UCB将Cradle的人工智能平台引入抗体发现项目

Cradle与UCB于2026年11月4日宣布达成战略合作，将在UCB选定的抗体发现项目中应用Cradle的人工智能蛋白质设计与工程平台，涵盖从命中物生成到先导物优化及临床前就绪的各个阶段。

此次合作将Cradle的端到端系统纳入UCB不断拓展的数字化抗体发现与工程计划。该计划将UCB现有的抗体发现平台与计算科学、疾病生物学专业知识，以及由技术和研究合作伙伴组成的网络结合起来。UCB旨在更快地识别和优化高质量候选分子，以应对患者仍缺乏更好治疗选择的疾病。

实验结果用于重新训练项目模型

随着UCB科学家使用该平台，实验结果将反馈到针对具体项目的模型中。两家公司将由此形成的循环称为“累积式学习闭环”，也称“实验室在环”：每一轮实验室证据都会为下一批设计提供参考。在优化候选分子并评估其向潜在候选药物推进的进展时，科学家仍会运用自身的专业知识和判断力。

Cradle的平台文档介绍了其底层工作流程。检测数据会用于训练模型，使其描绘单个蛋白质的适应度景观。每一轮结束后上传的板上结果——无论是Cradle生成的候选、团队理性设计的分子，还是二者的组合——都会在下一轮开始前用于重新训练该模型。在早期命中物生成阶段，项目可以从单条序列起步，无需检测数据；也可以从噪声较大的筛选池起步，例如展示或筛选活动产生的NGS富集计数。

多属性抗体设计

Cradle的抗体文档将优化目标归纳为结合能力、稳定性、可制造性、免疫原性和可开发性。可量化的目标包括特异性和交叉反应性、热稳定性和聚集、表达产量、T细胞表位风险，以及脱酰胺或氧化等潜在问题。这具体说明了公告中所提出的要求：候选分子应针对成功所需的全部属性进行优化。

用户将目标候选分子特征定义为一项主要目标和若干约束条件。Cradle表示，该平台会并行优化指定属性、处理各项指标之间的权衡，并在进行检测前估算每项目标的达成概率，同时标记不切实际的目标。在进行合成和检测投入之前，还可以使用训练好的模型为候选分子板评分，得出预期命中率、各项目标的分数分布，以及剩余优化空间的估计值。这些预测有助于决定继续实验、重新设计，还是停止这一轮。

科学家可通过无代码网页应用使用该系统，计算团队则可通过API访问。研究团队可以检查变体、比较突变，并将自己的设计与Cradle生成的候选分子放在同一块板上。这些外部设计会按照相同标准评分，并成为后续轮次的训练信号，从而保留科学家以自身假设影响模型的途径。

高管强调由科学家主导发现过程

UCB首席科学官Alistair Henry称，人工智能是“科学研究的力量倍增器”，应当增强人类在生物学、化学和转化研究领域的专业能力，而非为了追求人工智能本身而采用它。他表示，将预测建模与湿实验验证结合起来，有望帮助设计更好的分子、加快学习进程，并让高质量疗法更早惠及患者。

Cradle首席执行官兼联合创始人Stef van Grieken表示，人工智能要在生物药研发中发挥最大影响，就必须超越单项实验或单个项目，融入科学家在整个发现组织中的工作方式。在这一愿景下，UCB科学家将获得一个通用平台，支持公司生物治疗产品研发管线中的更多项目、更多类型的治疗方式，以及更复杂的工程挑战；不过，正式部署范围仍仅限于选定的发现项目。

此次合作将这一目标与反复实验、持续学习联系起来：每次检测都能让下一轮设计更加完善，同时候选分子的决策责任仍由科学家承担。对UCB而言，实际检验标准是，这些循环能否产出同时满足结合能力、稳定性、可制造性和可开发性要求，并朝临床前就绪阶段推进的抗体。