Projektbeschreibung
Ein neuartiges Rahmenwerk für effiziente Peptidkoassemblierungs-Vorhersagen
In jüngster Zeit ist das Interesse an supramolekularer Selbstorganisation gewachsen, was insbesondere für die Peptidkoassemblierung aus mehreren Komponenten gilt. Diese Technologie gilt als äußerst vielversprechend für die materialbasierte Industrie, da sie den funktionalen Nutzen von Materialien auf Peptidbasis erhöht. Das Verständnis der Komplexität peptidbasierter Materialien und die Vorhersage der Strukturen bei Koassemblierung stellten jedoch große Hindernisse für die Weiterentwicklung dieser Technologie dar. Das EU-finanzierte Projekt SupraModel zielt darauf ab, ein effizientes und schnelles Rahmenwerk für die Vorhersage von Peptidkoassemblierungsstrukturen zu entwickeln und gleichzeitig Einblicke in den Koassemblierungsprozess zu geben. Mit diesem Projekt werden neue Gestaltungsregeln zur Verbesserung der Effizienz zukünftiger Projekte aufgestellt.
Ziel
Supramolecular self-assembly is a fundamental process abundantly utilized by nature and emerging functional materials technologies ranging from drug delivery to soft semiconductor devices. Recently, an increased focus has been placed on the multicomponent peptide co-assembly as they often display unique emergent properties that can dramatically expand the functional utility of peptide-based materials. Still, the full potential is hindered by the combinatorial complexity of peptide-based materials and our inability to predict the co-assembled structures and, therefore, properties and functionality. Machine Learning models built on top of Molecular Dynamics simulations are ideally suited to decipher the co-assembly behavior. However, the existing molecular models either suffer from severe approximations disabling them to give accurate predictions or are computationally too expensive to transverse the material space. Addressing this trade-off, I aim to develop a computational framework for fast and accurate peptide co-assembly prediction using as a key strategy a multiscale construction of Graph Neural Network-based models that can predict the peptide co-assembly. This innovative approach will enable me to reach the following objectives: (1) obtain unprecedented molecular insight into the peptide co-assembly process inaccessible to experiments, (2) uncover novel candidate materials, and (3) provide rational design rules for multicomponent peptide-based supramolecular materials. In a broader context, increased insight into cooperative behavior will bring us closer to understanding and ultimately synthetically replicating the exceptional functionality of living systems, while the methodological advancements of data-driven molecular modeling will be of paramount importance in other areas of biomaterial engineering and beyond.
Wissenschaftliches Gebiet
Schlüsselbegriffe
Programm/Programme
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Thema/Themen
Finanzierungsplan
HORIZON-ERC - HORIZON ERC GrantsGastgebende Einrichtung
80333 Muenchen
Deutschland