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
💡
原文中文，约1800字，阅读约需5分钟。
📝
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。
🎯
关键要点
- 上海交通大学研究团队在蛋白质突变-性质预测方面取得重要突破，提出FSFP方法。
- 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、排序学习和参数高效的微调技术，解决了传统实验耗时长的问题。
- 研究表明，FSFP方法能将蛋白质预训练模型的预测相关性从低于0.1提高到0.5以上。
- 在Phi29蛋白质改造案例中，FSFP方法提高了单点突变预测阳性率25%。
- FSFP方法对降低蛋白质工程的实验周期和成本具有重要意义。
❓
延伸问答
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。
➡️
