RAPID-Net es un algoritmo de predicción de bolsillos de enlace basado en aprendizaje profundo que proporciona predicciones precisas de bolsillos de enlace y características, integrándose perfectamente en los procesos de acoplamiento. En el benchmark PoseBusters, AutoDock Vina, basado en RAPID-Net, alcanza un 54,9 % de poses Top-1 que cumplen con RMSD < 2 Å y los criterios de plausibilidad química de PoseBusters, superando a DiffBindFR (49,1 %). Incluso en el intervalo de tiempo más exigente de PoseBusters para la evaluación de la capacidad de generalización (estructuras enviadas después del 30 de septiembre de 2021), AutoDock Vina, basado en RAPID-Net, alcanza un rendimiento del 53,1 %, lo que demuestra que la clasificación de poses es el principal obstáculo para la precisión, más que el muestreo. Es adecuado para el cribado virtual a gran escala gracias a su inferencia ligera, escalabilidad y precisión competitiva, y supera a otras herramientas de predicción de bolsillos como PUResNet y Kalasanty. Demuestra el potencial para acelerar el descubrimiento de fármacos mediante el rendimiento en dianas farmacológicamente relevantes y ofrece nuevas oportunidades para el diseño de inhibidores alostéricos mediante la identificación precisa de sitios funcionales remotos. En el caso de la ARN polimerasa dependiente de ARN del SARS-CoV-2, mientras que los predictores existentes solo anotan la cavidad de honestidad y pasan por alto la cavidad secundaria, RAPID-Net descubrió un conjunto más amplio de posibles cavidades de unión.
