UCB integra la piattaforma di IA di Cradle nei progetti di scoperta di anticorpi

Il 4 novembre 2026, Cradle e UCB hanno annunciato una collaborazione strategica per applicare la piattaforma di Cradle per la progettazione e l’ingegnerizzazione di proteine mediante IA in progetti selezionati di UCB dedicati alla scoperta di anticorpi, dalla generazione degli hit fino all’ottimizzazione dei lead e alla preparazione per la fase preclinica.

La collaborazione aggiunge il sistema end-to-end di Cradle al programma in espansione di UCB per la scoperta e l’ingegnerizzazione digitale di anticorpi. Il programma combina la piattaforma di UCB già esistente per la scoperta di anticorpi con le scienze computazionali, le competenze in biologia delle malattie e una rete di partner tecnologici e di ricerca. UCB mira a identificare e ottimizzare più rapidamente candidati di alta qualità per le malattie per le quali i pazienti hanno ancora bisogno di opzioni migliori.

I risultati sperimentali aggiornano i modelli dei progetti

Man mano che gli scienziati di UCB utilizzano la piattaforma, i risultati sperimentali vengono reinseriti nei modelli specifici dei programmi. Le aziende descrivono il ciclo che ne deriva come un ciclo di apprendimento cumulativo, o «laboratorio nel ciclo»: ogni serie di evidenze di laboratorio orienta il successivo insieme di progetti. Gli scienziati continuano ad applicare le proprie competenze e il proprio giudizio mentre ottimizzano i candidati e valutano i progressi verso un possibile candidato.

La documentazione della piattaforma di Cradle spiega il flusso di lavoro sottostante. I dati dei saggi addestrano un modello sul paesaggio di fitness di una singola proteina. I risultati caricati da una piastra — generazioni di Cradle, progetti razionali di un team o una combinazione dei due — vengono usati per riaddestrare il modello prima del ciclo successivo. Per la generazione iniziale degli hit, un progetto può partire da una singola sequenza senza dati dei saggi oppure da un insieme di screening rumoroso, come i conteggi di arricchimento NGS ottenuti da una campagna di visualizzazione o selezione.

Progettazione di anticorpi con più proprietà

La documentazione di Cradle sugli anticorpi suddivide gli obiettivi di ottimizzazione in affinità di legame, stabilità, producibilità, immunogenicità e sviluppabilità. Gli obiettivi misurabili possono includere specificità e reattività crociata, termo stabilità e aggregazione, resa di espressione, rischio di epitopi delle cellule T e problematiche quali deamidazione o ossidazione. Questo chiarisce concretamente cosa comporta il requisito, menzionato nell’annuncio, di ottimizzare i candidati rispetto all’intero insieme di proprietà necessarie per il successo.

Gli utenti definiscono il profilo obiettivo del candidato come un obiettivo primario corredato di vincoli. Cradle afferma che la piattaforma ottimizza in parallelo le proprietà specificate, gestisce i compromessi e stima la probabilità di raggiungere ciascun obiettivo prima di eseguire un saggio, segnalando al contempo gli obiettivi irrealistici. Prima della sintesi e delle spese per i saggi, è inoltre possibile valutare una piastra di candidati con il modello addestrato, ottenendo il tasso di hit previsto, le distribuzioni dei punteggi per ciascun obiettivo e una stima del margine di miglioramento residuo. Queste previsioni aiutano a decidere se avviare un ciclo, riprogettarlo o interromperlo.

Il sistema è accessibile tramite un’applicazione web senza codice per gli scienziati e un’API per i team computazionali. I gruppi di ricerca possono esaminare le varianti, confrontare le mutazioni e inserire i propri progetti accanto ai candidati generati da Cradle sulla stessa piastra. Questi progetti esterni vengono valutati secondo gli stessi criteri e diventano dati di addestramento per i cicli successivi, consentendo alle ipotesi degli scienziati di influenzare il modello.

I dirigenti sottolineano che la scoperta deve essere guidata dagli scienziati

Alistair Henry, direttore scientifico di UCB, ha definito l’IA un «moltiplicatore di forza scientifico» che dovrebbe potenziare le competenze umane in biologia, chimica e ricerca traslazionale, anziché essere perseguita fine a sé stessa. Ha affermato che combinare la modellizzazione predittiva con la convalida in laboratorio potrebbe contribuire a progettare molecole migliori, accelerare l’apprendimento e portare prima terapie di alta qualità ai pazienti.

Stef van Grieken, CEO e cofondatore di Cradle, ha affermato che l’IA avrebbe il maggiore impatto sulla ricerca e sviluppo di farmaci biologici quando supererà i confini dei singoli esperimenti o programmi e diventerà parte del modo in cui gli scienziati operano all’interno di un’organizzazione di ricerca. In quest’ottica, gli scienziati di UCB avranno a disposizione una piattaforma comune per un maggior numero di programmi, modalità e sfide di ingegnerizzazione complesse nell’intera pipeline aziendale di biofarmaci, sebbene l’implementazione formale riguardi progetti di scoperta selezionati.

La collaborazione lega questa ambizione a un apprendimento sperimentale ripetuto: ogni saggio può affinare il ciclo di progettazione successivo, mentre gli scienziati mantengono la responsabilità delle decisioni sui candidati. Per UCB, la prova concreta sarà stabilire se questi cicli producono anticorpi che soddisfano contemporaneamente i requisiti di affinità di legame, stabilità, producibilità e sviluppabilità e avanzano verso la preparazione per la fase preclinica.