Grant: Collaborative Science, Technology and Innovation Program - Collaborative R&D Initiatives

This agreement has been amended 1 time(s). The end date of this agreement has been modified by 365 days.

Cet accord a été modifié 1 fois. La date de fin du présent accord a été changé de 365 jours.

Conception d’échafaudages propres au motif à l’aide de réseaux neuronaux équivariants, de l’apprentissage géométrique profond et de modèles probabilistes de diffusion.

Motifs are active structural sites tasked with beneficial biological functions that can be employed to create new vaccines and enzymes. When designing proteins, a crucial endeavor is the creation of stable scaffolds to support motifs, thus allowing them to maintain their shapes and, consequently, their function. Unfortunately, current machine learning-based techniques are timeconsuming and limited to small proteins, restricting their usefulness. Specifically, the project seeks to streamline the design process by rapidly providing high-quality scaffolds to experimentalists while considerably reducing the time required for their creation. This rapidity is particularly important when swift actions are required for facing emerging and fast-evolving diseases. This will be achieved by employing recent advances in diffusion modelling, geometrical deep learning, and graph models and networks.

Les motifs sont des sites structuraux actifs qui remplissent des fonctions biologiques utiles et qui peuvent servir à la création de nouveaux vaccins et de nouvelles enzymes. L’une des étapes cruciales de la conception de protéines est la création d’échafaudages stables capables de supporter les motifs pour ainsi en maintenir la forme et, par conséquent, la fonction. Malheureusement, les techniques actuelles fondées sur l’apprentissage automatique sont chronophages et restreintes aux petites protéines, ce qui en limite l’utilité. Le projet vise précisément à simplifier le procédé de conception en mettant rapidement à la disposition des chercheurs des échafaudages d’une grande qualité tout en réduisant considérablement le temps nécessaire à leur création. Cette rapidité est un atout particulièrement important lorsqu’il devient urgent de mettre en œuvre des mesures requises pour faire face aux maladies émergentes qui évoluent rapidement. Nous aurons recours à cette fin aux avancées récentes réalisées en matière de modélisation de la diffusion, d’apprentissage géométrique profond, de modèles graphiques et de réseaux.

In the short term, anticipated outcomes will be strengthened collaborations across industry, academia, and government to support research excellence. In the medium term, anticipated outcomes will be the development of new and potentially disruptive technologies with collaborators. In the long term, find collaborative solutions to public policy challenges and create stronger innovation systems.

À court terme, les résultats prévus seront des collaborations renforcées entre l'industrie, le milieu universitaire et le gouvernement pour soutenir l'excellence en recherche. À moyen terme, les résultats attendus seront le développement de nouvelles technologies potentiellement perturbatrices avec des collaborateurs. À long terme, trouver des solutions collaboratives aux défis des politiques publiques et créer des systèmes d'innovation plus solides.

Collaborate on multiparty research and development programs to catalyze transformative, high-risk, high-reward research with the potential for game-changing scientific discoveries and technological breakthroughs in priority areas.

Collaborer à des programmes multipartites de recherche-développement dans le but de profiter de la synergie entre la recherche transformatrice à haut risque et à haut rendement et le potentiel de découvertes scientifiques et de percées technologiques révolutionnaires dans des secteurs d’intervention prioritaires.