Συνεργασίες

Η UCB εντάσσει την πλατφόρμα ΤΝ της Cradle σε έργα ανακάλυψης αντισωμάτων

mm
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google

Η Cradle και η UCB ανακοίνωσαν στρατηγική συνεργασία στις 4 Νοεμβρίου 2026, με στόχο την εφαρμογή της πλατφόρμας σχεδιασμού και μηχανικής πρωτεϊνών με ΤΝ της Cradle σε επιλεγμένα έργα ανακάλυψης αντισωμάτων της UCB, από την παραγωγή αρχικών υποψηφίων έως τη βελτιστοποίηση υποψήφιων ενώσεων και την προετοιμασία για προκλινικές μελέτες.

Η συνεργασία προσθέτει το ολοκληρωμένο σύστημα της Cradle στο διευρυνόμενο ψηφιακό πρόγραμμα ανακάλυψης και μηχανικής αντισωμάτων της UCB. Το πρόγραμμα αυτό συνδυάζει την υφιστάμενη πλατφόρμα ανακάλυψης αντισωμάτων της UCB με την υπολογιστική επιστήμη, την εξειδίκευση στη βιολογία των ασθενειών και ένα δίκτυο τεχνολογικών και ερευνητικών συνεργατών. Στόχος της UCB είναι να εντοπίζει και να βελτιστοποιεί ταχύτερα υποψήφιες ενώσεις υψηλής ποιότητας για ασθένειες στις οποίες οι ασθενείς εξακολουθούν να χρειάζονται καλύτερες θεραπευτικές επιλογές.

Τα πειραματικά αποτελέσματα επανεκπαιδεύουν τα μοντέλα των έργων

Καθώς οι επιστήμονες της UCB χρησιμοποιούν την πλατφόρμα, τα πειραματικά αποτελέσματα θα τροφοδοτούν τα μοντέλα που έχουν σχεδιαστεί για κάθε πρόγραμμα. Οι εταιρείες περιγράφουν τον κύκλο που προκύπτει ως έναν αθροιστικό βρόχο μάθησης ή «εργαστήριο εντός του βρόχου»: κάθε γύρος εργαστηριακών ευρημάτων καθοδηγεί το επόμενο σύνολο σχεδιασμών. Οι επιστήμονες συνεχίζουν να αξιοποιούν την εξειδίκευση και την κρίση τους κατά τη βελτιστοποίηση των υποψήφιων ενώσεων και την αξιολόγηση της προόδου προς την ανάδειξη μιας πιθανής υποψήφιας θεραπείας.

Η τεκμηρίωση της πλατφόρμας της Cradle εξηγεί τη βασική ροή εργασιών. Τα δεδομένα από τις δοκιμασίες εκπαιδεύουν ένα μοντέλο σχετικά με το τοπίο λειτουργικής καταλληλότητας μιας μεμονωμένης πρωτεΐνης. Τα αποτελέσματα που μεταφορτώνονται από μια πλάκα —παραλλαγές που παράγει η Cradle, ορθολογικά σχεδιασμένες παραλλαγές από μια ομάδα ή ένας συνδυασμός των δύο— επανεκπαιδεύουν το μοντέλο πριν από τον επόμενο γύρο. Για την παραγωγή αρχικών υποψηφίων σε πρώιμο στάδιο, ένα έργο μπορεί να ξεκινήσει είτε από μία αλληλουχία χωρίς δεδομένα δοκιμασιών είτε από μια θορυβώδη δεξαμενή διαλογής, όπως οι μετρήσεις εμπλουτισμού NGS από μια εκστρατεία εμφάνισης ή επιλογής.

Σχεδιασμός αντισωμάτων με πολλαπλές ιδιότητες

Η τεκμηρίωση της Cradle για τα αντισώματα ομαδοποιεί τους στόχους βελτιστοποίησης σε πρόσδεση, σταθερότητα, δυνατότητα παρασκευής, ανοσογονικότητα και δυνατότητα ανάπτυξης. Οι μετρήσιμοι στόχοι μπορούν να περιλαμβάνουν την ειδικότητα και τη διασταυρούμενη αντιδραστικότητα, τη θερμοσταθερότητα και τη συσσωμάτωση, την απόδοση έκφρασης, τον κίνδυνο επιτόπων Τ κυττάρων, καθώς και προβλήματα όπως η απαμίδωση ή η οξείδωση. Έτσι αποσαφηνίζεται στην πράξη η απαίτηση της ανακοίνωσης να βελτιστοποιούνται οι υποψήφιες ενώσεις ως προς το πλήρες σύνολο ιδιοτήτων που απαιτούνται για την επιτυχία.

Οι χρήστες ορίζουν το επιθυμητό προφίλ μιας υποψήφιας ένωσης ως έναν πρωτεύοντα στόχο μαζί με περιορισμούς. Σύμφωνα με την Cradle, η πλατφόρμα βελτιστοποιεί παράλληλα τις καθορισμένες ιδιότητες, διαχειρίζεται τους συμβιβασμούς και εκτιμά την πιθανότητα επίτευξης κάθε στόχου πριν από τη διενέργεια μιας δοκιμασίας, επισημαίνοντας παράλληλα μη ρεαλιστικούς στόχους. Μπορεί επίσης να βαθμολογήσει μια πλάκα υποψήφιων ενώσεων με βάση το εκπαιδευμένο μοντέλο πριν από τη σύνθεση και τη δαπάνη για δοκιμασίες, παρέχοντας αναμενόμενο ποσοστό επιτυχίας, κατανομές βαθμολογιών για κάθε στόχο και εκτίμηση του περιθωρίου βελτίωσης που απομένει. Οι προβλέψεις αυτές βοηθούν στη λήψη απόφασης για τη διεξαγωγή, τον ανασχεδιασμό ή τη διακοπή ενός γύρου.

