研究人员对各种肽表示法和回归器在预测肽-蛋白亲和力方面的性能进行了基准测试，结果表明，根据评估是否涉及肽相似性移位、靶点内预测或留靶点出场景，模型性能差异很大。在 60 种配置中，平均 Spearman 相关系数在 0.462 到 0.669 之间。研究发现，ECFP-16 指纹与随机森林回归器在插值和靶点内预测方面表现最佳，而在排除靶点序列时，HELM-BERT 嵌入与 Extra Trees 表现最佳。研究结果表明，肽-蛋白亲和力基准测试应将数据分区与预期用例对齐，并联合考虑数据规模、分子表示和下游学习器。 AI
影响 强调了在科学研究中，尤其是在药物发现和生物信息学领域，对人工智能模型进行稳健评估方法的重要性。
排序理由 学术论文，详细介绍了机器学习模型在科学任务中的基准研究。[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 →
