Il video raccoglie alcune esperienze dei partner di EuroCCItaly, non perdete i loro racconti!
Il video raccoglie alcune esperienze dei partner di EuroCCItaly, non perdete i loro racconti!
Con la nascita del Centro Nazionale di Ricerca in High Performance Computing, Big Data e Quantum Computing tante nuove opportunità.
Dal 2022 grazie agli investimenti del PNRR sempre più possibile la collaborazione tra industria e ricerca.
Sono iniziate le attività di costruzione del Supercomputer Leonardo
Un nuovo accordo è stato firmato tra le regioni dell'Emilia Romagna e la Catalogna
All’interno del Centro di Competenza Nazionale (NCC) EuroCC Italy, finanziato dal progetto europeo EuroCC Access, è stato attivato un programma per lo sviluppo e la promozione degli strumenti di High Performance Computing (HPC), simulazione avanzata e analisi dei dati ad alte prestazioni al fine di promuovere l’innovazione nell’industria e nel settore pubblico a livello nazionale.
Il Centro di Competenza Nazionale EuroCC Italy è un’iniziativa europea volta a favorire le attività legate a supercalcolo (HPC), analisi di grandi moli di dati (HPDA) e intelligenza artificiale (IA) a vantaggio delle imprese, specialmente le medio piccole.
In particolare, il Centro di Competenza intende convogliare le conoscenze del mondo della ricerca in azioni di formazione e trasferimento tecnologico mirate, al fine di rispondere a bisogni concreti del tessuto produttivo, grazie anche all’intervento coordinato delle associazioni di categoria.
In questo contesto il Centro di Competenza Nazionale EuroCC Italy supporterà la società farmaceutica italiana Dompé, che ha una lunga expertise nell’utilizzo di infrastrutture HPC per la ricerca, nell’implementazione di quattro progetti innovativi per lo sviluppo di Proof of Concept (PoC) nell’ambito dello sviluppo di nuovi farmaci.
Analogamente ai progetti presentati nelle due Call 2021 EuroCC Italy Industry, EuroCC Italy metterà a disposizione ore di calcolo e consulenza specifica.
I quattro Proof of Concept sviluppati saranno incentrati sui seguenti temi:
Le tecniche di Dinamica Molecolare hanno recentemente acquisito un ruolo importante negli approcci in-silico nella scoperta dei farmaci. In particolare, la capacità di studiare sistemi molto complessi da un punto di vista dinamico consente ai ricercatori di simulare in modo più accurato e descrivere in modo più dettagliato la chimica e la fisica dei processi biologici. L'enorme interesse per questo approccio è dimostrato anche dalle forti collaborazioni nate tra grandi aziende farmaceutiche e Big Tech.
Ad oggi, la disponibilità di tecnologie avanzate che consentono simulazioni ad alte prestazioni (Centri HPC, processori GPU, ecc.) è essenziale per abbassare drasticamente il costo computazionale necessario per eseguire simulazioni biologiche.
Con questo progetto Dompé si propone di generare una rete integrata in grado di spingere il concetto di Dinamica Molecolare ad un livello superiore, sviluppando due framework che possano portare ad un'accelerazione delle suddette tecnologie: migliorare gli algoritmi utilizzati nei motori MD e verificare l’utilizzo di architetture speciali per tale scopo.
La stima dell’affinità di legame tra proteina e ligando è una parte essenziale del processo di drug discovery. Sono stati sviluppati diversi approcci per costruire funzioni (empiriche, forcefield based, knowledge based e, recentemente, machine learning based) per misurare l’affinità di legame tra il recettore e le possibili pose del ligando generate dagli algoritmi di docking. Queste funzioni sono dette funzioni di scoring e classificano complessi proteina-ligando differenti restituendo un valore di variazione di energia libera, o score, a seguito del docking. Tuttavia, il numero di ligandi da valutare nelle campagne di virtual screening è solitamente così elevato che per avere risultati in tempi accettabili vengono introdotte approssimazioni che comportano previsioni scarsamente accurate di affinità di legame.
I metodi di machine learning possono essere impiegati per affrontare questo problema. Studi recenti hanno esplorato l'utilità degli approcci di deep learning basati sul riconoscimento immagini per selezionare i ligandi più promettenti. Tuttavia, per generare un modello robusto ed affidabile per ogni complesso, il modello deve essere allenato con centinaia di pose dello stesso ligando.
Con questo progetto, Dompé mira a costruire un modello allenato, validato e testato grazie all’infrastruttura HPC CINECA in grado di discriminare le sole pose ammissibili del ligando, in corrispondenza delle quali valutare l’affinità di legame, riducendo così sensibilmente il tempo di esecuzione delle campagne di virtual screening.
