Explainable AI for Molecules - AiChemist

Informations projet

AiChemist

N° de convention de subvention: 101120466

DOI

10.3030/101120466

Date de signature de la CE 14 Juillet 2023

Date de début 1 Septembre 2023

Date de fin 31 Août 2027

Financé au titre de

• Marie Skłodowska-Curie Actions (MSCA)

Coût total

Aucune donnée

Contribution de l’UE

€ 3 028 356,00

Coordonné par

HELMHOLTZ ZENTRUM MUENCHEN DEUTSCHES FORSCHUNGSZENTRUM FUER GESUNDHEIT UND UMWELT GMBH
Germany

CORDIS fournit des liens vers les livrables publics et les publications des projets HORIZON.

Les liens vers les livrables et les publications des projets du 7e PC, ainsi que les liens vers certains types de résultats spécifiques tels que les jeux de données et les logiciels, sont récupérés dynamiquement sur OpenAIRE .

Livrables

Documents, reports (6)

Minutes of the kick-off meeting

Kick-off meeting is organised

Communication and public engagement

Report summarises the communications and public engagement activities with a goal to identify potential gaps (if any)

WS2 school

School report

WS1 school

School report

Cardiotoxicity modelling

Development of explainable model for cardiotoxicity used as a common benchmark

XAI approaches for toxicity

Overview of XAI methods which are consistent with human interpretation of toxicity

Websites, patent fillings, videos etc. (5)

Advertisement of positions

Positions are advertised

First newsletter

Newsletter reviewing recruitment is published

Applications started

Positions are announced and web site contains information on how to apply for all PhDs

Website

Web site of the project is publicly available

SS1 school

School report

Publications

Other (3)

Tox24 Challenge

Auteurs: Tetko, Igor V.
Publié dans: Chemical Research in Toxicology, 2024
DOI: 10.1021/ACS.CHEMRESTOX.4C00192

Advanced machine learning for innovative drug discovery

Auteurs: Igor V. Tetko; Djork-Arné Clevert
Publié dans: Journal of Cheminformatics, 2025
DOI: 10.1186/S13321-025-01061-W

Advancing Human and Environmental Safety Science Using <i>In Silico</i> Methods

Auteurs: Alessandra Roncaglioni, Simona Kovarich, Kamel Mansouri, Igor V. Tetko
Publié dans: Chemical Research in Toxicology, Numéro 38, 2025, ISSN 0893-228X
Éditeur: American Chemical Society (ACS)
DOI: 10.1021/ACS.CHEMRESTOX.5C00293

Peer reviewed articles (9)

NanoToxRadar: A Multitarget Nano-QSAR Model for Predicting the Cytotoxicity Values of Multicomponent Nanoparticles

Auteurs: Jaehyeon Park, Shahzad Rashid, Helena Copsey, Lang Tran, Alex Zabeo, Danail Hristozov, Giorgos P. Gakis, Costas Charitidis, Seokjoo Yoon, Hyun Kil Shin
Publié dans: ACS Nanoscience Au, Numéro 5, 2025, ISSN 2694-2496
Éditeur: American Chemical Society (ACS)
DOI: 10.1021/ACSNANOSCIENCEAU.5C00035

Benchmarking explainable AI methods for toxicophore detection and toxicity prediction

Auteurs: Dina Khasanova, Igor V. Tetko
Publié dans: Digital Discovery, Numéro 5, 2026, ISSN 2635-098X
Éditeur: Royal Society of Chemistry (RSC)
DOI: 10.1039/D5DD00576K

Beyond Molecular Structures: Investigating Demographic Factors in Drug-Induced Cardiotoxicity Prediction Models

Auteurs: Mateusz Iwan, Alessandra Roncaglioni, Francesca Grisoni
Publié dans: Journal of Chemical Information and Modeling, Numéro 66, 2026, ISSN 1549-9596
Éditeur: American Chemical Society (ACS)
DOI: 10.26434/CHEMRXIV.10001782/V1

