AI och Genovis: verktyg som snabbar upp Genomics & ADC

För många biotechbolag är flaskhalsen inte idéerna – det är hur snabbt man kan gå från data till beslut. Det gäller extra mycket i områden som Genomics och ADC (antibody-drug conjugates), där experimenten är många, dataseten stora och kvalitetskraven kompromisslösa.

Det är därför Genovis vd Fredrik Olsson (enligt en poddintervju publicerad 2025-12-19) lägger tyngdpunkten på två saker: exakt de verktyg kunderna efterfrågar i snabbväxande segment – och strategiska förvärv för att accelerera tillväxten. Jag gillar den här kombinationen, för den pekar på en större trend i svensk life science: det är inte en enskild teknik som vinner, utan ekosystemet av verktyg, dataflöden och beslutsstöd som gör att forskningen faktiskt skalar.

I den här delen av serien AI inom läkemedel och bioteknik tar vi Genovis strategi som avstamp och kopplar den till det som just nu formar branschen: AI i läkemedelsutveckling, automatisering i labb och en mer datadriven väg till robusta analyser i både R&D och CMC.

Varför Genovis fokus på “rätt verktyg” passar AI-eran

Kärnan är enkel: verktyg som tar bort friktion i kritiska arbetsflöden ger oproportionerligt stor effekt. När Olsson pratar om att leverera exakt det kunderna efterfrågar, är det i praktiken en strategi för att vinna i miljöer där tidslinjerna är aggressiva och marginalen för omtag liten.

AI förstärker den logiken. AI skapar nämligen värde när tre saker sitter:

1. Datakvalitet (garbage in, garbage out gäller fortfarande)
2. Standardiserade processer (så att resultat går att jämföra och repetera)
3. Kort feedback-loop mellan hypotes → test → lärdom

Verktygsbolag som Genovis hamnar mitt i detta eftersom de påverkar just datapunkten som många AI-modeller bygger vidare på: mätningar, provberedning, signal-till-brus och reproducerbarhet.

Det företag ofta missar: AI hjälper inte om labbet inte är “AI-kompatibelt”

Jag har sett samma mönster i flera organisationer: man vill “införa AI” men sitter med:

• otydliga prov-ID:n och spårbarhet
• variation mellan operatörer och instrument
• datasilos (ELN, LIMS, instrumentdatorer)
• inkonsekventa analysparametrar

AI kan inte magiskt lösa det. Men rätt verktyg – och rätt sätt att integrera dem – gör att AI faktiskt blir användbar. Det är här Genovis positionering blir intressant för alla som jobbar med genomik, proteinanalys eller bioanalytik nära läkemedelsutveckling.

Genomics: där AI vinner – men bara om datan håller

Genomics rör sig snabbt, men vardagen är ofta mindre glamorös än rubrikerna: provberedning, QC, batch-effekter, hantering av variantlistor och prioritering av vilka fynd som är kliniskt eller biologiskt relevanta.

AI används redan i genomikflöden för att:

• prioritera varianter och gener kopplade till fenotyp
• hitta mönster i multi-omics (t.ex. kombinationer av RNA/protein/metaboliter)
• identifiera subgrupper i patientpopulationer
• förbättra prediktion av funktionell effekt (t.ex. om en variant påverkar proteinstruktur)

Men: AI blir bara så bra som inputen. För svenska bolag som vill jobba smart 2026 är det här en praktisk tumregel:

Om du inte kan förklara din datakedja från prov till resultat på en whiteboard, då är du inte redo att skala AI i genomik.

Så kopplar verktygsstrategi till AI i Genomics

När ett verktygsbolag satsar på det kunderna faktiskt behöver, händer tre saker som är AI-positiva:

• Mer standardiserade arbetsflöden → lättare att träna och validera modeller
• Mindre variation i provhantering → bättre signal och färre falska mönster
• Snabbare iteration → fler cykler av “testa-lär-förbättra” per kvartal

Det här är extra relevant i Sverige där många team är relativt små och behöver få ut maximal effekt av varje labbvecka.

ADC: komplexiteten som gör AI extra värdefull

ADC:er är ett av de tydligaste exemplen på varför både verktyg och AI behövs samtidigt. En ADC är inte “en molekyl” i praktiken – det är ett system: antikropp, länkare, toxisk payload, konjugeringskemi, och en distribution av drug-to-antibody ratio (DAR). Detta skapar en analytisk verklighet där små variationer kan få stor effekt på effekt, säkerhet och stabilitet.

