Bioinformatics · 2026-11-14 · 期刊论文
- 一句话结论:BioLM-Score将冻结的蛋白与分子语言模型嵌入经门控图卷积整合进残基-原子距离似然框架;在DEKOIS 2.0三个筛选终点上均优于匹配的几何基线,但亲和力打分与排序未一致改善。
- 研究设计与做法:研究为计算方法开发与基准评测:比较仅几何、联合训练与两阶段微调三种变体,主对照采用联合训练变体;评测集包括DEKOIS 2.0与BDB2020+,并设时间切分协议与嵌入打乱对照。具体样本量与靶点数材料未报告。
- 主要结果:结果:DEKOIS 2.0三个筛选终点均有改善,且有靶标级配对支持;时间切分协议下打分明显更低、排序亦低于几何基线,而筛选增益仍存;BDB2020+上经LP-PDBBind兼容重训练后与GenScore的亲和力相关性差异缩小;推理时打乱蛋白嵌入会削弱筛选优势,但重训练的打乱对照可恢复大部分性能。具体效应量与p值材料未报告。
- 机制或解释:作者解释:预训练生物分子表征可在不重训练语言模型的前提下增强几何打分的筛选能力;但打乱对照可恢复性能,说明嵌入的正确对齐未被确立为必要条件。
- 局限与边界:局限:亲和力预测与排序未一致改善,时间切分下性能下降;打乱对照削弱机制解释;训练集结构覆盖有限可能影响泛化;人群与临床无关;利益冲突材料未报告。
- 可否落地:落地含义:可作为虚拟筛选阶段的辅助打分工具,属「证据支持」限于筛选终点;对亲和力预测与排序则「不足以下结论」。临床转化材料未报告。
🔗 打开原文
Zhangfan Yang, Baoyun Chen, Dong Xu 等
本文摘自《每日前沿研究简报 · 2026-11-16》「化学信息 / 药物发现」。本内容仅用于研究信息整理与科普交流,不构成医疗建议。

发表评论 取消回复