Virtuelles Wirkstoff-Screening und Synthese-Zugänglichkeit

• Antragsteller: Professor Dr. Jens Meiler; Professor Dr. Peter Florian Stadler
• Fachliche Zuordnung: Theoretische Chemie: Elektronenstruktur, Dynamik, Simulation
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 497135079

Moderne Medikamentenentwicklungsverfahren beginnen mit der Auswahl eines geeigneten Zielrezeptors gefolgt von virtuellen Hochdurchsatzverfahren, um potentiell Wirkstoffe zu testen. Diese Tests müssen zweierlei Ziele berücksichtigen: Zum einen soll die Funktionalität des Liganden garantiert werden, zum anderen muss er synthetisierbar sein. Zusätzlich sollen bereits studierte Stoffklassen vermieden werden, um Konflikte mit Patenten zu vermeiden. In diesem Projekt entwickeln wir einen computergestützten Ansatz für ein neues virtuelles Hochdurchsatzverfahren, der moderne Machine Learning-Methoden zur Aktivitätsvorhersage mit regelbasierter chemischer Modellierungund ev olutionären Optimierungsalgorithmen kombiniert. Kreuzungs- und Mutationsoperationen werden innerhalb des Regelframeworks definiert, um den Suchbereich auf vielversprechende und vor allem chemisch realistische Liganden zu beschränken. Wir gehen davon aus, dass graphenbasierte Grammatiken eine gute Repräsentation sind, um die strukturellen Eigenheiten chemischer Reaktionen abzubilden und sich somit sowohl zur "Erschließung" des chemischen Raums eignen als auch für Machine Learning Algorithmen zur Bestimmung wichtiger Pharmakophore. Wir wollen daher ein umfangreiches Framework für virtuelle Hochdurchsatzverfahren entwickeln und anhand bereits von uns erstellter Testdaten kritisch überprüfen. Als Teil dieses Forschungsvorhaben wollen wir mit diesen Daten vereinheitlichte Prüfverfahren (benchmarks) entwickeln, welche laborexperimentelle Evaluierungen durch Kooperationspartner mit einschließen.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2363: Nutzung und Entwicklung des maschinellen Lernens für molekulare Anwendungen - Molekulares maschinelles Lernen
• Internationaler Bezug: Dänemark
• Kooperationspartner: Professor Dr. Jakob Lykke Andersen