AI och TRPV1: nästa steg i fetmabehandling i Sverige

Fetmaläkemedel har blivit en av de tydligaste “stress-testerna” för modern läkemedelsutveckling: enorm efterfrågan, hård konkurrens och ett vårdsystem som behöver skalbara lösningar. Samtidigt är biologin svår. De mest använda behandlingarna i dag är ofta injicerbara och inte alltid lätta att få tag på, tolerera eller finansiera.

Det är mot den bakgrunden Pila Pharma (Malmö, med rötter i Novo Nordisk) nu drar igång planerade prekliniska studier i fetma med sin TRPV1-hämmare XEN-D0501. Upplägget är dessutom intressant ur vårt serieperspektiv “AI inom läkemedel och bioteknik”: prekliniska datapunkter är precis den typ av signaler där AI kan höja träffsäkerheten i beslut — vad som ska skalas upp, kombineras eller stoppas tidigt.

En sak är säker: fetmaområdet belönar bolag som kan visa tydlig differentiering och som fattar rätt utvecklingsbeslut tidigt.

Varför TRPV1 är relevant i en marknad dominerad av GLP‑1

TRPV1 är relevant eftersom mekanismen kan angripa fetma från en annan vinkel än GLP‑1, och därmed bli ett komplement snarare än en kopia. GLP‑1-agonister har satt standarden, men de löser inte allt: tillgång, pris, injektioner, biverkningsprofil och följsamhet är återkommande hinder.

Pila Pharma positionerar TRPV1-hämning som en väg att påverka flera fysiologiska spår som är centrala vid fetma:

• Neurogen inflammation (nedreglering)
• Termogenes (öka energiförbrukning via värmeproduktion)
• Aptitreglering (påverka signalering kopplad till hunger/mättnad)

Det här är mer än “ännu en aptitdämpare”. Om hypotesen håller kan TRPV1 bli intressant i:

1. Kombinationsbehandlingar (t.ex. med GLP‑1 eller amylinrelaterade strategier)
2. Patientsegment som inte vill eller kan använda injicerbara alternativ
3. Långsiktigt underhåll där tolerabilitet och enkel administrering kan väga tungt

Och ja: om en tablett kan ge kliniskt relevant viktminskning med rimlig biverkningsprofil så är marknaden stor. Prognoser pekar på att fetmamarknaden kan nå 100 miljarder USD/år till 2030 och omfatta upp till 2 miljarder människor globalt.

Pila Pharmas upplägg: två råttmodeller för bättre beslutsunderlag

Studierna är designade för att få robust proof‑of‑concept-data, inte bara “positiva trender”. Pila Pharma genomför nu prekliniska tester tillsammans med danska CRO:n Gubra, som är specialiserad på metabola sjukdomar. Att välja rätt partner här är inte kosmetik; det påverkar datakvalitet, standardisering och möjligheten att jämföra med andra program.

DIO-råttor och Zucker-råttor: två typer av fetma, två typer av signal

Pila Pharma testar i två etablerade modeller:

• DIO (Diet-Induced Obesity): “normala” råttor som blir feta av fettrik kost. Det liknar den miljödrivna fetma vi ofta ser i kliniken.
• Zucker-råttor: genetiskt predisponerade för hyperfagi (överätande) och fetma även på normal kost. Det ger en annan typ av biologisk stress och kan avslöja mekanistiska effekter.

Varför spelar det roll? För att fetma inte är ett enhetligt tillstånd. En mekanism som fungerar i en modell men inte i en annan kan fortfarande vara kliniskt relevant — men då behöver man veta vilken typ av patient man egentligen siktar på.

“Proof-of-concept” som affärskritisk datapunkt

Det uttalade målet är bevis på effekt på kroppsvikt. Den sortens datapunkt styr två saker direkt:

1. Partneringstrategi (vilka bolag blir intresserade, och på vilka villkor)
2. Design av nästa kliniska steg (population, endpoints, dosering, studieduration)

Bolaget har dessutom tidigare genomfört två fas IIa-studier i överviktiga personer med typ 2-diabetes, vilket ger en grund av klinisk erfarenhet kring säkerhet och effekter. Nu handlar det om att visa att mekanismen bär även i fetmaindikation.

Där AI faktiskt gör skillnad: preklinikens flaskhalsar

AI gör som störst nytta i prekliniken när den kopplar ihop heterogen data till bättre beslut — inte när den försöker “ersätta” biologin. Fetmaprogram faller ofta på tre klassiska problem: fel modell, fel biomarkörer eller fel dosnivå.

Här finns flera konkreta AI‑användningsområden som är relevanta för program som XEN-D0501:

1) Smartare översättning från djur till människa

Den svåra frågan är inte om en råtta går ner i vikt. Den svåra frågan är: vilken effekt kan vi rimligen förvänta oss i människa, och i vilken subpopulation?

AI-baserade modeller (t.ex. multimodala prediktionsmodeller) kan väga samman:

• kroppsvikt, födointag, energiförbrukning
• metabolprofil (glukos, insulin, lipider)
• inflammationsmarkörer
• dos–respons och exponering (PK/PD)

Målet: bättre sannolikhetsestimat för klinisk effekt och en tydligare bild av risk/nytta.

