UCB bổ sung nền tảng AI của Cradle vào các dự án khám phá kháng thể

Ngày 4 tháng 11 năm 2026, Cradle và UCB công bố hợp tác chiến lược nhằm ứng dụng nền tảng thiết kế và kỹ thuật protein bằng AI của Cradle trong một số dự án khám phá kháng thể được UCB lựa chọn, từ khâu tạo hit đến tối ưu hóa chất dẫn và chuẩn bị cho giai đoạn tiền lâm sàng.

Thỏa thuận hợp tác bổ sung hệ thống toàn diện của Cradle vào chương trình khám phá và kỹ thuật kháng thể số đang mở rộng của UCB. Chương trình này kết hợp nền tảng khám phá kháng thể hiện có của UCB với khoa học tính toán, chuyên môn về sinh học bệnh và mạng lưới các đối tác công nghệ, nghiên cứu. UCB đặt mục tiêu xác định và tối ưu hóa các ứng viên chất lượng cao nhanh hơn để điều trị những căn bệnh mà bệnh nhân vẫn cần có thêm lựa chọn tốt hơn.

Kết quả thực nghiệm được dùng để huấn luyện lại các mô hình của dự án

Khi các nhà khoa học của UCB sử dụng nền tảng, kết quả thực nghiệm sẽ được đưa trở lại để cập nhật các mô hình dành riêng cho từng chương trình. Hai công ty mô tả chu trình này là một vòng lặp học tập tích lũy, hay “phòng thí nghiệm trong vòng lặp”: kết quả từ mỗi đợt thí nghiệm trong phòng thí nghiệm sẽ định hướng nhóm thiết kế tiếp theo. Các nhà khoa học tiếp tục vận dụng chuyên môn và khả năng đánh giá của mình trong quá trình tối ưu hóa các ứng viên và xem xét tiến độ phát triển hướng tới một ứng viên tiềm năng.

Tài liệu hướng dẫn nền tảng của Cradle giải thích quy trình làm việc cốt lõi. Dữ liệu từ các phép thử được dùng để huấn luyện mô hình về khả năng thích nghi của từng protein. Kết quả tải lên từ một đĩa thử nghiệm—các thế hệ do Cradle tạo ra, thiết kế có cơ sở lý luận của một nhóm nghiên cứu hoặc sự kết hợp của cả hai—được dùng để huấn luyện lại mô hình trước vòng tiếp theo. Để tạo hit ở giai đoạn đầu, dự án có thể bắt đầu từ một trình tự đơn lẻ mà không cần dữ liệu phép thử, hoặc từ một nhóm mẫu sàng lọc nhiễu, chẳng hạn như số liệu làm giàu NGS thu được từ một chiến dịch trình bày hoặc tuyển chọn.

Thiết kế kháng thể theo nhiều đặc tính

Tài liệu về kháng thể của Cradle phân loại các mục tiêu tối ưu hóa thành khả năng liên kết, độ ổn định, khả năng sản xuất, tính sinh miễn dịch và khả năng phát triển thành thuốc. Các mục tiêu có thể đo lường bao gồm độ đặc hiệu và phản ứng chéo, độ bền nhiệt và khả năng kết tụ, hiệu suất biểu hiện, nguy cơ xuất hiện epitope tế bào T, cũng như các điểm bất lợi như khử amid hoặc oxy hóa. Điều này làm rõ cụ thể yêu cầu trong thông báo rằng các ứng viên cần được tối ưu hóa trên toàn bộ nhóm đặc tính cần thiết để thành công.

Người dùng xác định hồ sơ mục tiêu của ứng viên bằng cách đặt ra một mục tiêu chính cùng các ràng buộc. Cradle cho biết nền tảng tối ưu hóa song song các đặc tính được chỉ định, quản lý các đánh đổi và ước tính xác suất đáp ứng từng mục tiêu trước khi tiến hành phép thử, đồng thời cảnh báo về những mục tiêu thiếu thực tế. Trước khi tổng hợp và chi tiền cho phép thử, người dùng cũng có thể chấm điểm một đĩa ứng viên dựa trên mô hình đã huấn luyện để thu được tỷ lệ hit dự kiến, phân bố điểm cho từng mục tiêu và ước tính dư địa cải thiện còn lại. Những dự báo này hỗ trợ quyết định tiếp tục thực hiện, thiết kế lại hay dừng một vòng.

Các nhà khoa học có thể sử dụng hệ thống thông qua ứng dụng web không cần viết mã, còn các nhóm tính toán có thể truy cập bằng API. Các nhóm nghiên cứu có thể kiểm tra các biến thể, so sánh đột biến và đưa thiết kế của riêng mình vào cùng đĩa với các ứng viên do Cradle tạo ra. Những thiết kế bên ngoài này được chấm điểm theo cùng một tiêu chí và trở thành dữ liệu huấn luyện cho các vòng tiếp theo, nhờ đó giả thuyết của chính các nhà khoa học vẫn có thể tác động đến mô hình.

Lãnh đạo nhấn mạnh vai trò chủ động của nhà khoa học trong khám phá

Giám đốc khoa học của UCB, Alistair Henry, gọi AI là một “công cụ khuếch đại sức mạnh khoa học”, có vai trò tăng cường chuyên môn của con người trong các lĩnh vực sinh học, hóa học và nghiên cứu chuyển dịch, thay vì được theo đuổi chỉ vì bản thân công nghệ. Ông cho biết việc kết hợp mô hình dự đoán với xác thực trong phòng thí nghiệm có thể giúp thiết kế các phân tử tốt hơn, đẩy nhanh quá trình học hỏi và sớm đưa các liệu pháp chất lượng cao đến với bệnh nhân.

Tổng giám đốc điều hành kiêm đồng sáng lập Cradle, Stef van Grieken, cho biết AI sẽ tạo ra tác động lớn nhất đối với hoạt động R&D dược phẩm sinh học khi được ứng dụng vượt ra ngoài từng thí nghiệm hoặc chương trình riêng lẻ, trở thành một phần trong cách các nhà khoa học làm việc trên toàn bộ tổ chức nghiên cứu khám phá. Theo tầm nhìn đó, các nhà khoa học của UCB có được một nền tảng chung để triển khai nhiều chương trình hơn, nhiều phương thức điều trị hơn và giải quyết các thách thức kỹ thuật phức tạp trên toàn bộ danh mục liệu pháp sinh học của công ty, dù phạm vi triển khai chính thức chỉ bao gồm một số dự án khám phá được lựa chọn.

Thỏa thuận hợp tác gắn tham vọng đó với quá trình học hỏi thông qua các thí nghiệm lặp lại: mỗi phép thử có thể giúp cải thiện vòng thiết kế tiếp theo, trong khi các nhà khoa học vẫn chịu trách nhiệm đưa ra quyết định về ứng viên. Đối với UCB, phép thử thực tế là liệu những chu trình này có tạo ra kháng thể đồng thời đáp ứng các yêu cầu về khả năng liên kết, độ ổn định, khả năng sản xuất và khả năng phát triển thành thuốc, cũng như tiến gần hơn đến giai đoạn tiền lâm sàng hay không.