Login
- Original title:
- Multimodal redundancy-reduced deep learning for drug discovery
- Translated title:
- Multimodales redundanzreduziertes Deep Learning für die Arzneimittelforschung
- Author:
- Schuh, Maximilian Georg
- Year:
- 2026
- Document type:
- Dissertation
- Faculty/School:
- TUM School of Natural Sciences
- Institution:
- Lehrstuhl für Organische Chemie II (Prof. Sieber)
- Advisor:
- Sieber, Stephan A. (Prof. Dr.)
- Referee:
- Sieber, Stephan A. (Prof. Dr.); Schlichthärle, Thomas (Prof. Dr.); Ballabio, Davide (Prof. Dr.)
- Language:
- en
- Subject group:
- CHE Chemie
- TUM classification:
- CHE 600; CHE 800
- Abstract:
- Advanced deep learning methodologies are used to tackle areas of drug discovery where data is scarce. A multimodal framework enables zero-shot property prediction and provides a robust model for drug-target interactions. A generative design pipeline was used to produce a new antibiotic that is effective against both Gram-positive and Gram-negative bacteria, demonstrating translational utility. These findings highlight the potential of artificial intelligence in generating potent lead candidates.
- Translated abstract:
- Um datenarme Bereiche der Arzneimittelforschung zu erschließen, kommt Deep Learning zum Einsatz. Ein multimodales Framework ermöglicht Zero-Shot-Vorhersagen und bietet ein robustes Modell für Drug-Target-Interaktionen. Mithilfe einer generativen Design-Pipeline wurde ein neues Antibiotikum entwickelt, wodurch dessen praktische Anwendbarkeit unter Beweis gestellt wurde. Diese Ergebnisse unterstreichen das Potenzial künstlicher Intelligenz bei der Generierung wirksamer Wirkstoffkandidaten.
- WWW:
- https://mediatum.ub.tum.de/?id=1842385
- Date of submission:
- 20.02.2026
- Oral examination:
- 27.04.2026
- File size:
- 8679541 bytes
- Pages:
- 119
- Urn (citeable URL):
- https://nbn-resolving.org/urn:nbn:de:bvb:91-diss-20260427-1842385-0-4
- Published:
- 28.05.2026
BibTeX