Nature Machine Intelligence publicó recomendaciones para la evaluación de métodos que utilizan la estructura de la proteína para predecir la unión con ligandos. El documento examina funciones de evaluación basadas en aprendizaje profundo utilizadas para generar poses y predecir la afinidad de unión en el diseño computacional de medicamentos.
Los autores señalan las dificultades para comparar estas funciones de evaluación entre distintos estudios para una tarea específica. Entre las condiciones clave de verificación se mencionan la revelación de datos de entrenamiento, código y procedimientos, así como la protección contra filtración de datos, sesgo de muestreo y errores en el diseño experimental.
El sentido práctico de las recomendaciones es hacer que los resultados sean más reproducibles, reutilizables y comprobables de forma independiente. El documento se presenta como un resumen de metadatos del editor, por lo que los detalles del manual y su aplicabilidad a modelos individuales requieren revisión adicional.
comentario editorial
Por qué importa
Probable consecuencia: mayor exigencia de divulgación de datos, código y procedimientos al comparar métodos para el diseño computacional de fármacos. La siguiente señal verificable será la aparición del texto completo con protocolos concretos, conjuntos de datos y criterios de evaluación. Una incertidumbre sustancial se debe a que actualmente solo está disponible el resumen de metadatos, por lo que no es posible juzgar la integridad y la obligatoriedad práctica de las recomendaciones.