في عالم اكتشاف الأدوية، يعتبر الفحص الافتراضي القائم على الربط (Ligand-Based Virtual Screening LBVS) أداة حيوية في المراحل الأولية للبحث عن عقاقير جديدة. ومع ذلك، كانت هناك تحديات تتعلق بالمقاييس المستخدمة في تقييم الأداء، حيث يمكن أن تؤدي المعايير الحالية إلى تقديرات مبالغ فيها نتيجة لما يعرف بـ 'سلبيات عشوائية' (random negatives) وكذلك خوارزميات التقييم غير المعيارية.

هنا يأتي دور TopU-LBVS، وهو معيار مبتكر تم تطويره لتقديم تقييم أكثر دقة للأداء تحت ظروف فحص صعبة. يعتمد TopU-LBVS على بيانات النشاط البيولوجي المنظمة من قاعدة بيانات ChEMBL~35، ويغطي 93 هدفاً بروتينياً موزعة على 7 فئات بروتينية مختلفة.

ما الذي يميز TopU-LBVS؟

يتميز هذا المعيار بإنشاء مكتبات فحص مستهدفة محددة تتضمن 'خدعاً' (decoys) ذات خصائص متطابقة ومتساوية في البنية بنسبة ثابتة قدرها 1:40 بين المواد الفعالة والخدع. تحتوي المكتبات على ما بين 400 إلى 10,000 مركب وتُصمم لتقليل الاعتماد على الطرق السطحية البسيطة مثل خصائص الفيزيائية والكيميائية أو الجوار الأقرب.

يوفر TopU-LBVS ثلاثة بروتوكولات ثابتة لتقييم الأداء:
1. **TopU-LBVS-full**: يقيم أداء النموذج بشكل شامل عبر جميع الأهداف الـ93.
2. **TopU-LBVS-low**: يركز على تقييم أداء نماذج بعينة بيانات منخفضة ضمن توزيع السلبيات الصعبة.
3. **TopU-LBVS-mini**: يقدم بروتوكولاً مضغوطًا يركز على سبعة أهداف مع تحكم خادع عشوائي.

التجارب أظهرت أن الأداء تحت تقييم الخدع العشوائية يتدهور بشكل ملحوظ عند استخدام الفحص الصعب. تم إصدار البيانات، تقسيمات ثابتة، شيفرات التقييم، وتطبيقات الأساس لتوفير إمكانية إعادة إنتاج نتائج البحث في مجال LBVS وتعلم تمثيل الجزيئات.

للمزيد من التفاصيل، يمكنكم زيارة الروابط: TopU-LBVS Code وTopU-LBVS Data.