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
💡
原文中文，约5300字，阅读约需13分钟。
📝
内容提要
浙江大学团队开发了去噪蛋白质语言模型（DePLM），通过去除无关进化信息，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。
🎯
关键要点
- 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。
➡️
