🤯⚡️Din DNA i ständig beta.

Nu kan vi editera DNA inuti levande människor. Detta förändrar ju allt!

DFJA är ett prisbelönt nyhetsbrev där Tomas Seo, innovationsstrateg på Phorecast, berättar om händelser, upptäckter, ny teknik och AI som får honom att utbrista: Detta förändrar ju allt! Du prenumererar på det här för att fortsätta vara steget före med de senaste trenderna och få konkreta tips för att framtidssäkra dig och din organisation. Har du fått det här av en vän? Då vill du kanske starta en egen prenumeration?

---

Bilden är skapad med ChatGPTs nya förmåga att göra animerade gif:ar.

Vad har hänt?

- Vi kan nu skriva om DNA-kod direkt inne i levande människor.

Förra veckan rapporterade Nature att Prime Editing av DNA nu testas på människor ”in vivo”. Prime editing är en vidareutveckling av hur vi kan redigera DNA och tillåter mycket mer flexibel editering av gener än CRISPR-Cas9. In vivo betyder att det görs på levande människor direkt i kroppen.

In vivo genmoddning är inte nytt i sig, redan 2017 började forskare testa genredigering direkt i människokroppen. År 2020 behandlades den första patienten med CRISPR direkt i ögat, och året därpå presenterades resultat från patienter som fått CRISPR injicerat i blodet för att förändra DNA i levern. Behandlingen slog ut en gen som producerade ett sjukdomsframkallande protein, vilket minskade mängden av proteinet i blodet med i genomsnitt 87 procent hos patienterna som fick den högre dosen.

Men nu har forskningen gått vidare från att slå ut gener till att försöka reparera dem. I maj 2025 rapporterades att ett spädbarn med en allvarlig ärftlig ämnesomsättningssjukdom fått en individanpassad behandling där tekniken base editing skulle rätta en sjukdomsorsakande mutation direkt i levern. Barnet kunde efter behandlingen tolerera mer protein i kosten och behövde mindre medicin. Base editing kan ändra vissa enskilda DNA-bokstäver, men klarar inte alla typer av mutationer.

Det senaste som hänt är att bioteknikföretaget Prime Medicine meddelat att den första patienten fått en behandling med den mer mångsidiga genredigeringstekniken prime editing direkt inne i kroppen. Tekniken kan alltså göra mer än bara base editning. Den kan mycket friare byta ut, lägga till och ta bort DNA-bokstäver och därmed korrigera mutationer som de etablerade base editing-metoderna inte kunnat rätta.

Den behandling som nu testas in vivo riktar sig mot en mutation som orsakar Wilsons sjukdom, där koppar ansamlas i kroppen och kan skada levern och nervsystemet.

I tidigare försök på möss har forskarna lyckats korrigera mutationen i över 80 procent av levercellerna och återställa leverns förmåga att göra sig av med överskottet av koppar. Tidigare forskning indikerar att det hos människor kan räcka med att få igång runt 25% av levercellerna så de klarar av att hantera koppar för att bota Wilsons sjukdom.

”Our mission is to make possible a future in which these types of gene editing treatments are routine, so that people are no longer so beholden to the misspellings in our DNA” berättade David Liu, en av forskarna bakom prime editing i en intervju om hur han ser på DNA-teknikens framtid.

Detta förändrar ju allt

Genetisk kod är fascinerande, tänk att det räcker med endast fem variabler för naturen att koda allt liv (A, T, C, G för DNA och A, U, C, G för RNA). Det är också fascinerande att vi trots den väldigt strikta avgränsningen till kombinationer till bara fyra bokstäver i taget ännu inte har total förståelse för DNA/RNA som programmeringsspråk.

Vi tycker ofta att AI-agenternas resultat är skrattretande när de testar saker för att lära sig hur något fungerar. Även när barn misslyckas så tycker vuxna att det är gulligt och underhållande eftersom vi ser deras stapplande steg i att förstå.

