Projektbeschreibung
Maschinelles Lernen und künstliche Intelligenz im Dienste chemischer Entdeckungen
Die Entdeckung und Formulierung neuer Wirkstoffe, antiviraler Mittel, Antibiotika, Katalysatoren, Batteriematerialien und für den allgemeinen Gebrauch bestimmter Chemikalien mit maßgeschneiderten Eigenschaften erfordern einen grundlegenden Paradigmenwechsel, der uns auf das unbekannte Terrain der riesigen Welt der Chemie führt. Ziel des EU-finanzierten Projekts DISCOVERER ist, diesen Wechsel voranzutreiben, indem es von vordefinierten Parametern ausgeht, aus denen unter Einsatz maschinellen Lernens und mittels künstlicher Intelligenz unterstützter Algorithmen neue chemische Substanzen entworfen werden. Das neuartige Konzept soll in eine kommerzielle Plattform integriert werden. Projekthauptziele sind die Vollendung der Entwicklung einer Alphaversion dieser „Chemical Space Machine“-Plattform sowie die Vorbereitung einer für sie geeigneten Kommerzialisierungsstrategie.
Ziel
Computational design and discovery of molecules and materials relies on the exploration of increasingly growing chemical spaces. The discovery and formulation of new drugs, antivirals, antibiotics, catalysts, battery materials, and in general chemicals with tailored properties, require a fundamental paradigm shift to search in unchartered swaths of the vast chemical space. This is in stark contrast to current approaches, which start from (commercially available) libraries of compounds from various suppliers. Within the ERC Consolidator grant BeStMo (grant agreement ID 725291) we aimed to substantially advance our ability to model and understand the behaviour of molecules in complex environments. As a result, we successfully developed a set of machine learning and physics-based methods for covalent and non-covalent interactions that now allow an accurate and efficient modelling of molecules of increasing size (from 10 to 1000 atoms). These methods now enable routine calculations of quantum-mechanical properties of molecules throughout chemical compound space, provided that enough reference data is produced as a starting point for training. Within DISCOVERER, we aim to promote a paradigm shift in chemical discovery by inverting the selection pyramid by starting with pre-defined parameters from which new chemical entities are designed through machine learning and AI-enabled algorithms. We can do so by integrating these modules into a commercial platform: “Chemical Space Machine”. DISCOVERER’s main goal is to finalize the development of a commercial alpha version of “Chemical Space Machine” and setting up its commercialisation strategy.
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 PharmazieArzneimittelAntibiotikum
- NaturwissenschaftenChemiewissenschaftenKatalyse
- NaturwissenschaftenInformatik und Informationswissenschaftenkünstliche Intelligenzmaschinelles Lernen
- Medizin- und GesundheitswissenschaftenGrundlagenmedizinPharmakologie und PharmazieArzneimittelantivirals
Sie müssen sich anmelden oder registrieren, um diese Funktion zu nutzen
Schlüsselbegriffe
Programm/Programme
Aufforderung zur Vorschlagseinreichung
(öffnet in neuem Fenster) ERC-2020-PoC
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
ERC-POC - Proof of Concept GrantGastgebende Einrichtung
4365 ESCH-SUR-ALZETTE
Luxemburg