在「Meet AI4S」直播中，周子宜博士介绍了蛋白质语言模型（PLM）在蛋白质工程中的应用。PLM通过建模蛋白质序列的共进化信息来预测突变的适应性，并生成蛋白质。研究重点包括检索增强型、多模态PLM和小样本学习方法FSFP。FSFP通过排序学习、LoRA和元学习提升性能，适用于不同PLM。未来方向包括AI辅助定向进化中的主动学习策略。

上海交通大学研究团队开发了一种针对蛋白质语言模型的小样本学习方法，能够在使用极少数湿实验数据的情况下提升突变效果预测性能。该方法通过元学习构建辅助任务、在辅助任务上训练蛋白质语言模型，并将其转移到目标任务上。该研究成果将在线直播中分享。

上海交通大学研究团队开发了一种小样本学习方法，用于提升蛋白质突变效果预测性能。该方法已成功应用于Phi29 DNA聚合酶的工程改造。周子宜博士将在9月25日的线上直播中分享该方法的应用。

上海交通大学研究团队开发了一种小样本学习方法，能够提升蛋白质突变效果预测性能。该方法通过元学习构建辅助任务并训练蛋白质语言模型，成功将其转移到目标任务上。研究成果将在线上直播中分享。

上海交通大学研究团队开发了一种名为FSFP的训练策略，可在数据匮乏情况下优化蛋白质语言模型。该方法利用元迁移学习、排序学习和参数微调，提高了蛋白质突变-性质预测的效果。研究结果发表在Nature Communications上。该研究还使用FSFP设计了Phi29 DNA聚合酶，提高了阳性率。该方法在小样本学习任务中具有显著优势，并在多个基础模型上成功应用。

酶工程和蛋白质工程是改进蛋白质产品的方法。传统湿实验方法耗时且有限，深度学习模型需要大量数据。行业需要一种不依赖湿实验数据的准确预测方法。目前的无监督预训练模型精度低且无法利用湿实验数据进行微调。