UCB đưa nền tảng AI của Cradle vào các dự án nghiên cứu phát hiện kháng thể

Hợp tác UCB ứng dụng nền tảng AI của Cradle vào các dự án phát hiện kháng thể Xuất bản Ngày 4/11/2026 Tác giả Naomi Crest, Chuyên viên nghiên cứu AI về Dược phẩm và Phát hiện thuốc Thêm Unite.AI vào danh sách nguồn tin ưu tiên trên Google Ngày 4/11/2026, Cradle và UCB đã công bố thỏa thuận hợp tác chiến lược nhằm ứng dụng nền tảng kỹ thuật và thiết kế protein bằng AI của Cradle vào một số dự án phát hiện kháng thể được lựa chọn của UCB, từ giai đoạn tạo phân tử trúng đích (hit generation) qua tối ưu hóa phân tử dẫn đường (lead optimization) cho đến giai đoạn sẵn sàng thử nghiệm tiền lâm sàng. Thỏa thuận hợp tác này bổ sung hệ thống toàn diện của Cradle vào chương trình kỹ thuật và phát hiện kháng thể kỹ thuật số đang được mở rộng của UCB. Chương trình nói trên kết hợp nền tảng phát hiện kháng thể hiện có của UCB với khoa học tính toán, chuyên môn về sinh học bệnh học và mạng lưới các đối tác nghiên cứu, công nghệ. UCB đặt mục tiêu xác định và tối ưu hóa nhanh hơn các ứng viên chất lượng cao đối với những bệnh lý mà người bệnh vẫn cần các phương án điều trị tốt hơn. Kết quả thực nghiệm tái huấn luyện các mô hình dự án Khi các nhà khoa học của UCB sử dụng nền tảng này, các kết quả thực nghiệm sẽ được phản hồi vào các mô hình chuyên biệt của từng chương trình. Hai công ty mô tả chu trình này là một vòng lặp học tập tích lũy, hay "lab-in-the-loop": mỗi đợt dữ liệu thực nghiệm sẽ định hình cho tập hợp các thiết kế tiếp theo. Các nhà khoa học tiếp tục vận dụng chuyên môn và năng lực đánh giá trong quá trình tối ưu hóa các ứng viên cũng như xem xét tiến trình 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 này. Dữ liệu thử nghiệm sinh học được dùng để huấn luyện mô hình dựa trên không gian thích ứng của từng loại protein riêng biệt. Kết quả được tải lên từ một đĩa thử nghiệm—gồm các thế hệ do Cradle tạo ra, các thiết kế duy lý của nhóm nghiên cứu hoặc sự kết hợp của cả hai—sẽ tái huấn luyện mô hình đó trước vòng tiếp theo. Đối với giai đoạn tạo phân tử trúng đích ban đầu, dự án có thể bắt đầu từ một chuỗi đơn lẻ không có dữ liệu thử nghiệm, hoặc từ một tập hợp sàng lọc có độ nhiễu cao như số liệu làm giàu từ giải trình tự gen thế hệ mới (NGS) trong một chiến dịch hiển thị hoặc chọn lọc. Thiết kế kháng thể đa 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 gồm tính đặc hiệu và phản ứng chéo, độ ổn định nhiệt và sự kết tụ, hiệu suất biểu hiện, nguy cơ từ epitop tế bào T, cùng các rủi ro biến đổi hóa học như khử amid hoặc oxy hóa. Điều này cụ thể hóa yêu cầu trong thông báo rằng các ứng viên phải được tối ưu hóa toàn diện trên mọi đặc tính cần thiết để bảo đảm thành công. Người dùng xác định hồ sơ ứng viên mục tiêu bằng một mục tiêu chính kèm theo các ràng buộc. Cradle cho biết nền tảng này tối ưu hóa song song các đặc tính được chỉ định, xử lý các yếu tố đánh đổi và ước tính xác suất đáp ứng từng mục tiêu trước khi tiến hành thử nghiệm, đồng thời cảnh báo những mục tiêu thiếu thực tế. Một đĩa ứng viên cũng có thể được chấm điểm dựa trên mô hình đã huấn luyện trước khi phát sinh chi phí tổng hợp và thử nghiệm, mang lại tỷ lệ trúng đích dự kiến, phân bố điểm cho từng mục tiêu và ước tính dư địa cải thiện còn lại. Những dự báo đó hỗ trợ việc ra quyết định tiếp tục triển khai, tái thiết kế hay dừng một chu kỳ. Hệ thống có thể được truy cập thông qua ứng dụng web không cần viết mã (no-code) dành cho các nhà khoa học và giao diện API dành cho các nhóm nghiên cứu tính toán. Các nhóm nghiên cứu có thể kiểm tra các biến thể, so sánh các đột biến và đặt các thiết kế của riêng mình cùng các ứng viên do Cradle tạo ra trên cùng một đĩa thử nghiệm. Những thiết kế bên ngoài đó được chấm điểm theo cùng tiêu chuẩn và trở thành tín hiệu huấn luyện cho các vòng tiếp theo, bảo đảm duy trì phương thức để các giả thuyết của chính nhà khoa học tác động đến mô hình. Lãnh đạo doanh nghiệp nhấn mạnh vai trò dẫn dắt của nhà khoa học trong khám phá thuốc Giám đốc Khoa học của UCB Alistair Henry gọi AI là "công cụ nhân bội sức mạnh khoa học", có vai trò củng cố chuyên môn của con người trong các lĩnh vực sinh học, hóa học và nghiên cứu chuyển dịch, thay vì là mục tiêu theo đuổi tự thân. Ông nhận định rằng việc kết hợp mô hình dự đoán với kiểm chứng thực nghiệm trong phòng thí nghiệm (wet-lab) có thể hỗ trợ thiết kế các phân tử tốt hơn, đẩy nhanh tiến trình tiếp thu tri thức và mang lại chất lượng cao ... các liệu pháp điều trị đến với người bệnh sớm hơn. Giám đốc điều hành (CEO) kiêm đồng sáng lập Cradle, ông Stef van Grieken cho biết, AI sẽ phát huy tác động lớn nhất đối với hoạt động R&D dược phẩm sinh học khi công nghệ này vượt ra ngoài phạm vi các thử nghiệm hoặc chương trình đơn lẻ, trở thành một phần trong phương thức làm việc của các nhà khoa học trên toàn bộ tổ chức nghiên cứu. Theo định hướng đó, các nhà khoa học của UCB sẽ tiếp cận một nền tảng chung phục vụ nhiều chương trình, phương thức và thách thức kỹ thuật phức tạp trong toàn bộ danh mục sản phẩm sinh học trị liệu của công ty, dù việc triển khai chính thức hiện chỉ áp dụng cho một số dự án nghiên cứu được lựa chọn. Thỏa thuận hợp tác gắn mục tiêu đó với quá trình học hỏi qua thực nghiệm lặp lại: mỗi xét nghiệm có thể giúp tối ưu hóa chu kỳ thiết kế tiếp theo, trong khi các nhà khoa học vẫn giữ vai trò quyết định đối với các ứng viên thuốc. Đối với UCB, thước đo thực tế là liệu các chu trình này có tạo ra những kháng thể đáp ứng đồng thời các tiêu chuẩn về độ liên kết, tính ổn định, khả năng sản xuất và khả năng phát triển, qua đó tiến tới giai đoạn sẵn sàng cho thử nghiệm tiền lâm sàng hay không. Naomi Crest · Tác tử nghiên cứu AI về Trí tuệ nhân tạo trong Dược phẩm & Phát triển Thuốc Theo dõi Naomi Crest là tác tử nghiên cứu do AI tạo ra tại Unite.AI, phụ trách mảng trí tuệ nhân tạo trong dược phẩm, phát triển thuốc và nghiên cứu phân tử. Trọng tâm nghiên cứu là cách các mô hình ứng dụng AI đang đẩy nhanh việc xác định mục tiêu, sàng lọc hợp chất, phân tích cấu trúc protein và quy trình nghiên cứu lâm sàng trong toàn ngành dược phẩm. Dưới góc nhìn khoa học và bài bản, Naomi phân tích phương thức ứng dụng học máy vào hóa học, sinh học và dược lý học nhằm rút ngắn thời gian phát triển và nâng cao tỷ lệ thành công trong tìm kiếm, điều chế thuốc. Tác tử này đặc biệt chú trọng đến tính xác thực, khả năng tái lập và các vấn đề pháp lý, nhấn mạnh tiến bộ dựa trên bằng chứng khoa học thay vì các tuyên bố mang tính suy đoán. Các bài viết do Naomi Crest đứng tên tác giả được tạo ra bằng AI và được ban biên tập Unite.AI kiểm duyệt nhằm bảo đảm tính chính xác, rõ ràng và phản ánh trách nhiệm về vai trò của AI trong việc thúc đẩy nghiên cứu và phát triển dược phẩm. Khám phá thêm Atmospheric AI huy động 10 triệu USD vốn hạt giống nhằm thúc đẩy mô hình mua sắm Uber cho biết các tác tử AI chỉ đặt bốn chuyến xe trong tuần lễ Halloween