对接大比拼:物理方法、协同折叠与混合模型正面交锋
- 比较了物理方法对接、深度学习协同折叠(co-folding)以及混合重打分方法在面对陌生蛋白靶点和化学骨架时的泛化能力。
- 以近期的Runs-n-Poses基准测试为基础——该测试发现,在真正全新的靶点上,经典物理方法对接的表现优于多款协同折叠工具。
- 评估了构象预测准确性和排序性能,为根据靶点新颖程度选择对接策略提供了实用指导。
💡 要点
在真正全新的靶点上,物理方法对接依然优于协同折叠工具,这个结论我总是忍不住反复想起——深度学习模型其实是在对PDB覆盖范围做模式匹配,而非真正求解折叠物理,一旦遇到没有相近类似物的靶点就会露馅。在协同折叠工具能在零类似物场景下证明自己之前,我会两种方法都跑,并以经典打分函数作为最终裁决。
Multiparadigm Benchmark of Molecular Docking: From Physics to Co-Folding and Hybrid Models ↗