药物在靶点上的停留时间（即与特定蛋白靶点结合的持续时间），在某些蛋白家族中，对药效的影响比结合亲和力更重要。为了在药物发现中对停留时间进行有效的优化，需要开发能够预测该指标的机器学习模型。预测停留时间的主要挑战之一是数据的匮乏。本章概述了目前所有可用的配体动力学数据，提供了一个迄今为止最大的GPCR-配体动力学数据资料库（公开来源）。为了帮助解读动力学数据的特征（这些特征的纳入对于预测停留时间的计算模型是有益的），我们总结了影响停留时间的实验证据。最后，概述了用机器学习预测停留时间的两种不同的工作流程。第一个是根据配体特征训练的单靶点模型；第二个是根据分子动力学模拟产生的特征来训练的多靶点模型。
