Sto trzysta pomiarów laboratoryjnych poprawia wirtualny screening

Wirtualny screening polega na wyłowieniu z ogromnej biblioteki związków tych, które warto przetestować w laboratorium. Budżet eksperymentalny jest ograniczony, więc liczy się nie pełna klasyfikacja, a to, jak wcześnie w rankingu pojawiają się prawdziwie aktywne cząsteczki. Japońscy autorzy sprawdzają, czy model Boltz-2 da się do tego przygotować na kilkudziesięciu lub kilkuset pomiarach z konkretnego testu.

Ile danych wystarczy

Autorzy dostrajali głowice powinowactwa Boltz-2, podając modelowi od 40 do 300 dwójkowych etykiet aktywności. Oceniali go retrospektywnie na ośmiu celach z zestawu MF-PCBA. Przy 300 pomiarach liczba aktywnych związków w pierwszym procencie rankingu wzrosła średnio geometrycznie 1,77-krotnie względem wariantu niedostrojonego, a średnia precyzja poprawiła się 2,14-krotnie. Wynik zależy od celu i od doboru zbioru treningowego, więc autorzy traktują go jako sygnał, nie jako regułę.

Drugi eksperyment dotyczy kosztu obliczeń. Badacze nie przenumerowywali całego zbioru kandydatów dostrojoną głowicą. Ograniczyli rescorowanie do mniej więcej dziesięciu procent najlepiej ocenionych propozycji Boltz-2. Przy takim zawężeniu odzysk trafień pozostał porównywalny z pełnym rescorowaniem. Wniosek jest prosty: jeśli model ma już dobre wyczucie grubszej skali, wystarczy dopracować końcówkę listy.

Autorzy sami zastrzegają, że badanie jest retrospektywne. Etykiety pochodzą z gotowych zestawów, a nie z nowego eksperymentu, więc uzyskane liczby opisują zachowanie metody na znanych danych, a nie jej skuteczność w nieznanym laboratorium. Wniosek pozostaje jednak użyteczny: zamiast trenować model od zera na dziesiątkach tysięcy pomiarów, wystarczy dostroić głowice na zbiorze mieszczącym się w budżecie jednego projektu i nadal zyskać na kolejności kandydatów.

Obróbka danych w proteomice

Równolegle rozwija się strona pomiarowa. W innej pracy zaprezentowano ProteoEM, otwartą bibliotekę w Pythonie, która szacuje obfitość białek i proteoform na podstawie pojedynczocząsteczkowych śladów powinowactwa. Problem polega na tym, że niedoskonałe i niespecyficzne wiązanie sondy sprawia, iż jeden ślad pasuje do kilku możliwych identyfikacji. Autor nie przypisuje śladu do jednego kandydata. Proponuje rozdzielenie wątpliwości wagowo, w schemacie maksymalizacji oczekiwanej wiarygodności, z użyciem kalibrowanych z góry wskaźników odpowiedzi sondy. Nieodróżnialne proteoformy model raportuje jako grupy, zamiast wymuszać arbitralny wybór.

Oba podejścia łączy jedna myśl: w badaniach biomedycznych wartość ma nie abstrakcyjna dokładność, ale to, jak decyzja modelu przekłada się na kolejny, kosztowny krok w laboratorium. Dlatego w ocenie modeli zaczyna liczyć się nie średnia jakość na całym zbiorze, lecz praca wykonana w tym wąskim okienku, na którym naprawdę zależy.