入选NeurIPS 24！浙大团队提出全新去噪蛋白质语言模型DePLM，突变效应预测优于SOTA模型

浙江大学团队开发了去噪蛋白质语言模型（DePLM），提高蛋白质优化和泛化能力。

DePLM在突变效应预测中优于现有模型，并能有效泛化到新蛋白质。

研究结合进化信息与实验数据，推动蛋白质工程发展。

传统的深度突变扫描和定向进化依赖昂贵的湿实验技术，机器学习方法能够快速评估突变效果。

现有方法未能去除无关的进化信息，限制了模型对新蛋白质的泛化能力。

DePLM通过去噪过程显著提高了蛋白质优化性能，保持强大的泛化能力。

研究设计了基于排序的去噪扩散框架，促进数据集无关的学习。

DePLM在突变效应预测方面优于当前最先进的模型，展现出对新蛋白质的强大泛化能力。

研究团队持续深耕PLMs，助力生物产业发展，取得多项创新科研成果。

未来团队期待将研究成果产业化，为新药研发和生命健康领域做更多探索。