UCB voegt het AI-platform van Cradle toe aan projecten voor de ontdekking van antilichamen

Cradle en UCB kondigden op 4 november 2026 een strategische samenwerking aan om Cradles AI-platform voor het ontwerpen en ontwikkelen van eiwitten in te zetten bij geselecteerde projecten van UCB voor de ontdekking van antilichamen, van hitgeneratie tot en met leadoptimalisatie en preklinische gereedheid.

Dankzij de samenwerking wordt Cradles end-to-endsysteem toegevoegd aan het groeiende digitale programma van UCB voor de ontdekking en ontwikkeling van antilichamen. Dat programma combineert het bestaande platform van UCB voor de ontdekking van antilichamen met computationele wetenschap, expertise op het gebied van ziektebiologie en een netwerk van technologie- en onderzoekspartners. UCB wil hoogwaardige kandidaatstoffen sneller identificeren en optimaliseren voor ziekten waarvoor patiënten nog steeds betere behandelingsopties nodig hebben.

Experimentele resultaten trainen projectmodellen opnieuw

Terwijl wetenschappers van UCB het platform gebruiken, worden experimentele resultaten teruggekoppeld naar modelspecifieke programma’s. De bedrijven omschrijven de daaruit voortkomende cyclus als een zichzelf versterkende leerlus, of als ‘laboratorium-in-de-lus’: elke ronde laboratoriumgegevens vormt de basis voor de volgende reeks ontwerpen. Wetenschappers blijven hun expertise en oordeel inzetten bij het optimaliseren van kandidaatstoffen en het beoordelen van de voortgang richting een mogelijke kandidaat.

De documentatie van het platform van Cradle beschrijft de onderliggende werkwijze. Assaygegevens worden gebruikt om een model te trainen op het fitnesslandschap van een individueel eiwit. Resultaten die vanaf een assayplaat worden geüpload — door Cradle gegenereerde varianten, rationeel ontworpen varianten van een team of een combinatie daarvan — worden gebruikt om het model opnieuw te trainen voordat de volgende ronde begint. Voor vroege hitgeneratie kan een project starten met één enkele sequentie zonder assaygegevens, of met een ruisrijke screeningspool, zoals NGS-verrijkingstellingen uit een display- of selectiecampagne.

Antilichamen ontwerpen op basis van meerdere eigenschappen

De documentatie van Cradle over antilichamen groepeert optimalisatiedoelen in bindingsvermogen, stabiliteit, produceerbaarheid, immunogeniciteit en ontwikkelbaarheid. Meetbare doelen kunnen onder meer specificiteit en kruisreactiviteit, thermostabiliteit en aggregatie, expressieopbrengst, het risico op T-cel-epitopen en risico’s zoals deamidering of oxidatie omvatten. Zo wordt concreet wat wordt bedoeld met de eis in de aankondiging dat kandidaatstoffen worden geoptimaliseerd voor alle eigenschappen die nodig zijn om succesvol te zijn.

Gebruikers definiëren een gewenst profiel voor een kandidaatstof aan de hand van een hoofddoel en randvoorwaarden. Volgens Cradle optimaliseert het platform de opgegeven eigenschappen gelijktijdig, beheert het afwegingen en schat het vóór een assay de kans in dat aan elk doel wordt voldaan, terwijl het onrealistische doelen signaleert. Ook kan een plaat met kandidaatstoffen vóór de synthese en assaykosten aan de hand van het getrainde model worden beoordeeld. Dit levert een verwacht hitpercentage, scoreverdelingen voor elk doel en een schatting op van de resterende verbeteringsruimte. Deze prognoses ondersteunen de beslissing om een ronde uit te voeren, opnieuw te ontwerpen of stop te zetten.

Het systeem is beschikbaar via een webapplicatie zonder code voor wetenschappers en via een API voor computationele teams. Onderzoeksteams kunnen varianten bekijken, mutaties vergelijken en hun eigen ontwerpen op dezelfde plaat zetten naast kandidaatstoffen die door Cradle zijn gegenereerd. Die externe ontwerpen worden op dezelfde manier beoordeeld en leveren trainingsinformatie voor volgende rondes, zodat hypothesen van wetenschappers zelf het model kunnen blijven beïnvloeden.

Bestuurders benadrukken dat wetenschappers de ontdekking leiden

Alistair Henry, Chief Scientific Officer van UCB, noemde AI een ‘wetenschappelijke krachtvermenigvuldiger’ die menselijke expertise op het gebied van biologie, chemie en translationeel onderzoek moet versterken, in plaats van omwille van zichzelf te worden nagestreefd. Hij zei dat de combinatie van voorspellende modellering met laboratoriumvalidatie mogelijk kan helpen betere moleculen te ontwerpen, het leerproces te versnellen en hoogwaardige geneesmiddelen sneller bij patiënten te brengen.

Stef van Grieken, CEO en medeoprichter van Cradle, zei dat AI de grootste impact op onderzoek en ontwikkeling van biologische geneesmiddelen zal hebben wanneer het verder reikt dan afzonderlijke experimenten of programma’s en deel gaat uitmaken van de manier waarop wetenschappers binnen een hele ontdekkingsorganisatie werken. In dat toekomstbeeld krijgen wetenschappers van UCB één gemeenschappelijk platform voor meer programma’s, modaliteiten en complexe ontwikkelingsuitdagingen binnen de pijplijn van biotherapeutica van het bedrijf, hoewel de formele inzet beperkt blijft tot geselecteerde ontdekkingsprojecten.

De samenwerking koppelt die ambitie aan herhaald leren op basis van experimenten: elke assay kan de volgende ontwerpronde aanscherpen, terwijl wetenschappers verantwoordelijk blijven voor beslissingen over kandidaatstoffen. Voor UCB is de praktische toets of deze cycli antilichamen opleveren die tegelijk voldoen aan de eisen voor bindingsvermogen, stabiliteit, produceerbaarheid en ontwikkelbaarheid, en die verder komen in de richting van preklinische gereedheid.