연구진은 LIT-PCBA 라이브러리(15개 타겟, 578,295개 리간드-타겟 쌍)를 활용하여 AI 기반 독킹 도구인 DiffDock과 AutoDock-GPU의 성능을 평가했습니다.
GNINA 리스코어링을 적용한 AutoDock-GPU(AutoDock-GNINA)가 가장 우수한 성능(EF1% 2.14)을 보였으며, DiffDock 기반 방법은 특히 OPRK1과 같은 어려운 타겟에서 성능이 떨어졌습니다.
지도 학습 기반 재순위화(supervised ML re-ranking)가 가장 큰 성능 향상(EF1% 4.49)을 가져왔으며, 현재는 검증된 조합과 지도 학습 재순위화가 실용적인 가치를 제공합니다.