AI kan snabba upp dosvalet för HER2-vaccin i klinik

Tre patienter räcker inte för att bevisa effekt – men det räcker ofta för att avgöra om ett projekt får fortsätta leva. Den 2025-12-19 kom ett sådant besked: ExpreS2ion Biotechnologies rapporterade uppdaterade data från sin pågående fas I-studie med bröstcancervaccinet ES2B-C001. Patienterna hade utvecklat immunsvar mot HER2, med ökade antikroppsnivåer som dessutom verkar hålla i sig över tid. En oberoende säkerhetskommitté, DSMB, granskade säkerhetsdata från första doskohorten och rekommenderade att studien går vidare till nästa dosnivå – en medelhög dos.

För oss som följer temat AI inom läkemedel och bioteknik är det här en klockren verklighetscheck: fas I handlar om säkerhet och dosering, men den handlar också om data. Och just den typen av tidiga, brusiga och multidimensionella data är ett område där AI i kliniska studier kan göra konkret nytta – inte som en ersättare för medicinska beslut, utan som ett bättre verktyg för att fatta dem snabbare och mer konsekvent.

Den här artikeln går igenom vad doseskalering i cancervaccin faktiskt innebär, vad ExpreS2ions besked signalerar, och hur AI kan användas för att förbättra beslut kring optimal dos, immunrespons och nästa steg mot precisionsmedicin i onkologi.

Vad ExpreS2ions fas I-besked faktiskt säger (och inte säger)

Det direkta beskedet är att säkerhetsprofilen i första doskohorten såg tillräckligt bra ut för att gå vidare. DSMB:s rekommendation är i praktiken en “grön lampa” för nästa dosnivå, vilket är en viktig milstolpe för alla tidiga immunterapiprogram.

Samtidigt är det lätt att läsa för mycket in i fas I-data. Med tre patienter kan man inte dra robusta slutsatser om klinisk nytta. Däremot kan man börja se mönster:

• Immunogenicitet: Vaccinet inducerade immunsvar mot HER2.
• Antikroppsnivåer: Nivåerna ökade och tycks vara mer än bara en kort topp.
• Tolerabilitet: Säkerhetsdata räckte för att eskalera dos.

Varför just doseskalering är en så stor grej

I onkologi är “mer” sällan samma sak som “bättre”. För ett cancervaccin vill du hitta en dos som:

1. Ger tillräcklig immunaktivering (t.ex. antikroppar och T-celler)
2. Inte skapar oacceptabla biverkningar
3. Är praktiskt och ekonomiskt rimlig att tillverka och administrera

Doseskalering är alltså ett optimeringsproblem. Och optimeringsproblem är där datadrivna metoder – inklusive AI – ofta är som mest värdefulla.

HER2 och cancervaccin: biomarkören som kräver precision

HER2 är ett välkänt mål i bröstcancer, och många tänker direkt på antikroppsbehandlingar. Ett vaccintänk är annorlunda: målet är att få patientens immunsystem att själv producera ett riktat och långvarigt svar.

Det är attraktivt av flera skäl:

• Potentiell varaktighet: Ett vaccinsvar kan, om det etableras rätt, hålla i sig längre än en tillförd antikropp.
• Komplement till befintliga behandlingar: Vacciner kan tänkas kombineras med andra immunterapier eller målstyrda läkemedel.
• Patientselektion: HER2 är en biomarkör där vi redan är vana vid att stratifiera patienter – vilket passar väl ihop med precisionsmedicin.

Men det finns en baksida: HER2-relaterad biologi är inte “en sak”. Tumörbörda, antigenuttryck, tidigare behandlingar, HLA-typer, immunstatus och samtidiga läkemedel kan påverka hur ett vaccinsvar ser ut.

Det är här AI i precisionsonkologi blir mer än ett buzzword: den kan hjälpa till att hantera komplexiteten utan att förenkla bort verkligheten.

Så kan AI förbättra beslut om dos och studiedesign

Den största praktiska vinsten med AI i tidiga kliniska studier är bättre beslutsstöd vid små datamängder – genom att kombinera flera signaler samtidigt. Fas I ger sällan “en kurva” som berättar allt. Den ger fragment: antikroppsnivåer över tid, säkerhetsutfall, laboratorievärden, biomarkörer, dosintervall, och ibland immunfenotypning.

AI som mönsterigenkänning i immunresponsdata

Immunrespons är sällan linjär. Antikroppsnivåer kan stiga snabbt, plana ut, eller fluktuera beroende på dos, boost-scheman och individens immunförutsättningar.

AI-modeller kan hjälpa till att:

• Identifiera responder-profiler tidigt (t.ex. “snabb responder”, “sen responder”, “svag responder”)
• Separera signal från brus när provtagningar är få och variansen stor
• Upptäcka tidiga varningssignaler som inte syns i en enskild variabel (t.ex. kombinationer av milda avvikelser som föregår en biverkning)

Det handlar inte om att “förutsäga cancerutfall” från tre patienter. Det handlar om att snabbare se om dosnivån verkar driva önskat immunsvar utan att pressa säkerheten.

