本文介绍了PPI的试用版本，首次支持Perl签名功能。用户需在代码中包含特定模块和特性以启用此功能。开发者被邀请反馈所需的签名和尝试特性。新版本允许用户插入参数以影响文档解析，并已添加测试脚本以确保稳定性。欢迎在GitHub上提供反馈。

该文综述深度学习在蛋白质相互作用预测中的应用，涵盖PPIref数据集、PPIformer模型、BioBERT文本挖掘、图神经网络、数据增强与物理信息网络等方法，用于突变预测、功能注释、网络对齐及药物发现，并指出置信度校准与未知数据预测等挑战。

基于小型标记数据集和通常远大于其的机器学习预测数据集，我们提出了 PPI++：一种计算轻量级的估计和推断方法。该方法自动适应可用预测的质量，生成易于计算的置信区间（对于任何维度的参数），始终改进传统的区间估计方法，仅使用了标记数据。PPI++ 建立在预测驱动的推断（PPI）的基础上，解决了相同的问题设置，并提高了其计算和统计效率。真实和合成实验证明了所提出改进的好处。