Molekulares "Machine Learning" für die asymmetrische (Organo-)katalyse

• Antragsteller: Professor Dr. Peter R. Schreiner
• Fachliche Zuordnung: Organische Molekülchemie - Synthese, Charakterisierung
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 497198316

Die asymmetrische Katalyse spielt eine zentrale Rolle bei der Synthese pharmazeutisch aktiver Verbindungen. Die Organokatalyse zielt darauf ab, solche Transformationen ohne die Verwendung potenziell toxischer Metalle zu ermöglichen. Die größte Herausforderung besteht jedoch im Design potenter Organokatalysatoren und in der Vorhersage ihrer Aktivität: In den meisten Fällen ist die Korrelation zwischen der Molekülstruktur eines Katalysators und seiner Aktivität kaum bekannt. Daher werden wir Techniken des maschinellen Lernens (ML) entwickeln und auf Bibliotheken von Thioharnstoff- und Oligopeptid-Katalysatoren anwenden: Unser Ziel ist es, die am besten geeigneten Kandidaten für organokatalytische Umwandlungen von pharmazeutischem Interesse zu bestimmen, etwa die Darstellung von Anti-Malaria-Wirkstoffen. Durch die Interpretation von ML-Modellen wollen wir die molekularen Merkmale eruieren, die für die Katalysatoraktivität verantwortlich sind, um dem Ziel eines echten De-novo-Katalysatordesigns näher zu kommen.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2363: Nutzung und Entwicklung des maschinellen Lernens für molekulare Anwendungen - Molekulares maschinelles Lernen
• Mitverantwortlich: Dr. Dennis Gerbig