研究称训练蛋白质语言模型不应丢弃孤儿蛋白

微软研究院与布朗大学团队在 bioRxiv 发表预印本，指出训练蛋白质语言模型（PLM）时惯常丢弃宏基因组数据中无法聚类的「singleton」孤儿蛋白的做法可能有误。研究发现保留这些长尾单簇蛋白有助于学习功能多样性，弃用它们可能损害 PLM 的训练性能。

2026-08-18 ~ 2026-08-18 · 3 条相关

• 微软研究院：训练 PLM 丢弃孤儿序列可能是错误策略 — KevinKaichuang · 2026-08-18
• 弃用单簇蛋白或有损 PLM 训练性能 — KevinKaichuang · 2026-08-18
• Nature 数据里的「孤儿蛋白」:别再丢弃训练 PLM 的 singleton — KevinKaichuang · 2026-08-18