Nat Commun｜通过few-shot学习，利用最少的湿实验数据提高蛋白质语言模型的效率

文章预览

准确地对蛋白质适应度景观进行建模对于蛋白质工程非常重要。 酶工程或者蛋白质工程是要对蛋白质做突变并筛选得到性质更优的蛋白质产品。 传统的湿实验方法是类似于贪婪算法式的搜索方法，需要进行多轮实验迭代并反复进行实验验证。 这些湿实验方法需要耗费大量的人力和时间，做出一个满足需求的蛋白质产品往往需要数年的时间，而且湿实验方法能够筛选遍历的蛋白质突变序列库非常有限。 目前有一些深度学习的方法来加速这个蛋白质突变改造进程，但是这些深度学习模型想要得到很高的准确率的话，需要利用成千上万的蛋白质突变数据来训练模型。 而这个大规模高质量的突变数据的获取也是传统湿实验的巨大门槛。 因而，行业内急需一种在不需要大量湿实验数据情况下，依然能够对蛋白质突变-功能做出准确预测的方法。 目前的蛋 ………………………………