LIT-PCBA: An Unbiased Data Set for Machine Learning and Virtual Screening
PulseAugur coverage of LIT-PCBA: An Unbiased Data Set for Machine Learning and Virtual Screening — every cluster mentioning LIT-PCBA: An Unbiased Data Set for Machine Learning and Virtual Screening across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
CausalBind 使用因果建模进行蛋白质-分子虚拟筛选
研究人员开发了 CausalBind，一种利用因果建模和学习的蛋白质-分子虚拟筛选新方法。该方法旨在识别和利用蛋白质与分子之间稀疏的相互作用模式，超越可能将不变的结合决定因素与无关紧要的相关性纠缠在一起的密集整体对齐。理论结果表明，揭示这些稀疏相互作用对于泛化至关重要，而 CausalBind 的变体在 DUD-E 和 LIT-PCBA 基准测试中表现出色，尤其是在早期富集和分布外泛化方面。
-
AI和ML方法在虚拟筛选基准测试中显示出适度收益
一篇新论文批判性地评估了包括DiffDock和GNINA在内的几种基于AI的对接工具在LIT-PCBA库上的表现。研究发现，AutoDock-GPU结合GNINA重评分在单一方法中表现最佳。然而，监督式机器学习重新排序带来了最显著的改进，将最佳单一评分器的性能提升了110%。
-
新的h-MINT模型改进了药物发现中的结合亲和力预测
研究人员开发了h-MINT，一种新颖的分层分子相互作用网络，旨在通过更好地表示分子片段来改进药物发现。该方法使用OverlapBPE标记化方法，允许片段重叠并捕获比传统原子级图更丰富的化学背景。h-MINT模型有效地模拟了原子和片段两个层面的相互作用，从而显著提高了结合亲和力预测和虚拟筛选的准确性。