正例-未标注学习无需依赖不可靠的负样本标签,即可预测蛋白口袋的成药性
- PocketBagger 是一种机器学习模型,用于预测蛋白口袋是否具有成药性。
- 它将已知结合类药配体的口袋作为正例,其余口袋视为未标注数据,从而避免使用不可靠的负样本标签。
- 其目标是实现可泛化到训练集之外口袋的成药性预测;与现有工具的详细基准比较在所获摘要中未能确认。
💡 要点 基于摘要的观点
“未标注”真的中性吗?许多没有已知配体的口袋只是尚未被探索,所以正例-未标注训练能合理缓解假阴性问题。但泛化能力的说法取决于数据划分:若同源蛋白同时出现在训练与测试两侧,分数会虚高。自己的靶点类别,以及后来被成功成药的口袋,是更有说服力的检验。
PocketBagger: generalizable pocket druggability prediction via positive-unlabeled learning ↗