# 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.