UCB добавляет платформу ИИ Cradle в проекты по поиску антител

4 ноября 2026 года Cradle и UCB объявили о стратегическом сотрудничестве, в рамках которого платформу Cradle для проектирования и инженерной оптимизации белков с помощью ИИ будут применять в отдельных проектах UCB по поиску антител — от поиска хитов до оптимизации лидов и подготовки к доклиническим исследованиям.

Сотрудничество дополняет расширяющуюся цифровую программу UCB по поиску и инженерной оптимизации антител комплексной системой Cradle полного цикла. Эта программа объединяет существующую платформу UCB для поиска антител с вычислительной наукой, экспертными знаниями в области биологии заболеваний и сетью партнеров в сфере технологий и исследований. UCB стремится быстрее выявлять и оптимизировать высококачественные кандидаты для лечения заболеваний, при которых пациентам по-прежнему нужны более эффективные варианты терапии.

Экспериментальные результаты позволяют переобучать модели проектов

По мере того как ученые UCB будут использовать платформу, результаты экспериментов будут поступать обратно в модели, созданные для конкретных программ. Компании описывают возникающий цикл как самоусиливающийся процесс обучения, или «лабораторию в контуре»: результаты каждого раунда лабораторных исследований определяют следующий набор вариантов дизайна. Ученые продолжают применять свои знания и профессиональное суждение, оптимизируя кандидатов и оценивая их продвижение к статусу потенциального лекарственного кандидата.

В документации по платформе Cradle описан лежащий в ее основе рабочий процесс. На основе данных анализов обучается модель, отражающая ландшафт функциональных свойств отдельного белка. Результаты, загруженные по итогам работы с планшетом, — варианты, сгенерированные Cradle, рационально спроектированные командой или полученные сочетанием обоих подходов, — используются для переобучения модели перед следующим раундом. На раннем этапе поиска хитов проект может начинаться с одной последовательности без данных анализов либо с зашумленного пула скрининга, например с подсчетов обогащения NGS, полученных в ходе кампании по дисплею или селекции.

Многопараметрическое проектирование антител

В документации Cradle по антителам цели оптимизации распределены по пяти направлениям: связывание, стабильность, технологичность производства, иммуногенность и пригодность к разработке. К измеримым целевым показателям могут относиться специфичность и перекрестная реактивность, термостабильность и склонность к агрегации, выход экспрессии, риск наличия эпитопов T-клеток, а также нежелательные свойства, такие как деамидирование или окисление. Это позволяет конкретизировать требование, заявленное при объявлении о сотрудничестве: кандидатов нужно оптимизировать по всему набору свойств, необходимых для успеха.

Пользователи задают целевой профиль кандидата, указывая основную цель и ограничения. По словам Cradle, платформа параллельно оптимизирует заданные свойства, учитывает компромиссы и до проведения анализа оценивает вероятность достижения каждой цели, одновременно отмечая нереалистичные целевые показатели. До синтеза и затрат на анализ можно также оценить варианты на планшете с помощью обученной модели: она рассчитает ожидаемую долю хитов, распределение оценок по каждому целевому показателю и оставшийся потенциал для улучшения. Эти прогнозы помогают решить, проводить ли следующий раунд, переработать дизайн или остановиться.

Система доступна ученым через веб-приложение без программирования, а вычислительным командам — через API. Исследовательские группы могут изучать варианты, сравнивать мутации и размещать собственные разработки на том же планшете, что и кандидаты, сгенерированные Cradle. Такие внешние разработки оцениваются по тем же критериям и становятся обучающими данными для последующих раундов, благодаря чему гипотезы самих ученых также влияют на модель.

Руководители подчеркивают, что поиском должны руководить ученые

Главный научный директор UCB Алистер Генри назвал ИИ «мощным инструментом для развития науки», который должен дополнять экспертные знания в биологии, химии и трансляционных исследованиях, а не становиться самоцелью. По его словам, сочетание предиктивного моделирования с проверкой в лаборатории потенциально может помочь создавать более совершенные молекулы, ускорить обучение и быстрее предоставить пациентам высококачественные препараты.

Генеральный директор и сооснователь Cradle Стеф ван Грикен заявил, что наибольший эффект ИИ окажет на исследования и разработку биологических препаратов, если выйдет за рамки отдельных экспериментов или программ и станет частью повседневной работы ученых во всей исследовательской организации. В рамках этого подхода ученые UCB получат общую платформу для работы над большим числом программ, различными модальностями и сложными задачами инженерной оптимизации во всем портфеле биотерапевтических препаратов компании, хотя официальное внедрение охватывает лишь отдельные проекты по поиску препаратов.

Сотрудничество связывает эти амбиции с повторяющимся циклом экспериментального обучения: каждый анализ может помочь усовершенствовать дизайн следующего раунда, при этом решения о кандидатах остаются ответственностью ученых. Для UCB практическим критерием успеха станет то, позволят ли такие циклы создавать антитела, одновременно отвечающие требованиям к связыванию, стабильности, технологичности производства и пригодности к разработке, и продвигать их к доклинической стадии.