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

AI-enabled drug discovery has led to the rapid discovery of novel drug candidates and sparked significant investment in specialized drug companies in Canada and around the world. However, one important limitation of these proprietary platforms is they require large training datasets that are labor intensive to produce, and computationally expensive to analyze. This project will develop a self-driving lab (SDL) to develop a machine-learning (ML) algorithm that integrates experimental constraints directly into generative models as well as an orchestrator tool to control experiments performed and refine hypotheses tested. This approach not only streamlines the discovery process but also enhances the diversity and quality of candidates generated. The project team anticipates accelerated discovery by significantly reducing the time required to identify promising peptide drug candidates through automated, intelligent experimental design. This will lead to innovative therapeutics, as AI-driven hypothesis generation to discover peptides with unprecedented therapeutic potential.

L’IA dans la découverte de médicaments a rapidement mené à de nouveaux médicaments expérimentaux et a suscité des investissements considérables dans des sociétés pharmaceutiques spécialisées au Canada et à l’étranger. Cependant, une limitation importante de ces plateformes exclusives est qu’elles nécessitent de grands ensembles de données de formation et requièrent une imposante main-d’œuvre et une analyse coûteuse sur le plan du calcul. Ce projet créera un laboratoire autonome pour développer un algorithme d’apprentissage automatique (AA) qui intègre les contraintes expérimentales directement dans des modèles génératifs, ainsi qu’un outil pour contrôler les expériences réalisées et préciser les hypothèses testées. Cette approche permet non seulement de rationaliser le processus de découverte, mais aussi d’améliorer la diversité et la qualité des médicaments expérimentaux générés. L’équipe du projet prévoit une accélération de la découverte en réduisant grandement le temps nécessaire à l’identification de médicaments peptidiques expérimentaux majeurs grâce à des plans d’expériences automatisées et intelligentes. Cela conduira à des thérapies innovantes, car la génération d’hypothèses guidée par l’IA permettra de découvrir des peptides au potentiel thérapeutique sans précédent.

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.