超越基准的泛化：在未见靶标上评估可学习的蛋白质-配体评分函数
机器学习
2025-12-08 v1 人工智能
摘要
随着机器学习在分子设计中变得越来越重要，确保可学习的蛋白质-配体评分函数在新型蛋白质靶标上的可靠性至关重要。尽管许多评分函数在标准基准测试上表现良好，但它们在训练数据之外进行泛化的能力仍然是一个重大挑战。在本工作中，我们评估了最先进的评分函数在数据集划分上的泛化能力，这些划分模拟了对已知结构和实验亲和力测量数量有限的目标进行评估的场景。我们的分析表明，常用的基准测试未能反映泛化到新型靶标的真实挑战。我们还研究了大规模自监督预训练是否能够弥合这一泛化差距，并提供了其潜力的初步证据。此外，我们探讨了利用有限的测试靶标数据来提升评分函数性能的简单方法的有效性。我们的发现强调了更严格的评估协议的必要性，并为设计具有预测能力的评分函数提供了实用指导，使其能够推广到新型蛋白质靶标。
引用
@article{arxiv.2512.05386,
title = {Generalization Beyond Benchmarks: Evaluating Learnable Protein-Ligand Scoring Functions on Unseen Targets},
author = {Jakub Kopko and David Graber and Saltuk Mustafa Eyrilmez and Stanislav Mazurenko and David Bednar and Jiri Sedlar and Josef Sivic},
journal= {arXiv preprint arXiv:2512.05386},
year = {2025}
}
备注
15 pages, 6 figures, submitted to NeurIPS 2025 AI4Science Workshop