Nature Machine Intelligence publicou diretrizes para avaliação de métodos que utilizam a estrutura de proteínas para prever a ligação com ligantes. O material analisa funções de avaliação baseadas em aprendizado profundo usadas para gerar poses e prever a afinidade de ligação na design computacional de fármacos.
Os autores destacam dificuldades em comparar tais funções de avaliação entre estudos para a mesma tarefa. Condições-chave de verificação incluem a divulgação de dados de treinamento, código e procedimentos, bem como proteção contra vazamento de dados, viés de amostra e erros no design experimental.
O sentido prático das diretrizes é tornar os resultados mais reprodutíveis, reutilizáveis e verificáveis de forma independente. O relatório é apresentado apenas com o synopsys de metadados do editor, portanto detalhes do guia e sua aplicabilidade a modelos específicos exigem estudo adicional.
comentário editorial
Por que importa
Provável consequência — reforçar requisitos de divulgação de dados, código e procedimentos ao comparar métodos para design computacional de fármacos. O próximo sinal verificável será o surgimento do texto completo com protocolos específicos, conjuntos de dados e critérios de avaliação. Há grande incerteza porque agora só há o synopsys de metadados, portanto não é possível julgar a completude e aplicabilidade prática das recomendações.