💻 bioinformatics

Teaching Diffusion Models Physics: Reinforcement Learning for Physically Valid Diffusion-Based Docking

यह शोध पत्र डिफ्यूजन-आधारित मॉलिक्यूलर डॉकिंग मॉडलों को फाइन-ट्यून करने के लिए एक रिइन्फोर्समेंट लर्निंग फ्रेमवर्क पेश करता है, जो संरचनात्मक सटीकता से समझौता किए बिना या इन्फरेंस-टाइम कंप्यूटेशन को बढ़ाए बिना, भौतिक रूप से वैध और इंटरैक्शन-प्रिजर्विंग पोज़ उत्पन्न करने की उनकी क्षमता को महत्वपूर्ण रूप से बढ़ाता है।

मूल लेखक: Broster, J. H., Popovic, B., Kondinskaia, D., Deane, C. M., Imrie, F.

प्रकाशित 2026-03-27

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Broster, J. H., Popovic, B., Kondinskaia, D., Deane, C. M., Imrie, F.

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

यहाँ इस शोध पत्र, "Teaching Diffusion Models Physics" का सरल भाषा और रचनात्मक उपमाओं (analogies) के साथ विवरण दिया गया है।

मुख्य विचार: "आँखों पर पट्टी बँधे मूर्तिकार" की समस्या

कल्पना कीजिए कि आप एक आँखों पर पट्टी बँधे हुए मूर्तिकार को यह सिखाने की कोशिश कर रहे हैं कि एक विशिष्ट चाबी (एक ड्रग मॉलिक्यूल) को शरीर के एक बहुत ही जटिल ताले (मानव शरीर में एक प्रोटीन) में कैसे फिट किया जाए।

लंबे समय से, वैज्ञानिक इस मूर्तिकार को सिखाने के लिए दो मुख्य तरीकों का उपयोग करते रहे हैं:

भौतिकी दृष्टिकोण (The Physics Approach): मूर्तिकार को भौतिकी के सख्त नियमों का एक सेट देना (जैसे "धातु को धातु से टकराने न दें")। वे हर संभव कोण को तब तक आज़माते हैं जब तक कि उन्हें ऐसा फिट न मिल जाए जो नियमों को न तोड़े। यह धीमा है और कभी-कभी एक ही जगह अटक जाता है।
AI दृष्टिकोण (डिफ्यूजन मॉडल्स): मूर्तिकार को लाखों फोटो दिखाना कि चाबियाँ तालों में कैसे फिट होती हैं। AI पैटर्न को सीखता है कि वे कैसी दिखती हैं। यह तेज़ और रचनात्मक है, लेकिन क्योंकि यह केवल पैटर्न के आधार पर अनुमान लगा रहा है, इसलिए यह कभी-कभी "असंभव" चाबियाँ बना देता है—ऐसी चाबियाँ जो कागज़ पर तो सही दिखती हैं, लेकिन वास्तविक दुनिया में उन्हें घुमाने की कोशिश करने पर वे टूट जाएँगी (उदाहरण के लिए, परमाणु आपस में टकरा रहे हों)।

समस्या: AI फिट होने के आकार (shape) का अनुमान लगाने में बहुत अच्छा है, लेकिन यह अक्सर फिट होने की भौतिकी (physics) को अनदेखा कर देता है। यह एक ऐसी चाबी का अनुमान लगा सकता है जो दूरी के मामले में तो एकदम सही फिट बैठती है, लेकिन इसमें परमाणु एक-दूसरे के ऊपर ओवरलैप हो रहे होते हैं, जैसे दो कारें एक ही स्थान से एक साथ गुजरने की कोशिश कर रही हों।

समाधान: एक "सख्त कोच" के रूप में सुदृढीकरण सीखना (Reinforcement Learning)

इस शोध पत्र के लेखकों ने इस समस्या को ठीक करने के लिए सुदृढीकरण सीखना (Reinforcement Learning - RL) नामक एक नई प्रशिक्षण विधि पेश की है। इसे एक सख्त कोच को काम पर रखने के रूप में समझें जो केवल अंतिम फोटो को ही नहीं देखता, बल्कि यह भी जाँचता है कि क्या वह मूर्ति वास्तव में वास्तविक दुनिया में काम करती है।

