AI och TRPV1: Pila Pharmas väg mot fetmaläkemedel

Fetma är inte längre en ”livsstilsfråga” i marginalen. Det är en av de mest kommersiellt och medicinskt avgörande sjukdomsarenorna i läkemedelsindustrin, och prognoserna pekar mot 100 miljarder USD i årlig omsättning runt 2030. Samtidigt har 2024–2025 gjort en sak tydlig: injicerbara GLP-1-läkemedel har satt ribban för effekt, men de har också blottat en svaghet i systemet – tillgång, kostnad, kapacitet och patientpreferenser.

Det är därför jag tycker att nyheten från Pila Pharma (Malmö, med rötter i Novo Nordisk) är mer intressant än den ser ut vid första anblick. Bolaget har nu startat prekliniska fetmastudier med XEN-D0501, en TRPV1-hämmare, i två etablerade råttmodeller hos danska CRO:n Gubra. På ytan är det ”bara” ett prekliniskt steg. Men i kontexten av vår serie AI inom läkemedel och bioteknik är det ett skolexempel på hur nästa våg av fetmabehandlingar kan byggas: nya biologiska mål, smartare prekliniska upplägg – och allt oftare AI-stödd analys som pressar ned tid, kostnad och osäkerhet.

Varför TRPV1 spårar en annan väg än GLP-1

TRPV1 är en receptor som många främst förknippar med smärta och värme (tänk capsaicin). Pila Pharma positionerar sin kandidat XEN-D0501 som differentierad: målet är att påverka vikt via mekanismer som inte är samma som GLP-1.

Här är kärnan: om fetma är multifaktoriell (vilket den är), då kommer en enda mekanism sällan räcka för alla patienter.

Tre biologiska spår Pila vill påverka

Utifrån bolagets kommunikation handlar TRPV1-hämning om att kunna:

• Nedreglera neurogen inflammation (inflammation kopplad till nervsignalering)
• Främja termogenes (energiförbrukning/värmeproduktion)
• Påverka aptitreglering via andra vägar än dagens standard

Det är strategiskt. Marknaden domineras av aptit- och mättnadssignaler via GLP-1, men det finns utrymme för behandlingar som:

1. fungerar för patienter som inte tolererar GLP-1 väl,
2. kan kombineras för bättre effekt,
3. kan tas som tablett (skalbarhet och preferens).

En tydlig take: oral fetmabehandling är inte en ”nice-to-have”. Det är en av de stora flaskhalsarna för att gå från hype till bred folkhälsoeffekt.

Varför två råttmodeller är ett smart prekliniskt val

Pila kör studierna hos Gubra i två klassiska fetmamodeller:

• DIO-råttor (Diet-Induced Obesity): fetma induceras via fettrik kost.
• Zucker-råttor: genetisk mutation som driver hyperfagi och fetma.

Det låter som standard, men upplägget signalerar något viktigt: bolaget vill få en mer robust bild av effekten än om man bara valt en modell.

DIO vs Zucker: vad det kan säga om mekanismen

• En effekt i DIO kan tala för att kandidaten påverkar vikt i ett ”miljödrivet” scenario som påminner om många människors verklighet.
• En effekt i Zucker kan indikera att effekten står sig även när aptit och energibalans är hårt genetiskt störda.

Om XEN-D0501 visar konsekvent viktsignal i båda modellerna blir narrativet starkare inför nästa steg. Om signalen bara syns i en av dem blir lärdomen minst lika värdefull: då kan man snäva av mekanistiska hypoteser och tänka mer precist kring vilka patientgrupper som kan vara relevanta.

Där AI faktiskt gör skillnad: preklinik, data och beslut

När folk pratar om AI i läkemedelsutveckling hamnar fokus ofta på molekylgenerering. Det är bara halva bilden. I fetmafältet – där signaler ofta är komplexa, effektstorlekar kan variera och confounders är många – är AI och maskininlärning ofta mest värdefullt i tolkning och design.

1) AI-stödd analys av viktkurvor och metabola endpoints

Prekliniska fetmastudier genererar tidsseriedata: vikt, födointag, aktivitet, biomarkörer, ibland indirekt kalorimetri. AI/metoder som mixed-effects models, anomalidetektion och multivariat modellering kan:

• skilja äkta läkemedelseffekt från modell- och batchvariation,
• upptäcka tidiga responsmönster (t.ex. snabb aptiteffekt vs långsam termogen effekt),
• ge mer träffsäkra estimat av effektstorlek och varians.

Det här spelar direkt in i nästa beslut: vilken dos, vilken duration och vilka endpoints krävs för klinisk signal?

