När partnerskap spricker: AI-vägen för vaccinutveckling

MSD valde 2025-12-19 att inte utnyttja sin option på Evaxions vaccinkandidat mot gonorré, EVX-B2. På pappret ser det ut som en klassisk “partner tackar nej”-nyhet. I praktiken är det en påminnelse om något många bioteknikbolag lär sig den hårda vägen: partnerskap är inte en garant för framdrift – och när det tar stopp behöver bolaget snabbt kunna ta tillbaka kontrollen över både strategi och utvecklingsplan.

Det är här AI blir relevant på riktigt, särskilt i vaccinutveckling. Inte som ett buzzword, utan som ett sätt att minska beroendet av en enskild partner genom snabbare analys, bättre prioriteringar och tydligare beslutsunderlag. Jag har sett att bolag som behandlar AI som en “strategisk funktion” (inte ett sidoprojekt) ofta blir bättre på att klara exakt den här typen av scenario: när en stor aktör kliver av och man måste fortsätta ändå.

Evaxion säger att beslutet inte påverkar kassaflödesprognosen (som sträcker sig till andra halvåret 2027) eftersom en affär inte var inräknad. Det är klokt riskarbete. Men den strategiska frågan kvarstår: hur bygger man fart i utvecklingen och attraktivitet för nästa licenspartner? Den här texten använder EVX-B2 som ett konkret exempel i vår serie AI inom läkemedel och bioteknik.

Vad betyder det när en option inte utnyttjas?

När en stor partner inte går vidare är huvudpoängen sällan att “projektet är dåligt”. Oftare handlar det om portföljlogik: konkurrens om budget, ändrade prioriteringar, tidslinjer som inte matchar, eller att data inte passar partnerns interna kravbild just nu.

I Evaxions fall innebär MSD:s beslut att Evaxion återfår de globala rättigheterna till EVX-B2 och kan söka ny licenspartner. Det är både en utmaning och en möjlighet.

Den operativa konsekvensen: från delat ansvar till helhetsansvar

När en partner faller bort förändras tre saker direkt:

1. Beslutsflödet: fler beslut hamnar hos bolaget självt.
2. Bevisbördan: bolaget behöver paketera data och risker ännu tydligare för nästa partner.
3. Tempo vs. kostnad: man måste öka tempo utan att bränna kassa.

Här blir AI konkret användbart: inte för att “ersätta” utveckling, utan för att göra det lättare att välja rätt experiment, rätt endpoints och rätt utvecklingsväg.

Marknadskontext: gonorré är inte ett “litet” problem

Gonorré är en av de vanligaste sexuellt överförbara infektionerna globalt, och antibiotikaresistens är en växande utmaning. Ett effektivt vaccin skulle därför ha tydlig folkhälsorelevans. Samtidigt är det biologiskt svårt: patogenen har mekanismer för immunflykt och variation, vilket gör att vaccinutveckling blir dataintensivt och iterativt.

Det är just i sådana komplexa, iterativa problem som maskininlärning kan bidra mest.

AI i vaccinutveckling: snabbare iterationer, bättre val

AI i vaccinutveckling handlar i praktiken om att förkorta lärloopar. Om du kan gå från “hypotes” till “testbar kandidat” med färre omvägar sparar du både tid och pengar.

För ett bolag som fortsätter utan stor partner blir det en konkurrensfördel.

Antigenval och epitope-design: där AI gör skillnad tidigt

Tidiga beslut om antigen och epitoper avgör ofta resten av projektet. AI-modeller kan hjälpa till att:

• förutsäga immunogenicitet (vilka sekvenser som sannolikt ger immunsvar)
• prioritera epitoper som är konserverade över stammar (viktigt för gonorré)
• analysera risk för korsreaktivitet och oönskade bindningar
• optimera antigenkonstruktioner för stabilitet och uttryck

Den viktiga poängen: AI ersätter inte labbdata, men kan göra att labbdata används smartare. När partnerskap faller bort är det ofta just “smartare användning av resurser” som avgör om man behåller momentum.

Prekliniska resultat: från lovande signal till robust story

Evaxion uppger lovande prekliniska resultat och nämner även en mRNA-version i samarbete med Afrigen Biologics. Prekliniska signaler är dock bara början. Det som säljer in en kandidat till nästa partner är en robust, sammanhängande kedja:

• mekanism → biomarkörer → prekliniska effekter → translaterbarhet

AI kan här bidra genom att bygga prediktiva modeller som knyter ihop data från flera källor (omik, immunprofiler, djurmodeller, in vitro), och genom att identifiera vilka mätpunkter som bäst förklarar effekten.

En formulering jag tycker fångar kärnan:

När du saknar en stor partner måste datan bära mer av argumentationen. AI hjälper dig att göra datan mer talför.

När en partner backar: så optimerar du partnerskapsstrategin med AI

Att “hitta en ny licenspartner” är inte en enskild aktivitet. Det är en process där du behöver matcha projektets riskprofil med rätt typ av organisation och rätt affärsstruktur.

AI kan stödja det arbetet på två nivåer: marknads-/partnerintelligens och programstyrning.

Partnerintelligens: hitta rätt partner, inte bara en partner

Bolag gör ofta misstaget att jaga “största namnet”. Det man egentligen behöver är bästa passformen för fas, indikationsfokus och riskaptit.

