Opis projektu
Badanie reaktywności metaloenzymów dzięki innowacyjnym metodom obliczeniowym
Mniej więcej jedną trzecią wszystkich enzymów stanowią metaloenzymy – białka z kofaktorami w postaci jonów metali. Zrozumienie mechanizmów ich działania jest istotne z punktu widzenia wielu dziedzin, takich jak medycyna, biotechnologia, kataliza i nauki o środowisku. Doskonałymi narzędziami, które mogą to umożliwić, są modele i symulacje. Jednak obecne metody obliczeniowe zostały zaprojektowane z myślą o związkach wyłącznie organicznych, a jeśli mogą uwzględnić metaloenzymy, wymagają zbyt dużej mocy obliczeniowej w przypadku symulacji dynamiki molekularnej i badań reaktywności. Dzięki wsparciu działań „Maria Skłodowska-Curie” projekt MALAMER umożliwi pokonanie tych wyzwań poprzez integrację pól siłowych uczenia maszynowego, hybrydowych metod mechaniki kwantowej i molekularnej oraz zaawansowanych technik próbkowania. Wyniki tych prac rzucą więcej światła na reaktywność metaloenzymów, wspierając rozwój katalizatorów i prace nad nowymi lekami.
Cel
Metalloenzymes play a crucial role in various biological functions, going from small molecule transportation to catalyzing essential metabolic ingredients. Understanding their reactivity is essential for advancing a broad range of fields and related industries, such as medicine, biotechnology, environmental science, and catalysis. The computational modelling of biomolecules is a pillar of new drug and catalyst design, but the common methods used for purely organic-based compounds, such as empirical force fields, cannot simply be applied in the presence of a metal centre due to their complex electronic structure. On the other hand, hybrid Quantum Mechanical/Molecular Mechanics (QM/MM) methods provide a way to study metalloenzymes, but their computational overheads prevent their large-scale use for molecular dynamics simulations and reactivity studies. The project MAchine Learning-Assisted simulation of MEtalloenzyme’s Reactivity (MALAMER), aims to revolutionize the simulation of metalloenzymes' reactivity by integrating machine-learning force fields with QM/MM methods, and advanced sampling techniques, allowing for an unprecedentedly accurate description of their activity. This innovative approach will lead to significant insights and applications in catalyst development and drug discovery, with a potential impact on several EU priority areas. The project will commence in September 2024 under the supervision of Prof. Lunghi at Trinity College Dublin, with a planned 3-month secondment at University College London to gain additional expertise in advanced sampling simulations from Prof. Salvalaglio. A comprehensive set of training, dissemination, exploitation, and communication activities are planned and they will be implemented with the help of the supervisors and Trinity College Dublin's human resources, training office, and innovation and technology transfer office.
Dziedzina nauki (EuroSciVoc)
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Aby użyć tej funkcji, musisz się zalogować lub zarejestrować
Słowa kluczowe
Program(-y)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSystem finansowania
HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European FellowshipsKoordynator
D02 CX56 Dublin
Irlandia