UCB nimmt Cradles KI-Plattform in Antikörperentdeckungsprojekte auf

Cradle und UCB gaben am 4. November 2026 eine strategische Zusammenarbeit bekannt, um Cradles KI-Plattform für Proteindesign und -engineering in ausgewählten Antikörperentdeckungsprojekten von UCB einzusetzen – von der Trefferidentifizierung über die Leitoptimierung bis zur präklinischen Einsatzbereitschaft.

Die Zusammenarbeit ergänzt UCBs wachsendes digitales Programm zur Antikörperentdeckung und -entwicklung um Cradles durchgängiges System. Das Programm verbindet UCBs bestehende Plattform zur Antikörperentdeckung mit computergestützten Wissenschaften, Fachwissen zur Krankheitsbiologie und einem Netzwerk aus Technologie- und Forschungspartnern. UCB will hochwertige Kandidaten für Krankheiten, bei denen Patienten weiterhin bessere Behandlungsmöglichkeiten benötigen, schneller identifizieren und optimieren.

Experimentelle Ergebnisse trainieren Projektmodelle neu

Während die Forschenden von UCB die Plattform nutzen, fließen experimentelle Ergebnisse in die programmspezifischen Modelle zurück. Die Unternehmen beschreiben den daraus entstehenden Zyklus als sich verstärkenden Lernkreislauf oder als „Labor-im-Regelkreis“: Jede Runde mit Laborergebnissen liefert Erkenntnisse für den nächsten Satz von Entwürfen. Die Wissenschaftler wenden weiterhin ihr Fachwissen und ihr Urteilsvermögen an, während sie Kandidaten optimieren und deren Fortschritt auf dem Weg zu einem möglichen Kandidaten bewerten.

Cradles Plattformdokumentation erläutert den zugrunde liegenden Arbeitsablauf. Assaydaten trainieren ein Modell anhand der Fitnesslandschaft eines einzelnen Proteins. Die von einer Platte hochgeladenen Ergebnisse – Cradles generierte Varianten, rationale Entwürfe eines Teams oder eine Mischung daraus – trainieren das Modell vor der nächsten Runde erneut. Für die frühe Trefferidentifizierung kann ein Projekt mit einer einzelnen Sequenz ohne Assaydaten oder mit einem verrauschten Screening-Pool beginnen, etwa mit NGS-Anreicherungsdaten aus einer Display- oder Selektionskampagne.

Antikörperdesign mit mehreren Eigenschaften

Cradles Antikörperdokumentation gliedert die Optimierungsziele in Bindung, Stabilität, Herstellbarkeit, Immunogenität und Entwicklungseignung. Messbare Ziele können Spezifität und Kreuzreaktivität, Thermostabilität und Aggregation, Expressionsausbeute, das Risiko von T-Zell-Epitopen sowie Schwachstellen wie Desamidierung oder Oxidation umfassen. Damit wird konkret, was mit der in der Ankündigung genannten Anforderung gemeint ist, Kandidaten über das gesamte Spektrum der für den Erfolg erforderlichen Eigenschaften hinweg zu optimieren.

Nutzer legen ein angestrebtes Kandidatenprofil fest, das aus einem primären Ziel und zusätzlichen Einschränkungen besteht. Cradle zufolge optimiert die Plattform vorgegebene Eigenschaften parallel, wägt Zielkonflikte ab und schätzt vor einem Assay die Wahrscheinlichkeit, jedes Ziel zu erreichen; unrealistische Zielvorgaben werden dabei kenntlich gemacht. Außerdem kann eine Kandidatenplatte vor der Synthese und den Assay-Ausgaben anhand des trainierten Modells bewertet werden. Das Ergebnis umfasst eine erwartete Trefferquote, Bewertungsverteilungen für jedes Ziel und eine Schätzung des verbleibenden Optimierungsspielraums. Diese Prognosen helfen bei der Entscheidung, eine Runde durchzuführen, neu zu entwerfen oder abzubrechen.

Das System ist für Wissenschaftler über eine No-Code-Webanwendung und für Computerteams über eine API zugänglich. Forschungsteams können Varianten prüfen, Mutationen vergleichen und ihre eigenen Entwürfe gemeinsam mit den von Cradle generierten Kandidaten auf derselben Platte platzieren. Diese externen Entwürfe werden nach denselben Maßstäben bewertet und liefern Trainingssignale für nachfolgende Runden. So bleibt Wissenschaftlern die Möglichkeit, das Modell mit ihren eigenen Hypothesen zu beeinflussen.

Führungskräfte betonen die von Wissenschaftlern geleitete Entdeckung

UCBs Chief Scientific Officer Alistair Henry bezeichnete KI als „wissenschaftlichen Kraftverstärker“, der menschliches Fachwissen in Biologie, Chemie und translationaler Forschung ergänzen sollte, statt um ihrer selbst willen eingesetzt zu werden. Die Verbindung von prädiktiver Modellierung mit Validierung im Nasslabor könne möglicherweise dazu beitragen, bessere Moleküle zu entwickeln, den Lernprozess zu beschleunigen und hochwertige Therapeutika schneller zu den Patienten zu bringen, sagte er.

Cradle-CEO und Mitgründer Stef van Grieken sagte, KI werde den größten Einfluss auf die Forschung und Entwicklung von Biologika haben, wenn sie über einzelne Experimente oder Programme hinausgehe und Teil der Arbeitsweise von Wissenschaftlern in einer gesamten Forschungseinrichtung werde. Im Rahmen dieser Vision erhalten UCB-Wissenschaftler eine gemeinsame Plattform für eine größere Zahl von Programmen und Modalitäten sowie für komplexe Herausforderungen im Bereich Engineering in der gesamten Biotherapeutika-Pipeline des Unternehmens. Die formelle Einführung umfasst jedoch ausgewählte Entdeckungsprojekte.

Die Zusammenarbeit verknüpft dieses Ziel mit wiederholtem Lernen aus Experimenten: Jeder Assay kann die nächste Entwurfsrunde verbessern, während die Verantwortung für Entscheidungen über Kandidaten bei den Wissenschaftlern bleibt. Für UCB wird sich der praktische Nutzen daran messen, ob diese Zyklen Antikörper hervorbringen, die zugleich die Anforderungen an Bindung, Stabilität, Herstellbarkeit und Entwicklungseignung erfüllen und sich der präklinischen Einsatzbereitschaft nähern.