为GPCR活性模型加入实验背景信息可提升精度与不确定性评估，但面对未见过的实验时增益有限
- 作者在蛋白质化学计量学模型的基础上加入实验(assay)描述信息，以类别标识符或实验描述文本嵌入的形式，与化合物和蛋白特征一起建模实验背景。
- 他们使用整理后的ChEMBL来源GPCR数据集，在随机、骨架和实验留出三种划分下，对点预测精度和概率预测质量进行了回顾性评估。
- 数据划分方式对难度影响最大。当实验在训练和测试中重复出现时，类别标识符带来稳定收益；面对未见过的实验时各种表示的差距缩小，文本嵌入仍保持小幅但一致的优势。
💡 要点 基于摘要的观点
实验重复出现时类别ID有效，这在设计上近乎泄漏，所以这一半结果我会打折扣。对新项目真正有意义的是未见实验的划分，而文本嵌入在那里的优势很小，不足以让人改动现有流程。至于前瞻性场景下能否成立，目前还没有人检验。