यहाँ उनका नया सिस्टम कैसे काम करता है, इसे सरल चरणों में विभाजित किया गया है:

1. "आँखों पर पट्टी बँधा" प्रक्रिया (Diffusion)

AI यादृच्छिक शोर (random noise) के एक बादल (जैसे पुराने टीवी पर दिखने वाला स्टैटिक) से शुरू होता है। यह धीरे-धीरे उस शोर को प्रोटीन में फिट होने वाली ड्रग की एक स्पष्ट तस्वीर में बदलने की कोशिश करता है। यह कदम-दर-कदम करता है, जैसे धुंध की परतों को हटाना।

2. "सख्त कोच" (Reinforcement Learning)

पुराने तरीके में, AI को केवल इस बात पर ग्रेड दिया जाता था कि उसका अनुमान "सही" उत्तर के कितने करीब था (जिसे पैमाने/रूलर से मापा जाता था)।
इस नए तरीके में, AI को भौतिक वास्तविकता पर ग्रेड दिया जाता है:

क्या परमाणु आपस में टकराए? (Steric clashes)
क्या ड्रग प्रोटीन के सही हिस्सों से चिपकी? (Interactions)

यदि AI एक ऐसी स्थिति (pose) बनाता है जो उत्तर के करीब तो दिखती है लेकिन भौतिकी का उल्लंघन करती है (परमाणु ओवरलैप होना), तो कोच कहता है, "नहीं! फिर से कोशिश करो।" AI इन "असंभव" आकारों से बचना सीख जाता है।

3. दो विशेष तरकीबें जिनका उपयोग कोच करता है

शोध पत्र में दो चतुर तकनीकों का उल्लेख है जिनका उपयोग कोच AI को बेहतर तरीके से सिखाने के लिए करता है:

तरकीब A: "प्रारंभिक मार्गदर्शन" (Imitation Regularization)
- उपमा: कल्पना कीजिए कि मूर्तिकार प्रक्रिया के बिल्कुल शुरुआत में है, और उसके हाथ में मिट्टी का एक विशाल, धुंधला ब्लॉक है। यदि वह यहाँ गलती करता है, तो पूरी मूर्ति खराब हो जाएगी।
- समाधान: शुरुआती कुछ चरणों के लिए, कोच वास्तविक उत्तर के एक "मानचित्र" का उपयोग करके मूर्तिकार को सही दिशा की ओर धीरे से धकेलता है। यह मूर्तिकार को शुरू होने से पहले ही किसी गलत रास्ते पर भटकने से रोकता है।
तरकीब B: "शाखाओं वाला रास्ता" (Trajectory Branching)
- उपमा: कल्पना कीजिए कि मूर्तिकार लगभग काम पूरा कर चुका है। उसके पास एक अच्छी मूर्ति है, लेकिन शायद उसका हैंडल थोड़ा बड़ा है।
- समाधान: केवल एक मूर्ति को पूरा करने के बजाय, कोच कहता है, "ठीक है, इस लगभग तैयार मूर्ति को लो और अभी इसके 16 थोड़े अलग संस्करण बनाओ।"
- क्यों? यह AI को यह देखने में मदद करता है कि कौन सा छोटा सा बदलाव एक "अच्छी" मूर्ति को "परफेक्ट" मूर्ति में बदल देता है, और कौन सा छोटा सा बदलाव उसे तोड़ देता है। यह AI को अंतिम चरणों पर बहुत विस्तृत फीडबैक देता है।

परिणाम: यह क्यों मायने रखता है

जब उन्होंने इस नए "कोच" सिस्टम (DiffDock-Pocket RL) का परीक्षण किया:

कम टूटी हुई चाबियाँ: भौतिक रूप से असंभव ड्रग आकारों की संख्या काफी कम हो गई। AI ने ऐसे ड्रग्स का सुझाव देना बंद कर दिया जो प्रोटीन से टकराते थे।
बेहतर सटीकता: भले ही उन्होंने भौतिकी पर ध्यान केंद्रित किया, AI ने सही आकार खोजने की अपनी क्षमता नहीं खोई। वास्तव में, यह सही जगह खोजने में और भी बेहतर हो गया।
"आउट-ऑफ-डिस्ट्रीब्यूशन" की जीत: यह सबसे रोमांचक हिस्सा है। यदि AI को "लॉक A" पर प्रशिक्षित किया गया था और फिर "लॉक B" (जो बहुत अलग दिखता है) को फिट करने के लिए कहा गया, तो पुराना AI अक्सर विफल हो जाता या असंभव आकार बनाता। नया AI, जिसने केवल आकारों को रटने के बजाय भौतिकी के नियमों को सीखा है, इन नए और अजीब तालों को बहुत बेहतर तरीके से संभालता है।

