Cradle

cradle.bio ist eine KI-Plattform für Protein-Engineering, die aus experimentellen Daten lernt, Proteinkandidaten erzeugt und mehrere Eigenschaften gleichzeitig optimiert.

🛡️ Datenschutz: Anbieter mit Sitz in den Niederlanden und der Schweiz (Amsterdam und Zürich laut Webseite). Der Anbieter nennt SOC-2-Konformität und Single Sign-On; Kundendaten sollen nur die eigenen, kundenspezifischen Modelle trainieren und nicht für andere Kunden genutzt werden. Ein öffentlich einsehbarer AVV/DPA, der genaue Hosting-Standort und eine ISO-27001-Zertifizierung sind auf der Startseite nicht dokumentiert; für personenbezogene Daten sollte vorab ein AVV geprüft werden.

Das Tool richtet sich an Forschungsteams in Biopharma, Industriebiologie und Wissenschaft, die Antikörper, Enzyme, Peptide oder Impfstoffkandidaten mit weniger Laborexperimenten verbessern wollen.

Tool-Details & Features

💰 Preise: Abo-Modell als Software-Gebühr ohne Lizenzabgaben auf Ergebnisse; konkrete Konditionen nicht öffentlich, für Hochschulen gibt es laut Webseite ein eigenes Programm.

⚙️ Technik: Maschinelles Lernen auf Basis der eigenen Messdaten, das Sequenzvarianten vorschlägt und mehrere Zieleigenschaften gleichzeitig berücksichtigt.

👥 Zielgruppe: Biopharma-Unternehmen, Industrie-Biotechnologie (z. B. Lebensmittelzutaten, Agrarlösungen) und akademische Labore.

🔗 Integrationen: Single Sign-On über Google und Microsoft; weitere Schnittstellen sind auf der Startseite nicht beschrieben.

📊 Funktionen: Erzeugung von Proteinkandidaten, Optimierung mehrerer Eigenschaften gleichzeitig, kundenspezifische Modelle aus eigenen Experimentdaten, Unterstützung für Antikörper, Enzyme, Peptide und Impfstoffe.

Vor- & Nachteile

✅ Vorteile: Eigentum am geistigen Eigentum bleibt laut Anbieter beim Kunden; Trainingsdaten fließen nur in die eigenen Modelle.

❌ Nachteile: Keine öffentliche Preisangabe und kein offener Zugang zum Ausprobieren; Ergebnisse hängen von Menge und Qualität der eigenen Labordaten ab.

Für wen geeignet?

Perfekt für Biotech- und Pharmateams, die Proteine datengestützt optimieren und dabei die Datenhoheit behalten wollen.