Projektbeschreibung
Innovative Plattform für maschinelles Lernen zur Vorhersage potenzieller Kandidaten in der Arzneimittelforschung
Die frühe Phase der Wirkstoffentdeckung hat den größten Einfluss auf die Erfolgsquote neuer Arzneimittelkandidaten. Das computergestützte Wirkstoffdesign ist das kosteneffizienteste Hilfsmittel für die Arzneimittelentdeckung, da es das Screening großer Moleküldatenbanken gestattet und deren Interaktion in vivo simuliert. Vereinfachungen in den Simulationen, um eine akzeptable Rechenzeit zu erreichen, führen jedoch oft zu geringen Erfolgsquoten bei der Suche nach bioaktiven Molekülen. Das in Spanien ansässige Unternehmen Pharmacelera strebt an, mithilfe einer Plattform für maschinelles Lernen einen neuen Rechenstandard für computergestütztes Wirkstoffdesign einzuführen, der für eine genaue Vorhersage der molekularen Eigenschaften von Molekülkandidaten und der relevanten molekularen Wechselwirkungen sorgt. Im Rahmen des EU-finanzierten Projekts MolPredict werden Marktforschung und technische Untersuchungen durchgeführt, um die Durchführbarkeit des Vorhabens zu bewerten.
Ziel
The competitiveness of the R&D process in this industry has been steadily declining during the past two decades. Whereas in 2000 the average cost for developing a new drug was close to €1 billion, in 2015 the estimated cost was €2.58 billion, a 150% increase. Consequently, the different actors of the pharmaceutical R&D industry have an urgent need to improve their effectiveness to develop new drugs. In this sense, the early stage of the R&D process shows the greatest potential to increase the success rate of new drug candidates, as it is in this phase where candidate molecules are selected for further testing in humans. Computer Aided Drug Design (CADD) is the most cost-effective tool for drug discovery. These technologies allow researchers to screen large databases of molecules and simulate its interaction in vivo. However, they are extremely intensive in computational resources. As a result, existing solutions have to implement simplifications in the simulations in order to incur acceptable computational times. These simplifications come at the cost of accuracy, finding a low rate of bioactive molecules that, in addition, usually fail during clinical trials. Pharmacelera aims at creating a new computing standard for Computer-Aided Drug Design (CADD) through an open machine learning platform that enables accurate prediction of molecular properties of candidate molecules based on quantum-mechanics (QM) calculations during drug development. By providing early stage ADME-Tox analysis, thus dramatically reducing the failure rate of the drug design process. In addition, by combining HPC, new disruptive molecular modelling techniques (computational chemistry) and machine learning, PharmAgile will be 20x faster and 10x more precise than any existing solution. Consequently, PharmAgile will be able to reduce the overall costs of drug development by up to 19% and the drug development time up to 8%. This translates into $335 million and 2 years saved per new approved drug.
Wissenschaftliches Gebiet (EuroSciVoc)
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht. Siehe: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht. Siehe: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- Medizin- und GesundheitswissenschaftenGrundlagenmedizinPharmakologie und PharmazieArzneimittelforschung
- Medizin- und GesundheitswissenschaftenGrundlagenmedizinPharmakologie und PharmazieArzneimittel
- Medizin- und GesundheitswissenschaftenGrundlagenmedizinmedizinische Chemie
- Medizin- und GesundheitswissenschaftenKlinische Medizin
- NaturwissenschaftenInformatik und Informationswissenschaftenkünstliche Intelligenzmaschinelles Lernen
Sie müssen sich anmelden oder registrieren, um diese Funktion zu nutzen
Wir bitten um Entschuldigung ... während der Ausführung ist ein unerwarteter Fehler aufgetreten.
Sie müssen sich authentifizieren. Ihre Sitzung ist möglicherweise abgelaufen.
Vielen Dank für Ihr Feedback. Sie erhalten in Kürze eine E-Mail zur Übermittlungsbestätigung. Wenn Sie sich für eine Benachrichtigung über den Berichtsstatus entschieden haben, werden Sie auch im Falle einer Änderung des Berichtsstatus benachrichtigt.
Programm/Programme
Thema/Themen
Aufforderung zur Vorschlagseinreichung
(öffnet in neuem Fenster) H2020-EIC-SMEInst-2018-2020
Andere Projekte für diesen Aufruf anzeigenUnterauftrag
H2020-SMEInst-2018-2020-1
Finanzierungsplan
SME-1 -Koordinator
08173 Saint Cugat Del Valles Barcelona
Spanien
Die Organisation definierte sich zum Zeitpunkt der Unterzeichnung der Finanzhilfevereinbarung selbst als KMU (Kleine und mittlere Unternehmen).