SMCseeker: an attentive virtual screening model for antiviral discovery
7.4
来源：
Cell
发布时间：
2025-08-27 19:31
摘要：
SMCseeker模型通过使用大规模的抗H1N1数据集，结合数据增强和多头注意力机制，成功提升了抗病毒药物发现的效率。该模型在验证集和未见数据集上表现稳定，正预测值达到70.65%。SMCseeker不仅适用于H1N1，还可用于其他重要病毒的药物发现，具有广泛的应用潜力。
原文：
查看原文
价值分投票
评分标准
新闻价值分采用0-10分制，综合考虑新闻的真实性、重要性、时效性、影响力等多个维度。
评分越高，表示该新闻的价值越大，越值得关注。
价值维度分析
domain_focus
1.0分+重点关注领域符合度
business_impact
0.5分+商业影响力
scientific_rigor
1.5分+数据支撑的科学性
timeliness_innovation
1.5分+时效性与创新性
investment_perspective
2.5分+BOCG投资视角
market_value_relevance
1.0分+市场价值相关性
team_institution_background
0.5分+团队与机构背景
technical_barrier_competition
0.4分+技术壁垒与竞争格局
关键证据
H1N1-SMCseeker achieved PPV of 70.65% on one in vitro experiment
Data augmentation reduced the impact of data imbalance
Attention mechanism improved the models performance
真实性检查
否
AI评分总结
SMCseeker模型通过使用大规模的抗H1N1数据集，结合数据增强和多头注意力机制，成功提升了抗病毒药物发现的效率。该模型在验证集和未见数据集上表现稳定，正预测值达到70.65%。SMCseeker不仅适用于H1N1，还可用于其他重要病毒的药物发现，具有广泛的应用潜力。