知识卡片：评估基于结构的蛋白–配体结合预测方法的指南

一句话结论

Ballester 与 Tran-Nguyen 在 Nature Machine Intelligence 发表 Perspective，提出一套评估指南，主张通过数据、代码与实验流程的透明披露，以及对数据泄漏、采样偏差和设计缺陷的防范，实现评分函数（scoring functions）公平、可复现且有意义的比较。

事件概述或研究问题

• 深度学习驱动的评分函数近年来在蛋白–配体构象生成（pose generation）与结合亲和力预测（binding affinity prediction）中日益突出，服务于计算药物设计。
• 但现有研究的若干不足，使得跨研究评估某一特定任务的评分函数越来越困难。
• 本文即针对“如何评估基于结构的蛋白–配体结合预测方法”提出一套社区指南。

方法/产品要点

（本文为 Perspective 观点文章，摘要未披露完整指南条目，以下为摘要明确提及的要点）

• 透明披露：训练数据、代码与实验流程的公开，是复现、复用与独立审查的前提。
• 防范缺陷：警惕数据泄漏（data leakage）、采样偏差（sampling bias）与实验设计缺陷。
• 可比性要求：有意义的评分函数比较需要共同的数据划分（common data splits）、运行间变异性的检查（run-to-run variability）以及性能基线（performance baselines）。

主要结果或产业意义

• 摘要层面未给出实证结果；文章定位为提出指南，帮助社区识别解决上述重要问题最有前景的方法。
• 其主张指向药物设计计算流程评估规范的收敛，可能影响评分函数的报告标准与横向比较方式（具体落地形式待核实）。

为什么重要

• 评分函数的优劣判断高度依赖评估协议；数据泄漏与偏差会系统性高估方法性能，误导方法选型。
• 透明度与共同数据划分是把“看似更强”转化为“可验证更强”的前提，对学术复现与产业落地均有直接价值。

局限与不确定性

• 本文为订阅制 Perspective，仅获取到摘要与参考文献列表，指南的具体条目、适用边界与作者给出的操作清单待核实。
• 摘要未提供任何定量验证或案例结果，指南的实际有效性待核实。

可用于图书/PPT/简报的角度

• 作为“AI 药物设计评估规范”话题的引子：从模型能力转向评估可信度。
• 与基准评估主题串联：数据泄漏、数据划分与基线设置是跨领域共通的评估陷阱。
• 可用于说明“透明度（数据/代码/流程）”为何是可复现研究的基础设施而非附属品。

原始材料

• 标题：Guidelines for evaluating structure-based methods for protein–ligand binding prediction
• 作者：Viet-Khoa Tran-Nguyen, Pedro J. Ballester
• 期刊：Nature Machine Intelligence（Perspective），Published online: 23 October 2026
• DOI：10.1038/s42256-026-01331-8
• URL：https://www.nature.com/articles/s42256-026-01331-8
• 关键词（英文）：scoring functions; protein–ligand binding prediction; data leakage; sampling bias; reproducibility; data splits; performance baselines