上海市药学会人工智能专委会学术年会

1.王任小：药靶作用预测，评估配体分子的成药性质（Tox and DMPK)//可用

1.1 打分函数 :PLANET模型，图学习？哪来的图？input(pockets点云&&分子结构）---->Affinityscore（Kd)

以上ver1， ver2的技术更新：混合高斯密度函数（G？），作为一个什么模块呢？只要二维结构？

去冗余的确很有必要.

1.2 PDBbind+ ver 2024,可以看一看

1.3 Koff课题，基于MD的和基于ML的----->STELLAR, input(构象系综）----------------->koff

PDBbind中就有这部分数据，还是可以看一下PDBbind最新的组成。

1.4 靶标预测：COMET，模块化？-->工作流，输出三元组（疾病，靶标，预测值？）

都在PDBbind+中，还是要具体看看。

ver2 对比学习模型，对比在哪里？？？OpenTargets数据库

蛋白表征大模型选择差异不大，配体表征选择差异大

1.5 结论：1）专用模型比通用模型好，在预测分子性质上

2）数据依旧很重要

3）算法要有，算法的评估验证更重要

4）少数的实验验证也是不充分的，通用才是硬道理。

问题：trainset/testset的泄露问题？

泄露是：指的是样本之间存在映射，所以实际上trainset和testset之间要求高的独立性。

测试集规模和置信度要匹配

补充：蛋白质语言模型没什么用是指？选择性预测不太行，稳定性有用。

2.朱峰

1）靶标发现：panda omics，老生常谈了。综合性的靶标评分。结果还是对数据集是依赖的，如何去除这些依赖呢？？？？？？？？？？

2）功能组学？？？？数据处理流程很重要------------->NOREVA模型框架？？？？有点意思哟

（那其实可以用强化学习的数据处理的方法）

3）单细胞组学，这就不得不说10x genomics了，这里就是ANPELA模型，看起来是细胞亚型鉴定模型，还有时间轨迹演进的推断，怎么就发现靶标了？？？？？

4）可药靶性？？？？，功能家族的长尾效应。

有道理，模型依赖与数据集，自然依赖于数据集的结构。

AnnoPRO，预测蛋白质功能？？

5）蛋白结构的问题：MISD（mutation-induced structure disruption),目前的模型对单点突变的预测有限。------------> Melo，度量结构变化和定位结构变化。

6）EnsemPPIS，但是大语言模型的长程其实不咋滴。

总结：这么多数据库，得看看啥情况，专业数据库的数据还太少了。还是觉得我们（实验）科学应该实现自驱动的AGENT流程，才有实际的意义，或者说才是高效的，活在现实世界，该做的还是要做的，只是机器来做更好。数据还是有限的。

3.刘琦：

弱监督问题：

前面的数据处理过程是很重要的，溜神了

4.孙思琦

蛋白质谱从头测序专业模型？？？

InterlliFold，别构sites有点参考价值，

5.卞月珉：

比较传统

6.张舜尧

量子MSA算法，多序列比对暂时没有突出的点

7.刁妍妍

环药空间？简单说来就是环结构药物。MacFrag------------------>Macformer