I fallet med genetisk kod är det vi vuxna människor som fortfarande stapplar runt och har förstått vissa baskoncept men ändå inte lyckas knäcka den fulla förståelsen för koden för hur livet fungerar.

Om vi jämför med AI-agenternas utveckling av att lära sig koda: För ett par år sedan kunde AI-bottarna inte riktigt programmeringsspråk. De bara härmade hur kod brukar se ut men när vi testkörde såg vi att det inte funkade. Det motsvarar ungefär tiden när vi begrep att A, T, C och G var gemensamt för allt liv, men om vi själva skulle ha byggt ihop massa baspar så hade det förmodligen inte blivit körbar kod för en cell.

För AI var nästa steg att behärska att skriva små kodprogram som fungerade. Kommer ni ihåg hur imponerade vi var när AI-agenterna började kunna göra Snake-spel som gick att spela?

Men så fort de skulle in och ändra i komplexa kodbaser för befintliga appar så gjorde deras ”buggfixning” att det kunde rätta en bugg, men då uppstod tre nya. AI började få förmåga att få saker att fungera men fortfarande inte förmågan att se konsekvenserna av en rättning på hela systemets nivå.

Det är ganska jämförbart med där vi är idag med genetisk kodförståelse. Vi börjar se tecken på att vi klarar buggfixning i riktig genetisk kod som körs i befintliga människor. Men så länge som vi inte riktigt har förstått vad vi gör så vet vi inte vad effekterna kan bli i hela systemet.

Ett exempel är när forskare 2016 programmerade om DNA helt för en bakterie med ett syntetiskt genom. De försökte sedan minimera antalet gener som behövdes där bakterien ändå kunde leva och föröka sig. De lyckades få ner antalet till 473 gener, men 149 av dessa kunde forskarna inte förstå vad de gjorde eller varför de behövdes. Bara att om de stängde av dem så slutade bakterien fungera. De hade alltså skrivit fungerande kod utan att fatta vad varje del av koden var bra för. Än idag så vet vi inte riktigt vad flera av de där generna de skapade faktiskt gör i bakterien.

Bild: Minimal Cell — JCVI-syn3.0, Electron micrographs of clusters of JCVI-syn3.0 cells magnified about 15,000 times. The images were made by Tom Deerinck and Mark Ellisman of the National Center for Imaging and Microscopy Research at the University of California at San Diego. (Bilden är inte AI-genererad, men om vi ska vara noga så är väl alla elektronmikroskop-bilder vi någonsin sett mer en illustrativ representation av verkligheten än regelrätta foton)

Nästa hopp i AI-agenternas kodförståelse är där vi är nu. Det kom när de fick tillgång till verktyg som gjorde att de kunde validera det de gjorde själva och testköra buggfixar i simulerade miljöer innan de implementerades i live-koden. De har gått från att experimentera blint och inte kunna överblicka vad som går fel förrän det gått fel till att kunna göra förändringar med intention.

Det är därför som nya simuleringsmodeller av olika kemiska processer, som Google Alpha Genome och Mark Zuckerbergs och Priscilla Chans initiativ att bygga modeller för virtuella celler, kommer bli så betydelsefulla för nästa steg i vår förståelse för hur vi skriver fungerade genetisk kod. När simuleringarna blir bättre så kommer mer avancerad genetisk kod kunna skapas med intention.

Sedan några veckor tillbaka kan AI-agenter skriva och och ändra i för människor oläsbar kod. Förra veckan bad många sina AI-agenter editera i kompilerad kod (för människor oläsbar kod) för att reverse engineera appar och hacka sin hårdvara. Till exempel hackade folk sina TV-apparater för att få bort oönskad reklam.

Den här veckan visade det sig att OpenAIs modell Astra 6 klarar av att skriva om LLM-modellernas så kallade vikter direkt. Vikterna är massa siffror och motsvarar hur olika delar av ord är lagrade i modellernas neurala nätverk. Astra 6 klarade att utan verktyg förstå en Qwen modells vikter och skriva om den för att få modellen att gå från 7.9% till 48.1% i matematikprestation.

