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

Machine-Learning Frameworks for Metal-Ligand Modelling: Applications in Catalysis and Drug Design

Description du projet

Une modélisation précise des interactions métal–ligand en solution

La mise au point de médicaments efficaces et de produits chimiques durables repose sur la compréhension des interactions entre les molécules, en particulier celles des complexes métalliques présents dans les catalyseurs et les enzymes. Cependant, prédire le comportement de ces molécules dans des liquides réels reste un défi scientifique de taille. Le projet ML4MetaLigM, financé par le CER, s’attachera à résoudre ce problème en développant des modèles avancés d’apprentissage automatique permettant de simuler ces interactions avec une précision sans précédent. En comblant le fossé entre les simulations informatiques et les expériences en laboratoire, il étudiera comment les molécules s’auto-assemblent et facilitera la mise au point de nouveaux catalyseurs. À terme, ce projet vise à favoriser des avancées décisives dans la découverte de médicaments, notamment dans la lutte contre la résistance aux antimicrobiens, et à soutenir la conception de systèmes chimiques plus intelligents et plus efficaces pour l’avenir.

Objectif

Understanding molecular structure, reactivity, and dynamics is essential for advancing catalyst design, drug discovery, and sustainable synthesis. Molecular function arises from the interactions between molecules and their surroundings, which involve a wide range of intermolecular interactions. Among these, metal-ligand interactions stand out due to their tunability. These interactions are key in homogeneous catalysts, supramolecular assemblies, and enzymes. However, accurately modelling them in solution remains challenging, particularly for flexible systems or where solvent effects are relevant. machine learning interatomic potentials (MLIPs) offer a promising avenue to surpass current limitations, but their broad applicability is hindered by challenges in representation, training costs, and transferability.

This project introduces transformative approaches for modelling metal complexes in solution, integrating method development, applications, and experimental validation. Specifically, the project will:
1. Develop MLIP training strategies to model metal complexes across diverse environments.
2. Establish quantitative modelling framework to uncover mechanisms of processes such as self-assembly and speciation; aiding the design of novel structures.
3. Explore the origin of catalysis in supramolecular cages using MLIPs and hybrid approaches, guiding the design of novel catalysts with generative models.
4. Extend these frameworks to metal-ligand interactions in biological systems to guide the design of novel inhibitors for antimicrobial resistance (AMR).
This integrative approach will deliver unparalleled precision in modelling metal complexes and enable breakthroughs in catalysis and drug discovery. Experimental validation and interdisciplinary collaboration will ensure impactful outcomes.

Champ scientifique (EuroSciVoc)

Ce projet n'a pas encore été classé par EuroSciVoc.
Proposez les domaines scientifiques qui vous semblent les plus pertinents et aidez-nous à améliorer notre service de classification.

Mots‑clés

Programme(s)

Thème(s)

Régime de financement

HORIZON-ERC - HORIZON ERC Grants

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

Appel à propositions

(s’ouvre dans une nouvelle fenêtre) ERC-2025-COG

Voir tous les projets financés au titre de cet appel

Institution d’accueil

THE CHANCELLOR, MASTERS AND SCHOLARS OF THE UNIVERSITY OF OXFORD
Contribution nette de l'UE
€ 1 994 343,00
Adresse
WELLINGTON SQUARE UNIVERSITY OFFICES
OX1 2JD Oxford
Royaume-Uni
Région
South East (England) Berkshire, Buckinghamshire and Oxfordshire Oxfordshire
Type d’activité
Higher or Secondary Education Establishments
Liens
Coût total
€ 1 994 343,00

Bénéficiaires (1)