Hola,
¿eres nuevo aquí?

Regístrate gratis y conecta tu empresa con financiación pública, partners y proyectos.

Tengo cuenta

Regístrate

Ver video

SupraModel

Financiado

Cerrado

Peptide-based Supramolecular Co-assembly Design: Multiscale Machine Learning Mod...

Peptide-based Supramolecular Co-assembly Design: Multiscale Machine Learning Modeling Approach Supramolecular self-assembly is a fundamental process abundantly utilized by nature and emerging functional materials technologies ranging from drug delivery to soft semiconductor devices. Recently, an increased focus has been pla... ver más

31/03/2028

TUM

1M€

Presupuesto del proyecto: 1M€

Líder del proyecto

TECHNISCHE UNIVERSITAET MUENCHEN No se ha especificado una descripción o un objeto social para esta compañía.

TRL 4-5

Fecha límite participación Sin fecha límite de participación.

Financiación concedida El organismo HORIZON EUROPE notifico la concesión del proyecto el día 2023-02-20

ERC-2022-STG: ERC STARTING GRANTS Scope:Objectives

I+D

Cerrada hace 3 años

0% 100% 100%

Información adicional privada

No hay información privada compartida para este proyecto. Habla con el coordinador.

1 Participantes

TUM

1.47M€ | Lider

Proyectos interesantes

DYNAPOL

Materials Scien...

Nanotechnology

2M€ Cerrado

M4MID

Materials Scien...

Data Science

181K€ Cerrado

BES-2010-032934

Materials Scien...

Chemical Engine...

43K€ Cerrado

PGC2018-093863-B-C21

Materials Scien...

Data Science

254K€ Cerrado

MuST ArtEM

Materials Scien...

Nanotechnology

188K€ Cerrado

CNS2023-145154

Materials Scien...

Nanotechnology

200K€ Cerrado

Conecta tu I+D

¿Tienes un proyecto y buscas un partner? Gracias a nuestro motor inteligente podemos recomendarte los mejores socios y ponerte en contacto con ellos. Te lo explicamos en este video

Duración del proyecto: 61 meses Fecha Inicio: 2023-02-20
Fecha Fin: 2028-03-31

Líder del proyecto

TECHNISCHE UNIVERSITAET MUENCHEN No se ha especificado una descripción o un objeto social para esta compañía.

TRL 4-5

Presupuesto del proyecto 1M€

Fecha límite de participación Sin fecha límite de participación.

Descripción del proyecto Supramolecular self-assembly is a fundamental process abundantly utilized by nature and emerging functional materials technologies ranging from drug delivery to soft semiconductor devices. Recently, an increased focus has been placed on the multicomponent peptide co-assembly as they often display unique emergent properties that can dramatically expand the functional utility of peptide-based materials. Still, the full potential is hindered by the combinatorial complexity of peptide-based materials and our inability to predict the co-assembled structures and, therefore, properties and functionality. Machine Learning models built on top of Molecular Dynamics simulations are ideally suited to decipher the co-assembly behavior. However, the existing molecular models either suffer from severe approximations disabling them to give accurate predictions or are computationally too expensive to transverse the material space. Addressing this trade-off, I aim to develop a computational framework for fast and accurate peptide co-assembly prediction using as a key strategy a multiscale construction of Graph Neural Network-based models that can predict the peptide co-assembly. This innovative approach will enable me to reach the following objectives: (1) obtain unprecedented molecular insight into the peptide co-assembly process inaccessible to experiments, (2) uncover novel candidate materials, and (3) provide rational design rules for multicomponent peptide-based supramolecular materials. In a broader context, increased insight into cooperative behavior will bring us closer to understanding and ultimately synthetically replicating the exceptional functionality of living systems, while the methodological advancements of data-driven molecular modeling will be of paramount importance in other areas of biomaterial engineering and beyond.

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores