrerade sensorer, konsekvent loggning)
3. Bygg in mänsklig kontroll (rekommendationer, inte automatiska ändringar)
4. Utvärdera på driftdata, inte bara labbdata

AI som “allt-i-allo” blir nästan alltid ett pilotprojekt som aldrig lämnar labbet. AI som stöd för en tydlig flaskhals kan däremot bli en del av den dagliga driften.

Vad detta betyder för “AI inom läkemedel och bioteknik” 2026

2026 kommer vinnarna i AI-stödd bioindustri vara de som kopplar AI till processen där kostnaden och risken sitter. CAR‑T är ett skolboksexempel, eftersom varje batch är dyr, tidskritisk och kvalitetsberoende.

Samarbetet mellan AcouSort och MFX är därför ett bra case i vår serie om AI inom läkemedel och bioteknik: det handlar inte om att välja “AI eller bioteknik”, utan om att göra biotekniken mer mätbar, mer integrerad och mer styrbar.

För dig som jobbar med ATMP, processteknik, QA eller affärsutveckling är den strategiska frågan enkel:

• Har vi en process där data följer materialet hela vägen?

Om svaret är nej kommer AI mest kännas som en workshop. Om svaret är ja kan AI bli ett verktyg som frigör kapacitet och minskar fel – utan att du behöver kompromissa med regulatoriska krav.

Nästa stora steg i cellterapi är inte bara bättre celler. Det är bättre flöden.

Vill du diskutera hur AI kan användas för att minska variation i provhantering, bygga prediktiva modeller för cellexpansion eller sätta upp en dataplattform som håller för GxP? Vad är din största flaskhals i CAR‑T‑kedjan just nu?