Tilbake til søkeresultatene

FRINATEK-Fri prosj.st. mat.,naturv.,tek

Escaping the Combinatorial Explosion: Expert-Enhanced Heuristic Navigation of Chemical Space (eHACS)

Alternativ tittel: Hvordan unnslippe kombinatorisk eksplosjon: Ekspert-forbedret heuristisk navigering av det kjemiske rommet (eHACS)

Tildelt: kr 12,4 mill.

Antallet molekyler som kan lages ved å kombinere atomer av ulike grunnstoffer er ubegripelig stort, og det er umulig å lage og teste alle disse molekylene i søket etter nye legemidler eller andre funksjonelle molekyler. Faktisk er antallet mulige molekyler for stort selv for beregningsbasert, virtuell testing. De beregningsbaserte metodene er likevel raskere enn eksperimenter, og er uunnværlige verktøy når det letes etter nye legemidler. Særlig ettertraktet er såkalte heuristiske metoder som, istedenfor å sortere seg gjennom alle muligheter, kan identifisere mulige legemidler basert på informasjon fra relativt få molekyler. Så langt har imidlertid slike metoder ofte ikke maktet å skille de beste fra de kun «gode» molekylene. Legemiddelkjemikere og andre eksperter må derfor typisk bruke mye tid på å identifisere de mest interessante kandidatmolekylene foreslått av de heuristiske metodene. For å møte et presserende behov for forbedring, vil vi bygge inn ekspertkunnskap tidlig i prosessen for å styre de heuristiske metodene hele veien til de mest interessante kandidatene, de som har størst sjanse for å ende opp som faktiske legemidler. For å forfølge denne nye tilnærmingen, har vi samlet et tverrfaglig lag av ledende forskere i kjemi, biomedisin og datavitenskap. eHACS inkluderer forskning på nye muliggjørende teknologier samt bruken av disse for å akselerere søket etter nye legemidler.

Computational molecular design is vital for identifying functional molecules to address critical societal challenges, such as the accelerating antibiotic resistance and our demanding combat of cancer. This quest, however, faces a combinatorial explosion in the number of potential drug candidates - the chemical space made up of all small drug-like molecules - which is unfathomably large. Testing any significant fraction of these molecules, either computationally or experimentally, is simply impossible. Thus, heuristic optimization methods, or automated 'de novo' design, is the long-standing Holy Grail of drug discovery. Unfortunately, these methods have so far failed to deliver on their promise and must be complemented by inefficient and slow post-processing involving expert chemists. Having advanced the international forefront of automated de novo design, we see a pressing need for an alternative approach. We anticipate that a new, knowledge-guided molecular design, integrating the expert early on, will help focus and steer the overall optimization and drastically reduce the need for manual post-processing. To unlock these possibilities, knowledge-based expert guidance, modern molecular design, and empowering machine learning must be integrated. To research and pursue this new approach, we have assembled an interdisciplinary team of leading scientists from chemistry, biomedicine, and data science (visual data science as well as machine learning). The eHACS project includes research on new, enabling technologies (data-science-empowered solutions) as well as their deliberate application to overcome challenges in drug discovery and to design potent inhibitors of targets for cancer and antibiotics.

Budsjettformål:

FRINATEK-Fri prosj.st. mat.,naturv.,tek