13/15 🧬 蛋白–肽预测,跨越高精度阈值。 在 MolBench-Peptide-26 上,Mol-1 达到: • 88.8%(DockQ > 0.23) • 77.3%(DockQ > 0.49) • 54.1%(DockQ > 0.80) 结合结合位点信息,Mol-1-constraint 将上述指标提升至 92.2%、85.0% 和 60.2%。 生物位点信息在每一个评估的精度阈值上提升了肽复合物预测。 #AIforScience
13/15 🧬 蛋白质–肽段预测,通过高精度阈值。
在 MolBench-Peptide-26 上,Mol-1 达到:
• DockQ > 0.23 时为 88.8%
• DockQ > 0.49 时为 77.3%
• DockQ > 0.80 时为 54.1%
结合结合位点信息,Mol-1-constraint 将这些提升至 92.2%、85.0% 和 60.2%。
生物位点信息在每个评估的精度阈值上都改善了肽段复合物预测。
#AIforScience
12/15 🧩 分子胶预测必须同时正确预测蛋白质界面和胶体构象。 在 MGBench 上,Mol-1 的联合成功率为: • 已见(Seen):92.2% • 高同源性(High Homology):74.6% • 低同源性(Low Homology):28.6% 在低同源性设置下,表现最强的已评估基线达到 19.1%。 联合成功要求配体 RMSD < 2 Å、lDDT-PLI > 0.8 且蛋白质界面 DockQ > 0.23。 #DrugDiscovery
原文
12/15 🧩 Molecular-glue prediction has to get the protein interface and the glue pose right together. On MGBench, Mol-1 achieves joint success rates of: • Seen: 92.2% • High Homology: 74.6% • Low Homology: 28.6% The strongest evaluated baseline reaches 19.1% in Low Homology. Joint success requires ligand RMSD < 2 Å, lDDT-PLI > 0.8 and protein-interface DockQ > 0.23. #DrugDiscovery
来源:Molence · x.com