UCB føjer Cradles AI-platform til projekter inden for antistofopdagelse

Cradle og UCB annoncerede et strategisk samarbejde den 4. november 2026 om at anvende Cradles platform til AI-baseret proteindesign og -udvikling i udvalgte projekter inden for UCB’s antistofopdagelse, fra generering af hits til leadoptimering og præklinisk parathed.

Samarbejdet føjer Cradles samlede system til UCB’s voksende digitale program for antistofopdagelse og -udvikling. Programmet kombinerer UCB’s eksisterende platform til antistofopdagelse med beregningsvidenskab, ekspertise inden for sygdomsbiologi og et netværk af teknologi- og forskningspartnere. UCB sigter mod hurtigere at identificere og optimere kandidater af høj kvalitet til sygdomme, hvor patienterne stadig har brug for bedre behandlingsmuligheder.

Eksperimentelle resultater bruges til at genoptræne projektmodeller

Efterhånden som UCB’s forskere bruger platformen, vil eksperimentelle resultater blive ført tilbage til modeller, der er specifikke for de enkelte programmer. Virksomhederne beskriver den tilbagevendende proces som en selvforstærkende læringssløjfe eller som en proces, hvor laboratoriet indgår i sløjfen: Hver runde med laboratoriedata danner grundlag for det næste sæt design. Forskerne bidrager fortsat med deres ekspertise og dømmekraft, mens de optimerer kandidater og vurderer, om de kan udvikles videre til potentielle lægemiddelkandidater.

Cradles dokumentation for platformen beskriver den underliggende arbejdsgang. Assaydata bruges til at træne en model af et enkelt proteins fitnesslandskab. Resultater, der uploades fra en plade – Cradles genererede varianter, et teams rationelt udformede varianter eller en blanding – bruges til at genoptræne modellen inden næste runde. Tidligt i arbejdet med at identificere hits kan et projekt begynde med en enkelt sekvens uden assaydata eller med en støjfyldt screeningspulje, for eksempel berigelsestal fra NGS fra en display- eller selektionskampagne.

Antistofdesign med flere egenskaber

Cradles dokumentation for antistoffer inddeler optimeringsmål i binding, stabilitet, fremstillingsegnethed, immunogenicitet og udviklingsegnethed. Målbare egenskaber kan omfatte specificitet og krydsreaktivitet, termostabilitet og aggregering, ekspressionsudbytte, risiko for T-celleepitoper og uønskede egenskaber såsom deamidering eller oxidation. Det konkretiserer meddelelsens krav om, at kandidater skal optimeres på tværs af alle de egenskaber, der er nødvendige for at lykkes.

Brugerne definerer en målprofil for kandidaten med et primært mål og en række begrænsninger. Cradle oplyser, at platformen optimerer de angivne egenskaber sideløbende, håndterer afvejninger og anslår sandsynligheden for at opfylde hvert mål inden et assay, samtidig med at den gør opmærksom på urealistiske mål. En kandidatplade kan også vurderes ud fra den trænede model, inden der bruges penge på syntese og assay. Det giver en forventet hitrate, scorefordelinger for hvert mål og et skøn over det resterende optimeringspotentiale. Prognoserne understøtter beslutninger om at gennemføre, redesigne eller stoppe en runde.

Systemet er tilgængeligt via en webapplikation uden kode til forskere og en API til beregningsteams. Forskerhold kan undersøge varianter, sammenligne mutationer og placere deres egne design side om side med kandidater genereret af Cradle på den samme plade. Disse eksterne design vurderes efter samme principper og bidrager med træningsdata til de efterfølgende runder, så forskernes egne hypoteser fortsat kan påvirke modellen.

Ledere fremhæver forskerdrevet opdagelse

UCB’s forskningsdirektør Alistair Henry kaldte AI en »videnskabelig kraftforstærker«, der bør styrke menneskelig ekspertise inden for biologi, kemi og translationel forskning frem for at blive anvendt for sin egen skyld. Han sagde, at kombinationen af prædiktiv modellering og validering i vådlaboratoriet potentielt kan bidrage til at designe bedre molekyler, fremskynde læringen og bringe behandlinger af høj kvalitet hurtigere ud til patienterne.

Cradles administrerende direktør og medstifter Stef van Grieken sagde, at AI vil få størst betydning for forskning og udvikling inden for biologiske lægemidler, når teknologien rækker ud over enkeltstående eksperimenter eller programmer og bliver en del af forskernes arbejde på tværs af en forskningsorganisation. Med denne vision får UCB’s forskere en fælles platform til flere programmer, modaliteter og komplekse udviklingsmæssige udfordringer på tværs af virksomhedens pipeline for biologiske lægemidler, selv om den formelle implementering omfatter udvalgte projekter inden for opdagelse.

Samarbejdet knytter denne ambition til gentagen eksperimentel læring: Hvert assay kan forbedre den næste designrunde, mens forskerne fortsat har ansvaret for beslutninger om kandidater. For UCB er den praktiske prøve, om disse cyklusser resulterer i antistoffer, der samtidig opfylder kravene til binding, stabilitet, fremstillingsegnethed og udviklingsegnethed og kan bringes videre mod præklinisk parathed.