निचोड़ (The Bottom Line)

इस शोध पत्र को एक AI कलाकार को यह सिखाने के रूप में देखें कि केवल एक चित्र बनाना ही नहीं, बल्कि यह भी समझना कि दुनिया वास्तव में कैसे काम करती है।

पहले: AI एक ताले में चाबी की एक सुंदर तस्वीर बना सकता था, लेकिन यदि आप उस चाबी का उपयोग करने की कोशिश करते, तो वह टूट जाती।
अब: AI एक ऐसी तस्वीर बनाता है जो न केवल सुंदर है बल्कि भौतिक रूप से भी संभव है।

सुदृढीकरण सीखना (Reinforcement Learning) का उपयोग करके, उन्होंने AI को प्रक्रिया को धीमा किए बिना भौतिकी के नियमों का सम्मान करना सिखाया। यह ड्रग डिस्कवरी के लिए एक बड़ी प्रगति है क्योंकि इसका मतलब है कि कंप्यूटर अब ऐसे ड्रग उम्मीदवारों का सुझाव दे सकते हैं जो न केवल गणितीय रूप से सही हैं, बल्कि वास्तव में मानव शरीर के भीतर काम करने में सक्षम भी हैं।

यहाँ शोध पत्र "Teaching Diffusion Models Physics: Reinforcement Learning for Physically Valid Diffusion-Based Docking" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

मॉलिक्यूलर डॉकिंग (Molecular Docking) का लक्ष्य एक छोटे अणु (लिगैंड) के प्रोटीन लक्ष्य के साथ बाइंडिंग कॉन्फ़िगरेशन की भविष्यवाणी करना है। हाल के डिफ्यूजन-आधारित जनरेटिव मॉडल्स (जैसे, DiffDock, DiffDock-Pocket) ने ज्यामितीय सटीकता (Root-Mean-Square Deviation, या RMSD) के आधार पर लिगैंड पोज (poses) की भविष्यवाणी करने में मजबूत प्रदर्शन दिखाया है, लेकिन वे गंभीर दोषों से ग्रस्त हैं:

भौतिक रूप से अवास्तविकता (Physical Implausibility): मॉडल अक्सर ऐसे पोज उत्पन्न करते हैं जो RMSD थ्रेशोल्ड (जैसे, $\le 2$ Å) को तो संतुष्ट करते हैं, लेकिन उनमें गंभीर स्टेरिक क्लैश (steric clashes) होते हैं या रासायनिक वैधता नियमों का उल्लंघन करते हैं।
इंटरेक्शन रिकवरी में विफलता: वे अक्सर उन प्रमुख प्रोटीन-लिगैंड इंटरैक्शन (हाइड्रोजन बॉन्ड, $\pi$ -stacking, आदि) को पुनः प्राप्त करने में विफल रहते हैं जो दवा की प्रभावकारिता के लिए आवश्यक हैं।
उद्देश्य का गलत संरेखण (Objective Misalignment): मानक डिफ्यूजन ट्रेनिंग शोर (noise) पर मीन स्क्वेर्ड एरर (MSE) को कम करती है (score matching)। यह ऑब्जेक्टिव केवल भौतिक वैधता के साथ अप्रत्यक्ष रूप से सह-संबंधित है और यह स्पष्ट रूप से स्टेरिक क्लैश को दंडित नहीं करता या इंटरेक्शन रिकवरी को प्रोत्साहित नहीं करता है।
वर्तमान समाधानों की सीमाएँ: पोस्ट-हॉक सुधार (जैसे, एनर्जी मिनिमाइजेशन) या इन्फरेंस-टाइम गाइडेंस (जैसे, Boltz-steering) कम्प्यूटेशनल लागत को बढ़ा देते हैं या उन मौलिक मॉडल बायस (biases) को ठीक करने में विफल रहते हैं जहाँ लिगैंड को टारगेट के गलत क्षेत्र में रखा जाता है।

