AI och TRPV1-hämmare: snabbare väg till fetmaläkemedel

Fetmabehandling håller på att bli läkemedelsutvecklingens mest skoningslösa disciplin. Marknaden växer snabbt, kraven på effekt är höga, och toleransen för biverkningar är låg – särskilt när behandlingarna är tänkta att användas länge. Samtidigt finns ett tydligt glapp: många patienter vill (eller kan) inte ta injektioner, och vården behöver fler mekanismer än GLP-1 för att kunna skräddarsy behandling.

Det är därför Pila Pharmas besked 2025-12-19 är intressant ur ett större perspektiv än bara “ännu en fetmasatsning”. Bolaget har nu startat planerade prekliniska fetmastudier med TRPV1-hämmaren XEN-D0501, i samarbete med danska CRO:n Gubra. För mig är det ett tydligt exempel på hur bioteknik och AI kan mötas: prekliniska modeller genererar data, och AI kan göra datan mer beslutsbar – snabbare, billigare och med färre felsteg.

I den här delen av vår serie ”AI inom läkemedel och bioteknik” går vi igenom vad studierna faktiskt betyder, varför TRPV1 är ett spännande (och svårt) mål, och exakt var AI gör skillnad när man ska ta ett program från råttmodell till klinisk plan.

Varför just Pila Pharmas fetmastudier är en signal

Kärnpunkten: Pila Pharma försöker skapa proof-of-concept för viktpåverkan med en TRPV1-hämmare och använder två kompletterande råttmodeller för att minska risken för feltolkningar. Det är en ovanligt “hård” preklinisk design för ett tidigt obesitasprogram, och det säger något om hur konkurrensutsatt fältet är.

Bolaget kommer från en bakgrund med kopplingar till Novo Nordisk och har redan klinisk erfarenhet: XEN-D0501 har tidigare testats i två fas IIa-studier på överviktiga personer med typ 2-diabetes. Den historiken spelar roll. I fetma är säkerhetsprofilen inte bara en hygienfaktor – den är ofta hela skillnaden mellan ett program som får fortsätta och ett som stoppas.

En annan signal är tajmingen. Pila Pharma kommunicerar att resultaten väntas före en kommande warrantperiod (TO2). Det är ett typiskt exempel på hur datamilstolpar styr strategiska beslut: partnering, finansiering och design av nästa kliniska steg.

Det som ofta missas i fetmautveckling

Most companies get this wrong: de jagar “största möjliga effekt” utan att samtidigt bygga ett trovärdigt resonemang kring patientgrupper, kombinationer och uthållighet.

• Om en mekanism kan komplettera GLP-1 snarare än konkurrera frontalt kan värdet bli större.
• Om en substans kan bli tablett (eller åtminstone icke-injicerbar) ökar tillgängligheten.
• Om man tidigt kan förutsäga vilka som svarar minskar risken i klinik.

Här blir AI mer än en trend – det blir ett praktiskt verktyg.

TRPV1 som mål: vad man försöker uppnå (och varför det är svårt)

Direkt svar: TRPV1-hämning är intressant i fetma eftersom den kan påverka inflammation, termogenes och aptitreglering via nerv- och signalvägar som skiljer sig från GLP-1. Det gör mekanismen relevant både som fristående och som möjlig kombinationskomponent.

TRPV1 (Transient Receptor Potential Vanilloid 1) är mest känd från smärtfysiologi – det är receptorn som reagerar på värme och capsaicin. Men TRPV1 är också kopplad till metabola processer och neurogen inflammation. I Pila Pharmas kommunikation ligger fokus på tre effektriktningar:

1. Nedreglering av neurogen inflammation
2. Främjande av termogenes (ökad energiförbrukning)
3. Påverkan på aptitreglering

Svårigheten? Metabola system är robusta. Kroppen kompenserar gärna. En effekt på en axel kan trigga motreaktioner i en annan. Därför är “mekanistisk förståelse” inte akademiskt lull-lull – det är skillnaden mellan en bra hypotes och ett kliniskt program som håller.

Varför tablettspåret är strategiskt

Fetma är en kronisk sjukdom. Det gör administrationsform till en kommersiell och klinisk realitet, inte en kosmetisk detalj.

• Injektioner fungerar väl för många, men inte för alla.
• Skalbarhet, logistik och patientpreferenser spelar stor roll när populationen är enorm.
• En tablett (om säkerhet och effekt räcker) kan bli ett alternativ i primärvård och i tidiga behandlingslinjer.

Det är här Pila Pharma vill positionera sig: som ett skalbart alternativ i en marknad som enligt bolagets refererade prognos kan nå 100 miljarder USD/år 2030 och omfatta 2 miljarder människor.

Varför två råttmodeller ger bättre beslut (och hur AI stärker upplägget)

Direkt svar: Att köra både DIO-råttor och Zucker-råttor ökar chansen att separera “effekt på dietdriven fetma” från “effekt på genetiskt driven hyperfagi”, vilket ger mer robusta signaler inför klinisk strategi.

Studierna görs hos Gubra och omfattar:

• DIO (Diet-Induced Obesity): “normala” råttor som blir feta av fettrik kost.
• Zucker-råttor: genetisk mutation som driver överätande och fetma även på normal kost.

Det här upplägget hjälper till att svara på två väldigt praktiska frågor som investerare, partnerteam och kliniker bryr sig om:

• Är effekten beroende av kostmiljö/metabol stress?
• Fungerar mekanismen när aptitdriv och energibalans redan är kraftigt rubbade?