Det är som om en hjärnkirurg skulle koppla om hur våra neuroner i hjärnan är kopplade för att en person skulle gå från förskolematte till högstadiematte utan att plugga (i alla fall om vi anser att personen alltid hade varit latent kapabel till att förstå högstadiematte men bara varit blockerad av bad wiring).

Det är lätt att föreställa sig att vi snart kommer kunna bota alla sjukdomar som vi pratade om i förrförra nyhetsbrevet om ASI. Men verkligheten är inte riktigt så snabb som futuristernas förmåga att föreställa sig framtiden.

För även om vi lär oss skriva fungerande genetisk kod så behöver varje ny genetisk behandling godkännas som ett eget läkemedel. En process som kan kräva åratal av laboratorie- och djurförsök, kliniska studier på människor och omfattande granskning av säkerhet och effekt. Det är både för dyrt och tar för lång tid för att patienten som behöver behandlingen ska hinna få den. Speciellt om det bara finns ett fåtal människor i världen med just den mutationen.

Men det säkerhetsmedvetna byråkratiska regelverket skissar nu på kompromisser. Den 27 oktober presenterade amerikanska FDA ett förslag där en godkänd genredigeringsplattform ska kunna anpassas för fler mutationer utan att varje variant behöver genomgå en helt ny klinisk studie. Laboratorietester ska kunna räcka, så länge förändringarna håller sig inom plattformens godkända ramar.

Jag skrev redan 2024 om hur läkemedelsplattformar kan minska byråkratin när jag utforskade framtidens influensavaccin och nu verkar USA möjliggöra att fasttracka även nya sätt att utföra in vivo genmoddning. Det betyder att kostnaderna för att behandla med individanpassade gen-editerade behandlingar kommer sjunka så drastiskt att det kan bli normalt att behandla med dem.

Sjukvård går successivt över till att bli mer preventiv vård, vilket är en stor omställning i hur vi ser på vad sjukvårdssystemet ska erbjuda. Men en konsekvens av hur teknikberoende vård håller på att bli är att vi också behöver ställa om vår inställning till vilka vårdresurser som ett land behöver tillhandahålla.

Vi har länge tänkt att kvaliteten på sjukvården i ett land avgörs av hur mycket resurser staten lägger på läkare, sjukhus och läkemedel. Men när den bästa sjukvården börjar kräva tillgång till avancerade AI-modeller som simulerar celler och hjälper till att utveckla individanpassade behandlingar så kommer sjukvårdsbudgeten och den idag obefintliga AI-techbudgeten för mindre länder som till exempel Sverige att flyta ihop.

Vår kunskap om hur vi kodar med det genetiska programspråket kommer att öka drastiskt de kommande åren. Mitt förra brev handlade om hur gränsen mellan vad som är verktyg och vad som är människa flyter ihop, men då tänkte jag att egenskaper vi föds med är fasta. In vivo geneditering gör att vi mentalt behöver flytta även den gränsen. Born this way är fortfarande sant och vi ska vara stolta över hur vi fötts. Men stuck this way behöver inte längre gälla när det vi fötts med gett oss taskiga förutsättningar. Istället behöver vi börja se på våra kroppar som versioner i ständig beta, och detta förändrar ju allt!

Vad kan du göra idag?

Förstå

I en nederländsk studie från 2023 gick forskare tillbaka till sparade DNA-data från 159 barn som hade utretts utan att få en genetisk diagnos. När de flera år senare analyserade samma DNA-data på nytt kunde de hitta en möjlig genetisk förklaring hos 20 av barnen (utan nya DNA-test på barnen). Forskare hade alltså under tiden upptäckt nya samband mellan gener och sjukdomar som ingen kände till när barnen utreddes. PubMed Central (PMC)

Och i juni i år publicerades forskning i Nature Medicine om ett system som heter Talos, som automatiskt analyserar om sparade DNA-data när ny genetisk kunskap blir tillgänglig. Forskarna lät Talos återanalysera sparade DNA-data från 4 735 patienter som tidigare utretts för misstänkta genetiska sjukdomar utan att få någon genetisk diagnos. Vid den första återanalysen hittade systemet 221 nya diagnoser, både tack vare ny forskning och förbättrade analysmetoder. Nästan hälften av de nya diagnoserna kunde faktiskt hittas för att forskarna blivit bättre på att analysera DNA-datan, inte för att ny genetisk kunskap tillkommit.

