本研究分析了FLIP基准下大型蛋白质语言模型（如ESM-2和SaProt）的表现，发现它们在数据稀缺的特定任务中显著提高了预测准确性，为蛋白质预测提供了新的参考。

本研究提出SeqProFT，通过LoRA微调ESM-2模型，降低了蛋白质语言模型在特定任务微调时的计算资源需求。结合多头注意力机制，提升了模型对蛋白质序列的理解，实验结果表明其在回归和分类任务中表现优异，收敛速度更快。

利用ESM-2开发了pLMFPPred工具，用于预测功能性肽和识别有毒肽。采用SMOTE-TOMEK数据合成采样和Shapley值技术缓解数据不平衡问题和减少计算成本。在验证测试集上，pLMFPPred表现更优，具有更好的准确率、AUC-ROC和F1-Score。是一种新的预测功能性肽的计算方法。