UCB ottaa Cradlen tekoälyalustan käyttöön vasta-aineiden löytämisprojekteissa

Cradle ja UCB ilmoittivat strategisesta yhteistyöstä 4. marraskuuta 2026. Yhteistyössä Cradlen tekoälypohjaista proteiinien suunnittelu- ja kehitysalustaa käytetään valituissa UCB:n vasta-aineiden löytämisprojekteissa aina osumien tunnistamisesta johtomolekyylien optimointiin ja prekliiniseen valmiuteen asti.

Yhteistyö tuo Cradlen päästä päähän ulottuvan järjestelmän osaksi UCB:n laajenevaa digitaalista vasta-aineiden löytämis- ja kehitysohjelmaa. Ohjelmassa yhdistyvät UCB:n nykyinen vasta-aineiden löytämisalusta, laskennallinen tiede, tautibiologian asiantuntemus sekä teknologia- ja tutkimuskumppaneiden verkosto. UCB pyrkii tunnistamaan ja optimoimaan laadukkaita ehdokasmolekyylejä nopeammin sairauksiin, joihin potilaat tarvitsevat yhä parempia hoitovaihtoehtoja.

Kokeelliset tulokset kouluttavat projektikohtaiset mallit uudelleen

Kun UCB:n tutkijat käyttävät alustaa, kokeellisten tulosten pohjalta päivitetään ohjelmakohtaisia malleja. Yritykset kuvaavat tästä muodostuvaa sykliä itseään vahvistavaksi oppimiskierroksi eli toimintamalliksi, jossa laboratorio on mukana oppimisessa: jokainen laboratoriotulosten kierros ohjaa seuraavien mallien suunnittelua. Tutkijat hyödyntävät edelleen asiantuntemustaan ja harkintaansa ehdokasmolekyylejä optimoidessaan ja arvioidessaan niiden etenemistä kohti mahdollista lääkeaihioehdokasta.

Cradlen alustan dokumentaatiossa kuvataan työnkulun perusteet. Määrityksistä saadun datan avulla malli oppii yksittäisen proteiinin toiminnallisten ominaisuuksien kentän. Levylle ladatut tulokset – Cradlen tuottamat sekvenssit, tiimin järkiperäisesti suunnittelemat sekvenssit tai näiden yhdistelmä – kouluttavat mallin uudelleen ennen seuraavaa kierrosta. Osumien varhaisen tunnistamisen voi aloittaa yhdestä sekvenssistä ilman määritysdataa tai kohinaisesta seulontajoukosta, kuten näyttö- tai valintakampanjan NGS-rikastumislaskennoista.

Vasta-aineiden suunnittelu useiden ominaisuuksien perusteella

Cradlen vasta-aineita käsittelevässä dokumentaatiossa optimointikohteet jaetaan sitoutumiseen, stabiilisuuteen, valmistettavuuteen, immunogeenisuuteen ja kehitettävyyteen. Mitattavia tavoitteita voivat olla spesifisyys ja ristireaktiivisuus, lämpöstabiilisuus ja aggregoituminen, ilmentymistuotto, T-soluepitooppeihin liittyvä riski sekä ongelmalliset ominaisuudet, kuten deamidoituminen tai hapettuminen. Tämä konkretisoi tiedotteessa esitetyn vaatimuksen optimoida ehdokasmolekyylejä kaikkien onnistumisen edellyttämien ominaisuuksien osalta.

Käyttäjät määrittelevät tavoitellun ehdokasmolekyylin profiilin ensisijaisena tavoitteena ja rajoitteina. Cradlen mukaan alusta optimoi määritettyjä ominaisuuksia rinnakkain, hallitsee niiden välisiä kompromisseja ja arvioi kunkin tavoitteen saavuttamisen todennäköisyyden ennen määritystä sekä tuo esiin epärealistiset tavoitteet. Ehdokasmolekyylejä sisältävä levy voidaan myös pisteyttää koulutetun mallin avulla ennen synteesiä ja määrityksiin käytettävien varojen kuluttamista. Näin saadaan arvio odotetusta osumaprosentista, kutakin tavoitetta koskevien pisteiden jakaumista sekä jäljellä olevasta parantamisvarasta. Ennusteet tukevat päätöksiä siitä, jatketaanko kierrokselle, suunnitellaanko molekyylit uudelleen vai lopetetaanko kierros.

Järjestelmää voi käyttää tutkijoille tarkoitetulla koodittomalla verkkosovelluksella ja laskennallisten tiimien API-rajapinnan kautta. Tutkimusryhmät voivat tarkastella variantteja, vertailla mutaatioita ja lisätä omat mallinsa samalle levylle Cradlen tuottamien ehdokkaiden rinnalle. Nämä ulkopuoliset mallit pisteytetään samoin perustein, ja niistä saadaan opetusdataa seuraavia kierroksia varten. Näin tutkijoiden omat hypoteesit voivat edelleen vaikuttaa malliin.

Johtajat korostavat tutkijoiden johtamaa löytötyötä

UCB:n tieteellinen johtaja Alistair Henry kuvaili tekoälyä ”tieteellisen työn voimakertoimeksi”, jonka pitäisi täydentää biologian, kemian ja translaatiotutkimuksen asiantuntemusta sen sijaan, että tekoälyä tavoiteltaisiin itseisarvona. Hänen mukaansa ennustavan mallinnuksen yhdistäminen laboratoriovarmennukseen voisi auttaa suunnittelemaan parempia molekyylejä, nopeuttaa oppimista ja tuoda laadukkaita lääkkeitä potilaiden saataville aiemmin.

Cradlen toimitusjohtaja ja perustajajäsen Stef van Grieken sanoi, että tekoälyllä olisi suurin vaikutus biologisten lääkkeiden tutkimukseen ja kehitykseen, kun sen käyttö ulottuu yksittäisiä kokeita tai ohjelmia laajemmalle ja siitä tulee osa tutkijoiden työskentelyä koko lääkekehitysorganisaatiossa. Tämän vision mukaisesti UCB:n tutkijat saavat yhteisen alustan, jota voidaan käyttää useammissa ohjelmissa ja vaikutustavoissa sekä yhtiön bioterapiaputken monimutkaisissa kehityshaasteissa, vaikka virallinen käyttöönotto koskee valittuja löytöprojekteja.

Yhteistyössä tämä tavoite yhdistyy toistuviin kokeellisiin oppimiskierroksiin: jokainen määritys voi parantaa seuraavaa suunnittelukierrosta, ja tutkijat säilyttävät vastuun ehdokkaita koskevista päätöksistä. UCB:lle käytännön mittari on se, tuottavatko nämä kierrokset vasta-aineita, jotka täyttävät samanaikaisesti sitoutumista, stabiilisuutta, valmistettavuutta ja kehitettävyyttä koskevat vaatimukset ja etenevät kohti prekliinistä valmiutta.