一个改进的指标和基准来评估虚拟选模型的性能
Michael Brocidiacono1, Konstantin I Popov1, Alexander Tropsha1
1Univerity of North Carolina at Chapel Hill.
ArXiv
|April 1, 2024
概括
大型图书馆的基于结构的虚拟选 (SBVS) 性能很难评估. 引入了一个新的基准,BayesBind和一个改进的丰富公式,以更好地评估计算药物发现模型.
科学领域:
- 计算机化药物发现.
- 化学信息学 化学信息学
- 生物信息学是一种生物信息学.
背景情况:
- 基于结构的虚拟查 (SBVS) 对于识别候选药物至关重要.
- 现有的丰富公式与大型化学图书馆和机器学习集成作斗争.
- 当前基准风险数据泄露,阻碍准确的模型评估.
结论:
- 拟议的丰富公式和BayesBind基准提供了对SBVS模型的更强有力的评估.
- 贝叶斯Bind促进了机器学习模型在药物发现中的可靠评估.
- 贝叶斯Bind的公开发布旨在推动计算药物发现领域的发展.