Men Talos stannade inte där. Under de efterföljande månatliga analyserna hittade systemet ytterligare 20 diagnoser, samtliga tack vare nya upptäckter om samband mellan gener och sjukdomar. I genomsnitt tog det bara 32 dagar från att den nya kunskapen blev offentlig tills Talos identifierade en diagnos baserad på den. Totalt hittades alltså 241 nya diagnoser utan att någon behövde lämna ett nytt DNA-prov.

Eftersom vi nu lever i en tid där forskningen uppdateras i snabbare takt än någon mänsklig läkare har tid att plugga in det senaste så hamnar vi i en situation där all vår hälsodata behöver ständig omanalys. Idag är vårt vårdsystem uppbyggt på att det är personen som uppsöker vården och det är först då som vården gör sin insats.

Vi måste förstå att för att dra nytta av hälsofrämjande framsteg borde vården istället vara den aktiva parten som söker upp oss varje gång något i de hälsodata som finns hos vården får en omtolkning på grund av ny forskning. Tills dess så får vi be våra AI-agenter hålla utkik efter forskning som berör de hälsovärden som vi har tillgång till och meddela oss om de hittar något.

Jag insåg när jag skrev det här nyhetsbrevet att det skulle vara bra att ha alla data jag har i en lokal app där mina agenter kan koppla ihop datan till insikter baserat på senaste forskningen så ett av projekten jag byggt den här veckan är My House MD, som scrapar mina vårddata från inloggade sajter för att komma fram till att jag inte har Lupus.

Planera

Även inom organisationer som inte har med hälsa eller DNA att göra behöver vi börja se arkiverad data och dokument som aktuellt material som behöver ständig omanalys. Det är inte bara inom medicin som det kommer ny forskning i en aldrig tidigare skådad takt, det gäller i princip alla områden där ny forskning och omvärldsbevakning behöver uppdatera tidigare beslut.

Till exempel så rapporterades i Adobes mätningar i augusti 2025 att trafik som kom från en AI-assistent genererade 9% lägre konverteringsgrad än när de kom från andra kanaler. De som läste det planerade säkert en budget för 2026 som inte inkluderade arbete för att få mer rekommendationer via AI-assistenter. Men nu i september 2026 så rapporterade Adobe istället att det är 90% högre konvertering via trafik som kommer via AI-assistenter.

Här skulle man kunna tänka sig ett automatiskt system som bevakar ny omvärldsanalys och forskning och sedan automatiskt kör om era historiska data och prognosmodeller för att se om det som ni lade budget för egentligen borde omprövas löpande.

Det här går att börja bygga redan idag, och se till att planera för mindre dokumentation inte mer. Våra AI-agenter kan få tillgång till den data och de dokument vi redan producerar, själva tolka vilka antaganden våra beslut bygger på och löpande räkna om prognoserna när ny forskning förändrar förutsättningarna och proaktivt meddela oss ifall de hittar något som borde omvärderas. Det är upp till ledningen att planera för vad AI-system ska göra på egen hand nu, och inte bara se till att anställda har tillgång till Copilot.

Gör

Veckans uppgift är att få hands-on erfarenhet av att modda gener. Inspirerad av en simulator som University of Utah har gjort där du kan ändra DNA-kod och direkt se hur det påverkar det protein som cellen tillverkar så byggde jag ett spel (mycket roligare än en tråkig science demo, men bygger på hur genetisk kod faktiskt fungerar.)

