docs/PL_architektura_adaptive_docking.md

Architektura adaptive docking

Cel pipeline'u

Pipeline służy do wykonywania rzeczywistego screeningu dockingowego w rDock przy ograniczonym budżecie obliczeniowym. Celem nie jest przewidzenie jednego wyniku modelowego bez dockingu, tylko skierowanie prawdziwych uruchomień rDock na bardziej obiecujące ligandy.

Adaptive docking

Adaptive docking działa iteracyjnie:

1. przygotowuje dataset i target,
2. wybiera ligandy do kalibracji,
3. dockuje je na niższych fidelity,
4. uczy model selekcji,
5. buduje triage survivors,
6. promuje wybrane ligandy na wyższe fidelity,
7. raportuje final hits tylko z final fidelity.

Multi-fidelity docking

Domyślne fidelity levels:

• 5
• 10
• 15
• 30
• 50

Niższe fidelity są tańsze i służą do wstępnego filtrowania. Finalne hity muszą być potwierdzone na najwyższym poziomie.

rDock SCORE

• niższy SCORE jest lepszy
• SCORE.INTER opisuje wkład oddziaływań ligand–receptor
• SCORE.INTRA opisuje koszt wewnętrzny ligandu
• SCORE.RESTR opisuje kary restrykcyjne

Wysoki udział SCORE.INTRA może dawać artefakty. Dlatego pipeline używa component sanity i score filtering.

Component sanity

Pipeline rozróżnia:

• raw score
• downranked score
• filtered score

downranked i filtered uwzględniają:

• outliery SCORE.INTRA
• intra_fraction
• podejrzane komponenty energii

Reference-free mode

W trybie produkcyjnym pipeline nie wymaga ligandu referencyjnego jako cechy modelowej. Pocket może pochodzić z:

• gotowego .prm
• cavity config
• przygotowanego target folderu
• dataset manifest

Ligand referencyjny może istnieć w benchmarku lub redockingu, ale nie jest wymaganiem produkcyjnym.

Benchmark vs production mode

Benchmark:

• może używać reference_mode=sampled do oceny recall,
• może liczyć top-X recall i false negative rate,
• nie powinien wymuszać centralnego full docking całej biblioteki.

Production:

• może działać z reference_mode=none,
• nie wolno tam udawać recall bez ground truth,
• rekomendacja strategii opiera się wtedy na jakości hitów, koszcie i stabilności.

Przepływ danych

1. dataset
2. feature extraction
3. calibration set
4. low-fidelity docking
5. classifier / regressor / cluster models
6. triage
7. promotion
8. final fidelity
9. final hits

Artefakty wyjściowe

• metrics/
• tables/
• plots/
• poses/
• report.md

Interpretacja wyników

Najważniejsze metryki:

• best filtered score
• top5 / top10 mean filtered score
• reduction fraction
• total runs spent
• cost saved vs full
• recall i false negative rate tylko wtedy, gdy jest reference sample

Wniosek produkcyjny powinien zależeć od jakości top-k i kosztu, a nie tylko od pojedynczego najlepszego hitu.