File size: 1,515 Bytes
24f6204 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 | # Duży run 500k ligandów
## Po co robić run 500k
Duży benchmark ma odpowiedzieć, czy adaptive docking daje realny zysk na bibliotece o skali, przy której pełny docking jest praktycznie zbyt drogi.
## Wybór targetu
Target powinien spełniać dwa warunki:
1. kompleks białko–ligand jest sensowny dockingowo,
2. ligand referencyjny ma szeroki chemotyp w PubChem lub innym realnym źródle.
## Similarity range 0.99 -> 0.30
Ligandy są zbierane po schodkach podobieństwa / identity:
- 99
- 95
- 90
- 85
- 80
- 75
- 70
- 65
- 60
- 55
- 50
- 45
- 40
- 35
- 30
Skrypt zapisuje, z którego progu pochodzi ligand oraz pełną diagnostykę pobierania.
## Deduplikacja
Nie wolno używać syntetycznego powielania. Pipeline zapisuje:
- `synthetic_expansion = false`
- `deduplication_method`
- raport duplikatów
## Przygotowanie SDF
Po zebraniu realnych SMILES:
1. przygotowywany jest target do rDock,
2. OpenBabel buduje ligandy 3D,
3. powstaje `all_ligands.sdf`,
4. walidacja zapisuje manifest i raport.
## Benchmark
Duży run powinien używać:
- `benchmark-regressor-ablation`
- `benchmark-triage-strategies`
Oba benchmarki mają działać na tym samym datasecie, z tym samym sampled reference do oceny, ale strategie dockują własne pule niezależnie.
## Jak interpretować wynik
Adaptive ma sens tylko wtedy, gdy:
- poprawia jakość top-k,
- nie przegrywa z `cluster_only_triage` lub `diverse_random_cost_balanced`,
- oszczędza istotny koszt,
- nie wymaga utrzymywania zbyt dużego survivor pool.
|