Opis projektu
Innowacyjna platforma uczenia maszynowego do przewidywania potencjalnych kandydatów w procesie odkrywania leków
Wczesny etap procesu odkrywania leków ma największy wpływ na powodzenie prac nad nowymi kandydatami na leki. Komputerowo wspomagane projektowanie leków (CADD) stanowi najbardziej ekonomiczne narzędzie do odkrywania leków, które pozwala na przesiewanie dużych baz cząsteczek i symulowanie ich interakcji in vivo. Jednak uproszczenia w symulacjach mające na celu osiągnięcie akceptowalnego czasu obliczeń często skutkują niskim wskaźnikiem skuteczności znajdowania bioaktywnych cząsteczek. Hiszpańska firma Pharmacelera zamierza wprowadzić nowy standard obliczeniowy dla CADD, wykorzystując platformę uczenia maszynowego do dokładnego przewidywania właściwości molekularnych kandydujących cząsteczek i istotnych interakcji molekularnych. Finansowany przez UE projekt MolPredict pozwoli na przeprowadzenie badań rynkowych i technicznych w celu oceny wykonalności tego przedsięwzięcia.
Cel
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.
Dziedzina nauki
- 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
Program(-y)
Temat(-y)
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSzczegółowe działanie
H2020-SMEInst-2018-2020-1
System finansowania
SME-1 - SME instrument phase 1Koordynator
08173 Saint Cugat Del Valles Barcelona
Hiszpania
Organizacja określiła się jako MŚP (firma z sektora małych i średnich przedsiębiorstw) w czasie podpisania umowy o grant.