2. कार्यप्रणाली (Methodology)

लेखक एक रीइन्फोर्समेंट लर्निंग (RL) फ्रेमवर्क का प्रस्ताव करते हैं ताकि डिफ्यूजन-आधारित डॉकिंग मॉडल्स को सीधे गैर-डिफरेंशिएबल (non-differentiable), कार्य-प्रासंगिक उद्देश्यों (भौतिक वैधता और इंटरेक्शन रिकवरी) पर फाइन-ट्यून किया जा सके।

मुख्य फ्रेमवर्क: डिफ्यूजन एक MDP के रूप में

रिवर्स डिफ्यूजन प्रक्रिया को एक मार्कोव डिसीजन प्रोसेस (MDP) के रूप में तैयार किया गया है:

स्टेट ( $S_t$ ): वर्तमान लिगैंड पोज (ट्रांसलेशन, रोटेशन, टॉर्सन) और प्रोटीन पॉकेट कॉन्टेक्स्ट।
एक्शन ( $A_t$ ): डीनोइजिंग स्टेप (ट्रांसलेशन, रोटेशन और टॉर्सन एंगल्स में अपडेट)।
पॉलिसी ( $\pi_\theta$ ): डिफ्यूजन स्कोर फंक्शन्स द्वारा पैरामीटराइज्ड। एक्शन, सीखे गए स्कोर द्वारा परिभाषित गॉसियन डिस्ट्रीब्यूशन से सैंपल किए जाते हैं।
रिवॉर्ड ( $R$ ): अंतिम स्टेट ( $t=0$ $t = 0$ ) पर दिया जाने वाला टर्मिनल रिवॉर्ड। रिवॉर्ड PoseBusters चेक्स पर आधारित है:
- PB-Validity: सभी इंटर-मॉलिक्यूलर, इंट्रा-मॉलिक्यूलर और केमिकल वैलिडिटी चेक्स को पास करना (डेटा लीकेज से बचने के लिए RMSD चेक को छोड़कर)।
- ज्यामितीय सटीकता (Geometric Accuracy): ग्राउंड ट्रुथ के $\le 2$ Å RMSD के भीतर होना।
- इंटरेक्शन रिकवरी: नेटिव इंटरैक्शन के $\ge 50\%$ या $\ge 75\%$ को पुनः प्राप्त करना।

मानक DDPO पर मुख्य नवाचार

ट्रेनिंग को स्थिर करने और सिग्नल डेंसिटी में सुधार करने के लिए, लेखक दो विशिष्ट तंत्र पेश करते हैं:

अर्ली-स्टेप इमिटेशन रेगुलराइजेशन (Early-Step Imitation Regularization):
- समस्या: लॉन्ग-होरिजन RL में, क्रेडिट असाइनमेंट कठिन होता है; यदि बाद के स्टेप्स विफल हो जाते हैं, तो शुरुआती एक्शन को खराब फीडबैक मिल सकता है, या इसके विपरीत।
- समाधान: प्रक्षेपवक्र (trajectory) के शुरुआती, उच्च-शोर वाले स्टेप्स ( $t \ge T_E$ ) के लिए, मॉडल को एक "एक्सपर्ट" एक्शन की ओर रेगुलराइज किया जाता है। यह एक्सपर्ट एक्शन वर्तमान डिफ्यूजन स्टेप साइज के आधार पर लिगैंड को ग्राउंड-ट्रुथ पोज की ओर निर्देशित करता है। यह प्रारंभिक चरण में बिहेवियर क्लोनिंग लॉस के रूप में कार्य करता है, जो सूक्ष्म रिफाइनमेंट के लिए RL चरण शुरू होने से पहले प्रक्षेपवक्र को स्थिर करता है।
लेट-स्टेप ट्रैजेक्टरी ब्रांचिंग (Late-Step Trajectory Branching):
- समस्या: अंतिम रिवॉर्ड पोज का एक नॉन-लीनियर फंक्शन है; अंतिम स्टेप्स में छोटे बदलाव भी वैधता को नाटकीय रूप रूप से बदल सकते हैं (जैसे, एक क्लैश को हल करना)। एक एकल प्रक्षेपवक्र एक स्पार्स (sparse), शोर युक्त सिग्नल प्रदान करता है।
  ित समाधान: रिवर्स प्रोसेस के अंतिम स्टेप्स में (विशेष रूप से टाइमस्टेप्स $t \in \{8, \dots, 5\}$ ), प्रक्षेपवक्र ब्रांच (branch) होता है। एक साझा मध्यवर्ती अवस्था से, मॉडल 16 लीफ ट्रैजेक्टरीज की एक बाइनरी ट्री बनाने के लिए शोर को पुनः सैंपल करता है।
- रिवॉर्ड असाइनमेंट: रिवॉर्ड को वंशजों (descendants) के बीच औसत किया जाता है। यह ब्रांचिंग विंडो के साझा शुरुआती स्टेप्स के लिए एक सघन (dense), कम-वेरिएंस लर्निंग सिग्नल प्रदान करता है और पॉलिसी को वैध और अमान्य कॉन्फ़िगरेशन के बीच की तीखी सीमाओं को सीखने में मदद करता है।