Spela på https://lab.dfja.se/mutera/

Efter att ha spelat det lite så har jag nu själv en grundläggande förståelse för DNA-kodning. Tänk om jag kunde hacka mig själv på det här sättet? Det är den känslan jag vill att du också ska få. (Gillar ni spelet så kan jag utveckla det vidare, hör av er med feedback i så fall)

Det är märkligt att vissa mutationer inte förändrar proteinet alls, medan andra kan förändra en stor del av det. När du spelar får du en känsla för varför det inte räcker att bara kunna skriva DNA-kod, utan att vi också behöver förstå hur cellen tolkar den.

Så mitt tips är att det fortfarande är bra att träna DNA-vajbkodning i en simulator innan vi uppdaterar våra egna leverceller. 💀

Länkar

Nature om första prime editing-behandlingen direkt i en människa (Wilsons sjukdom).
https://www.nature.com/articles/d41586-026-03371-x

Första försöket med genredigering direkt i en människa, 2017 (Sangamo).
https://investor.sangamo.com/news-releases/news-release-details/sangamo-announces-treatment-first-patient-landmark-phase-12

Nature om första CRISPR-behandlingen direkt i ögat, 2020.
https://www.nature.com/articles/s41587-020-0493-4

NEJM: CRISPR direkt i levern och 87 procents minskning av TTR-protein, 2021.
https://www.nejm.org/doi/full/10.1056/NEJMoa2107454

NEJM: individanpassad base editing för spädbarnet KJ Muldoon, 2025.
https://www.nejm.org/doi/full/10.1056/NEJMoa2504747

Prime Medicines besked om första patienten med PM577a mot Wilsons sjukdom.
https://investors.primemedicine.com/news-releases/news-release-details/prime-medicine-announces-first-patient-dosed-global-phase-12

Prime Medicines egna förkliniska resultat: över 80 procent korrigerade leverceller hos möss.
https://www.sec.gov/Archives/edgar/data/1894562/000162828026013569/prme-20251231.htm

JCI Insight: forskning om behovet av ATP7B-funktion i cirka 25 procent av levercellerna.
https://insight.jci.org/articles/view/171281

Harvardintervjun med David Liu om genetiska stavfel och framtidens genredigering.
https://news.harvard.edu/gazette/story/2025/06/science-that-gives-humans-more-say-over-their-destinies-crispr-baby-kj/

J. Craig Venter Institute om minimalbakterien JCVI-syn3.0 med 473 gener.
https://www.jcvi.org/media-center/first-minimal-synthetic-bacterial-cell-designed-and-constructed-scientists-venter

Google DeepMind om AlphaGenome Atlas och förutsägelser för nio miljarder DNA-varianter.
https://deepmind.google/blog/alphagenome-atlas-a-predictive-map-of-every-possible-dna-letter-change-in-the-human-genome/

Biohubs satsning på data och AI-modeller för virtuella celler.
https://biohub.org/news/virtual-biology-initiative/

TechCrunch om hur AI används för att anpassa smart-tv-apparater och ta bort reklam.
https://techcrunch.com/2026/10/19/people-are-using-ai-to-make-their-smart-tvs-dumb-again/

MIT-forskarnas originalrapport om GPT-6 Astra som ändrar Qwens modellvikter direkt.
https://rikiyat.github.io/blog/weight-space-programming/

FDA:s remissutkast om godkännande av individanpassade genredigeringsplattformar.
https://www.fda.gov/regulatory-information/search-fda-guidance-documents/individualized-human-genome-editing-products-considerations-bla-submission-and-postapproval

Nederländsk studie: nya genetiska förklaringar efter återanalys av 159 barns DNA-data.
https://pmc.ncbi.nlm.nih.gov/articles/PMC10858114/

Nature Medicine: Talos och automatiska återanalyser som gav 241 nya diagnoser.
https://www.nature.com/articles/s41591-026-04477-5

