用于评估虚拟筛选模型性能的改进指标与基准
定量方法
2024-03-18 v1
摘要
基于结构的虚拟筛选（SBVS）是计算药物发现中的关键工作流。SBVS 模型通过在回顾性筛选中测量已知活性分子相对于诱饵分子的富集度来进行评估。然而，标准的富集度公式无法估计模型在超大库上的性能。此外，由于数据泄露，当前的筛选基准无法轻易与机器学习（ML）模型一起使用。我们提出了一种改进的 VS 富集度计算公式，并引入了 BayesBind 基准测试集，该集合由与 BigBind 训练集中的蛋白质靶标在结构上不相似的靶标组成。我们在该基准上评估了当前模型，发现没有一个模型的表现明显优于 KNN 基线。
引用
@article{arxiv.2403.10478,
title = {An Improved Metric and Benchmark for Assessing the Performance of Virtual Screening Models},
author = {Michael Brocidiacono and Konstantin I. Popov and Alexander Tropsha},
journal= {arXiv preprint arXiv:2403.10478},
year = {2024}
}
备注
10 pages, 4 figures, and 4 tables. The source code is available at https://github.com/molecularmodelinglab/bigbind