对AI共折叠虚拟筛选进行压力测试:以Keap1–Nrf2为案例研究
- 结合AI共折叠模型与学习型亲和力评分的多阶段虚拟筛选级联流程,如今已成为计算药物发现中的常规做法。
- 每个阶段输出的评分通常被直接采信,用于推进或淘汰候选化合物,而未对其实际含义进行独立验证。
- 本预印本以Keap1–Nrf2蛋白-蛋白相互作用为案例研究对象,逐阶段系统评估级联流程中的评分是否提供了从业者据以信任所需的信息。
- 作者对该级联流程各阶段出现的失效模式进行了归类总结,从质量控制的角度探讨了这些流程可能在何处、因何出错。
💡 要点
现在几乎每个筛选流程都在跑某种"共折叠+机器学习打分"级联,说实话,大多数人懒得逐级验证,直接把排名结果当真。 这篇预印本盯上的正是这个习惯,用Keap1-Nrf2这个出了名平坦、浅表的PPI界面做压力测试——这类界面本来就让对接和药效团方法头疼,正好能快速暴露打分模型的破绽。 如果摘要的框架站得住脚,想传达的不是"别用这些工具",而是"在搞清楚每一级到底在测什么之前,别把单一综合分数奉为圭臬"——构象置信度、亲和力排序和物理合理性根本不是一回事,把它们混为一谈正是假阳性混进候选清单前列的原因。 等完整方法和失效模式分类公开后值得再细读——目前信息还比较单薄。