Med AI-stödd analys (t.ex. NLP på publika dokument, pipeline-data, kliniska register, investerarpresentationer och pressmeddelanden) kan man skapa en mer datadriven shortlist:

• Vilka bolag har historik av att licensiera prekliniska vaccinkandidater?
• Vilka har nyligen öppnat nya infektions-/vaccinportföljer?
• Vilka har interna plattformar (t.ex. mRNA) som gör EVX-B2 mer synergistisk?
• Vilka signalerar “capability gaps” som kandidaten kan fylla?

Det här ska inte ses som spådomar, utan som ett sätt att minska sökbruset och prioritera rätt dialoger.

Programstyrning: AI som beslutsmotor för nästa milstolpar

När du står utan partner blir det extra viktigt att definiera en tydlig plan för de närmaste 6–18 månaderna. Målet är enkelt: producera data som både minskar risk och ökar förhandlingsstyrka.

AI kan hjälpa till att prioritera:

1. Vilka experiment ger mest informationsvärde per krona?
2. Vilka endpoints är mest translaterbara till klinik?
3. Vilken formulering/plattform (t.ex. protein vs mRNA) har bäst sannolikhet att nå klinik inom kassa-horisonten?

Det här kan formaliseras i ett “evidence plan”-ramverk där modellerna hela tiden uppdateras när ny data kommer in. Resultatet är en mer disciplinerad utveckling, vilket investerare och partners brukar läsa av snabbt.

mRNA-spåret och Afrigen: varför plattformsvalet påverkar allt

Att Evaxion arbetar med en mRNA-version tillsammans med Afrigen Biologics är intressant av flera skäl. mRNA-plattformen möjliggör snabbare iteration på konstruktioner och kan göra det lättare att testa varianter.

Men det kommer med sina egna krav: formulering, stabilitet, kylkedja, och en regulatorisk story som måste sitta.

AI i mRNA-design: optimering bortom själva antigenet

I mRNA-projekt är det inte bara antigenet som spelar roll. Du behöver även optimera:

• kodonval och sekvensdesign för uttryck
• risk för oönskade strukturer i RNA
• stabilitet och translationseffektivitet
• immunstimulerande egenskaper (önskade och oönskade)

Det här är ett område där algoritmer kan ge snabb pay-off, eftersom designrymden är stor och labbiterationer är dyra.

Strategiskt val: parallella spår utan att tappa fokus

Många bolag försöker köra “allt samtidigt” när en partner kliver av. Det slutar ofta i spretighet.

En bättre strategi är att använda AI för att styra portföljen inom projektet:

• ett huvudspår med tydlig milstolpe (t.ex. kandidatval + tox-plan)
• ett explorativt spår (t.ex. mRNA-varianter) med strikta “stop/go”-kriterier

Det gör att du kan visa både fokus och framtidspotential när du pratar med nästa licenspartner.

Praktiska nästa steg för biotech som vill stå starkare utan partner

Om du sitter i ett bioteknikbolag och känner igen situationen – partnern drar i bromsen, eller processen tar för lång tid – då är det här checklistan jag hade börjat med.

1) Bygg en “AI-ready” datapipeline

Det räcker inte att “ha data”. Den måste vara användbar.

• standardisera metadata (protokoll, batch, assay-versioner)
• koppla data till beslut (varför gjordes experimentet?)
• skapa spårbarhet från rådata till figur i deck

2) Prioritera modeller som kan påverka beslut inom 90 dagar

Stora modeller är lockande. Men tidiga vinster bygger förtroende internt.

Bra startpunkter:

• prediktion av immunogenicitet/epitoper
• klassificering av responder/non-responder i prekliniska dataset
• experimentprioritering via Bayesian optimering

3) Gör din “partner story” mer mätbar

Nästa partner vill se mer än entusiasm. De vill se kontroll.

• definiera 3–5 milstolpar med tydlig dataleverans
• mät riskreduktion per milstolpe (vad blir mindre osäkert?)
• visa hur AI används för att minska tid och kostnad per iteration

4) Säkra kompetens: AI är ett team, inte ett verktyg

Den bästa tekniken faller platt utan rätt arbetssätt.

• en dataansvarig som äger datakvalitet
• en ML-kompetens (internt eller partner) som kan bygga och validera modeller
• en biolog/kliniker som översätter modellresultat till utvecklingsbeslut

Det Evaxion-situationen egentligen lär oss

MSD:s besked om EVX-B2 är inte bara en notis om en option som inte utnyttjas. Det är ett tydligt exempel på hur bioteknik fungerar i verkligheten: strategi måste tåla att plan A faller.

I vår serie AI inom läkemedel och bioteknik återkommer vi till samma mönster: bolag som bygger AI-stöd för beslut, dataflöden och experimentdesign blir mindre sårbara när externa förutsättningar ändras. De blir bättre på att fortsätta framåt, och de blir ofta mer attraktiva partners när nästa samtal väl börjar.

Om du leder ett projekt där partnerskap är en del av planen: vad skulle hända om partnern inte går vidare – och vilka AI-stödda beslut skulle du vilja kunna ta redan nästa vecka?