ट्रेनिंग ऑब्जेक्टिव

मॉडल को एक पॉलिसी ग्रेडिएंट ऑब्जेक्टिव (इम्पॉर्टेंस सैंपलिंग के साथ PPO-स्टाइल) का उपयोग करके फाइन-ट्यून किया जाता है जो अपेक्षित रिवॉर्ड को अधिकतम करता है। लॉस फंक्शन शुरुआती स्टेप्स के लिए एक्सपर्ट इमिटेशन लॉस और बाद के स्टेप्स के लिए RL रिवॉर्ड लॉस को जोड़ता है।

3. मुख्य योगदान (Key Contributions)

गैर-डिफरेंशिएबल डॉकिंग उद्देश्यों के लिए RL: यह प्रदर्शित करता है कि डिफ्यूजन मॉडल्स को गैर-डिफरेंशिएबल भौतिक बाधाओं (स्टेरिक क्लैश, रासायनिक वैधता) का उपयोग करके प्रभावी ढंग से फाइन-ट्यून किया जा सकता है, जिन्हें मानक सुपरवाइज्ड लर्निंग के माध्यम से अनुकूलित करना असंभव है।
नया ट्रेनिंग स्टेबिलाइजेशन: क्रेडिट असाइनमेंट और स्पार्स रिवॉर्ड समस्याओं को हल करने के लिए अर्ली-स्टेप इमिटेशन और लेट-स्टेप ट्रैजेक्टरी ब्रांचिंग पेश करता है।
जीरो इन्फरेंस-टाइम ओवरहेड: गाइडेंस विधियों के विपरीत, जिन्हें जनरेशन के दौरान कई फॉरवर्ड पास या चेक्स की आवश्यकता होती है, RL फाइन-ट्यूनिंग मॉडल के वेट्स (weights) को अपडेट करती है। इन्फरेंस प्रक्रिया बेसलाइन के समान रहती है, जिससे कंप्यूट टाइम में कोई वृद्धि नहीं होती है।
आउट-ऑफ-डिस्ट्रीब्यूशन लक्ष्यों के लिए सामान्यीकरण: यह विधि प्रशिक्षण सेट के साथ कम सीक्वेंस आइडेंटिटी वाले लक्ष्यों पर प्रदर्शन में काफी सुधार करती है, जिससे पता चलता है कि मॉडल विशिष्ट बाइंडिंग मोड को याद करने के बजाय सामान्य भौतिक सिद्धांतों को सीखता है।

4. परिणाम (Results)

लेखकों ने PoseBusters बेंचमार्क (308 प्रोटीन-लिगैंड कॉम्प्लेक्स) पर फाइन-ट्यून किए गए मॉडल (DiffDock-Pocket RL) का मूल्यांकन किया।

