Ny antibiotika mot gonorré: så kan AI snabba upp nästa

Gonorré är på väg tillbaka – och den kommer inte ensam. När resistensen ökar följer en mycket konkret risk: att standardbehandlingar tappar effekt, och att vården tvingas använda ”tyngre” antibiotika som vi egentligen vill spara. Därför är resultaten kring zoliflodacin, ett nytt antibiotikum som i en studie visade lika bra effekt som standardbehandling vid empirisk behandling av gonorré, mer än bara en medicinsk nyhet. Det är en signal om att pipeline-problemet inom antibiotika faktiskt går att lösa.

Samtidigt är det 2025-12-21, och vi står mitt i en period där regioner ofta summerar året, planerar inköp och ser över riktlinjer inför 2026. Det är ett bra läge att prata om nästa steg: hur AI inom läkemedel och bioteknik kan göra att fler zoliflodacin-liknande kandidater når kliniken snabbare – och hur svenska aktörer kan positionera sig när antibiotikaresistens går från ”framtidsproblem” till vardag.

Varför zoliflodacin-resultaten spelar roll

Zoliflodacin är intressant eftersom det erbjuder ett potentiellt nytt behandlingsalternativ när gonorré blir svårare att behandla med befintliga antibiotika. Att studieresultat rapporteras som jämförbara med standardbehandling i empiriskt läge är extra relevant i verkligheten – där man ofta behöver behandla innan odlingssvar och resistensbestämning är klara.

I svensk klinisk praktik är standardbehandling vid misstänkt gonorré ofta väl etablerad, men ökande resistens gör att handlingsutrymmet krymper. I källmaterialet lyfts också resonemanget om att man kan använda bredare alternativ (som karbapenemer) empiriskt, men att det är något man vill undvika eftersom:

• de är viktiga ”sista linjens” antibiotika som bör sparas
• de kan ha mer biverkningar
• de driver resistensutveckling om de används brett

När vi använder för breda antibiotika av bekvämlighet i dag, betalar vi priset i morgon.

Empirisk behandling är där det bränner till

Empirisk behandling betyder i praktiken: ”vi behandlar nu, med den information vi har.” För gonorré kan det handla om symtom, smittspårning och epidemiologi – men inte ett färdigt resistenssvar.

Det är precis här nya alternativ gör störst nytta. Om zoliflodacin kan bli ett robust val (och om framtida data bekräftar effekt, säkerhet och resistensprofil), kan det minska trycket på att ta till bredare antibiotika ”för säkerhets skull”.

Resistenskrisen: varför just gonorré är en varningsklocka

Gonorré är en av de infektioner där resistensutvecklingen historiskt gått snabbt. Det som var förstahandsval i en period kan bli obsolet på några år. Det är också en infektion med:

• hög spridningspotential
• ofta asymtomatiska fall
• behov av snabb behandling för att minska vidare smitta

Det gör gonorré till en slags stresstest för antibiotikasystemet: logistik, diagnostik, följsamhet och riktlinjer måste sitta.

Det som ofta missas: antibiotika är en ”gemensam resurs”

Jag tycker att antibiotikadebatten ibland blir för abstrakt. Men i praktiken är antibiotika en resurs vi delar – ungefär som brandsläckare i ett trapphus. Om någon använder den för att ”det känns tryggt”, finns den kanske inte när det verkligen brinner.

Det är därför ny antibiotika inte bara är en forskningsframgång. Det är riskhantering för hela vårdkedjan.

Här kommer AI in: från bakteriegenetik till smartare läkemedelsutveckling

AI kan minska tiden och kostnaden för att hitta, optimera och testa nya antibiotika – särskilt mot resistenta bakterier. För antibiotika har två problem länge bromsat utvecklingen: låg lönsamhet jämfört med kroniska läkemedel och hög vetenskaplig risk. AI adresserar främst risk- och tidsdelen.

1) AI i tidig discovery: hitta kandidater snabbare

I tidig läkemedelsutveckling handlar mycket om att sålla. AI-modeller kan:

• analysera kemiska bibliotek och föreslå molekyler med önskade egenskaper
• förutsäga bindning till bakteriella mål (targets)
• optimera ADME-profil (absorption, distribution, metabolism, elimination)

För antibiotika är det extra viktigt att modellen inte bara ”gillar” molekylen kemiskt – den måste också ta sig in i bakterien, undvika effluxpumpar och vara stabil i biologiska miljöer.

Praktisk effekt: färre döda spår, fler kandidater som faktiskt kan bli läkemedel.

