Så vill Mavatar accelerera vägen från forskning till patient

Företaget baseras på 20 års forskning inom precisionsmedicin och produkterna är utvecklade av forskare med bakgrund inom molekylärbiologi, bioinformatik och AI. 

– Kärnan i vår teknologi är DINA (Deep Integrated Network Analysis) – en egenutvecklad dataplattform som integrerar och analyserar miljontals forskningsstudier från hela världen för att förstå hur sjukdomar uppstår, utvecklas och svarar på behandling, berättar VD Johan Juhlin.

DINA ligger till grund för deras två plattformar:

• Mavatar Discovery – deras webbaserade forskningsplattform som redan finns på marknaden. Den hjälper forskare, läkemedelsbolag och akademi att snabbt identifiera biomarkörer, läkemedelsmål och sjukdomsmekanismer genom avancerad men lättanvänd dataanalys.
• Mavatar Precision – deras kliniska plattform som lanseras 2027. Den bygger på digital tvilling-teknologi och ger läkare beslutsstöd genom att simulera hur olika behandlingar kan fungera baserat på patientens unika biologi.

Idag tar det ofta månader eller till och med år att gå från stora mängder forskningsdata till verklig biologisk förståelse. Data finns utspridd, är svår att jämföra och kräver avancerad bioinformatik­kompetens – något som många forskningsmiljöer saknar.

Vilka problem löser er produkt/erbjudande?

– Med Mavatar Discovery kan forskare, läkemedelsbolag och akademiska institutioner snabbt få meningsfulla, reproducerbara insikter utan att behöva bygga egna analysflöden. Plattformen gör det möjligt att:

• Identifiera nya biomarkörer och läkemedelsmål
• Förstå sjukdomsmekanismer över flera vävnader och tillstånd
• Generera pilotdata och hypoteser för forskningsansökningar

– En annan viktig aspekt är att vi använder en strikt datadriven approach. Idag baseras all forskning på vad som redan är känt i litteraturer, eller vilka experiment som redan är utförda, vilket ofta kan begränsa forskningen. Med en datadriven approach så är vi inte beroende av detta, vilket innebär att vi hittar nya fynd och samband som tidigare inte var möjligt. På sikt kommer samma grundteknologi – genom Mavatar Precision – att stödja läkare i kliniken att fatta mer träffsäkra behandlingsbeslut med stöd av digitala tvillingar. Men just nu ligger vårt fokus på att ge forskare verktyg som verkligen accelererar deras arbete redan idag, säger Johan Juhlin.

Till vilken forskning används era produkter?  

– Mavatar Discovery används i tidig läkemedelsforskning, biomarkör­identifiering och systembiologiska studier. Den används av forskare inom områden som onkologi, infektion med flera, men teknologin är sjukdomsagnostisk – den kan tillämpas på vilken väldefinierad sjukdom som helst. Eftersom DINA-teknologin integrerar och analyserar data från miljontals peer review-granskade studier globalt, kan plattformen även ge värdefulla insikter inom sällsynta sjukdomar, där patientunderlaget ofta är litet, säger han.

Genom att kombinera data från flera studier och vävnader kan Mavatar Discovery avslöja biologiska mönster och mekanismer som annars skulle vara svåra att upptäcka – och därmed bidra till att driva forskning framåt även inom små eller fragmenterade fält.

Vad skiljer era produkter från andra på marknaden? 

– Det som gör Mavatar unikt är att vi kombinerar djup biologisk förståelse med avancerad, 100 % data­driven analys – på ett sätt som är både transparent, reproducerbart och kliniskt relevant. Kärnan är vår DINA-teknologi, som analyserar alla tillgängliga, peer review-granskade transkriptomiska data globalt och skapar integrerade, vävnads- och sjukdomsspecifika nätverk. Att teknologin är 100 % data­driven innebär att den inte bygger på antaganden, utan låter själva datan avslöja mönstren och sambanden – vilket ger objektiva och tillförlitliga resultat, säger Johan Juhlin.

Utöver detta utvecklar Mavatar även digitala tvillingar – virtuella modeller av patienter och sjukdomar som gör det möjligt att simulera hur olika behandlingar kan fungera innan något ges i verkligheten. 

– Denna teknologi är unik i sitt slag och bygger direkt på DINA:s biologiska nätverk. Där andra verktyg kräver att användaren startar från rådata, börjar Mavatar Discovery där forskningen egentligen vill börja – med biologiskt sammanhang och färdiganalyserade nätverk redo att utforska. Kort sagt: Vi gör det möjligt för forskare och kliniker att gå direkt till insikten – utan kodning, utan fördröjning och med full spårbarhet till källan, säger han.

Vilka är de största utmaningarna inom AI? 

– En av de största utmaningarna är att AI inom livsvetenskap måste vara begriplig, validerbar och vetenskapligt förankrad. Inom medicin räcker det inte att en modell ger rätt svar – vi måste förstå varför den gör det. Idag finns många aktörer som använder generativ AI för att skapa hypoteser eller förutsägelser, men dessa modeller fungerar ofta som svarta lådor. I forskning och vård räcker inte det. Vi kan inte basera medicinska beslut på något som inte går att förklara eller reproducera. Därför har vi byggt DINA annorlunda. Den är 100 % data­driven, bygger på verifierad, peer review-granskad forskning och ger spårbara och transparenta resultat, säger Johan Juhlin.

Vilka är de största utmaningarna inom precisionsmedicin? 

– Den största utmaningen inom precisionsmedicin är inte längre att samla in data – det är att faktiskt förstå den. Vi drunknar i biologisk information, men törstar efter insikt. Idag finns enorm kunskap spridd i databaser och artiklar, men få verktyg som kan väva samman allt till något kliniskt användbart. För att nå verklig precision måste vi sluta tänka i stuprör – forskningen, vården och patienten behöver kopplas ihop genom data som pratar med varandra. Där spelar AI- och datadrivna tekniker, som Mavatars DINA, en avgörande roll: de kan göra det komplexa begripligt och det individuella tillgängligt – i stor skala, säger han.

Vad är era planer för 2026, och på några års sikt? 

– 2026 fokuserar vi på att skala upp Mavatar Discovery globalt, fördjupa samarbeten med läkemedelsbolag, biotech och akademi samt bygga ut vår kommersiella organisation – i Sverige och internationellt. Parallellt startar vi de första pilotprojekten med Mavatar Precision, vår kliniska beslutsstödsplattform baserad på digitala tvillingar, säger han.

På några års sikt är målet att etablera den digitala ryggraden för precisionsmedicin – ett ekosystem där forskare, vårdgivare och patienter knyts samman genom data, insikter och innovation.

– Vill man testa Mavatar Discovery fungerar i praktiken så erbjuder vi gratis demo och kostnadsfria testperioder så att man kan prova i sin egen forskning, avslutar Johan Juhlin.

Till Mavatar.com >>