Herausforderung — Engpässe in der Wirkstoffforschung & manuelle Screening-Prozesse
Die Identifikation potenzieller Wirkstoffe ist derzeit häufig ein manueller, stark laborgetriebener und äußerst zeitaufwändiger Prozess. Der Suchraum möglicher Moleküle und Proteine ist enorm, wodurch die Arbeit arbeitsintensiv wird und R&D- sowie präklinische Phasen deutlich verlängert werden.
Lösung — Generatives Moleküldesign mit Graph Neural Networks
Wir modellieren Moleküle als Graphen und setzen Graph Neural Networks (GNNs) in einem generativen Ansatz ein, um die Struktur von Molekülen zu erlernen und neue Kandidaten vorzuschlagen. Dadurch lässt sich der chemische Raum systematischer erschließen und die Iteration in der frühen Discovery-Phase beschleunigen.
Impact — Kürzere Entwicklungszeiten, bessere Moleküle & höhere Erfolgswahrscheinlichkeit
- Verbesserte Molekül-Performance (z. B. Blut-Hirn-Schranke, orale Bioverfügbarkeit) und leistungsfähige Produkte
- 60% weniger Zeitaufwand in R&D und der präklinischen Phase
- Höhere Erfolgsrate klinischer Studien und 25% Einsparung im Discovery-Prozess
Thema
Digitale Transformation