Webshop

Razotkrivanje kontekstom uvjetovane složenosti supramolekularnih nanostruktura kratkih peptida

Akronim projekta: Super DeShPet 2.0

Šifra projekta: IP-2025-02-3357

Trajanje: 2025 – 2028

Budžet: 200.000,00 €

Shematski prikaz projekta koji prikazuje integraciju generativne umjetne inteligencije (AI), simulacija molekulske dinamike (MD) i eksperimentalne validacije, s naglaskom na dvije komplementarne strategije, pseudooznačavanje (eng. pseudo-labeling) i aktivno učenje (eng. active learning), usmjerene na povećanje vjerojatnosti uspješnog ostvarivanja projektnih ciljeva.

O Projektu

Može li umjetna inteligencija ubrzati otkrivanje novih funkcionalnih materijala?

Projekt SuPer DeShPet 2.0 istražuje upravo tu mogućnost, povezujući generativnu umjetnu inteligenciju (AI), simulacije molekulske dinamike (MD) i eksperimentalnu karakterizaciju u jedinstven pristup otkrivanju i razumijevanju supramolekulskih peptidnih materijala.

Peptidi su iznimno zanimljivi gradivni elementi novih materijala zbog svoje sposobnosti spontanog organiziranja u složene supramolekulske strukture, procesa poznatog kao samosastavljanje. Međutim, predviđanje njihova ponašanja i dalje predstavlja velik znanstveni izazov jer čak i male promjene u aminokiselinskoj sekvenci ili eksperimentalnim uvjetima mogu značajno utjecati na nastanak i svojstva materijala. Dodatne izazove predstavljaju nedovoljna povezanost računalnih i eksperimentalnih istraživanja, nedostatak standardiziranih podataka te ograničena ponovljivost rezultata.

SuPer DeShPet 2.0 nastoji prevladati ove izazove integracijom triju komplementarnih pristupa. Generativni AI modeli temeljeni na neuronskim mrežama koristit će se za predlaganje novih peptidnih sekvenci s visokim potencijalom za samosastavljanje. Simulacije molekulske dinamike (MD), s posebnim naglaskom na modele smanjene rezolucije (eng. coarse-grained), omogućit će istraživanje molekularnih mehanizama agregacije peptida i utjecaja različitih uvjeta na njihovo ponašanje. Najperspektivniji peptidni kandidati zatim će se eksperimentalno karakterizirati primjenom odgovarajućih spektroskopskih i mikroskopskih metoda, kako bi se istražila njihova strukturna svojstva i sposobnost stvaranja supramolekulskih materijala.

Posebni doprinos projekta proizlazi iz kontinuirane razmjene informacija između umjetne inteligencije, molekulskih simulacija i eksperimenata. Rezultati računalnih i eksperimentalnih istraživanja koristit će se za daljnje unaprjeđenje prediktivnih modela kroz aktivno učenje (eng. active learning), koji će, osim aminokiselinske sekvence, uzimati u obzir i uvjete u kojima dolazi do samosastavljanja. Takav iterativni pristup omogućit će učinkovitije pretraživanje golemog prostora mogućih peptidnih sekvenci, ciljano odabiranje novih kandidata i smanjenje potrebe za opsežnim eksperimentalnim ispitivanjima.

Cilj projekta je razviti integrirani računalno-eksperimentalni okvir za otkrivanje novih supramolekulskih peptidnih materijala ali i drugih peptidnih sustava, koji će omogućiti bolje razumijevanje povezanosti između aminokiselinske sekvence i funkcije materijala. Time će SuPer DeShPet 2.0 pridonijeti razvoju pouzdanijih metoda predviđanja i kontrole peptidne agregacije te otvoriti nove mogućnosti za učinkovitije, racionalnije i održivije istraživanje funkcionalnih biomaterijala.

Istraživačka grupa

1 Tehnički fakultet, Sveučilište u Rijeci
2 Fakultet biotehnologije i razvoja lijekova, Sveučilište u Rijeci
3 Sveučilište u Padovi, Italija
4 Centro de Fisica de Materiales/Materials Physics Center (CFM/MPC), San Sebastian, Španjolska
5 Tehnički fakultet u Puli, Sveučilište Jurja Dobrile u Puli
6 Jadran-galenski laboratorij, Rijeka

Financiranje

Projekt financira Hrvatska zaklada za znanost (HRZZ), broj projekta IP-2025-02-3357.

Publikacije

  1. Solving the Computational Peptide Design Puzzle: Challenges and Opportunities, ACS Omega,
  2. G. Mauša, D. Kalafatovic (2026). Data-driven surrogates of rational design enable antimicrobial peptide optimization, Nature Machine Intelligence, Vol. 8, pp 1020–1022, https://doi.org/10.1038/s42256-026-01258-0
  3. M. Babić, G. Mauša, I. R. Sasselli, D. Kalafatovic (2026). Secondary Structure Bead-Encoded Amphiphilicity Biases Peptide Self-Assembly Prediction in MARTINI Coarse-Grained Simulations, ACS Applied Materials & Interfaces, Vol. 18 (8), pp. 12353–12367, https://pubs.acs.org/doi/10.1021/acsami.5c14754

Konferencije

  1. K. Barjaktarić, P. Paunović, L. Lečić, E. Otović, J. Calvario, A. S. Pina, Y. Kawaguchi, D. Kalafatovic, G. Mauša (2026) Data-driven Prediction of Liquid-Liquid Phase Separation, Boulder Peptide Symposium 2026
  2. D. Ibiši, D. Kalafatovic, G. Mauša (2026) Guiding Peptide Sequence Generation with Active Learning for Discovery of Self-Assembling, 38th European Peptide Symposium Proceedings
  3. M. Injac, E. Dražić, M. Njirjak, G. Rakić, D. Kalafatovic, G. Mauša (2026) Adaptive Evolutionary Optimization for the Discovery of Self-Assembling, 38th European Peptide Symposium Proceedings
  4. E. Dražić, H. S. Azevedo, D. Kalafatovic (2026) Peptide Self-assembly Beyond Known Design Principles: Sequence and Context Interplay, 38th European Peptide Symposium Proceedings
  5. E. Dražić, H. S. Azevedo, D. Kalafatovic (2026) Context-dependent challenges in short peptide self-assembly, TERMIS-EU 2026

Istraživanje i projekti