Il Molecular Docking (MD) è una fase importante del processo di drug discovery che mira a calcolare la posizione e la forma preferita di un ligando rispetto a una seconda molecola, quando i due sono legati l'uno all'altro. Durante questa fase di “analisi in-silico”, la rappresentazione 3D della molecola viene manipolata secondo i suoi gradi di libertà: roto-traslazione rigida e rotazioni di frammenti lungo i legami rotanti. Le risorse computazionali necessarie per affrontare problemi di MD sono di solito piuttosto grandi poiché problemi di questo tipo implicano dimensionalità in rapida crescita con numero di atomi ed gradi di libertà della molecola stessa. Di conseguenza, il problema MD viene solitamente affrontato tramite algoritmi greedy in esecuzione su sistemi HPC (High Performance Computing). Negli ultimi anni le potenzialità del Quantum Computing (QC) hanno subito sviluppi significativi grazie a netti miglioramenti sia lato software che lato hardware. Con questo progetto, Dompé mira a sviluppare un approccio di risoluzione di problemi selezione della posa ideale del ligando all’interno di una tasca proteica attraverso tecniche di Quantum Annealing (QA), attraverso la traduzione del problema stesso in forma Higher-order Unconstrained Binary Optimization (HUBO), al fine di renderlo risolubile per annealing da solver quantistici come il D-Wave e comprendere le peculiarità e le limitazioni di questi dispositivi e confrontare le loro prestazioni con metodi di docking molecolare allo stato dell’arte.
La granulazione, vale a dire il processo di assemblaggio delle particelle primarie (seme) in aggregati più grandi e semipermanenti (granuli), è una delle operazioni unitarie più significative impiegate nell'industria farmaceutica per la produzione di dosaggi farmaceutici, principalmente sotto forma di compresse e capsule. L'obiettivo principale di questo studio è l’identificazione di un intervallo ottimale per i parametri critici di processo (CPP) i cui effetti verranno collegati agli attributi critici di qualità (CQA) del prodotto finale mediante lo sviluppo di un modello di fluidodinamica computazionale (CFD) in grado di descrivere la dinamica delle particelle. Inizialmente si considera un accoppiamento debole tra questi fenomeni, ovvero con la fluidodinamica che influenza il trasferimento di calore, ma non viceversa. Si valuterà, in seguito, la possibilità di introdurre un approccio multifase e un comportamento non newtoniano. Sulla base del numero di Reynolds che caratterizza il campo di moto, si prenderà in considerazione l'introduzione di modelli di turbolenza, soprattutto nell’intorno dell’ugello attraverso il quale, utilizzando altissime pressioni, viene spruzzata la soluzione legante per la generazione e la ricopertura dei granuli. Infine, si farà uso di OpenFOAM, una libreria C++ per simulazioni multifisiche complesse basate su una discretizzazione a volume finito. Le risorse HPC messe a disposizione da CINECA saranno di capitale importanza per modellizzare correttamente tutti i dettagli contenuti nel volume di granulazione attraverso l’infittimento della griglia del modello nelle regioni più critiche quali filtri ed ugello.
I quattro progetti avranno un corso di nove mesi, ed entro l’estate 2022 sarà prevista la pubblicazione di un report finale dedicato ad ogni PoC per la condivisione dei risultati.
Nel mese di Ottobre 2021 si sono conclusi i kick-off dei quattro progetti e sono state approfondite le linee di sviluppo lungo le quali si svilupperanno i quattro PoC, con il supporto attivo del Centro di Competenza Nazionale EuroCC Italy.
Cookie | Durata | Descrizione |
---|---|---|
cookielawinfo-checkbox-analytics | 11 months | This cookie is set by GDPR Cookie Consent plugin. The cookie is used to store the user consent for the cookies in the category "Analytics". |
cookielawinfo-checkbox-functional | 11 months | The cookie is set by GDPR cookie consent to record the user consent for the cookies in the category "Functional". |
cookielawinfo-checkbox-necessary | 11 months | This cookie is set by GDPR Cookie Consent plugin. The cookies is used to store the user consent for the cookies in the category "Necessary". |
cookielawinfo-checkbox-others | 11 months | This cookie is set by GDPR Cookie Consent plugin. The cookie is used to store the user consent for the cookies in the category "Other. |
cookielawinfo-checkbox-performance | 11 months | This cookie is set by GDPR Cookie Consent plugin. The cookie is used to store the user consent for the cookies in the category "Performance". |
viewed_cookie_policy | 11 months | The cookie is set by the GDPR Cookie Consent plugin and is used to store whether or not user has consented to the use of cookies. It does not store any personal data. |