AI och dosoptimering: lärdomar från ES2B‑C001

Tre patienter räcker inte för att bevisa effekt. Men det räcker ofta för att avslöja om en idé håller kliniskt. När ExpreS2ion Biotechnologies 2025-12-19 meddelade att deras fas I-studie med bröstcancervaccinet ES2B-C001 går vidare till nästa dosnivå var det just en sådan signal: säkerhetskommittén (DSMB) säger “kör vidare”, och de första patienterna visar ett mätbart immunsvar mot HER2.

Det här är mer än en kort nyhetsnotis. För oss som följer serien AI inom läkemedel och bioteknik är det ett konkret exempel på en större trend: kliniska studier blir snabbare och mer datadrivna, och AI kan redan i dag bidra till att optimera dosering, tolka immundata och förutsäga vilka patienter som sannolikt svarar.

Särskilt nu, strax före årsskiftet, när många bolag planerar 2026 års kliniska milstolpar, är det läge att prata om vad “gå vidare till nästa dosnivå” faktiskt betyder – och hur AI kan göra den processen mer träffsäker.

Vad ExpreS2ions fas I-resultat faktiskt säger

Kärnan i uppdateringen är enkel: ES2B-C001 inducerar antikroppssvar mot HER2 hos de tre första patienterna, och nivåerna verkar hålla i sig över tid. Samtidigt har en oberoende DSMB granskat säkerhetsdata från den första doskohorten och rekommenderat att studien fortsätter till en medelhög dos.

Det här betyder två saker som ofta blandas ihop i debatten:

1. Säkerhet: DSMB:s gröna ljus indikerar att inga säkerhetssignaler stoppat studien på den lägsta dosnivån.
2. Biologisk aktivitet: Att se ökade antikroppsnivåer mot HER2 ger en tidig indikation på att vaccinet “gör något” immunologiskt.

Varför HER2 och varför vacciner i cancer?

HER2 är en välkänd måltavla i bröstcancer. Traditionellt har HER2 främst förknippats med antikroppsbehandlingar och andra riktade terapier, men vacciner tar en annan väg: ambitionen är att träna immunsystemet att känna igen målet och skapa ett mer uthålligt immunsvar.

Här är en mening som brukar hålla även när man skrapar på ytan:

Ett cancervaccin är inte “en spruta och klart” – det är ett försök att etablera en stabil immunologisk beredskap.

Att antikroppsnivåer verkar bibehållas över tid är därför extra intressant i tidiga signaler, även om “över tid” i fas I ofta fortfarande betyder relativt kort uppföljning.

Dosnivåer i fas I: där de flesta bolag slösar tid

Dosupptrappning i fas I låter som ett rutinmoment. I praktiken är det ofta där projekt tappar månader.

Utmaningen: Du vill snabbt hitta en dos som är tillräckligt hög för att ge ett robust immunsvar, men tillräckligt låg för att undvika oacceptabla biverkningar. För cancerläkemedel har branschen länge fokuserat på “max tolererad dos”. För immunterapier och vacciner är målet oftare en optimalt biologisk dos – den punkt där immunsystemet aktiveras på rätt sätt utan onödig belastning.

Vad DSMB-beskedet signalerar för fortsättningen

När DSMB rekommenderar att gå vidare till nästa dosnivå betyder det att:

• säkerhetsprofilen i första kohorten ser acceptabel ut
• protokollet följs och datakvaliteten räcker för beslut
• studien kan fortsätta utan omdesign eller paus

Det är inte ett bevis på klinisk nytta. Men det är ett tydligt tecken på att projektet rör sig framåt enligt plan.

Där AI gör verklig skillnad: dosoptimering och immunrespons

AI i kliniska studier handlar sällan om att “ersätta” något. Det handlar om att minska osäkerhet snabbare med bättre modeller och bättre beslutsunderlag. Just dosering och immunrespons är två områden där datan blir komplex snabbt.

AI-driven dosoptimering: från trappsteg till adaptiva beslut

Traditionell dosupptrappning följer ofta fasta regler. AI och modern statistik kan göra upplägget mer adaptivt.

I praktiken kan en AI-stödd dosstrategi kombinera:

• PK/PD-modellering (hur kroppen påverkar läkemedlet och tvärtom)
• immunologiska readouts (t.ex. antikroppstitrar, T-cellsaktivering)
• säkerhetssignaler i realtid (laboratorievärden, symptom, rapporter)

Målet är att förutsäga en “sweet spot” tidigare och minska antalet patienter som exponeras för doser som är för låga (ingen effekt) eller för höga (onödiga biverkningar).

En tydlig princip jag gillar:

Om du kan modellera sannolikheten för immunrespons vid varje dos, kan du också designa studien för att lära dig maximalt per patient.

