Nature Machine Intelligence a publié des recommandations pour l’évaluation des méthodes utilisant la structure protéique afin de prédire l’attachement avec des ligands. Le document examine les fonctions d’évaluation basées sur l’apprentissage en profondeur utilisées pour générer des poses et prévoir l’affinité de liaison dans le design computationnel de médicaments.
Les auteurs indiquent les difficultés liées à la comparaison de telles fonctions d’évaluation entre les études pour une tâche donnée. Parmi les conditions clés de vérification figurent la divulgation des données d’entraînement, du code et des procédures, ainsi que la protection contre les fuites de données, les biais d’échantillonnage et les erreurs de conception expérimentale.
L’intérêt pratique des recommandations est de rendre les résultats plus reproductibles, réutilisables et vérifiables de manière indépendante. La source est présentée sous forme de synopsis des métadonnées de l’éditeur; les détails du guide et son applicabilité à des modèles spécifiques nécessitent des études complémentaires.
commentaire éditorial
Pourquoi c’est important
Conséquence probable — renforcement des exigences de divulgation des données, du code et des procédures lors de la comparaison de méthodes pour la conception computationnelle de médicaments. Le prochain signal vérifiable sera l’apparition d’un texte intégral avec des protocoles concrets, des jeux de données et des critères d’évaluation. Une incertitude substantielle est liée au fait que seul le synopsis des métadonnées est disponible actuellement, donc on ne peut pas juger de la complétude et de l’obligation pratique des recommandations.