Descripción del proyecto
Aprendizaje automático e inteligencia artificial para el descubrimiento químico
El descubrimiento y la formulación de nuevos fármacos, antivíricos, antibióticos, catalizadores, materiales para baterías y productos químicos con propiedades a medida requieren un cambio de paradigma fundamental a fin de explorar en las aguas ignotas del vasto espacio químico. El proyecto DISCOVERER, financiado con fondos europeos, se propone promover dicho cambio partiendo de unos parámetros predefinidos a partir de los cuales se podrán diseñar nuevas especies químicas con el aprendizaje automático y los algoritmos de inteligencia artificial. Este concepto innovador se integrará en una plataforma comercial. El objetivo principal del proyecto es finalizar el desarrollo de una versión alfa de esta plataforma, denominada «Chemical Space Machine», y determinar su estrategia de comercialización.
Objetivo
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.
Ámbito científico (EuroSciVoc)
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
- ciencias médicas y de la saludmedicina básicafarmacología y farmaciamedicamentoantibióticos
- ciencias naturalesciencias químicascatálisis
- ciencias naturalesinformática y ciencias de la informacióninteligencia artificialaprendizaje automático
- ciencias médicas y de la saludmedicina básicafarmacología y farmaciamedicamentoantivírico
Para utilizar esta función, debe iniciar sesión o registrarse
Palabras clave
Programa(s)
Régimen de financiación
ERC-POC - Proof of Concept GrantInstitución de acogida
4365 ESCH-SUR-ALZETTE
Luxemburgo