Evaluation of the Wilma-SIE Virtual Screening Method in Community Structure–Activity Resource 2013 and 2014 Blind Challenges
Notice bibliographique
Résumé
Prospective assessments of the Wilma-SIE (solvated interaction energy) platform for ligand docking and ranking were performed during the 2013 and 2014 editions of the Community Structure-Activity Resource (CSAR) blind challenge. Diverse targets like a steroid-binding protein, a serine protease (factor Xa), a tyrosine kinase (Syk), and a nucleotide methyltransferase (TrmD) were included. Pose selection was achieved with high precision; in all 24 tests Wilma-SIE top-ranked the native pose among carefully generated sets of decoy conformations. Good separation for the native pose was also observed indicating robustness in pose scoring. Cross-docking was also accomplished with high accuracy for the various systems, with ligand median-RMSD values around 1 Å from the crystal structures. Larger deviations were occasionally obtained due to the rigid-target approach even if multiple target structures were used. Affinity ranking of congeneric ligands after cross-docking was reasonable for three of the four systems, with Spearman ranking coefficients around 0.6. Poor affinity ranking for FXa is possibly due to missing structural domains, which are present during measurements. Assignment of protonation states is critical for affinity scoring with the SIE function, as shown here for the Syk system. Including the FiSH model improved cross-docking but worsened affinity predictions, pointing to the need for further fine-tuning of this newer solvation model. The consistently strong performance of the Wilma-SIE platform in recent CSAR and SAMPL blind challenges validates its applicability for virtual screening on a broad range of molecular targets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».