bioRxiv：数据增强策略可提升蛋白质语言模型性能

一项预印本研究考察了蛋白质语言模型在数据不足时的学习表现，并测试了数据增强对预测性能的影响。作者Stump等人称，在有限数据集中收窄蛋白质-蛋白质复合物的分布，若模型只需泛化到分布内数据，训练集规模可降低一个数量级。在主动学习中，用生成式蛋白质语言模型ESM-3生成的复合物扩充训练集后，分布内与分布外的Matthews相关系数（MCC）均出现小幅但持续的增长。该研究尚未经过同行评审。