Vivodyne vill täppa till AI-läkemedlens datagap med robotlabb

Vivodynes grundtes är att AI inom läkemedelsutveckling har ett dataproblem innan det har ett modellproblem. AI-system kan snabbt föreslå nya mål, molekyler och experiment, men förutsägelserna blir begränsade när underlaget främst beskriver djur, isolerade celler, proteiner eller observationer – snarare än hur komplex mänsklig vävnad reagerar på en behandling.

Vivodynes vd Andrei Georgescu har sagt att AI-designade läkemedel ännu inte är påtagligt bättre än läkemedel som tagits fram av människor. Enligt honom beror det till stor del på att modellerna saknar tillräckligt mycket relevant laboratoriedata att lära sig av. 25

Företagets svar heter HIVE: en modulär, autonom laboratorieplattform som ska odla, behandla, övervaka och analysera mänsklig vävnad i stor skala.

Flaskhalsen: samband räcker inte

En modell för läkemedelsutveckling kan hitta ett samband mellan en biologisk egenskap och ett sjukdomsutfall. Det visar däremot inte nödvändigtvis vad som händer när ett läkemedel förändrar systemet – vid en viss dos och i en viss vävnadsmiljö.

Vivodyne fokuserar därför på perturbation, alltså att medvetet förändra ett biologiskt tillstånd och mäta vävnadens reaktion. I företagets beskrivning kan ett sådant experiment ge ett mer användbart samband för läkemedelsutveckling: om behandling X ges i dos Y förändras vävnad Z på ett mätbart sätt. Plattformen är utformad för att skapa data om cellulär kausalitet genom kontrollerade experiment på mänsklig vävnad. 2

Skillnaden är viktig. En modell som tränats på ofullständig eller dåligt matchad biologi kan göra mycket självsäkra förutsägelser som ändå inte fungerar hos patienter. Vivodyne hävdar inte att större modeller är värdelösa, utan att det kan ge begränsad effekt att skala upp modellerna utan att samtidigt förbättra mängden och kvaliteten på de experimentella data som speglar människan. 1725

Så fungerar HIVE

HIVE kombinerar robotik, mikrofluidik, vävnadsteknik, automatiserad dosering och biologiska mätmetoder. Vivodyne uppger att systemet kan odla 20 typer av mänsklig vävnad, ge läkemedel eller andra behandlingar och följa förändringarna över tid. 117

Plattformen bygger bland annat på så kallade TissueDisks, där hundratals fristående mänskliga vävnadsmodeller enligt företaget kan odlas och behandlas parallellt. Varje modell innehåller omkring 200 000–500 000 celler och kan ha perfunderade, vävnadsspecifika tredimensionella kärlnätverk som ska ge läkemedelstillförseln en mer realistisk fysiologisk miljö. 24

Arbetsflödet är tänkt att vara återkopplande:

1. Standardiserade modeller av mänsklig vävnad odlas.
2. Ett läkemedel, en dos, en genetisk förändring eller en kombination av behandlingar appliceras.
3. Molekylära, cellulära och funktionella reaktioner mäts.
4. Resultaten används i analysen och för att utforma nästa experiment.

På så sätt blir laboratoriet ett system för dataproduktion, snarare än en samling isolerade tester. Resultatet är inte bara ett svar på om vävnaden överlevde. Det kan också visa hur vävnaden förändrades, när förändringen inträffade, vilka celler som påverkades och hur olika doser eller kombinationer ändrade utfallet.

Varför djurförsök och cellstudier kan missa målet

Djurmodeller är fortfarande användbara för att studera effekter i en hel kropp. Men biologi som fungerar i ett djur behöver inte fungera på samma sätt hos människor. Skillnader mellan arter kan påverka läkemedelsomsättning, toxicitet, immunförsvar, sjukdomsmekanismer och samspelet mellan olika vävnader.

Enskilda cell- och proteinanalyser ger detaljerad information, men de saknar mycket av den flercelliga struktur och fysiologiska kontext som formar ett läkemedels effekter.

Denna bristande överförbarhet bidrar till att lovande prekliniska kandidater kan misslyckas när de testas på människor. Vivodyne vill tillföra data från mänsklig vävnad tidigare i processen, så att vissa problem med säkerhet och effekt kan upptäckas innan en kandidat når en dyr klinisk prövning. 113

Samtidigt är odlad vävnad inte en komplett människa. Modellerna kan inte fullt ut återskapa läkemedelsomsättning i hela kroppen, signaler mellan organ, långvariga immunreaktioner, variation mellan patienter eller alla kännetecken hos en sjukdom. De bör därför ses som en möjlig länk mellan förenklade laboratorietester och klinisk forskning – inte som en ersättning för kliniska prövningar.

Vilka resultat har Vivodyne rapporterat?

