UCB incorpora la plataforma de IA de Cradle a sus proyectos de descubrimiento de anticuerpos

Cradle y UCB anunciaron una colaboración estratégica el 4 de noviembre de 2026 para aplicar la plataforma de diseño e ingeniería de proteínas con IA de Cradle en proyectos seleccionados de descubrimiento de anticuerpos de UCB, desde la generación de hits hasta la optimización de candidatos líderes y la preparación preclínica.

La colaboración incorpora el sistema integral de Cradle al programa digital de descubrimiento e ingeniería de anticuerpos, en expansión, de UCB. Este programa combina la plataforma de descubrimiento de anticuerpos que UCB ya utiliza con la ciencia computacional, la experiencia en biología de enfermedades y una red de socios tecnológicos y de investigación. UCB busca identificar y optimizar candidatos de alta calidad con mayor rapidez para enfermedades en las que los pacientes aún necesitan mejores opciones.

Los resultados experimentales vuelven a entrenar los modelos de cada proyecto

A medida que los científicos de UCB utilizan la plataforma, los resultados experimentales se incorporarán a los modelos específicos de cada programa. Las empresas describen el ciclo resultante como un ciclo de aprendizaje acumulativo, o «laboratorio en el circuito»: cada ronda de evidencia de laboratorio orienta el siguiente conjunto de diseños. Los científicos siguen aplicando su experiencia y criterio al optimizar los candidatos y evaluar su avance hacia la posible selección de un candidato.

La documentación de la plataforma de Cradle explica el flujo de trabajo subyacente. Los datos de los ensayos entrenan un modelo sobre el panorama de aptitud de una proteína individual. Los resultados cargados a partir de una placa —generaciones de Cradle, diseños racionales de un equipo o una combinación de ambos— vuelven a entrenar ese modelo antes de la ronda siguiente. Para la generación inicial de hits, un proyecto puede partir de una sola secuencia sin datos de ensayos o de un conjunto de cribado con ruido, como los recuentos de enriquecimiento de NGS obtenidos en una campaña de presentación o selección.

Diseño de anticuerpos con múltiples propiedades

La documentación de anticuerpos de Cradle agrupa los objetivos de optimización en cinco categorías: unión, estabilidad, fabricabilidad, inmunogenicidad y desarrollabilidad. Entre los objetivos cuantificables pueden figurar la especificidad y la reactividad cruzada, la termoestabilidad y la agregación, el rendimiento de expresión, el riesgo de epítopos de células T y problemas como la desamidación o la oxidación. Esto concreta el requisito anunciado de optimizar los candidatos en el conjunto completo de propiedades necesarias para alcanzar el éxito.

Los usuarios definen el perfil objetivo de un candidato como un objetivo principal junto con varias restricciones. Cradle afirma que la plataforma optimiza en paralelo las propiedades especificadas, gestiona las compensaciones entre ellas y estima la probabilidad de cumplir cada objetivo antes de realizar un ensayo, además de señalar los objetivos poco realistas. También se puede evaluar una placa de candidatos con el modelo entrenado antes de la síntesis y de incurrir en gastos de ensayo; así se obtiene una tasa de aciertos esperada, distribuciones de puntuación para cada objetivo y una estimación del margen de mejora restante. Estas previsiones ayudan a decidir si conviene llevar a cabo una ronda, rediseñarla o detenerla.

El sistema está disponible mediante una aplicación web sin código para científicos y una API para equipos de computación. Los equipos de investigación pueden examinar variantes, comparar mutaciones y colocar sus propios diseños junto a los candidatos generados por Cradle en la misma placa. Esos diseños externos se evalúan con los mismos criterios y se convierten en datos de entrenamiento para las rondas posteriores, lo que permite que las hipótesis de los propios científicos sigan influyendo en el modelo.

Los directivos destacan que el descubrimiento debe estar liderado por científicos

Alistair Henry, director científico de UCB, describió la IA como un «multiplicador de las capacidades científicas» que debería ampliar la experiencia humana en biología, química e investigación traslacional, en lugar de perseguirse como un fin en sí mismo. Señaló que combinar el modelado predictivo con la validación experimental en laboratorio podría ayudar a diseñar mejores moléculas, acelerar el aprendizaje y hacer llegar antes a los pacientes tratamientos de alta calidad.

Stef van Grieken, director ejecutivo y cofundador de Cradle, afirmó que la IA tendría su mayor impacto en la I+D de productos biológicos cuando dejara de limitarse a experimentos o programas individuales y pasara a formar parte del trabajo de los científicos en toda una organización dedicada al descubrimiento. En esa visión, los científicos de UCB disponen de una plataforma común para trabajar en más programas, modalidades y retos complejos de ingeniería en toda la cartera de biofármacos de la empresa, aunque su implementación formal abarca proyectos de descubrimiento seleccionados.

La colaboración vincula esa ambición con el aprendizaje experimental repetido: cada ensayo puede perfeccionar la siguiente ronda de diseño, mientras que los científicos mantienen la responsabilidad de decidir qué candidatos seleccionar. Para UCB, la prueba práctica será determinar si esos ciclos producen anticuerpos que satisfagan a la vez los requisitos de unión, estabilidad, fabricabilidad y desarrollabilidad, y avancen hacia la preparación preclínica.