研究人员开发了PETA，一个参数高效的框架，用于将预训练的虚拟筛选模型适应特定的蛋白质口袋。该方法通过在测试时直接适应模型来解决重新训练整个模型的计算成本问题。PETA构建了特定于口袋的负例，并使用嵌入空间混合技术创建更具挑战性的排名任务，强调抑制无效候选。实验表明，通过仅更新LayerNorm参数，PETA在各种基准测试中优于预训练模型和完全重新训练的模型。 AI
影响 该方法可以显著降低为特定药物发现任务定制AI模型的计算成本。
排序理由 该集群包含一篇详细介绍AI模型适应新方法的 ist 研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