Vivodyne har redovisat resultat från tester av 20 cytostatika mot flera vävnadsmodeller. Företaget uppger att levermodellen förutsade toxicitet hos människa med 94 procents träffsäkerhet, att luftvävnadsmodellen överensstämde med mänsklig vävnads funktion i 96 procent av fallen och att benmärgsmodellen nådde 100 procents överensstämmelse i den aktuella testuppsättningen. 17

Siffrorna är potentiellt betydelsefulla, men de behöver tolkas med försiktighet. Det tillgängliga materialet beskriver dem som resultat och prestandaanspråk från företaget. Det visar inte en omfattande, oberoende och upprepad granskning i vetenskapligt publicerade studier över många läkemedelsklasser. Det visar inte heller att HIVE-förutsägelser redan har förbättrat godkännandegraden i klinisk utveckling genom en prospektiv jämförelse med traditionella prekliniska program.

Vivodyne har även meddelat att en anläggning med 12 HIVE-laboratorier har en årlig kapacitet på 3,1 miljoner kontrollerade experiment på levande mänsklig vävnad. Det är ett påstående om plattformens kapacitet – inte i sig ett bevis på att experimenten kan förutsäga kliniska utfall. 37

Finansiering och kommersiellt stöd

År 2023 meddelade företaget att det totalt hade tagit in 38 miljoner dollar i så kallad seed-finansiering. Rundan leddes av Khosla Ventures, med deltagande från Kairos Ventures, CS Ventures, MBX Capital och Bison Ventures. 9 Vivodyne har senare offentliggjort en finansieringsrunda på 40 miljoner dollar för att bygga ut infrastrukturen för robotik- och AI-baserade tester på mänsklig vävnad. 7

Finansieringen stöder en strategi där experimentell biologi behandlas som infrastruktur för AI: först ska stora och standardiserade datamängder skapas, därefter ska de användas för att förbättra terapeutiska förutsägelser och prioritera nya experiment.

Vad kan detta förändra i kliniska prövningar?

Om plattformen visar sig vara träffsäker i oberoende, prospektiva studier kan den påverka läkemedelsutvecklingen på tre huvudsakliga sätt.

Misslyckanden kan upptäckas tidigare

Kandidater med låg effekt eller oacceptabel toxicitet kan sorteras bort innan människor exponeras. Det skulle inte eliminera misslyckanden i kliniska prövningar, men kan minska antalet svagt underbyggda kandidater som går vidare.

Bättre val av kandidat och dos

Genom att testa flera doser och vävnadsmiljöer kan forskare lättare identifiera vilka kandidater som är värda att utveckla och vilka dosintervall som bör undersökas kliniskt. Vivodyne presenterar plattformen som användbar från upptäckt till ADME- och toxicitetsstudier samt planering av kliniska prövningar. 13

Mer användbara AI-modeller

Återkommande experiment där en intervention kopplas till en vävnadsreaktion kan ge AI-system träningsdata som bättre förbinder behandlingar med biologiska utfall. På längre sikt hoppas Vivodyne kunna använda detta för att bygga en bredare beräkningsmodell – en så kallad ”världsmodell” – av mänsklig biologi. 8

Det beror dock på datamaterialets kvalitet, reproducerbarhet, mångfald och externa validering. Fler experiment är inte automatiskt bättre om vävnadsmodellerna inte representerar relevanta patientgrupper eller om mätningarna inte kan förutsäga vad som händer hos människor.

Kombinationsterapier blir ett viktigt test

Kombinationsterapier kräver att forskare undersöker mer än en variabel åt gången: läkemedelskombinationer, doser, behandlingsordning, tidpunkt och vävnadsmiljö. En plattform med mänsklig vävnad skulle kunna göra det mer praktiskt att testa sådana kombinationer systematiskt – både för att hitta synergier och för att upptäcka toxicitet innan patienter exponeras.

Det kan vara särskilt användbart vid sjukdomar där ett enskilt läkemedel bara påverkar en del av en komplex biologisk signalväg. Samma förbehåll gäller dock här: vävnadsexperiment kan visa hur behandlingar samverkar i den modellerade biologin, medan kliniska utfall också påverkas av upptag, distribution, metabolism, immunförsvar, samspel mellan organ och variation mellan patienter.

Slutsatsen

Vivodyne satsar på att nästa stora framsteg inom AI-baserad läkemedelsutveckling ska komma från bättre experimentell förankring – inte enbart från större algoritmer. HIVE är utformad för att ge denna förankring genom att köra kontrollerade experiment i hög volym på 20 typer av odlad mänsklig vävnad och omvandla resultaten till strukturerade biologiska data. 117

Angreppssättet tar sikte på en verklig svaghet i överföringen från preklinisk forskning till behandling: modeller som tränas eller testas på förenklade system kan ha svårt att förutsäga vad som händer i människor. Vivodynes tidiga resultat och uppgivna kapacitet är anmärkningsvärda, men evidensen kommer fortfarande från företaget självt. Det avgörande testet blir om oberoende validerade HIVE-förutsägelser kan förbättra urvalet av läkemedelskandidater, minska kliniska misslyckanden och skapa AI-modeller som fungerar även utanför de vävnader och läkemedel som användes för att träna dem.