BindingDB
PulseAugur coverage of BindingDB — every cluster mentioning BindingDB across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新发布的Curate-DTI数据集提供构建感知药物-蛋白质生物活性数据
一个名为Curate-DTI的新数据集已发布，专注于药物-蛋白质生物活性。该数据集的独特之处在于包含构建感知（construct-aware）的蛋白质靶点，解决了仅使用UniProt accession可能掩盖不同实验序列的局限性。Curate-DTI包含超过290万个测量值，支持分类和回归任务，并提供相关的代码和来源信息。
-
MetaHeta框架改进药物发现中的生物活性预测
研究人员开发了MetaHeta，一个新颖的元学习框架，旨在改进药物发现早期阶段的生物活性预测。该框架专门解决了试验异质性带来的挑战，而这种异质性会阻碍标准元学习方法的有效性。MetaHeta通过条件化来自相关试验的辅助数据来预测，利用线性和精确注意力机制的组合来实现这一点。MetaHeta的有效性已在ChEMBL和BindingDB的数据集上得到证明，从而增强了少样本生物活性预测能力，并改善了化合物的优先级排序。
-
药物-靶点亲和力模型在评估变化下的性能各不相同
一项新的研究论文探讨了药物-靶点亲和力（DTA）模型的不同评估方法如何导致对模型性能的结论各不相同。研究发现，当模型在与其训练数据在特定方面（例如，新的化学系列或新的蛋白质靶点）不同的数据分布上进行测试时，感知到的最佳架构可能会发生显著变化。这凸显了将评估策略与DTA模型的预期实际应用相匹配的重要性。
-
新AI框架增强药物-靶点相互作用预测
研究人员开发了ProbeMatchDTI，一个旨在增强AI驱动的药物发现中药物-靶点相互作用（DTI）预测的新框架。该方法通过采用一种探针驱动的模式策略，解决了现有方法可能忽略细微但重要的生化信号的局限性。该框架利用IterProbe和BindingProbe来更好地捕捉弱生化模式并在多尺度上模拟跨实体互补性，从而提高了在BindingDB和DrugBank等基准数据集上的预测准确性。
-
ProbeMatchDTI 通过捕获微弱的生化信号增强 AI 药物发现能力
研究人员开发了 ProbeMatchDTI，一个旨在改进 AI 驱动的药物发现中药物-靶点相互作用 (DTI) 预测的新框架。该方法通过采用一种模式-探针驱动的策略，解决了现有方法容易忽略较弱但相关的生化信号的局限性。ProbeMatchDTI 利用 IterProbe 来保留和选择上下文状态，加强分子组件之间的关联，并利用 BindingProbe 对不同尺度的药物-蛋白质互补性进行建模。实验表明，ProbeMatchDTI 的性能…