< Terug naar vorige pagina

Project

Actief leren en interpretatie van computationele modellen van weefsel-specifieke permeabiliteit voor stock en virtuele ‘libraries’ voor geneesmiddelenontdekking

Een van de moeilijke taken op het gebied van geneesmiddelenonderzoek is het selecteren van een relatief klein aantal samples uit een groot aantal beschikbare virtuele en niet virtuele verbindingen die voldoende chemische informatie bevatten om chemische structuren te identificeren voor het gegeven biologische doelwit na 'High Throughput' biologische screening (HTS). Ook moet er rekening gehouden worden met het feit de geselecteerde samples ook voldoen aan de vereiste van een mogelijk geneesmiddel en naleving van AMDE-processen. Het doel van ons onderzoek is om een oplossing te vinden voor deze twee problemen in de vorm van cheminformatica procesontwikkeling en in vitro experimentele resultaten. Om de moleculaire verbindingen te karakteriseren, werd een algemeen fysisch-chemisch model gekozen dat informatie geeft over de weefselspecifieke distributie en verwachte toxiciteit van kandidaat-geneesmiddelen. Onze studies zijn gebaseerd op het robuuste, in vitro HTS-permeabiliteitsmodel, de PAMPA (Parallel Artificial Membraan Permeabiliteit Assay) systeem.

Datum:1 okt 2021 →  30 sep 2023
Trefwoorden:batch-mode active learning, Bayesian deep learning, tissue specific permeability, drug discovery, PAMPA
Disciplines:Machine learning en besluitvorming, Karakterisering van biologisch actieve (macro)moleculen