NeurIPS 2024 | DePLM：用扩散去噪过程帮助大模型进行蛋白质优化

文章预览

本文提出了一种名为 DePLM 的方法，通过特征编码器获取表达性蛋白质表示，并基于这些表示从嘈杂的进化似然中提取特定于属性的似然，进而用于突变效应预测。实验结果表明，DePLM不仅超越了现有技术的基线表现，还展现了出色的泛化能力。 进一步的分析表明，使用更大规模的数据集或结合其他相关属性的数据，能够显著提升模型性能。 虽然实验中由于资源限制使用了野生型边缘概率进行预测，这种方法通过累加单个突变效应来估计多重突变的影响，但其局限性在于未能考虑突变之间的复杂相互作用。 DePLM有潜力通过引入更高效的预测技术，例如掩蔽边缘概率，进一步提高多重突变预测的准确性。 论文题目：  DePLM: Denoising Protein Language Models for Property Optimizations  论文链接： https://neurips.cc/virtual/2024/poster/95517 代码链接： https://github.com/HICAI-ZJU/De ………………………………