UCB intègre la plateforme d’IA de Cradle à ses projets de découverte d’anticorps

Cradle et UCB ont annoncé une collaboration stratégique le 4 novembre 2026 afin d’utiliser la plateforme de conception et d’ingénierie des protéines par l’IA de Cradle dans certains projets de découverte d’anticorps d’UCB, de la génération de hits à l’optimisation des candidats principaux et à la préparation aux études précliniques.

Cette collaboration intègre le système de bout en bout de Cradle au programme numérique de découverte et d’ingénierie des anticorps, en pleine expansion, d’UCB. Ce programme associe la plateforme existante d’UCB pour la découverte d’anticorps à la science computationnelle, à une expertise en biologie des maladies et à un réseau de partenaires technologiques et de recherche. UCB entend identifier et optimiser plus rapidement des candidats de haute qualité pour des maladies pour lesquelles les patients ont encore besoin de meilleures options thérapeutiques.

Les résultats expérimentaux réentraînent les modèles propres à chaque projet

À mesure que les scientifiques d’UCB utilisent la plateforme, les résultats expérimentaux alimenteront en retour les modèles propres à chaque programme. Les entreprises décrivent le cycle qui en résulte comme une boucle d’apprentissage cumulative, ou « laboratoire dans la boucle » : chaque série de données expérimentales éclaire la série de conceptions suivante. Les scientifiques continuent de mettre à profit leur expertise et leur jugement pour optimiser les candidats et évaluer leur progression vers un éventuel candidat.

La documentation de la plateforme de Cradle explique le processus sous-jacent. Les données d’essais servent à entraîner un modèle sur le paysage fonctionnel d’une protéine donnée. Les résultats téléversés à partir d’une plaque — qu’il s’agisse de candidats générés par Cradle, de conceptions rationnelles d’une équipe ou d’un mélange des deux — servent à réentraîner ce modèle avant la série suivante. Pour générer les premiers hits, un projet peut partir d’une séquence unique, sans données d’essais, ou d’un ensemble de criblage bruité, comme des décomptes d’enrichissement NGS issus d’une campagne de présentation ou de sélection.

Conception d’anticorps à propriétés multiples

La documentation de Cradle sur les anticorps répartit les objectifs d’optimisation entre liaison, stabilité, aptitude à la fabrication, immunogénicité et aptitude au développement. Les objectifs mesurables peuvent notamment porter sur la spécificité et la réactivité croisée, la thermostabilité et l’agrégation, le rendement d’expression, le risque lié aux épitopes des lymphocytes T et les facteurs de risque tels que la désamidation ou l’oxydation. Cela précise concrètement ce qu’implique l’exigence formulée dans l’annonce : optimiser les candidats en fonction de l’ensemble des propriétés nécessaires à leur réussite.

Les utilisateurs définissent le profil cible d’un candidat en fixant un objectif principal et des contraintes. Selon Cradle, la plateforme optimise en parallèle les propriétés spécifiées, gère les compromis et estime, avant un essai, la probabilité d’atteindre chaque objectif, tout en signalant les objectifs irréalistes. Une plaque de candidats peut également être évaluée à l’aide du modèle entraîné avant toute synthèse et toute dépense liée aux essais, ce qui permet d’obtenir un taux de hits attendu, la distribution des scores pour chaque objectif et une estimation de la marge d’amélioration restante. Ces prévisions aident à décider s’il faut lancer une série, la remanier ou l’interrompre.

Le système est accessible aux scientifiques par une application Web sans code et aux équipes de calcul par une API. Les équipes de recherche peuvent examiner les variants, comparer les mutations et placer leurs propres conceptions sur la même plaque que les candidats générés par Cradle. Ces conceptions externes sont évaluées selon les mêmes critères et fournissent des données d’entraînement pour les séries suivantes, ce qui permet aux hypothèses des scientifiques d’influencer le modèle.

Les dirigeants soulignent que la découverte reste guidée par les scientifiques

Alistair Henry, directeur scientifique d’UCB, a qualifié l’IA de « multiplicateur de force scientifique », qui devrait renforcer l’expertise humaine en biologie, en chimie et en recherche translationnelle, plutôt que d’être utilisée pour elle-même. Il a déclaré que l’association de la modélisation prédictive à la validation en laboratoire pourrait contribuer à concevoir de meilleures molécules, à accélérer l’apprentissage et à mettre plus rapidement des traitements de haute qualité à la disposition des patients.

Stef van Grieken, PDG et cofondateur de Cradle, a déclaré que l’IA aurait le plus grand impact sur la R&D en produits biologiques lorsqu’elle dépasserait le cadre d’expériences ou de programmes individuels pour s’intégrer aux méthodes de travail des scientifiques dans l’ensemble d’un organisme de recherche. Dans cette perspective, les scientifiques d’UCB disposent d’une plateforme commune pour mener davantage de programmes, travailler sur diverses modalités et relever des défis d’ingénierie complexes dans l’ensemble du portefeuille de produits biothérapeutiques de l’entreprise, même si le déploiement officiel concerne certains projets de découverte.

La collaboration concrétise cette ambition en misant sur un apprentissage expérimental répété : chaque essai peut affiner la série de conceptions suivante, tandis que les scientifiques restent responsables des décisions concernant les candidats. Pour UCB, l’enjeu pratique est de déterminer si ces cycles permettent d’obtenir des anticorps qui satisfont simultanément aux exigences de liaison, de stabilité, d’aptitude à la fabrication et d’aptitude au développement, et qui progressent vers la préparation aux études précliniques.