2) AI + genomik: förutsäga resistens innan den sprids

En av de mest konkreta bryggorna mellan AI och klinisk nytta är genetiska resistensprediktioner. När vi sekvenserar bakterier (till exempel via helgenomsekvensering) kan ML-modeller tränas på sambandet mellan:

• mutationer / genmönster
• fenotypisk resistens (MIC-värden)
• behandlingsutfall

Målet: att snabbare avgöra vilket antibiotikum som sannolikt fungerar, även innan klassisk resistensbestämning är klar.

Det är här zoliflodacin-diskussionen blir spännande: nya antibiotika ger nya möjligheter, men också nya resistensmekanismer. Om vi kan bygga AI-modeller som tidigt identifierar genetiska signaler för minskad känslighet kan vi:

• upptäcka resistenskluster tidigare
• justera riktlinjer snabbare
• designa kombinationsstrategier innan problemen blir stora

3) AI i kliniska studier: bättre design, färre missar

Kliniska prövningar faller ofta inte på ”dålig molekyl” utan på fel design. AI kan bidra i prövningsfasen genom att:

• simulera patienturval och endpoints
• hitta subgrupper där effekt och biverkningar skiljer sig
• upptäcka datakvalitetsproblem tidigt (till exempel avvikande sites)

För infektioner som gonorré är det extra relevant eftersom:

• smittmönster kan variera geografiskt
• resistensnivåer skiftar över tid
• uppföljning kan vara svår (patienter kan försvinna ur studien)

AI kan inte ersätta klinisk verklighet, men den kan göra studier mer robusta – och därmed snabbare att tolka.

Från resultat i Lancet till svensk vardag: vad behöver hända nu?

Nästa steg är inte hype – det är implementering. För att nya antibiotika ska göra skillnad krävs en kedja där varje länk håller: regulatorik, upphandling, diagnostik, riktlinjer och antibiotikastyrning.

Vad vård och regioner bör göra (konkret)

Här är fem steg som jag tycker är rimliga att ha på bordet inför 2026 när nya antibiotika når närmare kliniken:

1. Se över flödet för empirisk behandling vid STI: var tappar vi tid – provtagning, svar, uppföljning?
2. Säkerställ tillgång till snabb diagnostik (NAAT där det passar) och plan för odling/resistens när det behövs.
3. Stärk antibiotikastyrning även för STI: det är lätt att fokus hamnar på sjukhusinfektioner, men resistens byggs i alla hörn.
4. Planera för data: om nya antibiotika introduceras behöver vi kvalitetsuppföljning av utfall och biverkningar i svensk kontext.
5. Bygg kompetens kring AI i läkemedelsutveckling: det är inte en IT-fråga, det är en FoU- och patientsäkerhetsfråga.

Vad bioteknikbolag och pharma kan vinna på

För svenska bolag (och för investerare) är budskapet tydligt: antibiotika är svårt – men behovet är stabilt och växande. AI kan bli en konkurrensfördel i tre lägen:

• Molekyloptimering (snabbare iterering, bättre kandidater)
• Biomarkörer och resistensprediktion (rätt patient, rätt behandling)
• Real-world evidence efter lansering (snabbare signaler om effekt/säkerhet)

Det som ofta avgör är inte om man ”har AI”, utan om man har en dataprodukt: välkuraterade dataset, spårbara pipelines och en plan för regulatorisk acceptans.

Vanliga följdfrågor (och raka svar)

När kan zoliflodacin bli aktuellt i kliniken?

Det beror på regulatoriska processer, ytterligare data och nationella rekommendationer. Studieresultat är en viktig milstolpe, men inte sista steget.

Varför kan vi inte bara använda bredare antibiotika när resistens ökar?

För att det driver resistens snabbare och riskerar att urholka behandlingsmöjligheter för andra, ofta livshotande, infektioner. ”Bredare” är inte samma sak som ”smartare”.

Kommer AI att ersätta laboratoriet och kliniska prövningar?

Nej. AI kan göra urval, prediktion och analys snabbare, men biologin måste fortfarande bekräftas experimentellt och kliniskt. AI är en förstärkare, inte en genväg.

Nästa kapitel i antibiotika handlar om data

Zoliflodacin-resultaten är en påminnelse om att antibiotikautveckling fortfarande kan leverera – även när marknaden och biologin är tuff. Men om vi vill ha fler nya antibiotika mot resistenta bakterier räcker det inte att hoppas på nästa kandidat. Vi behöver systematik: bättre urval, snabbare lärande och tätare koppling mellan laboratoriedata och kliniska utfall.

Det är precis där vår serie om AI inom läkemedel och bioteknik landar. AI är som mest värdefull när den kopplar ihop tre världar som annars jobbar i silos: kemin, mikrobiologin och kliniken.

Om 2026 blir året då nya antibiotika tar kliv framåt, vilken del av kedjan vill du att din organisation ska vara starkast i – discovery, diagnostik eller uppföljning i vården?