AI kan bidra i ADC-relaterade flöden genom att:

• modellera relationer mellan processparametrar och kvalitetsattribut (CQA)
• flagga avvikelser tidigt i analytiska data (anomali-detektion)
• stödja formulering och stabilitetsprognoser (med rätt historik)
• optimera experimentdesign (active learning) för att minska antal körningar

Verktyg + AI = snabbare väg till robust CMC

Många tror att AI främst är en “discovery-grej”. Jag håller inte med. I ADC är nyttan ofta större när AI sätts in där kostnaden för fel är som högst: processutveckling, analys och kontroll.

Om Genovis stärker erbjudandet mot ADC-aktörer handlar det därför inte bara om att sälja en produkt – det är att bli en del av kundens kritiska kedja från kandidat till klinik. Då blir också kravet tydligt: verktygen måste passa in i miljöer med spårbarhet, validerbarhet och regulatorisk disciplin.

Strategiska förvärv som tillväxtmotor – och som AI-parallell

Olsson nämner att fler strategiska förvärv likt köpet av SEQURNA (sommar 2025) kan bli aktuella för att accelerera tillväxten. Det är en klassisk, ofta klok, väg i verktygs- och plattformsbolag: köp kapabilitet i stället för att bygga allt från noll.

Här finns en tydlig parallell till hur bolag bygger AI-förmåga:

• vissa delar bygger du internt (domänkunskap, datadefinitioner, kvalitetsrutiner)
• andra delar köper du (modeller, integrationer, dataplattformar)
• de bästa resultaten kommer när förvärvade komponenter integreras i ett tydligt arbetsflöde

Det är integrationen som är svår. Och det är där många förvärv – och många AI-satsningar – tappar fart.

Tre frågor som avgör om förvärv (och AI) skapar verklig acceleration

1. Passar kundbaserna ihop? Om samma R&D-team använder båda delarna blir korsförsäljning och adoption enklare.
2. Går data och arbetsflöden att koppla samman? Annars får kunden två verktyg och dubbelt arbete.
3. Finns en gemensam “quality story”? I biotech måste kvaliteten vara en del av produkten, inte en eftertanke.

Min ståndpunkt: i svensk bioteknik 2026 vinner de bolag som kan visa att deras portfölj gör kundens vardag enklare och mer spårbar.

Praktiska nästa steg: så tar du verktyg- och AI-strategin från ord till pipeline

Om du sitter på ett biotechbolag, ett CDMO/analyslabb eller i en innovationsenhet är det lätt att fastna i “vi borde göra något med AI”. Här är en mer konkret väg som brukar fungera.

1) Välj ett arbetsflöde där tid verkligen är pengar

Bra startpunkter (ofta 8–12 veckor till mätbar effekt):

• QC-automatisering och avvikelseflaggning i analysdata
• variantprioritering i Genomics med tydliga triage-regler
• experimentdesign-optimering i ADC-processutveckling

2) Definiera 3 mätetal som speglar verklig nytta

Exempel som går att följa upp månad för månad:

• ledtid från prov till beslut (timmar/dagar)
• omkörningar per 100 analyser (andel)
• andel standardiserade dataposter (t.ex. komplett metadata)

3) Gör “AI-kompatibilitet” till ett inköpskrav

När du utvärderar verktyg och plattformar, lägg in krav som:

• export i strukturerade format
• tydlig metadata (batch, instrument, operatör, metodversion)
• spårbarhet och audit trail där det behövs

Det här är inte glamouröst, men det är exakt det som gör att AI-projekt inte stannar på pilotnivå.

4) Bygg broar mellan R&D och CMC tidigt

Särskilt inom ADC ser jag att överlämningen mellan discovery och CMC blir en kostsam friktionsyta. Om verktyg, dataformat och analyslogik harmoniseras tidigt kan AI-modeller återanvändas – och valideras snabbare.

Vad Genovis strategi säger om Sveriges biotekniska nästa fas

Genovis vd formulerar en framtidsbild där tillväxten kommer från att vara extremt kundnära i snabbväxande fält som Genomics och ADC, och där strategiska förvärv kan öka takten. Jag tror det är helt rätt läst.

Samtidigt är den underliggande lärdomen större än Genovis: bioteknikens nästa fas i Sverige blir mer verktygs- och datadriven. AI i läkemedelsutveckling kommer inte främst belöna dem som pratar mest om AI, utan dem som:

• har ordning på data och spårbarhet
• kan standardisera utan att tappa tempo
• skapar robusta, validerbara flöden från labb till beslut

Om du vill skapa leads och pipeline i det här landskapet är min rekommendation tydlig: prata mindre om “AI” som koncept och mer om vilken del av kundens arbetsflöde som blir snabbare, säkrare och lättare att validera.

Sista tanken att ta med in i 2026: När verktyg, förvärv och AI drar åt samma håll blir utvecklingstakten en konkurrensfördel – men bara för dem som orkar göra grundjobbet med process och datakvalitet. Vilket steg i din kedja är mest redo att standardiseras redan nästa kvartal?