💡
原文日文，约2300字，阅读约需6分钟。
📝
内容提要
牛津大学研究团队提出了一种新型图神经网络模型AEV-PLIG，旨在提高药物发现中结合亲和力的预测准确性。该模型结合原子环境向量与蛋白质-配体相互作用图，并采用注意力机制，显著提升了预测性能。研究还表明，增强数据可以进一步改善模型效果，强调了对更强基准和数据增强方法的需求。
🎯
关键要点
-
牛津大学研究团队提出新型图神经网络模型AEV-PLIG，旨在提高药物发现中结合亲和力的预测准确性。
-
AEV-PLIG结合原子环境向量与蛋白质-配体相互作用图，并采用注意力机制，显著提升了预测性能。
-
研究提出新的分布外测试集（OOD测试），用于更真实的模型评估。
-
增强数据策略（如基于模板的建模或分子对接生成）显著改善结合亲和力预测相关性。
-
AEV-PLIG在基准测试中表现良好，但没有模型在所有测试中表现优越，强调了多样化测试用例的必要性。
-
研究显示AEV-PLIG在FEP基准测试中性能优越，速度提高约400,000倍。
-
数据稀缺问题促使研究人员探索使用增强数据来提高模型性能。
-
AEV-PLIG在药物发现中表现出与其他基于机器学习的方法相当或更好的性能，强调了增强数据的重要性。
➡️
