docs/PL_duzy_run_500k_ligandow.md

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.