EUVIMEDSkopri EUVIMED
Open access · CC BY 4.0

Evaluating Machine Learning Affinity Prediction Methods on Novel Lead Optimization Data: A 15‐PGDH Case Study

Bewertung von Machine-Learning-Methoden zur Affinitätsvorhersage an neuen Lead-Optimierungsdaten: eine 15-PGDH-Fallstudie

Alexander S Rich, Leela S Dodda, Daniel J Price iD

ChemMedChem · 2026-10-28 · 21 (20)

DOI: 10.1002/cmdc.70531 ↗

Auf einen Blick

In einer Fallstudie mit vier Ligandenreihen zu 15-PGDH zeigte Boltz-2 gute Ergebnisse in bekannten chemischen Bereichen, AEV-PLIG schnitt meist schlecht ab. In neuen Bindetaschenregionen lag Boltz-2 teils deutlich daneben.

Fragestellung

Wie gut sagen aktuelle ML-Methoden die Protein-Ligand-Affinität bei neuen Lead-Optimierungsdaten für 15-PGDH voraus, und wann können sie Syntheseprioritäten beeinflussen?

Methode

Fallstudie mit vier verwandten Ligandenreihen zu 15-hydroxyprostaglandin dehydrogenase (15-PGDH); Vergleich von ML-Methoden zur Vorhersage der Affinität und Rangordnung.

Ergebnisse

AEV-PLIG performte über die meisten Reihen schlecht; zusätzliche Literatur-Inhibitoren verbesserten dies nicht. Boltz-2 war in ähnlichen Reihen gut, erreichte korrekte Cofolding-Posen (medianes Liganden-RMSD ≤0,81 Å) und Rangordnung.

Einschränkungen

Für eine Serie in einer neuen Bindetaschenregion erzeugte Boltz-2 teils ungenauere Posen und unterschätzte die Potenz trotz bis zu 500-facher experimenteller Zunahme.

Schlussfolgerung der Autor:innen

Die Ergebnisse zeigen Potenzial in gut charakterisiertem chemischem Raum, aber auch Grenzen in neuen Regionen, in denen computergestützte Unterstützung besonders wichtig ist.

Kernaussagen

  • AEV-PLIG schnitt in den meisten Serien schlecht ab
  • Boltz-2 war in bekannten Serien mit korrekter Rangordnung stark
  • In neuer Bindetaschenregion unterschätzte Boltz-2 die Potenz trotz bis zu 500-facher Zunahme

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

At a glance

Journal article in ChemMedChem, published online on 2026-10-18. Written by Alexander S Rich and 2 co-authors. Institution: Inductive Bio, Brooklyn, New York, USA. Major MEDLINE topics: Machine Learning, Hydroxyprostaglandin Dehydrogenases, Enzyme Inhibitors. 31 references. The full text is freely available (open access, CC BY 4.0).

Auf einen BlickAstrattSubjectsDettalji biblijografiċiCiteRelated studies

Abstract (original language)

Recent machine learning (ML) methods for protein–ligand affinity prediction, such as Boltz‐2 and AEV‐PLIG, have been reported to approach free energy perturbation (FEP) accuracy on well‐known benchmarks. Even short of that accuracy, ML‐based potency models that fall between FEP and common docking scoring functions in accuracy and speed offer clear potential value. Here, we report a case study using recently disclosed data from four related ligand series targeting 15‐hydroxyprostaglandin dehydrogenase (15‐PGDH). We evaluate each ML method's predictive accuracy with a focus on when it could be used to influence synthetic priorities. AEV‐PLIG performed poorly across most series, and adding literature 15‐PGDH inhibitors to its training did not improve performance. Boltz‐2 performed well on series most similar to published inhibitors in its training, achieving accurate cofolding (median ligand RMSD ≤0.81 Å) and rank order. However, for a series exploring a new region of the binding pocket, Boltz‐2 sometimes generated less accurate poses and predicted all ligands in the series to be less potent than a published exemplar, despite experimental potency gains of up to 500x. These results highlight both the promise in well‐characterized chemical space and limitations in the novel regions where computational guidance is most needed.

Subjects

MeSH terms (MEDLINE)

Machine LearningHydroxyprostaglandin DehydrogenasesEnzyme InhibitorsLigandsThermodynamicsHumansMolecular StructurePredictive Learning ModelsPrediction AlgorithmsBinding SitesMolecular Docking SimulationStructure-Activity RelationshipProtein Binding

Author keywords

binding affinity predictioncofoldingfree energy perturbationlead optimizationmachine learning

Substances

LigandsHydroxyprostaglandin Dehydrogenases15-hydroxyprostaglandin dehydrogenaseEnzyme Inhibitors

Authors and institutions

  • Inductive Bio, Brooklyn, New York, USA.
  • Nimbus Therapeutics, Cambridge, Massachusetts, USA.

ORCID profiles: Daniel J Price

Cite

APA

Rich, A. S., Dodda, L. S., & Price, D. J. (2026). Evaluating Machine Learning Affinity Prediction Methods on Novel Lead Optimization Data: A 15‐PGDH Case Study. ChemMedChem, 21(20). https://doi.org/10.1002/cmdc.70531

Vancouver

Rich AS, Dodda LS, Price DJ. Evaluating Machine Learning Affinity Prediction Methods on Novel Lead Optimization Data: A 15‐PGDH Case Study. ChemMedChem. 2026;21(20). doi:10.1002/cmdc.70531

BibTeX
@article{Rich2026,
  author = {Rich, Alexander S and Dodda, Leela S and Price, Daniel J},
  title = {Evaluating Machine Learning Affinity Prediction Methods on Novel Lead Optimization Data: A 15‐PGDH Case Study},
  journal = {ChemMedChem},
  year = {2026},
  volume = {21},
  number = {20},
  doi = {10.1002/cmdc.70531}
}
Start for free →