En ny omfattende gennemgang fra arXiv viser, at selvom deep learning-modeller til forudsigelse af lægemiddel-target-binding rapporterer stærke resultater på standard benchmarks, halter de markant i virkelige anvendelser. Ifølge undersøgelsen er effektiviteten ofte påvirket af datasæt-bias og begrænsede evalueringsforhold, og de fleste metoder præsterer dårligere i cold-start-scenarier — hvor nye lægemidler eller targets ikke har tidligere data. Dette er et kritisk problem for medicinalindustrien, hvor målet ofte er at forudsige binding for hidtil usete kombinationer.
Gennemgangen identificerer flere centrale begrænsninger: datasæt-ubalance, manglende standardiseret evaluering, begrænset reel anvendelighed og udfordringer i cold-start. Disse problemer betyder, at modeller, der klarer sig godt i laboratoriet, kan fejle, når de bruges på nye lægemiddelkandidater. For beslutningstagere i pharma og biotech er dette en advarsel om ikke at stole blindt på benchmark-tal, men i stedet kræve mere robuste evalueringsmetoder.
Forfatterne foreslår fremtidige forskningsretninger, herunder bedre datasæt-design, mere robuste evalueringsmetoder, forbedret håndtering af cold-start-problemer og integration af multimodale repræsentationer. For investorer og virksomheder, der bygger på disse modeller, er det afgørende at forstå, at nuværende løsninger måske ikke er klar til klinisk eller kommerciel brug uden yderligere validering.