2) Hypotes-testning snabbare än ”magkänsla”

I praktiken handlar mycket preklinik om att prioritera. AI kan hjälpa team att testa flera plausibla mekanismer parallellt genom att koppla ihop:

• historiska data från liknande modeller,
• biomarkörmönster,
• farmakokinetik/farmakodynamik (PK/PD) och dos-respons.

Det minskar risken för klassikern: att man går in i klinik med ett upplägg som ”borde funka”, men där datapusslet egentligen pekade åt ett annat håll.

3) Bro till precisionsmedicin i fetma

Fetma behandlas ofta som en homogen diagnos. Det är den inte.

AI i klinisk fas (och redan i preklinisk översättning) används allt mer för:

• patientstratifiering (vilka svarar på vilken mekanism?),
• optimering av inklusionskriterier,
• simulering av studiestorlek och endpoints.

Om TRPV1-spåret visar sig passa en viss fenotyp (t.ex. inflammationstung, termogen-responsiv, eller specifika samsjukligheter) kan AI-modeller hjälpa att formulera en klinisk strategi som är både snabbare och mer sannolik att lyckas.

Affärslogiken: varför proof-of-concept i preklinik räcker långt

Pila Pharma har redan gjort två fas IIa-studier i överviktiga personer med typ 2-diabetes, vilket innebär att det finns klinisk erfarenhet av kandidaten kring säkerhet och effekter i metabola tillstånd.

Det som saknas är ett tydligt ben inom fetma/övervikt. Därför blir dessa prekliniska studier en strategisk trigger för:

• partneringdialoger (licens, co-dev, optionsavtal)
• planering av nästa kliniska steg (indikation, endpoints, studiedesign)
• investerarkommunikation inför tidskritiska finansieringsfönster

Bolaget har kommunicerat att man vill ha resultat innan inlösenperioden för TO2. Det betyder att tajmingen inte bara är vetenskaplig, utan också finansiell. Och jag gillar den ärligheten: i biotech är tidslinjer en del av produkten.

En bra datapunkt i rätt tid är ofta mer värd än en perfekt datapunkt för sent.

Vad svenska biotech-team kan lära av caset (praktiskt)

Nyheten är specifik, men mönstret är generellt. Om du jobbar med läkemedelsutveckling inom metabol sjukdom (eller vill göra det), finns här några konkreta lärdomar att ta med sig.

Checklista: så bygger du ett ”AI-ready” prekliniskt program

1. Standardisera datainsamling tidigt: enhetliga protokoll, tidsstämplar, batchinformation.
2. Planera analysen före studiestart: vilka modeller, vilka primära/sekundära endpoints, hur hanteras bortfall.
3. Säkerställ spårbarhet: versionerade dataset och tydliga transformationssteg.
4. Satsa på multivariat läsning: vikt ensamt räcker sällan – kombinera födointag, aktivitet, biomarkörer.
5. Bygg en översättningshypotes: vad i djurdata ska mappa till människa (PK/PD, biomarkör, fenotyp)?

Det här är inte ”extra arbete”. Det är det som gör att AI faktiskt kan användas som beslutsstöd, istället för att bli en PowerPoint-etikett.

Vanliga frågor jag får (och korta svar)

Är prekliniska fetmastudier tillräckliga för att förutspå klinisk effekt? Nej, men de kan ge en stark signal om mekanism och dos-respons – och de kan avlasta risk innan man bränner klinikbudget.

Varför är tabletter så centralt i fetma? För att injektioner skapar trösklar i acceptans, distribution och skalbarhet. En oral behandling kan nå fler, snabbare.

Är AI mest relevant i discovery eller utveckling? Båda, men i fetma ser jag ofta snabb ROI i utveckling: studiedesign, analys, stratifiering och beslutslogik.

Vad du ska hålla ögonen på under vintern 2025–2026

Det som händer härnäst avgör om XEN-D0501 får en tydligare position i den snabbt trängande fetma-portföljen globalt.

Tre saker jag hade följt:

• Effektstorlek på kroppsvikt och hur snabbt den uppstår (veckor vs längre förlopp)
• Födointag vs energiförbrukning: vad driver effekten – aptit, termogenes eller båda?
• Tolerabilitetssignal i modellen (t.ex. påverkan på beteende/aktivitet) eftersom det ofta spökar i översättningen

Om datapaketet blir tydligt kan nästa steg vara att designa en klinisk studie som från start är byggd för precision: rätt patienter, rätt endpoints, rätt duration. Där blir AI inte en accessoar, utan ett sätt att ta bättre beslut med mindre slöseri.

Fetmaforskningen rör sig snabbt, men det är fortfarande de bolag som gör grunderna väl – och använder data smart – som vinner tid.

Vad tror du blir den mest avgörande konkurrensfördelen i nästa våg av fetmaläkemedel: ny mekanism, bättre klinisk design, eller AI-driven patientselektion?