UCB incorpora a plataforma de IA da Cradle a projetos de descoberta de anticorpos

Cradle e UCB anunciaram uma colaboração estratégica em 4 de novembro de 2026, para aplicar a plataforma de design e engenharia de proteínas por IA da Cradle em projetos selecionados de descoberta de anticorpos da UCB, desde a geração de hits até a otimização de leads e a preparação para a fase pré-clínica.

A colaboração incorpora o sistema integrado da Cradle ao programa em expansão da UCB de descoberta e engenharia digital de anticorpos. Esse programa combina a plataforma já existente da UCB para descoberta de anticorpos com ciência computacional, conhecimento especializado em biologia de doenças e uma rede de parceiros de tecnologia e pesquisa. A UCB pretende identificar e otimizar candidatos de alta qualidade com mais rapidez para doenças em que os pacientes ainda precisam de opções melhores.

Resultados experimentais retreinam modelos dos projetos

À medida que os cientistas da UCB usam a plataforma, os resultados experimentais serão incorporados aos modelos específicos de cada programa. As empresas descrevem o ciclo resultante como um ciclo de aprendizagem cumulativa, ou “laboratório no ciclo”: cada rodada de evidências laboratoriais orienta o conjunto seguinte de designs. Os cientistas continuam aplicando sua experiência e discernimento ao otimizar candidatos e avaliar seu avanço rumo a um possível candidato.

A documentação da plataforma da Cradle explica o fluxo de trabalho subjacente. Os dados de ensaios treinam um modelo com base no panorama de aptidão de uma proteína específica. Os resultados enviados a partir de uma placa — gerações da Cradle, designs racionais de uma equipe ou uma combinação dos dois — retreinam esse modelo antes da rodada seguinte. Para a geração inicial de hits, um projeto pode começar com uma única sequência, sem dados de ensaios, ou com um conjunto ruidoso de triagem, como contagens de enriquecimento de NGS de uma campanha de apresentação ou seleção.

Design de anticorpos com múltiplas propriedades

A documentação da Cradle sobre anticorpos agrupa os alvos de otimização em ligação, estabilidade, capacidade de fabricação, imunogenicidade e potencial de desenvolvimento. Entre os objetivos mensuráveis podem estar especificidade e reatividade cruzada, termoestabilidade e agregação, rendimento de expressão, risco de epítopos de células T e problemas como desamidação ou oxidação. Isso dá significado concreto à exigência anunciada de que os candidatos sejam otimizados para todo o conjunto de propriedades necessárias ao sucesso.

Os usuários definem o perfil-alvo de um candidato como um objetivo principal acompanhado de restrições. Segundo a Cradle, a plataforma otimiza em paralelo as propriedades especificadas, gerencia as compensações entre elas e estima a probabilidade de cada objetivo ser atingido antes da realização de um ensaio, além de sinalizar metas irrealistas. Uma placa de candidatos também pode ser avaliada com base no modelo treinado antes de se investir em síntese e ensaios, gerando uma taxa esperada de hits, distribuições de pontuações para cada objetivo e uma estimativa do potencial de melhoria restante. Essas previsões ajudam a decidir se a rodada deve ser realizada, reformulada ou interrompida.

O sistema pode ser acessado por meio de um aplicativo web sem código, destinado a cientistas, e de uma API, voltada a equipes de computação. As equipes de pesquisa podem examinar variantes, comparar mutações e incluir seus próprios designs na mesma placa que os candidatos gerados pela Cradle. Esses designs externos são avaliados pelos mesmos critérios e passam a fornecer dados de treinamento para as rodadas seguintes, mantendo aberto um caminho para que as hipóteses dos próprios cientistas influenciem o modelo.

Executivos ressaltam a descoberta conduzida por cientistas

Alistair Henry, diretor científico da UCB, chamou a IA de “multiplicador de força científica”, que deve ampliar a expertise humana em biologia, química e pesquisa translacional, em vez de ser usada como um fim em si mesma. Ele afirmou que combinar modelagem preditiva com validação em laboratório poderia ajudar a projetar moléculas melhores, acelerar a aprendizagem e levar terapias de alta qualidade aos pacientes mais cedo.

Stef van Grieken, CEO e cofundador da Cradle, afirmou que a IA teria seu maior impacto na pesquisa e desenvolvimento de medicamentos biológicos quando fosse além de experimentos ou programas individuais e passasse a fazer parte da maneira como os cientistas trabalham em uma organização de descoberta. Nessa visão, os cientistas da UCB teriam uma plataforma comum para trabalhar em mais programas, modalidades e desafios complexos de engenharia em todo o portfólio de biofármacos da empresa, embora a implementação formal abranja projetos selecionados de descoberta.

A colaboração vincula essa ambição à aprendizagem experimental repetida: cada ensaio pode aprimorar a rodada seguinte de design, enquanto os cientistas mantêm a responsabilidade pelas decisões sobre os candidatos. Para a UCB, o teste prático será verificar se esses ciclos produzem anticorpos que atendam simultaneamente aos requisitos de ligação, estabilidade, capacidade de fabricação e potencial de desenvolvimento e avancem rumo à preparação para a fase pré-clínica.