Key points are not available for this paper at this time.
تستخدم الطرق الحالية للتعلم العميق في الفحص الافتراضي القائم على الهيكل هياكل كل من البروتين والليجاند كمدخلات لكنها تستخدم القليل أو لا تستخدم هيكل البروتين عند توقع ربط الليجاند. هنا، نوضح كيف أن طريقة بسيطة نسبيًا لزيادة مجموعة البيانات تجبر هذه الطرق على أخذ المعلومات من البروتين بعين الاعتبار. النماذج المدربة بهذه الطريقة أكثر قدرة على التعميم (تقدم توقعات أفضل على مجمعات البروتين/الليجاند من توزيع مختلف مقارنة ببيانات التدريب). كما أنها تعطي أهمية أكبر للأبعاد المرتبطة بالبروتين والليجاند المعنية في الارتباط. بشكل عام، تظهر نتائجنا أن زيادة مجموعة البيانات يمكن أن تساعد الفحص الافتراضي المعتمد على التعلم العميق في تعلم التفاعلات الفيزيائية بدلاً من التحيزات المتعلقة بمجموعة البيانات.
درس سكانتلبوري وآخرون (الخميس) هذا السؤال.