Så kan AI göra prekliniken mer än bara “ja/nej”

Här är den tydliga kopplingen till kampanjen: AI kan förvandla prekliniska studier från en binär effektfråga till ett beslutsunderlag för dos, patienturval och kombinationsstrategi.

Konkreta användningsområden (som faktiskt går att implementera i ett program som detta):

1. Prediktiva modeller för dos–respons och effektstorlek

   • Träna modeller på historiska data (egna + publika) för att förutsäga sannolik viktminskning givet dos, behandlingstid och fenotyp.
   • Identifiera tidiga biomarkörer i blod/metabolom som korrelerar med senare viktsvar.

2. Fenotypning med datorseende och beteendedata

   • Automatisk analys av rörelsemönster, födointag och dygnsrytm kan ge “digitala endpoints”.
   • AI kan upptäcka subtila biverkningssignaler (t.ex. minskad aktivitet som inte syns i enstaka observationer).

3. Mekanisminferens: vad driver effekten?

   • Multi-omics + maskininlärning kan separera signaler kopplade till termogenes från signaler kopplade till aptit.
   • Det gör det enklare att motivera kombinationer (t.ex. med GLP-1 eller amylin-relaterade angreppssätt) utan att gissa.

4. Översättning till klinik (translational AI)

   • Modeller kan mappa prekliniska endpoints till kliniskt relevanta mål: vikt, midjemått, HbA1c, lipider.
   • Resultatet blir bättre design av fas I/II: rätt dosintervall, rätt inklusionskriterier, rätt längd.

Om man ska vara krass: i fetma handlar allt om att undvika dyra kliniska felsteg. AI är bra på just det – att minska osäkerhet innan kostnaderna exploderar.

Vad partnering och kliniska nästa steg sannolikt kommer hänga på

Direkt svar: Partnerintresse i fetma triggas av tre saker: robust effekt i relevanta modeller, trovärdig säkerhet för långvarig användning och en tydlig plan för differentiering (tablett, kombination eller patientsegment).

Pila Pharma säger att resultaten kommer spela roll för partneringstrategin. Rimligt. Men vad kommer en partner faktiskt vilja se?

1) Effekt som är både statistisk och kliniskt rimlig

Viktförändring måste vara meningsfull, men också hållbar över tid. I prekliniken tittar man ofta på:

• Kurvans form (stannar effekten av?)
• Rebound efter avslut
• Skillnader mellan DIO och Zucker (mekanistisk ledtråd)

2) Safety narrative som håller för primärvård

Eftersom bolaget redan har klinisk erfarenhet av XEN-D0501 finns en fördel: man kan tala om säkerhet på ett mer konkret sätt än många tidiga fetmabolag. För en tablettkandidat som ska skalas brett är det centralt.

3) En strategi för vem som ska behandlas

Det här är där AI ofta blir en deal-maker. Om man kan visa att en viss biomarkörprofil eller fenotyp svarar bättre, blir programmet mer attraktivt:

• lättare att designa fas II
• högre chans att nå endpoints
• tydligare positionering mot konkurrenter

Expertis som förstärker mechanistic credibility

Bolaget har knutit professor Thomas Lutz till sitt vetenskapliga råd, med kompetens inom metabol forskning och amylin. Jag gillar det draget: fetma kräver både biologisk bredd och realism. Ett starkt råd kan också hjälpa till att undvika “one-mechanism-fällan” och istället bygga en kombinations- eller sekvensstrategi.

Praktiska takeaways för team som jobbar med AI i läkemedelsutveckling

Direkt svar: Vill du skapa lead-genererande värde i AI inom läkemedel och bioteknik, prata mindre om modeller och mer om beslut: vad AI gör mätbart bättre i preklinisk design, analys och översättning.

Här är en checklista jag själv använder när jag bedömer om AI-inslag i ett program är substans eller powerpoint:

• Beslutsfråga först: Vilket beslut ska AI förbättra – dos, endpoint, urval, tox-risk?
• Data pipeline: Är datan standardiserad nog för att modeller ska vara reproducerbara?
• Prospektiv plan: Finns ett upplägg där en AI-hypotes testas i nästa experiment?
• Tolkbarhet: Kan teamet förklara varför modellen tror något, i biologiska termer?
• Regulatorisk realism: Är output något som går att dokumentera och försvara i klinisk plan?

I just fetma är det extra viktigt att AI inte bara optimerar “vikt”. Den måste hjälpa till att förstå trade-offs mellan vikt, aptit, energinivå, tolerabilitet och långtidseffekter.

Nästa 6–12 månader: vad man bör hålla ögonen på

Direkt svar: De mest värdefulla signalerna framåt är preklinisk proof-of-concept, biomarkörspår för översättning, och en tydlig klinisk hypotes för övervikt/fetma som står på egna ben.

Om Pila Pharma levererar robust data i båda modellerna öppnar det för flera vägar:

• ett renodlat fetmaprogram
• kombinationsdiskussioner med aktörer inom GLP-1/amylin
• en klinisk plan som bygger på patientsegment (t.ex. fetma + typ 2-diabetes)

För oss som följer AI inom läkemedel och bioteknik är det här också ett bra lackmustest: kommer AI användas för att göra resultaten mer translaterbara, eller stannar det vid traditionell rapportering?

Ett fetmaprogram vinner inte på flest pressmeddelanden. Det vinner på snabbast lärande per spenderad krona.

Om du bygger, köper in eller utvärderar AI-stöd för prekliniska och kliniska beslut: vilka datapunkter skulle du kräva för att våga satsa på en ny mekanism som TRPV1 i en marknad som blir tuffare för varje kvartal?