UCB tar i bruk Cradles KI-plattform i prosjekter for antistoffoppdagelse

Cradle og UCB kunngjorde et strategisk samarbeid 4. november 2026 om å bruke Cradles plattform for KI-basert proteindesign og -utvikling i utvalgte antistoffprosjekter hos UCB, fra generering av treff til optimalisering av ledemolekyler og klargjøring for preklinisk utvikling.

Samarbeidet føyer Cradles helhetlige system til UCBs voksende digitale program for antistoffoppdagelse og -utvikling. Programmet kombinerer UCBs eksisterende plattform for antistoffoppdagelse med beregningsvitenskap, ekspertise innen sykdomsbiologi og et nettverk av teknologi- og forskningspartnere. UCB har som mål å identifisere og optimalisere kandidater av høy kvalitet raskere for sykdommer der pasientene fortsatt trenger bedre behandlingsalternativer.

Eksperimentelle resultater brukes til å trene prosjektmodeller på nytt

Etter hvert som UCB-forskerne bruker plattformen, vil eksperimentelle resultater føres tilbake til modeller som er spesifikke for hvert program. Selskapene beskriver den resulterende prosessen som en selvforsterkende læringssløyfe, eller «laboratorium i sløyfen»: Hver runde med laboratoriedata danner grunnlag for neste sett med design. Forskerne fortsetter å bruke sin ekspertise og faglige vurdering når de optimaliserer kandidater og vurderer om utviklingen går i retning av en mulig kandidat.

Cradles dokumentasjon av plattformen forklarer arbeidsflyten som ligger til grunn. Analyse- og testdata brukes til å trene en modell på egnethetslandskapet til et enkelt protein. Resultater som lastes opp fra en plate – Cradles genereringer, et teams rasjonelt utformede varianter eller en blanding – brukes til å trene modellen på nytt før neste runde. I tidlig treffgenerering kan et prosjekt starte med én enkelt sekvens uten analysedata eller med en støyfylt screeningsamling, for eksempel NGS-tellinger av berikelse fra en display- eller seleksjonskampanje.

Antistoffdesign med flere egenskaper

Cradles dokumentasjon om antistoffer deler optimaliseringsmålene inn i binding, stabilitet, produksjonsegenskaper, immunogenisitet og utviklingsbarhet. Målbare egenskaper kan omfatte spesifisitet og kryssreaktivitet, termisk stabilitet og aggregering, uttrykksutbytte, risiko for T-celleepitoper og uønskede egenskaper som deamidering eller oksidasjon. Dette konkretiserer kravet i kunngjøringen om at kandidatene skal optimaliseres med hensyn til hele settet av egenskaper som trengs for å lykkes.

Brukerne definerer en målprofil for kandidaten med ett hovedmål og tilhørende begrensninger. Cradle opplyser at plattformen optimaliserer de angitte egenskapene parallelt, håndterer avveininger og anslår sannsynligheten for å oppfylle hvert mål før en analyse, samtidig som den varsler om urealistiske mål. En kandidatplate kan også vurderes mot den trente modellen før syntese og analyseutgifter påløper. Dette gir en forventet treffrate, poengfordelinger for hvert mål og et anslag over gjenværende forbedringspotensial. Prognosene støtter beslutninger om å gjennomføre, redesigne eller avslutte en runde.

Systemet er tilgjengelig via en nettløsning uten kode for forskere og et API for beregningsteam. Forskerteam kan undersøke varianter, sammenligne mutasjoner og plassere egne design side om side med Cradle-genererte kandidater på samme plate. Disse eksternt utformede variantene vurderes etter samme kriterier og blir treningsdata for senere runder, slik at forskernes egne hypoteser fortsatt kan påvirke modellen.

Ledere understreker at forskerne skal styre oppdagelsesarbeidet

UCBs forskningsdirektør Alistair Henry kalte KI en «kraftforsterker for vitenskapen» som bør styrke menneskelig ekspertise innen biologi, kjemi og translasjonsforskning, snarere enn å bli brukt for sin egen skyld. Han sa at kombinasjonen av prediktiv modellering og validering i våtlaboratoriet potensielt kan bidra til å utforme bedre molekyler, fremskynde læringen og få legemidler av høy kvalitet raskere fram til pasientene.

Cradles administrerende direktør og medgrunnlegger Stef van Grieken sa at KI vil få størst betydning for FoU innen biologiske legemidler når teknologien går utover enkeltstående eksperimenter eller programmer og blir en del av måten forskere arbeider på i en hel organisasjon som driver med oppdagelsesarbeid. Innenfor denne visjonen får UCBs forskere en felles plattform for flere programmer, modaliteter og komplekse utviklingsutfordringer på tvers av selskapets pipeline for biolegemidler, selv om den formelle innføringen omfatter utvalgte oppdagelsesprosjekter.

Samarbeidet knytter denne ambisjonen til gjentatt eksperimentell læring: Hver analyse kan forbedre neste designrunde, samtidig som forskerne beholder ansvaret for beslutninger om kandidater. For UCB blir den praktiske testen om disse syklusene gir antistoffer som samlet oppfyller kravene til binding, stabilitet, produksjonsegenskaper og utviklingsbarhet, og som går videre mot preklinisk utvikling.