2) Upptäcka “signaler” som människor missar

Prekliniska dataset innehåller ofta svaga men konsekventa mönster: små skift i aktivitet, måltidsmönster, dygnsrytm eller temperaturkurvor som tillsammans kan indikera mekanistisk effekt.

Med AI kan man:

• hitta delmönster kopplade till termogenes
• separera aptitdriven viktnedgång från sjukdomsrelaterad viktnedgång
• flagga tidiga säkerhetssignaler (t.ex. beteendeförändringar) med högre känslighet

Det här är extra viktigt om målet är en skalbar tablettbehandling, där tolerabilitet ofta blir avgörande i real-world-användning.

3) Personalisering redan innan fas IIb/III

Personalisering låter som något man gör sent. Jag tycker tvärtom: de bästa programmen börjar tidigt med att definiera vem som ska behandlas.

AI kan bidra genom att skapa hypoteser om responder-profiler, till exempel:

• patienter med särskilda inflammatoriska signaturer
• skillnader i aptitreglering och energiförbrukning
• samsjuklighet som typ 2-diabetes (där bolaget redan har klinisk erfarenhet)

Poängen: om du kan designa kliniska studier runt tydliga responder-hypoteser blir både tid och kapital bättre använda.

Vad investerare och R&D-team bör bevaka i kommande data

Den mest värdefulla läsningen av kommande resultat handlar om “kvaliteten i effekten”, inte bara om viktnedgången finns. Här är en praktisk checklista jag själv använder när jag bedömer tidiga fetmadata:

1. Storlek på effekt: Hur stor viktskillnad uppnås jämfört med kontroll, och hur snabbt?
2. Mekanistiskt stöd: Finns data som pekar på varifrån effekten kommer (aptit, termogenes, inflammation)?
3. Hållbarhet: Håller effekten över tid, eller planar kurvan snabbt ut?
4. Födointag vs energiförbrukning: Är effekten primärt minskat intag, ökad förbrukning, eller båda?
5. Säkerhet/tolerabilitet i modell: Tecken på stress, sjukdomsbeteende eller andra confounders?
6. Modellkonsistens: Kommer signalen i både DIO och Zucker, eller bara i en?

För Pila Pharma finns dessutom en tydlig tidsdimension: bolaget kommunicerar att de vill ha resultat före inlösenperioden för TO2. Det gör dataleveransen extra affärskritisk.

Expertis, amylin och varför “mekanismmix” är framtiden

Fetma behandlas bäst när man kombinerar mekanismer som täcker både aptit och energibalans. Pila Pharma har nyligen knutit professor Thomas Lutz till sitt vetenskapliga råd, med djup kunskap inom metabol forskning och pankreashormonet amylin.

Det är ett smart drag, eftersom marknaden rör sig mot:

• kombinationer (GLP‑1 + andra vägar)
• bättre tolerabilitet
• läkemedel som fungerar i olika kliniska “fenotyper” av fetma

Om TRPV1-hämning kan visa en egen tydlig profil — och samtidigt passa in i kombinationslogik — ökar det kommersiella värdet markant.

Vanliga frågor (som fler borde ställa tidigt)

Är prekliniska resultat “tillräckliga” för att tro på ett fetmaprogram?

Nej, men de är tillräckliga för att avgöra om nästa kliniska steg är värt kostnaden. Fetma är dyrt att studera kliniskt, så tidiga stoppbeslut är en styrka, inte ett misslyckande.

Varför spelar administreringsform så stor roll?

För att följsamhet och skalbarhet styr real-world-effekt. En tablett som patienter tar i vardagen kan i praktiken slå en injektion som många avbryter eller aldrig får tillgång till.

Var passar AI in rent konkret för ett mindre biotech?

Inte nödvändigtvis genom att bygga egna stora modeller från grunden, utan genom att:

• standardisera data för modellering
• använda AI-stödd analys för PK/PD, biomarkörer och responderprofiler
• välja studiedesign som gör data “AI‑vänliga” (rätt mätpunkter, rätt upplösning)

Nästa steg för svensk biotech: bättre beslut, inte bara mer data

Det intressanta med Pila Pharmas start i fetma är inte bara mekanismen TRPV1. Det är att programmet ligger i ett skede där AI och datadrivna arbetssätt kan göra verklig skillnad: öka förutsägbarheten, minska felinvesteringar och snabbare hitta rätt klinisk nisch.

Om du jobbar med läkemedelsutveckling eller investerar i sektorn skulle jag hålla blicken på två saker när resultaten kommer: effektens kvalitet (mekanistiskt och hållbarhet) och hur tydligt bolaget kan formulera en klinisk plan som går att genomföra i en marknad där GLP‑1 redan satt ribban.

Det här är också en bra påminnelse i vår serie “AI inom läkemedel och bioteknik”: AI är inte ett magiskt lager ovanpå forskningen. Den är ett sätt att fatta bättre beslut i exakt de ögonblick där osäkerhet annars blir dyr.

Vilken del av fetmautvecklingen tror du kommer att påverkas mest av AI de kommande 24 månaderna — preklinik, studiedesign eller patientselektering?