Datavetoinen lääkeainesuunnittelu
Johtajat
Datavetoisen lääkeainesuunnittelun (4D) ryhmässä keskitymme yhdistämään fysiikkaan pohjautuvat mallinnusstrategiat nykyaikaisiin tekoäly- ja datatieteen menetelmiin lääkeainekehityksen nopeuttamiseksi. Työmme on luonteeltaan vahvasti laskennallista, ja tutkimuksemme tukeutuu kansallisten ja EuroHPC-supertietokoneresurssien käyttöön, mikä mahdollistaa laajamittaisen virtuaaliseulonnan, pitkien aikaskaalojen molekyylidynamiikkasimulaatiot sekä erilaisten dataintensiivisten protokollien käytön.
Ryhmämme kehittää ja soveltaa menetelmiä ja protokollia klassiseen tietokoneavusteiseen lääkeainekehitykseen ja molekyylimallinnukseen, massiiviseen virtuaaliseulontaan sekä tehokkaaseen kemiallisen avaruuden tutkimiseen. Suhtaudumme erityisen intohimoisesti dataan: kuratoimme, integroimme ja analysoimme systemaattisesti saatavilla olevaa kokeellista ja laskennallista tietoa päätöksenteon tueksi, työkalujemme validoimiseksi ja protokolliemme hienosäätämiseksi. Tätä täydentävät panostuksemme tutkimusohjelmistojen kehittämiseen sekä ymmärrettävän tekoälyn tutkimukseen tavoitteenamme tarjota intuitiivista ja lääkeainekemiaa hyödyttävää tietoa tekoälymallien päätöksenteosta. Menetelmiämme sovelletaan monenlaisiin antibakteerisiin, antiviraalisiin ja antiparasiittisiin kohteisiin sekä laajemmin ihmisen terveyden kannalta merkityksellisiin järjestelmiin, ja teemme tiivistä yhteistyötä akateemisten ja lääketeollisuudessa toimivien kumppanien kanssa.
Lisätietoja löytyy englanninkielisiltä sivuiltamme.
Ajankohtaista
-
Koneoppiminen mahdollisti ennennäkemättömän laajan ja nopean lääkeaineiden virtuaaliseulonnanKoneoppiminen mahdollisti ennennäkemättömän laajan ja nopean lääkeaineiden virtuaaliseulonnan
Itä-Suomen yliopisto, Orion ja Tieteen tietotekniikan keskus CSC ovat toteuttaneet yhden maailman suurimmista lääkeaineiden…
Yhteistyö
-
Heikki Käsnänen
Head of Molecular Prospecting and Modeling
-
-
Thales Kronenberger
Computational Drug Development group
-
Molekyylimallinnuksen ja lääkeainesuunnittelun tutkimusryhmä 01.01.2010 - -
Asquith Lääkeainekemian Ryhmä 01.01.2022 -
Avainsanat
Julkaisut
6 kappaletta-
A Twist of Fate: The Helix–Turn–Helix Motif in Pseudomonas aeruginosa ExsA Can Allosterically Stabilize the Ligand-Binding Domain
Medarametla, Prasanthi; Greenhalgh, Jack Calum; Pöhner, Ina; Welch, Martin; Poso, Antti; Kronenberger, Thales; Rahman, Taufiq, 2025, Journal of chemical information and modeling, 65, 22, 12448-12463. A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä -
Artificial intelligence in drug design: why a ‘one-size-fits-all’ approach remains out of reach
Almeida, Rafael Lopes; Campera, Gabriella Matos; Pöhner, Ina; Maltarollo, Vinicius Gonçalves, 2025, Expert opinion on drug discovery, 20, 10, 1239-1250. A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä -
Ultra-Large-Scale Virtual Screening
Pöhner, Ina; Sivula, Toni; Poso, Antti, 2025, Maltarollo, Vinícius Gonçalves, Computer-Aided Drug Discovery and Design: From Theory to Applications, 299-343. A3 Kirjan tai muun kokoomateoksen osa -
Drug repurposing platform for deciphering the druggable SARS-CoV-2 interactome
Bogacheva, Mariia S; Kuivanen, Suvi; Potdar, Swapnil; Hassinen, Antti; Huuskonen, Sini; Pöhner, Ina; Luck, Tamara J; Turunen, Laura; Feodoroff, Michaela; Szirovicza, Leonora; Savijoki, Kirsi; Saarela, Jani; Tammela, Päivi; Paavolainen, Lassi; Poso, Antti; Varjosalo, Markku; Kallioniemi, Olli; Pietiäinen, Vilja; Vapalahti, Olli, 2024, Antiviral research, 223, 105813. A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä -
The comprehensive SARS-CoV-2 ‘hijackome’ knowledge base
Huuskonen, Sini; Liu, Xiaonan; Pöhner, Ina; Redchuk, Taras; Salokas, Kari; Lundberg, Rickard; Maljanen, Sari; Belik, Milja; Reinholm, Arttu; Kolehmainen, Pekka; Tuhkala, Antti; Tripathi, Garima; Laine, Pia; Belanov, Sergei; Auvinen, Petri; Vartiainen, Maria; Keskitalo, Salla; Österlund, Pamela; Laine, Larissa; Poso, Antti; Julkunen, Ilkka; Kakkola, Laura; Varjosalo, Markku, 2024, Cell discovery, 10, 1, 125. A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä -
Machine Learning-Boosted Docking Enables the Efficient Structure-Based Virtual Screening of Giga-Scale Enumerated Chemical Libraries
Sivula, Toni; Yetukuri, Laxman; Kalliokoski, Tuomo; Käsnänen, Heikki; Poso, Antti; Pöhner, Ina, 2023, Journal of chemical information and modeling, 63, 18, 5773-5783. A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä