Von Maschinellem Lernen geleitete Erforschung des chemischen Raumes: automatisierte Erzeugung von und Navigation in ultragroßen open-source Molekülbibliotheken

• Antragsteller: Professor Dr. Peter Kolb
• Fachliche Zuordnung: Theoretische Chemie: Moleküle, Materialien, Oberflächen ; Organische Molekülchemie - Synthese, Charakterisierung ; Pharmazie
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 497108162

Der "chemische Raum", den alle arzneimittelähnlichen Moleküle bilden, umfasst schätzungsweise 10 hoch 60 Verbindungen, eine Zahl, die zu groß ist, um jedes Molekül einmal zu synthetisieren. In diesem Projekt werden wir uns zwei Herausforderungen stellen. Erstens: Wie können wir konkret herausfinden, welche Moleküle im chemischen Raum oder zumindest in einem therapeutisch relevanten Teil davon enthalten sind? Zweitens, wie können wir solche großen Räume mit proteinstrukturbasierten in silico-Methoden durchsuchen? Unsere Strategie basiert auf unserer Datenbank für virtuell synthetisierte Verbindungen, SCUBIDOO, und wir werden Algorithmen entwickeln, um neuartige, robuste und breit anwendbare chemische Reaktionen zu identifizieren, sowie Filter, um die Erfolgsrate der Synthese zu erhöhen. Dies wird den Umfang des öffentlich zugänglichen chemischen Raums erheblich vergrößern. Um in diesem riesigen Raum zu navigieren, werden wir evolutionäre Algorithmen entwickeln, die uns helfen werden, vielversprechende Liganden auf effiziente Weise zu identifizieren. Darüber hinaus werden wir eine auf Deep Learning basierende Methode entwickeln, um die Meinung eines Experten über die Eignung jedes potenziellen Liganden für eine Proteinbindungstasche zu speichern. Auf diese Weise werden wir in der Lage sein, Wissen zu archivieren und es auch auf eine Zahl von Molekülen anzuwenden, die für einen einzelnen Menschen unerreichbar ist. Beide Teile des Projekts zusammen werden die Tür für eine schnelle und umfassende Erforschung des chemischen Raums öffnen.

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