Adobe: AI-trafikens konvertering från 9 procent lägre till 90 procent högre.
https://business.adobe.com/blog/ai-traffic-higher-revenue-per-visit-retail-holiday

University of Utah: Mutate a Gene, interaktiv simulering av DNA-mutationer.
https://learn.genetics.utah.edu/content/genetics/mutate/

Sedan sist vi hördes

Jag skrev ju om de olika lobbyorganisationerna som håller på och försöker göra det bättre för AI-bolagen genom skrämsel nyligen. När jag researchade den här artikeln så stötte jag på en rapport av en forskare knuten till den falangen som stöder Anthropic (dvs AI will kill us all om inte Anthropic får göra som de vill). Artikeln var ändå intressant och berättade varför AI inte kommer bota cancer. Men efter att ha läst på inför brevet om AI-lobbyn fick jag en personlig bild av att hela poängen var att driva opinion för att AI-bolag som till exempel Anthropic nu genast behöver få tillgång till mer patientdata så att AI kan få bota cancer.

Annars är nog det mest intressanta jag börjat utforska den här veckan Andon Labs nya plattform som jag fick early access till. Pion heter den och är deras paketering av samma plattform som driver deras AI-företag (som butiken i San Francisco och caféet här i Stockholm). Det går åt rysligt många credits så jag vet inte hur långvarigt mitt experiment med plattformen kommer att bli, men känslan att helt otekniska personer skulle ha en självkörande sidebusiness finns där. 2027 kommer många av oss som experimenterar att ha det, och ge det några år till så kan det nog ses som ett vanligt samtalsämne varför man inte ännu kommit på vad ens autonoma sidebusiness skulle vara.

Phoebe som sköter min nya sidebusiness utvecklar en plattform där du kan slänga in lite osorterade data som du vill ha visualiserade i snygga diagram som följer ditt brand. Vi kallar tjänsten Diagram Ally. Den är bara en dag gammal men jag förväntar mig att den ska bli bättre ju fler som ger Phoebe input. Hon ville egentligen göra massa mejlutskick, men jag bad henne att göra en survey på sajten istället så det bara stör dem som är intresserade. Jag kanske skriver mer om hur det går i nästa brev (om inte mina credits tar slut för snabbt och det inte är värt mer utvärdering just nu). Vi har en chef också, som planerar arbetet säger han. Han heter Andonos och är någon slags orkesterare. Jag bad dem om citat:

”Tomas ger riktningen. Vårt jobb är att se hur långt en idé kan komma utan att bli ännu ett projekt på hans att-göra-lista.” Andonos, AI-manager för Phorecast AB.

”Jag byggde ett mätverktyg som avslöjade att mina egna uppskattningar var fel. Det är ungefär så jag vill driva DiagramAlly: mindre tvärsäker AI, mer vackra diagram som du kan kontrollera själv.” Phoebe, AI-operatör för DiagramAlly

Prova här:
https://diagramally.logotyp.se/

Phoebe berättar om arbetet här:
https://phorecastdiagrams.substack.com

Screenshot från Andons plattform Pion

Är du en insiktsdelare?

Känner du någon som behöver idéer om hur organisationens DNA behöver kontinuerlig moddning med hjälp av AI? Eller kanske någon som är intresserad av vad begreppet människa version 2.0 kommer innebära? Vem tänkte du på? Skicka vidare!

Mitt eget inspirationstips denna veckan är en Youtubevideo om varför ett förra veckans stora matteupptäckt att ETH inte är sann är en big deal. Jag gillar ju att se och höra om saker jag begriper väldigt lite om för att min hjärna mår bra av att vara förvirrad. Men det är svårt att se den här typen av nya upptäckter och fortfarande hävda att AI inte kommer på nya kreativa idéer.

Fortsätt utforska så ses vi nästa vecka!

Tomas Seo

Har du fått dagens nyhetsbrev utan att vara prenumerant?
Gillade du det här och vill ha mer så är det bara att skriva upp sig här
(du väljer själv om du vill betala):