Descripción del proyecto
Una innovadora plataforma de aprendizaje automático para el pronóstico de posibles fármacos en el proceso de descubrimiento
La primera fase del proceso de descubrimiento de fármacos es la que más influye en el índice de éxito de los nuevos posibles fármacos. El diseño de fármacos asistido por ordenador es la herramienta más rentable para el descubrimiento de fármacos; permite la identificación sistemática en grandes bases de datos de moléculas y simula su interacción «in vivo». Sin embargo, la simplificación de las simulaciones para que el plazo computacional sea aceptable, a menudo, da lugar a unas tasas de éxito bajas a la hora de encontrar moléculas bioactivas. El objetivo de la empresa española Pharmacelera es introducir un nuevo estándar de computación para el diseño de fármacos asistido por ordenador mediante una plataforma de aprendizaje automático para la predicción precisa de las propiedades moleculares de moléculas con potencial y las interacciones moleculares pertinentes. En el proyecto MolPredict, financiado con fondos europeos, se llevará a cabo un estudio de mercado y una valoración técnica para evaluar la viabilidad de la tarea.
Objetivo
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.
Ámbito científico
- medical and health sciencesbasic medicinepharmacology and pharmacydrug discovery
- medical and health sciencesbasic medicinepharmacology and pharmacypharmaceutical drugs
- medical and health sciencesbasic medicinemedicinal chemistry
- medical and health sciencesclinical medicine
- natural sciencescomputer and information sciencesartificial intelligencemachine learning
Programa(s)
Convocatoria de propuestas
Consulte otros proyectos de esta convocatoriaConvocatoria de subcontratación
H2020-SMEInst-2018-2020-1
Régimen de financiación
SME-1 - SME instrument phase 1Coordinador
08173 Saint Cugat Del Valles Barcelona
España
Organización definida por ella misma como pequeña y mediana empresa (pyme) en el momento de la firma del acuerdo de subvención.