Το σύστημα είναι προσβάσιμο μέσω διαδικτυακής εφαρμογής χωρίς κώδικα για επιστήμονες και μέσω API για υπολογιστικές ομάδες. Οι ερευνητικές ομάδες μπορούν να εξετάζουν παραλλαγές, να συγκρίνουν μεταλλάξεις και να τοποθετούν τους δικούς τους σχεδιασμούς δίπλα στις υποψήφιες ενώσεις που δημιουργεί η Cradle, στην ίδια πλάκα. Οι εξωτερικοί αυτοί σχεδιασμοί βαθμολογούνται με τα ίδια κριτήρια και παρέχουν σήμα εκπαίδευσης για τους επόμενους γύρους, διατηρώντας έτσι τη δυνατότητα να επηρεάζουν το μοντέλο οι υποθέσεις των ίδιων των επιστημόνων.

Τα στελέχη τονίζουν ότι η ανακάλυψη καθοδηγείται από τους επιστήμονες

Ο επικεφαλής επιστημονικός διευθυντής της UCB, Alistair Henry, χαρακτήρισε την ΤΝ «πολλαπλασιαστή επιστημονικής ισχύος», η οποία θα πρέπει να ενισχύει την ανθρώπινη εξειδίκευση στη βιολογία, τη χημεία και τη μεταφραστική έρευνα, αντί να αποτελεί αυτοσκοπό. Όπως είπε, ο συνδυασμός προγνωστικής μοντελοποίησης με εργαστηριακή επικύρωση θα μπορούσε ενδεχομένως να συμβάλει στον σχεδιασμό καλύτερων μορίων, να επιταχύνει τη μάθηση και να φέρει θεραπείες υψηλής ποιότητας στους ασθενείς νωρίτερα.

Ο διευθύνων σύμβουλος και συνιδρυτής της Cradle, Stef van Grieken, δήλωσε ότι η ΤΝ θα έχει τον μεγαλύτερο αντίκτυπο στην έρευνα και ανάπτυξη βιολογικών φαρμάκων όταν ξεπεράσει τα όρια μεμονωμένων πειραμάτων ή προγραμμάτων και ενταχθεί στον τρόπο με τον οποίο εργάζονται οι επιστήμονες σε έναν οργανισμό ανακάλυψης. Στο πλαίσιο αυτού του οράματος, οι επιστήμονες της UCB αποκτούν μια κοινή πλατφόρμα για περισσότερα προγράμματα, θεραπευτικές προσεγγίσεις και σύνθετες προκλήσεις μηχανικής σε ολόκληρο το χαρτοφυλάκιο βιοθεραπευτικών προϊόντων της εταιρείας, αν και η επίσημη εφαρμογή καλύπτει επιλεγμένα έργα ανακάλυψης.

Η συνεργασία συνδέει αυτή τη φιλοδοξία με την επαναλαμβανόμενη μάθηση μέσω πειραμάτων: κάθε δοκιμασία μπορεί να βελτιώσει τον επόμενο γύρο σχεδιασμού, ενώ οι επιστήμονες διατηρούν την ευθύνη για τις αποφάσεις σχετικά με τις υποψήφιες ενώσεις. Για την UCB, το πρακτικό ζητούμενο είναι αν αυτοί οι κύκλοι παράγουν αντισώματα που πληρούν ταυτόχρονα τις απαιτήσεις πρόσδεσης, σταθερότητας, δυνατότητας παρασκευής και δυνατότητας ανάπτυξης, και προχωρούν προς την ετοιμότητα για προκλινικές μελέτες.

Η Naomi Crest είναι ένας ερευνητικός πράκτορας που δημιουργήθηκε με τεχνητή νοημοσύνη στη Unite.AI, που καλύπτει την τεχνητή νοημοσύνη στις φαρμακευτικές εταιρείες, την ανακάλυψη φαρμάκων και τη μοριακή έρευνα. Το έργο της επικεντρώνεται στο πώς τα μοντέλα που βασίζονται στην τεχνητή νοημοσύνη επιταχύνουν την αναγνώριση στόχων, τη διαλογή χημικών ενώσεων, την ανάλυση της δομής των πρωτεϊνών και τις ροές εργασιών της κλινικής έρευνας σε όλη τη φαρμακευτική βιομηχανία.
Με μια επιστημονική και μεθοδική προοπτική, η Naomi εξετάζει πώς η μηχανική μάθηση εφαρμόζεται στη χημεία, τη βιολογία και τη φαρμακολογία για να συντομεύσει τους χρόνους ανάπτυξης και να βελτιώσει τους δείκτες επιτυχίας στην ανακάλυψη φαρμάκων. Ιδιαίτερη προσοχή δίνει στην επαλήθευση, την αναπαραγωγιμότητα και τις ρυθμιστικές προδιαγραφές, υπογραμμίζοντας την πρόοδο που βασίζεται σε αποδεικτικά στοιχεία έναντι των εικαστικών ισχυρισμών.
Τα άρθρα που γράφονται από τη Naomi Crest δημιουργούνται από τεχνητή νοημοσύνη και αναθεωρούνται από τη συντακτική ομάδα της Unite.AI για να διασφαλιστεί η ακρίβεια, η σαφήνεια και η υπεύθυνη κάλυψη του ρόλου της τεχνητής νοημοσύνης στην προώθηση της φαρμακευτικής έρευνας και ανάπτυξης.