Towards the explainability of protein language models

Auteurs: Andrea Hunklinger, Noelia Ferruz
Publié dans: Nature Machine Intelligence, Numéro 8, 2026, ISSN 2522-5839
Éditeur: Springer Science and Business Media LLC
DOI: 10.48550/ARXIV.2506.19532

Predicting reaction conditions: a data-driven perspective

Auteurs: Matthew Ball, Dragos Horvath, Thierry Kogej, Mikhail Kabeshov, Alexandre Varnek
Publié dans: Chemical Science, Numéro 16, 2025, ISSN 2041-6520
Éditeur: Royal Society of Chemistry (RSC)
DOI: 10.26434/CHEMRXIV-2025-VC6TV

Exploring reaction condition space with expert-informed representation learning

Auteurs: Matthew Ball, Felix Andreas Faber, Cassie Pratley, Thierry Kogej, Dragos Horvath, Alexandre Varnek, Giulia Bergonzini, Christof Martin Jäger, Mikhail Kabeshov
Publié dans: Digital Discovery, 2026, ISSN 2635-098X
Éditeur: Royal Society of Chemistry
DOI: 10.26434/CHEMRXIV.15001054/V2

BONAFIDE: a Python framework for the calculation of local features for atoms and bonds in molecules

Auteurs: Lukas M. Sigmund, Michele Assante, Matthew Ball, Mikhail Kabeshov
Publié dans: Journal of Cheminformatics, Numéro 18, 2026, ISSN 1758-2946
Éditeur: Springer Science and Business Media LLC
DOI: 10.26434/CHEMRXIV.15001386/V1

MolEncoder: towards optimal masked language modeling for molecules

Auteurs: Fabian P. Krüger, Nicklas Österbacka, Mikhail Kabeshov, Ola Engkvist, Igor Tetko
Publié dans: Digital Discovery, 2025, ISSN 2635-098X
Éditeur: Royal Society of Chemistry (RSC)
DOI: 10.1039/D5DD00369E

25 Years of CardiacIon Channel QSAR: From hERG Dominanceto Multi-Channel Modeling

Auteurs: Mateusz Iwan, Francesca Grisoni, Anastasia Pentina, Marina Garcia de Lomana, Alessandra Roncaglioni
Publié dans: Journal of Chemical Information and Modeling, Numéro 66, 2026, ISSN 1549-9596
Éditeur: American Chemical Society (ACS)
DOI: 10.26434/CHEMRXIV.15004509/V2

Conference proceedings (4)

Uni-Mol Docking V2: Towards Realistic and Accurate Binding Pose Prediction

Auteurs: Eric Alcaide, Zhifeng Gao, Guolin Ke, Yaqi Li, Linfeng Zhang, Hang Zheng, Gengmo Zhou
Publié dans: Lecture Notes in Computer Science, Artificial Neural Networks and Machine Learning. ICANN 2025 International Workshops and Special Sessions, 2025
Éditeur: Springer Nature Switzerland
DOI: 10.48550/ARXIV.2405.11769

MolEncoder: Improved Masked Language Modeling for Molecules

Auteurs: Fabian P. Krüger, Nicklas Österbacka, Mikhail Kabeshov, Ola Engkvist, Igor Tetko
Publié dans: Lecture Notes in Computer Science, Artificial Neural Networks and Machine Learning. ICANN 2025 International Workshops and Special Sessions, 2025
Éditeur: Springer Nature Switzerland
DOI: 10.26434/CHEMRXIV-2025-H4W9D

RADLADS: Rapid Attention Distillation to Linear Attention Decoders at Scale

Auteurs: Daniel Goldstein, Eric Alcaide, Janna Lu, Eugene Cheah
Publié dans: arXiv
Éditeur: Cornell University
DOI: 10.48550/ARXIV.2505.03005

CP-BG-1M: A CONTROLLED MULTI-VIEW BENCH- MARK FOR DENSITY AND BACKGROUND SHORTCUTS IN MORPHOLOGY PROFILING

Auteurs: Tim Treis, Nikita Moshkov, Ghaith Mqawass, Fabian J. Theis
Publié dans: MLGenX Workshop, ICLR 2026, 2026
Éditeur: OpenReview.net
DOI: 10.5281/ZENODO.23564846