AI-biomarkörer: att tolka immundata utan att lura sig själv

Immunsvar är brusiga. Antikroppsnivåer kan variera med tidpunkt, assay, patientens immunstatus och tidigare behandlingar. AI kan hjälpa genom att:

• upptäcka mönster i multidimensionell data (antikroppar + cytokiner + cellprofiler)
• identifiera “responder-profiler” som inte syns i en enskild markör
• förbättra prediktion av varaktighet: vem behåller svaret och vem tappar det

Men AI löser inte allt. Om datan är ojämn eller provtagningen inkonsekvent blir modellen bara en spegel av problemen. Därför blir studieoperativ kvalitet (provtagning, tidsfönster, labbstandardisering) nästan en AI-fråga i sig.

Prediktion av immunrespons: praktiskt exempel

Tänk att du i en fas I-studie har följande per patient:

• dosnivå
• baslinje-immune status (t.ex. lymfocytprofil)
• antikroppsnivåer vecka 2, 4, 8
• biverkningar graderade över tid

En maskininlärningsmodell kan tränas för att uppskatta sannolikheten att en patient uppnår ett “meningsfullt” immunsvar vid en viss dos utan att passera en säkerhetströskel. Det kan låta avancerat, men det är ofta enklare än folk tror – och kan ge stöd till beslut om nästa kohort eller nästa protokolländring.

För svenska biotechbolag är det här intressant av ett annat skäl: kompetensen finns redan i landet (biostatistik, data science, klinisk operations), men den behöver kopplas in tidigt, inte som en efterhandsanalys.

Personlig medicin i cancervacciner: vad “rätt patient” betyder

Cancervacciner hamnar snabbt i diskussionen om personlig medicin. Men “personligt” betyder inte alltid att man skräddarsyr antigen per individ. Ofta betyder det:

• rätt indikation (t.ex. HER2-relevant tumörbiologi)
• rätt behandlingslinje (tidigt vs sent sjukdomsskede)
• rätt immunologisk kontext (patientens immunsystem är mottagligt)

AI som urvalsfilter: bättre inklusion, mindre spill

I många studier är den dolda bromsklossen inte läkemedlet – det är patienturvalet. AI kan hjälpa genom att:

• analysera journaldata och patologi för snabbare screening
• koppla biomarkörer till sannolik respons (och exklusionsrisk)
• minska protokollavvikelser genom prediktiv site-övervakning

Det här är särskilt relevant när fas I-studier går från “är det säkert?” till “ser vi en tydlig biologisk signal?”. Då blir varje patient dyrbar – både etiskt och ekonomiskt.

Vad du kan ta med dig om du jobbar i biotech eller klinik

Oavsett om du sitter på ett biotechbolag, i en CRO, på en klinik eller som investerare: den här typen av fas I-uppdateringar är små datapunkter som går att använda smart.

Här är tre praktiska saker jag själv hade tittat efter i nästa steg:

1. Hur definieras immunresponsen? Är det bara antikroppstitrar, eller även T-cellsdata och funktionella tester?
2. Hur ser dos-respons-kurvan ut när fler patienter är inkluderade? Ett tidigt svar i låg dos är bra, men dosdifferentiering är ofta avgörande.
3. Går det att operationalisera AI-stöd? Inte som en powerpoint, utan som ett arbetssätt i protokollet: adaptiv design, realtidsanalys, tydliga endpoints.

Vill man komma igång utan att bygga en stor AI-organisation internt brukar ett bra första steg vara att definiera en “minimum viable data pipeline”:

• standardiserade format för immun- och säkerhetsdata
• tydliga tidsstämplar och provtagningsfönster
• ett gemensamt dataset där klinik, bioanalys och statistik möts

När det sitter blir nästa steg (modellering) betydligt mindre dramatiskt.

Nästa dosnivå är mer än ett steg – det är en test av lärhastighet

ExpreS2ions besked om att gå vidare till medelhög dos med ES2B-C001 är en påminnelse om hur läkemedelsutveckling faktiskt fungerar: framsteg kommer ofta som små, tydliga beslut baserade på begränsad men växande data.

För serien AI inom läkemedel och bioteknik är poängen tydlig: AI skapar mest värde när den kopplas till de praktiska besluten i studien – dosval, patienturval och tolkning av immunrespons. Inte som efteranalys, utan som en del av hur teamet lär sig snabbare än osäkerheten växer.

Om 2026 blir året då fler svenska biotechprojekt går från “lovande preklinik” till “robust klinisk signal”, då kommer vinnarna vara de som kan svara på en enkel fråga med data:

Lär vi oss maximalt av varje patient – och använder vi den lärdomen direkt i nästa beslut?