| # 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. |
|
|
