„Wir freuen uns sehr, mit Merck an diesem Projekt zu arbeiten, von dem nicht nur das Unternehmen, sondern auch die wissenschaftliche Gemeinschaft im Bereich Computational Chemistry profitieren wird“, sagt Prof. Dr. Stefan Grimme, Leiter des Mulliken Center for Theoretical Chemistry der Universität Bonn. „Die enge Zusammenarbeit mit den Wissenschaftlern von Merck wird uns helfen, dem Projekt und den entwickelten Tools den richtigen Schwerpunkt zu verleihen.“ Grimme, Mitglied der Nationalen Akademie der Wissenschaften Leopoldina und international renommierter Forscher im Spezialgebiet Theoretische Chemie, hat mit seiner Forschungsgruppe unzählige Methoden und Tools entwickelt, die heute weit verbreitet zum Einsatz kommen - auch jenseits des Bereichs der Computerchemie.
Merck setzt maschinelles Lernen und künstliche Intelligenz (KI) in allen Phasen seiner Wertschöpfungskette ein. Mit zahlreichen Initiativen und Kooperationen will das Unternehmen den Lebenszyklus seiner Produkte beschleunigen, Silos aufbrechen und das Potenzial von Daten und Digitalisierung erschließen. „Die jüngsten Fortschritte haben gezeigt, welchen Einfluss molekulares maschinelles Lernen und KI ganz allgemein auf alle Bereiche der Chemie haben können, insbesondere auf die Simulation und datengesteuerte Wirkstofffindung, Materialdesign und die Vorhersage neuer Formulierungen“, sagt Jan Gerit Brandenburg, Leiter Digital Chemistry bei Merck. „Mit dieser Zusammenarbeit wollen wir gemeinsam neue Repräsentierung von Molekülen und computergestützte Tools entwickeln, die uns dabei helfen werden, das Screening von Wirkstoffkandidaten zu beschleunigen, neue Verbindungen zu entdecken und die Leistungsfähigkeit von Materialien vorherzusagen.“
In den nächsten drei Jahren werden mehrere Doktoranden des Mulliken Center for Theoretical Chemistry mit dem Merck-Team von Digital Chemistry zusammenarbeiten, um Methoden zu identifizieren, die auf das gesamte Chemie- und Pharmaportfolio von Merck anwendbar sind und von molekularen maschinellen Lerntechniken profitieren werden. Alle Methoden und Codes, die im Rahmen des Programms entwickelt werden, sind quelloffen (Open Source) und damit auch für die allgemeine wissenschaftliche Gemeinschaft von Nutzen. Das Programm ist teilweise eingebettet in das Schwerpunktprogramm „Molekulares maschinelles Lernen“ (SPP 2363) der Deutschen Forschungsgemeinschaft (DFG).
Pressemitteilung von Merck: https://www.merckgroup.com/de/news/collaboration-in-machine-learning-project.html
