计算与 AI 药物发现 Journal of Chemical Information and Modeling (ACS)

高保真、考虑偏倚的新基准显示蛋白–配体打分性能较CASF-2016下降

  • 新基准基于PDB和BindingDB,经分层过滤、人工电子密度核查、亲和力验证及性质匹配的诱饵生成构建,以提高结构可靠性并减少偏倚。
  • 对九种打分函数进行了回顾性评估,涵盖打分、排序、对接以及类筛选的诱饵任务。
  • 多数任务的表现弱于CASF-2016;诱饵任务并非整体下降,而是改变了各模型的相对排名。
  • 各方法与训练数据的重叠程度差异很大,说明性能取决于数据整理、评估流程和数据暴露情况。
要点 基于摘要的观点

诱饵任务让排名重新洗牌,而不是整体下降,这才是有用的信号:说明部分打分函数依赖了CASF-2016从未惩罚过的性质或构象偏差。在相信任何排行榜之前,先核查各方法与训练集的重叠程度。然后用我们自己的化合物系列,配上性质匹配的诱饵和已知无活性分子,重跑入围的打分函数,看排序是否依然成立。