《表2 虚拟筛选富集因子(EF)结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度神经网络的药物蛋白虚拟筛选》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

式中，TP代表预测正确的正样本数，TN代表预测正确的负样本数，FP代表预测错误的负样本数，FN代表预测错误的正样本数。模型的灵敏性分析SE（sensitivity）用于评估正样本的预测正确率，特效性分析SP（specificity）用于评估负样本的预测正确率。Nt为所有化合物分子个数，Ns是取样化合物数量，total actives为取样重活性化合物的个数，total molecules为测试集中所有活性化合物的个数，EFX%为打分结果前x%分子的个数（本文设定为2%），对于同一数据集式中total actives/total molecules的值是固定的。当EF>1时，说明该方法具有显著地活性化合物的富集能力，得到的结果是有效地，而且其富集能力随着EF的值得增加而增加。如表2所示，除了ace蛋白外，我们的DL筛选方法均能得到验证[6]。