上交大洪亮课题组&上海AI实验室团队发布FSFP，基于语言模型的蛋白质功能小样本预测方法，登Nature子刊
内容提要
上海交通大学研究团队在蛋白质突变-性质预测方面取得突破，提出FSFP方法，仅需20个湿实验数据即可显著提高预测准确性。该方法结合元学习和排序学习，解决了传统实验耗时长的问题，对蛋白质工程具有重要意义。
延伸解读
小样本学习如何突破数据瓶颈
传统蛋白质工程依赖大量湿实验数据训练深度学习模型，而获取这些数据本身耗时耗力。FSFP通过元学习、排序学习和参数高效微调，仅需20个湿实验数据即可显著提升预测准确性。这为解决蛋白质工程中数据稀缺问题提供了新思路，有望降低实验门槛，加速改造进程。
从零样本到小样本的跨越
蛋白质预训练模型虽能零样本预测突变效应，但精度有限，且无法直接利用少量湿实验数据微调。FSFP填补了这一空白，在仅20个数据下将预测相关性从低于0.1提升至0.5以上。这种小样本微调策略，让预训练模型能快速适应特定蛋白质，兼顾泛化与精准。
湿实验验证的实际效果
在Phi29蛋白质改造案例中，FSFP仅用20个湿实验数据训练，就将ESM-1v模型的top-20单点突变预测阳性率提高25%，并发现近10个全新阳性突变。这表明FSFP不仅能提升预测指标，还能在实际改造中挖掘新突变，具有直接的应用价值。
对蛋白质工程的潜在影响
FSFP方法显著缩短了实验周期并降低成本，因为它减少了对大规模湿实验数据的依赖。这意味着研究人员可以更快地迭代设计，将更多资源集中于关键验证。尽管目前仅在Phi29等案例中验证，但其思路有望推广至其他蛋白质，推动蛋白质工程向更高效、更经济的方向发展。
Q&A
FSFP方法的主要创新点是什么？
FSFP方法结合了元学习、排序学习和高效参数微调技术，仅需20个湿实验数据即可显著提高蛋白质突变-性质预测的准确性。
FSFP方法如何提高蛋白质预测的准确性？
FSFP方法通过利用蛋白质预训练模型评估相似度，并结合少量湿实验数据进行训练，从而提高预测的相关性。
使用FSFP方法进行蛋白质改造的效果如何？
在Phi29蛋白质改造案例中，FSFP方法将单点突变预测阳性率提高了25%，并发现了近10个新的阳性单点突变。
FSFP方法对蛋白质工程的意义是什么？
FSFP方法能够显著降低蛋白质工程的实验周期和成本，解决传统湿实验方法耗时长的问题。
FSFP方法的研究背景是什么？
传统湿实验方法耗时长且需要大量人力，行业急需一种在少量湿实验数据下仍能准确预测蛋白质突变-性质的方法。
FSFP方法在实验数据需求上有什么优势？
FSFP方法仅需20个湿实验数据即可进行有效训练，显著减少了对大量数据的依赖。
