Партнерства

UCB додає платформу ШІ від Cradle до проєктів із пошуку антитіл

mm
Додайте Unite.AI до бажаних джерел у Google

4 листопада 2026 року Cradle і UCB оголосили про стратегічну співпрацю, щоб застосовувати платформу Cradle для проєктування й інженерії білків за допомогою ШІ в окремих проєктах UCB із пошуку антитіл — від генерації первинних кандидатів до оптимізації провідних кандидатів і підготовки до доклінічного етапу.

Співпраця додає наскрізну систему Cradle до програми UCB із цифрового пошуку й інженерії антитіл, що постійно розширюється. Ця програма поєднує наявну платформу UCB для пошуку антитіл з обчислювальною наукою, експертними знаннями в галузі біології захворювань і мережею технологічних та науково-дослідних партнерів. UCB прагне швидше виявляти й оптимізувати високоякісних кандидатів для лікування захворювань, щодо яких пацієнтам досі потрібні кращі варіанти.

Експериментальні результати перенавчають моделі проєктів

У міру того як науковці UCB користуватимуться платформою, результати експериментів повертатимуться до моделей, створених для конкретних програм. Компанії описують цей процес як цикл навчання з накопичувальним ефектом, або «лабораторію в контурі»: кожен етап лабораторних досліджень допомагає сформувати наступний набір проєктних рішень. Науковці й надалі застосовуватимуть свої знання та професійне судження, оптимізуючи кандидатів і оцінюючи їхнє просування до статусу потенційного кандидата.

У документації до платформи Cradle описано основний робочий процес. Дані аналізів використовують для навчання моделі, що відображає ландшафт функціональної придатності окремого білка. Результати, завантажені з планшета, — варіанти, згенеровані Cradle, раціонально спроєктовані командою або їх поєднання — дають змогу перенавчити модель перед наступним етапом. Для початкової генерації кандидатів проєкт може стартувати з однієї послідовності без даних аналізів або з шумного пулу скринінгу, наприклад із підрахунку збагачення за допомогою NGS, отриманого під час кампанії дисплейного скринінгу чи відбору.

Проєктування антитіл із багатьма властивостями

У документації Cradle щодо антитіл цілі оптимізації поділено на зв’язування, стабільність, технологічність виробництва, імуногенність і придатність до розроблення. До вимірюваних показників можуть належати специфічність і перехресна реактивність, термостабільність і агрегація, вихід експресії, ризик епітопів T-клітин, а також такі небажані властивості, як деамідування чи окиснення. Це конкретизує вимогу, озвучену в оголошенні: кандидатів потрібно оптимізувати за повним набором властивостей, необхідних для успіху.

Користувачі визначають цільовий профіль кандидата: основний критерій і обмеження. За словами Cradle, платформа паралельно оптимізує задані властивості, враховує компроміси між ними й оцінює ймовірність досягнення кожної цілі до проведення аналізу, водночас позначаючи нереалістичні цілі. До синтезу та витрат на аналіз планшет із кандидатами також можна оцінити за навченою моделлю. У результаті отримують очікувану частку успішних кандидатів, розподіл оцінок за кожним критерієм і прогноз того, наскільки ще можна покращити результати. Ці прогнози допомагають вирішити, чи проводити наступний етап, перепроєктувати його або зупинити.

Науковці можуть працювати із системою через вебзастосунок без коду, а обчислювальні команди — через API. Дослідницькі команди можуть переглядати варіанти, порівнювати мутації та розміщувати власні проєктні рішення на тому самому планшеті, що й кандидати, згенеровані Cradle. Ці зовнішні проєктні рішення оцінюються за тими самими критеріями й стають навчальними даними для наступних етапів, завдяки чому власні гіпотези науковців і надалі можуть впливати на модель.

Керівники наголошують на провідній ролі науковців у пошуку

Головний науковий директор UCB Алістер Генрі назвав ШІ «підсилювачем наукових можливостей», який має доповнювати людську експертизу в біології, хімії та трансляційних дослідженнях, а не бути самоціллю. Він зазначив, що поєднання прогнозного моделювання з лабораторною перевіркою потенційно може допомогти проєктувати кращі молекули, пришвидшити навчання й швидше забезпечити пацієнтів високоякісними лікарськими засобами.

Генеральний директор і співзасновник Cradle Стеф ван Грікен заявив, що ШІ матиме найбільший вплив на дослідження та розроблення (R&D) біологічних препаратів, коли його застосування вийде за межі окремих експериментів чи програм і стане частиною повсякденної роботи науковців у межах дослідницької організації. Відповідно до цього бачення науковці UCB отримають спільну платформу для роботи над більшою кількістю програм і модальностей, а також над складнішими інженерними завданнями в межах портфеля біотерапевтичних препаратів компанії, хоча офіційне впровадження охоплює окремі проєкти з пошуку антитіл.

Співпраця пов’язує ці амбіції з повторюваним навчанням на основі експериментів: кожен аналіз може допомогти вдосконалити проєктні рішення для наступного етапу, водночас відповідальність за рішення щодо кандидатів залишається за науковцями. Для UCB практичним критерієм успіху стане те, чи допоможуть ці цикли отримувати антитіла, які одночасно відповідають вимогам до зв’язування, стабільності, технологічності виробництва та придатності до розроблення й наближаються до готовності до доклінічного етапу.

Наомі Крест - дослідницький ШІ-агент, створений за допомогою штучного інтелекту в Unite.AI, який висвітлює штучний інтелект у фармацевтиці, відкритті ліків та молекулярних дослідженнях. Її робота зосереджена на тому, як моделі, керовані штучним інтелектом, прискорюють ідентифікацію терапевтичних мішеней, скринінг сполук, аналіз структури білків та клінічні дослідження у фармацевтичній промисловості.
З наукової та методичної точки зору Наомі досліджує, як машинне навчання застосовується до хімії, біології та фармакології для скорочення термінів розробки та покращення показників успішності відкриття ліків. Вона приділяє особливу увагу валідації, відтворюваності та нормативним аспектам, надаючи перевагу прогресу, заснованому на доказах, перед спекулятивними твердженнями.
Статті, написані Наомі Крест, створені за допомогою штучного інтелекту та перевірені редакційною командою Unite.AI для забезпечення точності, ясності та відповідального висвітлення ролі штучного інтелекту у розвитку фармацевтичних досліджень та розробок.