UCB นำแพลตฟอร์ม AI ของ Cradle มาใช้ในโครงการค้นหาแอนติบอดี

เมื่อวันที่ 4 พฤศจิกายน 2026 Cradle และ UCB ประกาศความร่วมมือเชิงกลยุทธ์ เพื่อนำแพลตฟอร์มออกแบบและวิศวกรรมโปรตีนด้วย AI ของ Cradle มาใช้ในโครงการค้นหาแอนติบอดีบางโครงการของ UCB ตั้งแต่การค้นหาสารตั้งต้น (hit) ไปจนถึงการปรับปรุงสารนำ (lead) ให้เหมาะสมและการเตรียมความพร้อมก่อนการทดลองทางคลินิก

ความร่วมมือนี้เพิ่มระบบครบวงจรของ Cradle ให้แก่โครงการค้นหาและวิศวกรรมแอนติบอดีด้วยดิจิทัลที่ UCB กำลังขยายตัว โครงการดังกล่าวผสานแพลตฟอร์มค้นหาแอนติบอดีที่ UCB มีอยู่แล้วเข้ากับวิทยาศาสตร์เชิงคำนวณ ความเชี่ยวชาญด้านชีววิทยาของโรค และเครือข่ายพันธมิตรด้านเทคโนโลยีและการวิจัย UCB มุ่งค้นหาและปรับปรุงผู้สมัครคุณภาพสูงให้เหมาะสมได้รวดเร็วยิ่งขึ้น สำหรับโรคที่ผู้ป่วยยังต้องการทางเลือกในการรักษาที่ดีกว่า

ผลการทดลองช่วยฝึกโมเดลของโครงการอีกครั้ง

เมื่อนักวิทยาศาสตร์ของ UCB ใช้แพลตฟอร์ม ผลการทดลองจะถูกป้อนกลับไปยังโมเดลเฉพาะของแต่ละโครงการ บริษัททั้งสองอธิบายวงจรที่เกิดขึ้นนี้ว่าเป็นวงจรการเรียนรู้แบบสะสมพูนผล หรือ “ห้องปฏิบัติการอยู่ในวงจร”: หลักฐานจากห้องปฏิบัติการในแต่ละรอบจะช่วยกำหนดชุดการออกแบบในรอบถัดไป นักวิทยาศาสตร์ยังคงใช้ความเชี่ยวชาญและวิจารณญาณของตนในการปรับปรุงผู้สมัครให้เหมาะสมและประเมินความคืบหน้าไปสู่การได้ผู้สมัครที่มีศักยภาพ

เอกสารประกอบแพลตฟอร์มของ Cradleอธิบายขั้นตอนการทำงานเบื้องหลัง ข้อมูลจากการทดสอบใช้ฝึกโมเดลให้เรียนรู้ภูมิทัศน์ความเหมาะสมของโปรตีนแต่ละชนิด ผลลัพธ์ที่อัปโหลดจากเพลต ไม่ว่าจะเป็นโปรตีนรุ่นที่ Cradle สร้างขึ้น การออกแบบอย่างมีเหตุผลของทีม หรือทั้งสองแบบผสมกัน จะนำไปฝึกโมเดลดังกล่าวอีกครั้งก่อนเริ่มรอบถัดไป สำหรับการค้นหาสารตั้งต้นในระยะแรก โครงการอาจเริ่มจากลำดับโปรตีนเพียงลำดับเดียวโดยไม่มีข้อมูลการทดสอบ หรือเริ่มจากกลุ่มตัวอย่างคัดกรองที่มีสัญญาณรบกวน เช่น จำนวนการเพิ่มขึ้นของลำดับ NGS จากการคัดกรองหรือคัดเลือกด้วยวิธี display

การออกแบบแอนติบอดีที่ตอบโจทย์หลายคุณสมบัติ

เอกสารเกี่ยวกับแอนติบอดีของ Cradleจัดกลุ่มเป้าหมายในการปรับปรุงให้เหมาะสมเป็นด้านการจับกับเป้าหมาย ความเสถียร ความสามารถในการผลิต การก่อภูมิคุ้มกัน และความพร้อมต่อการพัฒนา วัตถุประสงค์ที่วัดผลได้อาจรวมถึงความจำเพาะและการเกิดปฏิกิริยาข้าม ความทนทานต่ออุณหภูมิและการรวมตัวกัน ผลผลิตจากการแสดงออกของโปรตีน ความเสี่ยงจากเอพิโทปของทีเซลล์ และข้อด้อยต่าง ๆ เช่น ดีอะมิเดชันหรือออกซิเดชัน รายละเอียดเหล่านี้ทำให้ข้อกำหนดในประกาศที่ระบุว่าต้องปรับปรุงผู้สมัครให้เหมาะสมโดยครอบคลุมคุณสมบัติทั้งหมดที่จำเป็นต่อความสำเร็จมีความชัดเจนเป็นรูปธรรม

