bioRxiv· Stump, E.; Dennison, H.; Strobbia, P.; Stan, G.; Dima, R. I.·· 来源仅提供日期AI 评分44
从零构建:用数据增强提升蛋白质语言模型在蛋白质集上的性能
Building from the ground up: augmentation strategies to improve protein language model performance on protein sets
AI 导读
研究考察了多种蛋白质语言模型(pLM)在训练数据不足时的学习表现,并测试数据增强能否提升预测性能。结果显示,若模型只需泛化到分布内数据,缩窄有限数据集中蛋白-蛋白复合物的分布可使训练集规模降低一个数量级。用生成式 pLM ESM-3 生成的复合物扩充训练集后,主动学习中分布内与分布外的 MCC 均出现小幅但一致的提升。
预印本 · biorxiv · 10.64898/2026.10.20.760553
本站摘要基于收录版本 v1(2026-10-26),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v1
摘要 · AI 翻译
深度学习模型的一个重要基础要求是拥有大规模数据集,然而在化学和生物学等科学领域,生成足够规模的实验数据是一个重大瓶颈。在本研究中,我们探究了输入数据受限的程度和性质,刻画了若干蛋白质语言模型(pLMs)在次优数据集上的学习情况,并研究了提升预测模型性能的数据增强方法。我们发现,如果模型只需对分布内数据进行泛化,那么收窄受限数据集中蛋白质复合物的分布,可以使训练数据集规模减少一个数量级。在主动学习(AL)中也得到了类似结果:用 ESM-3(一种生成式 pLM)产生的复合物对训练集进行增强后,分布内和分布外的马修斯相关系数(MCC)均出现了小幅但稳定的提升。
来源:bioRxiv · biorxiv.org