UCB Menambahkan Platform AI Cradle ke Proyek Penemuan Antibodi

Cradle dan UCB mengumumkan kolaborasi strategis pada 4 November 2026 untuk menerapkan platform desain dan rekayasa protein berbasis AI milik Cradle dalam sejumlah proyek penemuan antibodi pilihan UCB, mulai dari menghasilkan kandidat hit hingga mengoptimalkan kandidat lead dan menyiapkannya untuk tahap praklinis.

Kolaborasi ini menambahkan sistem menyeluruh Cradle ke dalam program penemuan dan rekayasa antibodi digital UCB yang terus berkembang. Program tersebut memadukan platform penemuan antibodi UCB yang sudah ada dengan ilmu komputasi, keahlian biologi penyakit, serta jaringan mitra teknologi dan riset. UCB bertujuan mengidentifikasi dan mengoptimalkan kandidat berkualitas tinggi dengan lebih cepat untuk penyakit yang pilihan pengobatannya masih perlu ditingkatkan bagi pasien.

Hasil Eksperimen Melatih Ulang Model Proyek

Saat para ilmuwan UCB menggunakan platform tersebut, hasil eksperimen akan dimasukkan kembali ke dalam model khusus untuk tiap program. Kedua perusahaan menggambarkan siklus yang terbentuk sebagai putaran pembelajaran berakumulasi, atau “laboratorium dalam putaran”: setiap tahap bukti dari laboratorium menjadi masukan bagi rangkaian desain berikutnya. Para ilmuwan tetap menerapkan keahlian dan pertimbangan mereka saat mengoptimalkan kandidat dan menilai kemajuannya menuju kandidat potensial.

Dokumentasi platform Cradle menjelaskan alur kerja yang mendasarinya. Data uji digunakan untuk melatih model mengenai lanskap kebugaran suatu protein. Hasil yang diunggah dari sebuah pelat—baik varian yang dihasilkan Cradle, desain rasional tim, maupun campuran keduanya—digunakan untuk melatih ulang model tersebut sebelum putaran berikutnya. Untuk menghasilkan kandidat hit pada tahap awal, proyek dapat dimulai dari satu sekuens tanpa data uji atau dari kumpulan hasil penyaringan yang bising, seperti hitungan pengayaan NGS dari kampanye penayangan atau seleksi.

Desain Antibodi dengan Beragam Sifat

Dokumentasi antibodi Cradle mengelompokkan sasaran optimasi ke dalam pengikatan, stabilitas, kemudahan produksi, imunogenisitas, dan kemudahan pengembangan. Sasaran yang dapat diukur mencakup spesifisitas dan reaktivitas silang, kestabilan termal dan agregasi, hasil ekspresi, risiko epitop sel T, serta kerentanan seperti deamidasi atau oksidasi. Hal ini memperjelas tuntutan dalam pengumuman tersebut bahwa kandidat harus dioptimalkan berdasarkan seluruh sifat yang diperlukan agar berhasil.

Pengguna menetapkan profil kandidat sasaran sebagai satu tujuan utama beserta sejumlah batasan. Cradle menyatakan bahwa platform tersebut mengoptimalkan sifat-sifat yang ditentukan secara paralel, mengelola kompromi, dan memperkirakan peluang terpenuhinya setiap sasaran sebelum pengujian, sekaligus menandai sasaran yang tidak realistis. Pelat kandidat juga dapat dinilai menggunakan model terlatih sebelum sintesis dan pengeluaran untuk pengujian dilakukan, sehingga menghasilkan tingkat keberhasilan kandidat hit yang diharapkan, distribusi skor untuk setiap sasaran, serta perkiraan ruang peningkatan yang masih tersisa. Perkiraan tersebut mendukung keputusan untuk menjalankan, merancang ulang, atau menghentikan suatu putaran.

Sistem ini dapat diakses melalui aplikasi web tanpa kode bagi para ilmuwan dan API bagi tim komputasi. Tim riset dapat memeriksa varian, membandingkan mutasi, dan menempatkan desain mereka sendiri berdampingan dengan kandidat yang dihasilkan Cradle pada pelat yang sama. Desain eksternal tersebut dinilai dengan dasar yang sama dan menjadi sinyal pelatihan untuk putaran berikutnya, sehingga hipotesis para ilmuwan sendiri tetap dapat memengaruhi model.

Para Eksekutif Menekankan Penemuan yang Dipimpin Ilmuwan

Alistair Henry, Direktur Ilmiah UCB, menyebut AI sebagai “pengganda kekuatan ilmiah” yang seharusnya memperkuat keahlian manusia di bidang biologi, kimia, dan riset translasi, bukan dikejar demi AI itu sendiri. Ia mengatakan bahwa memadukan pemodelan prediktif dengan validasi eksperimental di laboratorium berpotensi membantu merancang molekul yang lebih baik, mempercepat pembelajaran, dan menghadirkan terapi berkualitas tinggi kepada pasien lebih cepat.

Stef van Grieken, CEO sekaligus salah satu pendiri Cradle, mengatakan AI akan memberikan dampak terbesar pada penelitian dan pengembangan biologik jika penerapannya melampaui eksperimen atau program individual dan menjadi bagian dari cara para ilmuwan bekerja di seluruh organisasi penemuan. Dalam visi tersebut, para ilmuwan UCB memperoleh platform bersama untuk menangani lebih banyak program, modalitas, dan tantangan rekayasa kompleks di seluruh lini pengembangan bioterapeutik perusahaan, meskipun penerapan resminya mencakup proyek penemuan tertentu saja.

Kolaborasi ini mengaitkan ambisi tersebut dengan pembelajaran eksperimental berulang: setiap pengujian dapat menyempurnakan putaran desain berikutnya, sementara para ilmuwan tetap bertanggung jawab atas keputusan terkait kandidat. Bagi UCB, tolok ukur praktisnya adalah apakah siklus tersebut menghasilkan antibodi yang sekaligus memenuhi persyaratan pengikatan, stabilitas, kemudahan produksi, dan kemudahan pengembangan, serta maju menuju kesiapan praklinis.