Prediktiv dosering: från 3+3 till modellbaserad eskalering

Många studier använder fortfarande relativt konservativa doseskaleringsupplägg. Ett mer datadrivet alternativ är modellbaserad doseskalering, där man kontinuerligt uppdaterar sannolikheter för toxicitet och biologisk aktivitet.

AI kan här fungera som en förstärkning av klassiska statistiska metoder genom att:

• väga in fler biomarkörer än bara biverkningsgrad
• föreslå nästa dosnivå utifrån både säkerhet och immunogenicitet
• simulera olika scenarier (t.ex. hur provtagningsschema påverkar beslut)

Min erfarenhet är att det är just i “mellanrummen” som tid försvinner: möten, osäkerheter, diskussioner om vad en datapunkt betyder. Ett robust analysramverk kan korta ledtider utan att tumma på kvalitet.

AI och HER2: bättre patientstratifiering redan i fas I

Även om fas I primärt är säkerhet, går utvecklingen mot att läsa mycket mer ur tidiga studier:

• Vilka patienter får starkast immunrespons?
• Finns det en korrelation mellan HER2-uttrycksnivå och antikroppstitrar?
• Påverkar tidigare HER2-riktad behandling vaccinsvaret?

AI kan stödja detta genom att bygga multivariata modeller som kopplar samman:

• kliniska bakgrundsvariabler
• tumör- och biomarkördata
• immunrespons över tid

Resultatet blir inte “svaret på allt”, men ofta ett bättre underlag för nästa protokollversion: inklusionskriterier, stratifiering, endpoints och provtagningsschema.

Praktiskt upplägg: så skulle en AI-driven analysloop kunna se ut

En fungerande AI-loop i en fas I/IIa-kontext behöver vara enkel, spårbar och regulatoriskt rimlig. Här är ett konkret upplägg som många team faktiskt kan genomföra utan att bygga en hel “AI-plattform”.

1. Datagrund: Standardisera immunologiska readouts (antikroppstitrar, neutralisering, T-cellsassays), säkerhetsdata (CTCAE), och tidpunkter.
2. Feature engineering: Skapa tidsbaserade mått som peak, AUC, time-to-peak, och “durability-index” för antikroppar.
3. Modellval: Börja med transparenta modeller (t.ex. regulariserad regression, bayesianska hierarkiska modeller) och bygg vidare först när nyttan är tydlig.
4. Beslutsstödsrapport: Leverera en sida per kohort: sannolik dos-respons, osäkerhetsintervall, och rekommenderad nästa dos.
5. Human-in-the-loop: DSMB och prövare tar beslutet – men med bättre sammanvägning av data.

En bra tumregel: om modellen inte kan förklaras på fem minuter för ett kliniskt team, är den för komplex för fas I.

“People also ask” i projekt som ES2B-C001

Är ökade antikroppsnivåer i fas I ett bra tecken?

Ja, som biologisk signal. Men det är inte samma sak som att tumörer krymper eller att överlevnaden förbättras. Antikroppar kan vara en del av mekanismen, men klinisk nytta kräver mer data och ofta kombinationsstrategier.

Varför behövs DSMB vid doseskalering?

DSMB är en oberoende funktion som minskar risken för intressekonflikter och säkrar att beslut om eskalering baseras på en stringent granskning av säkerhetsdata. I immunterapi är detta extra viktigt eftersom vissa biverkningar kan komma fördröjt.

Hur kan AI hjälpa när antalet patienter är litet?

Genom att kombinera flera datatyper och använda modeller som uttrycker osäkerhet tydligt. AI ersätter inte statistik – den kan göra den mer praktiskt användbar i realtid.

Vad det här betyder för svensk biotech vintern 2025

December brukar vara en tid då många bolag kommunicerar kliniska milstolpar och planerar nästa års run-rate. Ett besked om doseskalering är inte “mål i mål”, men det påverkar:

• hur snabbt programmet kan generera mer mogna immundata
• hur attraktivt projektet kan bli i partnerskapsdialoger
• hur tydligt hypotesen kan formuleras inför fas II-design

Jag tycker också att det illustrerar en större trend: kliniska team vill ha mer än traditionell rapportering. De vill ha löpande analys som hjälper dem att fatta beslut snabbare – särskilt i immunonkologi där “biologi” ofta är mer relevant än enstaka safety-tabeller.

Nästa steg: från dosnivå till datadrivet tempo

ES2B-C001 går nu vidare till en medelhög dos, efter DSMB-granskning av första kohorten. För utvecklingen av cancervaccin är det ett nödvändigt steg. För utvecklingen av AI i läkemedelsutveckling är det ett tydligt exempel på var nyttan faktiskt uppstår: i dosval, i tolkningen av tidiga immunologiska signaler och i att bygga bättre beslutsunderlag innan fas II-kostnaderna drar iväg.

Om du jobbar med kliniska studier, biomarkörer eller data i onkologi finns det en bra kontrollfråga att ta med in i 2026: Vilka beslut tar ni fortfarande “för hand” – trots att ni redan har datan som krävs för att modellera dem?

Vill du ha leads av den här typen av arbete internt handlar det sällan om att köpa en stor AI-svit. Det handlar om att välja en beslutspunkt (som doseskalering), bygga en tydlig analyskedja, och mäta om ni faktiskt blir snabbare och säkrare i nästa kohort.