Kartierung des elektrostatischen Potenzials der Ligandenbindung
Beschreibung
Motivation
Die Erforschung neuer pharmazeutischer Wirkstoffe und die Entwicklung neuer Arzneimittel ist sehr zeit- und kostenintensiv. Es werden derzeit viele chemische Strukturen, die möglicherweise als Wirkstoff geeignet sind, in Hochdurchsatzverfahren (engl.: „high throughput screening“, HTS) getestet, um letztendlich wirksame und sichere Medikamente zu erhalten. Der Bereich der in-silico-Wirkstoffforschung hat bedeutende Fortschritte gemacht und sich von einem Nischenforschungsbereich zu einem weit verbreiteten Werkzeug in der pharmazeutischen Industrie entwickelt.
Ziele und Vorgehen
Im QuEnAIS-Projekt wird die Leistungsfähigkeit der generativen künstlichen Intelligenz (KI) mit High-Performance-Computing (HPC) und Quanten- Computing (QC) kombiniert, um den Prozess der Wirkstoffforschung zu transformieren. Der Quantum-Enhanced-AI-Synthesizer integriert einen Graph-Transformer (GT)-basierten Molekülstrukturgenerator mit einer QC- maßgeschneiderten Scoring-Funktion. Das Verbundprojekt soll neue Maßstäbe hinsichtlich Geschwindigkeit, Genauigkeit und Innovation in der Wirkstoffforschung setzen, um den Anforderungen einer modernen Medizin gerecht zu werden.
Innovation und Perspektiven
Heute nutzt die Pharmaindustrie vor allem klassische Techniken des maschinellen Lernens, um die Wirkstoffforschung zu beschleunigen. Diese Tools sind zwar effektiv, aber es fehlt ihnen der Quantenvorteil, der die heutigen Rechenbarrieren überwinden kann. Auf der anderen Seite sind die aufkommenden Bemühungen von QC-Anbietern und -Entwicklern noch nicht auf ein vollständig integriertes KI-Framework für die End-to-End- Wirkstoffentwicklung ausgerichtet. QuEnAIS zielt darauf ab, diese Lücken zu schließen und ein vollständiges Framework für KI-gestütztes Arzneimitteldesign unter Nutzung von HPC- und QC-Ressourcen zu erforschen.
