CliffRank：活动悬崖排名预测的双分支框架

活动悬崖排名仍然很困难，因为局部结构变化可能导致巨大的活动差异，而解决潜在机制的高质量数据仍然有限。为了更有效地使用可用的活动标签，我们将绝对活动回归与排名一致性学习相结合。 CliffRank 使用均方误差、阈值列表损失和成对偏好一致性 (PPC) 来训练两个并行预测器，该一致性在偏好概率空间中对齐相对排序。在三个抗菌肽数据集上，使用 ESM2-t12 的 CliffRank 实现了 0.5393 的最高平均 Spearman 相关性和 21.4 的平均 Recall@50，尽管领先的方法因各个数据集而异。在三个小分子数据集上，CliffRank 与 PNA（其中 PPC 在 120 个 epoch 后被激活）实现了最高平均 Spearman 相关性 0.6890，而其平均 Recall@50 为 30.4 与 ACANet-PNA 相匹配。 PPC 结果也定义了其实际限制。非对称初始化改善了 MolCLR-GIN 平均值，但并未改善每个目标。对于没有预训练权重的 PNA，延迟 PPC 改进了选定的指标，但没有一个时间表对于平均 Spearman 相关性和平均 Recall@50 都是最佳的。未来的工作应该评估更多的靶点和抗菌肽系统，开发适应性 PPC 时间表，并在可用时纳入蛋白质或膜背景。