Description du projet
L’apprentissage automatique et l’IA au service de la découverte chimique
La découverte et la formulation de nouveaux médicaments, antiviraux, antibiotiques, catalyseurs, matériaux pour batteries et, en général, de produits chimiques aux caractéristiques ciblées nécessitent un changement de paradigme fondamental qui nous amènera à sonder les eaux inexplorées du vaste espace chimique. Le projet DISCOVERER, financé par l’UE, entend promouvoir ce changement en partant de paramètres prédéfinis permettant de concevoir de nouvelles entités chimiques par le biais de l’apprentissage automatique et d’algorithmes basés sur l’IA. Le nouveau concept sera intégré dans une plateforme commerciale. L’objectif principal du projet consiste à finaliser le développement d’une version alpha de cette plateforme de «machine à explorer l’espace chimique» et à mettre en place sa stratégie de commercialisation.
Objectif
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.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- sciences médicales et de la santémédecine fondamentalepharmacologie et pharmacieproduit pharmaceutiqueantibiotique
- sciences naturellessciences chimiquescatalyse
- sciences naturellesinformatique et science de l'informationintelligence artificielleapprentissage automatique
- sciences médicales et de la santémédecine fondamentalepharmacologie et pharmacieproduit pharmaceutiqueantiviral
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Programme(s)
Appel à propositions
(s’ouvre dans une nouvelle fenêtre) ERC-2020-PoC
Voir d’autres projets de cet appelRégime de financement
ERC-POC - Proof of Concept GrantInstitution d’accueil
4365 ESCH-SUR-ALZETTE
Luxembourg