ผู้ใช้กำหนดโปรไฟล์เป้าหมายของผู้สมัคร โดยระบุวัตถุประสงค์หลักควบคู่กับข้อจำกัด Cradle ระบุว่าแพลตฟอร์มปรับคุณสมบัติที่กำหนดให้เหมาะสมไปพร้อมกัน จัดการข้อแลกเปลี่ยนระหว่างคุณสมบัติ และประเมินความน่าจะเป็นที่จะบรรลุวัตถุประสงค์แต่ละข้อก่อนทำการทดสอบ พร้อมทั้งแจ้งเตือนเมื่อเป้าหมายไม่สมจริง นอกจากนี้ ยังสามารถให้คะแนนเพลตของผู้สมัครโดยใช้โมเดลที่ฝึกแล้วก่อนสังเคราะห์และใช้งบประมาณทดสอบ โดยคำนวณอัตราการได้สารตั้งต้นที่คาดการณ์ไว้ การกระจายคะแนนของแต่ละวัตถุประสงค์ และประมาณศักยภาพในการปรับปรุงที่ยังเหลืออยู่ การคาดการณ์เหล่านี้ช่วยประกอบการตัดสินใจว่าจะดำเนินการ ออกแบบใหม่ หรือยุติรอบนั้น

นักวิทยาศาสตร์เข้าถึงระบบได้ผ่านเว็บแอปพลิเคชันแบบไม่ต้องเขียนโค้ด ส่วนทีมเชิงคำนวณเข้าถึงได้ผ่าน API ทีมวิจัยสามารถตรวจสอบตัวแปร เปรียบเทียบการกลายพันธุ์ และวางการออกแบบของตนเองไว้บนเพลตเดียวกับผู้สมัครที่ Cradle สร้างขึ้นได้ การออกแบบจากภายนอกเหล่านั้นจะได้รับการให้คะแนนด้วยเกณฑ์เดียวกัน และกลายเป็นข้อมูลสำหรับฝึกโมเดลในรอบต่อ ๆ ไป จึงเปิดทางให้สมมติฐานของนักวิทยาศาสตร์เองมีอิทธิพลต่อโมเดล

ผู้บริหารเน้นย้ำว่าการค้นพบต้องนำโดยนักวิทยาศาสตร์

Alistair Henry ประธานเจ้าหน้าที่ฝ่ายวิทยาศาสตร์ของ UCB เรียก AI ว่าเป็น“ตัวทวีพลังทางวิทยาศาสตร์” ซึ่งควรช่วยเสริมความเชี่ยวชาญของมนุษย์ในด้านชีววิทยา เคมี และการวิจัยเพื่อการประยุกต์ใช้ทางการแพทย์ แทนที่จะนำ AI มาใช้เพียงเพื่อให้ได้ชื่อว่าใช้ AI เขากล่าวว่า การผสานการสร้างแบบจำลองเชิงพยากรณ์เข้ากับการตรวจสอบยืนยันในห้องปฏิบัติการอาจช่วยออกแบบโมเลกุลที่ดีขึ้น เร่งการเรียนรู้ และทำให้ผู้ป่วยเข้าถึงยารักษาโรคคุณภาพสูงได้เร็วขึ้น

Stef van Grieken ประธานเจ้าหน้าที่บริหารและผู้ร่วมก่อตั้ง Cradle กล่าวว่า AI จะสร้างผลกระทบสูงสุดต่อการวิจัยและพัฒนาชีววัตถุ (R&D) เมื่อขยายขอบเขตจากการทดลองหรือโครงการแต่ละรายการ และกลายเป็นส่วนหนึ่งของวิธีทำงานของนักวิทยาศาสตร์ทั่วทั้งองค์กรที่ทำงานด้านการค้นพบ ภายใต้วิสัยทัศน์นี้ นักวิทยาศาสตร์ของ UCB จะได้ใช้แพลตฟอร์มร่วมกันในโครงการต่าง ๆ มากขึ้น ครอบคลุมรูปแบบการรักษาหลากหลายและความท้าทายด้านวิศวกรรมที่ซับซ้อนทั่วทั้งสายการพัฒนาชีวบำบัดของบริษัท แม้ว่าการนำไปใช้ตามข้อตกลงอย่างเป็นทางการจะครอบคลุมเฉพาะโครงการค้นหาบางโครงการก็ตาม

ความร่วมมือนี้เชื่อมโยงเป้าหมายดังกล่าวเข้ากับการเรียนรู้จากการทดลองซ้ำอย่างต่อเนื่อง โดยผลการทดสอบแต่ละครั้งช่วยปรับปรุงการออกแบบในรอบถัดไปให้ดีขึ้น ขณะที่นักวิทยาศาสตร์ยังคงรับผิดชอบการตัดสินใจเกี่ยวกับผู้สมัคร สำหรับ UCB สิ่งที่จะพิสูจน์ผลในทางปฏิบัติคือวงจรเหล่านี้จะช่วยให้ได้แอนติบอดีที่ตอบโจทย์ด้านการจับกับเป้าหมาย ความเสถียร ความสามารถในการผลิต และความพร้อมต่อการพัฒนาไปพร้อมกัน และก้าวสู่ความพร้อมสำหรับการทดลองก่อนคลินิกได้หรือไม่