भौतिक वैधता (PB-Validity):
- टॉप-रैंक्ड पोज के लिए फिजिकली वैलिड पोज का अनुपात 58.8% से बढ़कर 78.1% हो गया।
- सभी सैंपल किए गए पोजों में, वैधता 38.2% से बढ़कर 58.9% हो गई।
- लो-होमोलॉजी लक्ष्यों (0–30% सीक्वेंस आइडेंटिटी) के लिए, वैधता लगभग दोगुनी (24.3% $\to$ 46.4%) हो गई।
संयुक्त सफलता मानदंड (Combined Success Criteria):
- टॉप-1 सफलता (RMSD $\le 2$ Å AND PB-Valid): 46.2% से बढ़कर 58.8% हो गई।
- ओरेकल सफलता (40 सैंपल्स में सर्वश्रेष्ठ पोज): 66.1% से बढ़कर 79.9% हो गई।
- इंटरेक्शन रिकवरी: जब $\ge 50\%$ इंटरेक्शन रिकवरी की आवश्यकता थी, तो टॉप-1 सफलता 38.9% से बढ़कर 49.7% हो गई।
अन्य विधियों के साथ तुलना:
- DiffDock-Pocket RL ने PoseBusters सेट पर क्लासिकल फिजिक्स-बेस्ड मेथड्स (AutoDock Vina, GOLD) और अन्य ML अप्रोच (EquiBind, TankBind, DiffDock) को पछाड़ दिया।
- DiffDock-Pocket RL++ (RL मॉडल + पोस्ट-हॉक Vina मिनिमाइजेशन + GNINA री-रैंकिंग) ने RMSD $\le 2$ Å के लिए 80.2% और संयुक्त RMSD + PB-वैलिडिटी मानदंड के लिए 78.2% टॉप-1 सफलता प्राप्त की, जो सभी अन्य विधियों से बेहतर है।
एनर्जी लैंडस्केप (Energy Landscape):
- जनरेट किए गए पोज का औसत Vina एनर्जी महत्वपूर्ण रूप से सुधरा, जो बेसलाइन के 2.24 kcal/mol से बदलकर RL के -2.10 kcal/mol हो गया, जो दर्शाता है कि मॉडल अधिक ऊर्जावान रूप से अनुकूल कॉन्फ़िगरेशन को सैंपल करता है।
विविधता (Diversity):
- RL मॉडल ने अधिक विविध वैध पोज उत्पन्न किए (बेसलाइन के 1.25 Å बनाम RL के 2.21 Å माध्य पेयरवाइज RMSD), जो इंगित करता है कि मॉडल ने विशिष्ट ट्रेनिंग पोज को ओवरफिट करने के बजाय सामान्य गणनीय वैधता सिद्धांतों को सीखा है।

5. महत्व (Significance)

यह कार्य AI-संचालित ड्रग डिस्कवरी में एक महत्वपूर्ण बाधा को संबोधित करता है: भौतिक रूप से प्रशंसनीय (physically plausible) संरचनाओं का निर्माण।

अंतराल को पाटना: यह सफलतापूर्वक डिफ्यूजन मॉडल्स के ट्रेनिंग ऑब्जेक्टिव को स्ट्रक्चरल बायोलॉजी की व्यावहारिक आवश्यकताओं (स्टेरिक वैलिडिटी, इंटरेक्शन रिकवरी) के साथ संरेखित करता है, बिना ज्यामितीय सटीकता से समझौता किए।
दक्षता: इन्फरेंस-टाइम सुधारों के लिए महंगे खर्चों पर निर्भर रहने के बजाय मॉडल वेट्स को अपडेट करके, यह एक स्केलेबल समाधान प्रदान करता है, जो हाई-थ्रूपुट स्क्रीनिंग के लिए उपयुक्त है।
सामान्यीकरण: यह फ्रेमवर्क केवल डॉकिंग तक सीमित नहीं है; लेखक सुझाव देते हैं कि इसे अन्य स्ट्रक्चर-बेस्ड प्रेडिक्शन कार्यों (जैसे, AlphaFold3/Boltz के साथ प्रोटीन फोल्डिंग) पर लागू किया जा सकता है जहाँ वर्तमान मॉडल भौतिक रूप से अमान्य संरचनाएं उत्पन्न करते हैं।
व्यावहारिक प्रभाव: नेटिव-नियर, फिजिकली वैलिड पोज उत्पन्न करने की क्षमता, जिसमें उच्च इंटरेक्शन रिकवरी है, वर्चुअल स्क्रीनिंग और लीड ऑप्टिमाइजेशन की विश्वसनीयता को सीधे सुधारती है, जिससे ड्रग डिस्कवरी में उच्च विफलता दर को कम करने में मदद मिल सकती है।