| # 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. |
|
|
