Descripció del projecte
La introducció amb èxit de tècniques avançades d’aprenentatge automàtic podria transformar completament el camp de la química de la computació tal com el coneixem avui dia. Aquest projecte de doctorat industrial aprofita el potencial dels models generatius i basats en agents per millorar significativament la recerca en descobriment de fàrmacs. El projecte se centrarà a desenvolupar enfocaments innovadors que integrin l’aprenentatge profund i tècniques d’aprenentatge no supervisades per transformar com es modelen i s’entenen els compostos químics.
Segons el perfil, els antecedents i els interessos del candidat seleccionat, el projecte se centrarà en un o dos dels següents objectius:
– Desenvolupament d’un Marc d’Aprenentatge Automàtic per a Simulacions Moleculars:
El projecte crearà un marc especialitzat d’aprenentatge automàtic dissenyat per optimitzar les simulacions moleculars. Aquest marc fusionarà mètodes establerts amb algorismes innovadors per augmentar tant la precisió com l’eficiència d’aquestes simulacions.
– Millora de les representacions moleculars a través d’arquitectures neuronals:
Implementar arquitectures neuronals d’avantguarda, com TensorNet i TorchMD-NET dins de PyTorch, per refinar com es representen les estructures moleculars. Aquesta tasca és essencial per capturar interaccions químiques complexes amb més precisió.
– Creació de Models de Bases Utilitzant l’Aprenentatge No Supervisat:
Construeix models fundacionals que empren l’aprenentatge no supervisat per a aplicacions d’aprenentatge de zero-shot. Aquests models estan dissenyats per predir propietats químiques i reaccions sense la necessitat d’exemples explícits previs, ampliant significativament la seva aplicació en la identificació de compostos nous.
– Generació i utilització de conjunts de dades nous:
Col·labora amb la plataforma GPUGRID.net per generar nous conjunts de dades d’alta qualitat que s’utilitzaran per entrenar els models desenvolupats, assegurant que siguin robustos i capaços de manipular diversos conjunts de dades químiques.
– Desenvolupament de Models Generatius a partir d’Insights Estructurals:
Això implica desenvolupar algoritmes que puguin proposar de manera intel·ligent noves entitats moleculars basades en dades estructurals, accelerant potencialment la identificació de nous candidats a fàrmacs durant les fases inicials del descobriment de fàrmacs.
Resultats esperats:
S’espera que la implementació amb èxit d’aquest projecte produeixi un conjunt d’eines computacionals avançades que millorin significativament les capacitats de modelització predictiva dins del camp de la química. Aquestes eines facilitaran una identificació més ràpida i precisa dels candidats viables a fàrmacs, establint nous estàndards en el descobriment computacional de fàrmacs.
Impacte de la recerca:
Aquest projecte pretén introduir noves metodologies que podrien alterar fonamentalment l’enfocament del descobriment de fàrmacs, donant lloc a processos de desenvolupament més racionals i innovadors.
