Skip to main content
Aller à la page d’accueil de la Commission européenne (s’ouvre dans une nouvelle fenêtre)
français français
CORDIS - Résultats de la recherche de l’UE
CORDIS

Peptide-based Supramolecular Co-assembly Design: Multiscale Machine Learning Modeling Approach

Description du projet

Un nouveau cadre pour des prédictions efficaces de co-assemblage de peptides

L’auto-assemblage supramoléculaire, en particulier le co-assemblage peptidique multicomposant, suscite depuis peu un intérêt croissant. Cette technologie est très prometteuse pour les industries basées sur les matériaux, car elle améliore l’utilité fonctionnelle des matériaux à base de peptides. Toutefois, la compréhension de la complexité des matériaux à base de peptides et la prédiction des structures des co-assemblages ont constitué des obstacles majeurs à l’avancement de cette technologie. Le projet SupraModel, financé par l’UE, entend développer un cadre efficace et rapide permettant de prédire les structures de co-assemblage de peptides tout en fournissant des informations sur le processus de co-assemblage. Ce projet établira de nouvelles règles de conception afin d’améliorer l’efficacité des futurs projets.

Objectif

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.

Champ scientifique (EuroSciVoc)

CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: Le vocabulaire scientifique européen.

Vous devez vous identifier ou vous inscrire pour utiliser cette fonction

Mots‑clés

Les mots-clés du projet tels qu’indiqués par le coordinateur du projet. À ne pas confondre avec la taxonomie EuroSciVoc (champ scientifique).

Programme(s)

Programmes de financement pluriannuels qui définissent les priorités de l’UE en matière de recherche et d’innovation.

Thème(s)

Les appels à propositions sont divisés en thèmes. Un thème définit un sujet ou un domaine spécifique dans le cadre duquel les candidats peuvent soumettre des propositions. La description d’un thème comprend sa portée spécifique et l’impact attendu du projet financé.

Régime de financement

Régime de financement (ou «type d’action») à l’intérieur d’un programme présentant des caractéristiques communes. Le régime de financement précise le champ d’application de ce qui est financé, le taux de remboursement, les critères d’évaluation spécifiques pour bénéficier du financement et les formes simplifiées de couverture des coûts, telles que les montants forfaitaires.

HORIZON-ERC - HORIZON ERC Grants

Voir tous les projets financés dans le cadre de ce programme de financement

Appel à propositions

Procédure par laquelle les candidats sont invités à soumettre des propositions de projet en vue de bénéficier d’un financement de l’UE.

(s’ouvre dans une nouvelle fenêtre) ERC-2022-STG

Voir tous les projets financés au titre de cet appel

Institution d’accueil

TECHNISCHE UNIVERSITAET MUENCHEN
Contribution nette de l'UE

La contribution financière nette de l’UE est la somme d’argent que le participant reçoit, déduite de la contribution de l’UE versée à son tiers lié. Elle prend en compte la répartition de la contribution financière de l’UE entre les bénéficiaires directs du projet et d’autres types de participants, tels que les participants tiers.

€ 1 474 182,00
Adresse
Arcisstrasse 21
80333 Muenchen
Allemagne

Voir sur la carte

Région
Bayern Oberbayern München, Kreisfreie Stadt
Type d’activité
Higher or Secondary Education Establishments
Liens
Coût total

Les coûts totaux encourus par l’organisation concernée pour participer au projet, y compris les coûts directs et indirects. Ce montant est un sous-ensemble du budget global du projet.

€ 1 474 182,50

Bénéficiaires (1)

Mon livret 0 0