UCB dodaje platformę AI firmy Cradle do projektów odkrywania przeciwciał

Cradle i UCB ogłosiły strategiczną współpracę 4 listopada 2026 r., aby wykorzystać platformę Cradle do projektowania i inżynierii białek z użyciem AI w wybranych projektach UCB dotyczących odkrywania przeciwciał — od generowania hitów po optymalizację związków wiodących i przygotowanie do badań przedklinicznych.

Współpraca włącza kompleksowy system Cradle do rozwijanego przez UCB programu cyfrowego odkrywania i inżynierii przeciwciał. Program ten łączy istniejącą platformę UCB do odkrywania przeciwciał z naukami obliczeniowymi, wiedzą specjalistyczną z zakresu biologii chorób oraz siecią partnerów technologicznych i badawczych. UCB chce szybciej identyfikować i optymalizować wysokiej jakości kandydatów na potrzeby chorób, w przypadku których pacjenci wciąż potrzebują lepszych możliwości leczenia.

Wyniki eksperymentów służą do ponownego trenowania modeli projektowych

W miarę jak naukowcy UCB korzystają z platformy, wyniki eksperymentów będą uwzględniane w modelach dostosowanych do poszczególnych programów. Firmy opisują ten cykl jako samonapędzającą się pętlę uczenia się, czyli „laboratorium w pętli”: każda kolejna porcja danych z laboratorium wpływa na następny zestaw projektów. Naukowcy nadal wykorzystują swoją wiedzę i osąd podczas optymalizacji kandydatów oraz oceny ich postępów w kierunku uzyskania potencjalnego kandydata.

Dokumentacja platformy Cradle objaśnia podstawowy przebieg pracy. Dane z testów uczą modelu krajobrazu przystosowania danego białka. Wyniki przesłane z płytki — warianty wygenerowane przez Cradle, racjonalnie zaprojektowane warianty zespołu albo ich połączenie — służą do ponownego trenowania modelu przed kolejną rundą. Na wczesnym etapie generowania hitów projekt może rozpocząć się od pojedynczej sekwencji, bez danych z testów, albo od zaszumionej puli przesiewowej, na przykład danych o wzbogaceniu NGS z kampanii prezentacji lub selekcji.

Projektowanie przeciwciał z uwzględnieniem wielu właściwości

Dokumentacja Cradle dotycząca przeciwciał dzieli cele optymalizacji na wiązanie, stabilność, wytwarzalność, immunogenność i rozwijalność. Mierzalne cele mogą obejmować swoistość i reaktywność krzyżową, termostabilność i agregację, wydajność ekspresji, ryzyko występowania epitopów limfocytów T oraz podatność na niepożądane zmiany, takie jak deamidacja lub utlenianie. Dzięki temu konkretny wymiar zyskuje wymóg ogłoszony przez firmy: kandydatów należy optymalizować pod kątem całego zestawu właściwości niezbędnych do osiągnięcia sukcesu.

Użytkownicy określają docelowy profil kandydata jako główny cel wraz z ograniczeniami. Cradle informuje, że platforma równolegle optymalizuje wskazane właściwości, zarządza kompromisami i szacuje prawdopodobieństwo osiągnięcia każdego celu przed przeprowadzeniem testu, a zarazem sygnalizuje nierealistyczne założenia. Przed syntezą i poniesieniem kosztów testów można także ocenić płytkę z kandydatami za pomocą wytrenowanego modelu, uzyskując oczekiwany odsetek trafień, rozkłady wyników dla każdego celu oraz szacunkowy pozostały potencjał poprawy. Prognozy te pomagają podjąć decyzję, czy przeprowadzić rundę, przeprojektować ją, czy przerwać.

Z systemu można korzystać za pośrednictwem internetowej aplikacji niewymagającej programowania, przeznaczonej dla naukowców, oraz interfejsu API dla zespołów obliczeniowych. Zespoły badawcze mogą przeglądać warianty, porównywać mutacje i umieszczać własne projekty obok kandydatów wygenerowanych przez Cradle na tej samej płytce. Te zewnętrzne projekty są oceniane na tych samych zasadach i stają się sygnałem treningowym w kolejnych rundach, dzięki czemu własne hipotezy naukowców nadal mogą wpływać na model.

Kierownictwo podkreśla, że odkrycia powinny być prowadzone przez naukowców

Alistair Henry, dyrektor ds. naukowych UCB, nazwał AI „narzędziem zwielokrotniającym potencjał nauki”, które powinno wspierać ludzką wiedzę w biologii, chemii i badaniach translacyjnych, a nie być rozwijane dla niego samego. Powiedział, że połączenie modelowania predykcyjnego z walidacją laboratoryjną może pomóc projektować lepsze cząsteczki, przyspieszyć proces uczenia się i szybciej dostarczać pacjentom wysokiej jakości leki.

Stef van Grieken, dyrektor generalny i współzałożyciel Cradle, powiedział, że AI będzie miała największy wpływ na badania i rozwój leków biologicznych, gdy jej zastosowanie wyjdzie poza pojedyncze eksperymenty lub programy i stanie się częścią codziennej pracy naukowców w całej organizacji zajmującej się odkrywaniem leków. Zgodnie z tą wizją naukowcy UCB zyskują wspólną platformę obsługującą większą liczbę programów, modalności i złożonych wyzwań inżynieryjnych w całym portfelu leków biologicznych firmy, choć formalne wdrożenie obejmuje wybrane projekty odkrywania.

Współpraca łączy te ambicje z powtarzającym się uczeniem na podstawie eksperymentów: każdy test może usprawnić kolejną rundę projektowania, a odpowiedzialność za decyzje dotyczące kandydatów pozostaje po stronie naukowców. W praktyce dla UCB kluczowe będzie to, czy takie cykle pozwolą uzyskać przeciwciała spełniające jednocześnie wymagania dotyczące wiązania, stabilności, wytwarzalności i rozwijalności oraz przybliżą je do gotowości do badań przedklinicznych.