UCB lägger till Cradles AI-plattform i projekt för antikroppsframtagning

Cradle och UCB meddelade den 4 november 2026 att de inleder ett strategiskt samarbete för att använda Cradles plattform för AI-baserad proteindesign och proteinteknik i utvalda projekt inom UCB:s antikroppsforskning, från generering av träffar till optimering av ledkandidater och preklinisk beredskap.

Samarbetet tillför Cradles heltäckande system till UCB:s växande digitala program för antikroppsforskning och -utveckling. Programmet kombinerar UCB:s befintliga plattform för antikroppsforskning med beräkningsvetenskap, expertis inom sjukdomsbiologi och ett nätverk av teknik- och forskningspartner. UCB strävar efter att snabbare identifiera och optimera kandidater av hög kvalitet för sjukdomar där patienter fortfarande behöver bättre behandlingsalternativ.

Experimentella resultat används för att träna om projektmodeller

När UCB:s forskare använder plattformen återförs experimentella resultat till modeller som är anpassade till respektive program. Företagen beskriver den resulterande processen som en självförstärkande lärandecykel, eller ”laboratoriet i återkopplingsslingan”: varje omgång laboratoriedata ligger till grund för nästa uppsättning konstruktioner. Forskarna fortsätter att använda sin expertis och sitt omdöme när de optimerar kandidater och bedömer deras utveckling mot en möjlig läkemedelskandidat.

Cradles dokumentation om plattformen beskriver det underliggande arbetsflödet. Analysdata används för att träna en modell av ett enskilt proteins fitnesslandskap. Resultat som laddas upp från en platta – Cradles genererade sekvenser, ett teams rationellt utformade sekvenser eller en blandning av dessa – används för att träna om modellen inför nästa omgång. I ett tidigt skede av genereringen av träffar kan ett projekt utgå från en enda sekvens utan analysdata eller från en brusig screeningpool, till exempel NGS-anrikningsantal från en display- eller selektionskampanj.

Antikroppsdesign med flera egenskaper

Cradles dokumentation om antikroppar delar in optimeringsmålen i bindning, stabilitet, tillverkningsbarhet, immunogenicitet och utvecklingsbarhet. Mätbara mål kan omfatta specificitet och korsreaktivitet, termostabilitet och aggregering, expressionsutbyte, risk för T-cellsepitoper samt problem som deamidering eller oxidation. Detta konkretiserar tillkännagivandets krav på att kandidater ska optimeras med avseende på hela den uppsättning egenskaper som krävs för att lyckas.

Användarna definierar en målprofil för kandidaten med ett primärt mål och tillhörande begränsningar. Cradle uppger att plattformen optimerar angivna egenskaper parallellt, hanterar avvägningar och uppskattar sannolikheten för att varje mål ska uppnås innan en analys genomförs, samtidigt som den flaggar orealistiska mål. En platta med kandidater kan också poängsättas mot den tränade modellen före syntes och analys, vilket ger en förväntad träfffrekvens, poängfördelningar för varje mål och en uppskattning av hur mycket ytterligare förbättringsutrymme som återstår. Prognoserna ger underlag för beslut om att genomföra, göra om eller avbryta en omgång.

Systemet är tillgängligt via en kodfri webbapplikation för forskare och ett API för beräkningsteam. Forskargrupper kan granska varianter, jämföra mutationer och placera sina egna konstruktioner på samma platta som Cradles genererade kandidater. Dessa externa konstruktioner poängsätts på samma sätt och bidrar med träningsdata inför efterföljande omgångar, så att forskarnas egna hypoteser även fortsättningsvis kan påverka modellen.

Företagsledare betonar forskarstyrd läkemedelsutveckling

UCB:s vetenskapliga chef Alistair Henry kallade AI en ”vetenskaplig kraftförstärkare” som bör komplettera mänsklig expertis inom biologi, kemi och translationell forskning, snarare än användas för sin egen skull. Han sade att kombinationen av prediktiv modellering och validering i våtlabb potentiellt skulle kunna bidra till bättre molekyler, påskynda lärandet och göra det möjligt att snabbare nå patienter med läkemedel av hög kvalitet.

Cradles vd och medgrundare Stef van Grieken sade att AI skulle få störst genomslag inom forskning och utveckling av biologiska läkemedel när tekniken används utöver enskilda experiment eller program och blir en del av forskarnas arbetssätt i hela forskningsorganisationen. Med den visionen får UCB:s forskare tillgång till en gemensam plattform för fler program och modaliteter samt komplexa tekniska utmaningar inom företagets utvecklingsportfölj för biologiska läkemedel, även om den formella implementeringen omfattar utvalda forskningsprojekt.

Samarbetet kopplar denna ambition till återkommande experimentellt lärande: varje analys kan förbättra nästa designomgång, samtidigt som forskarna behåller ansvaret för besluten om kandidater. För UCB blir det praktiska testet om dessa cykler ger antikroppar som samtidigt uppfyller kraven på bindning, stabilitet, tillverkningsbarhet och utvecklingsbarhet och går vidare mot preklinisk beredskap.