प्रोटीनी भाषा मॉडल के लिए संभावना-आधारित फ़ाइन-ट्यूनिंग कुछ-शॉट फ़िटनेस भविष्यवाणी और डिजाइन के लिए

सार सही ढंग से प्राकृतिक प्रोटीन के भीतर अमीनो एसिड पहचान को भविष्यवाणी करने के लिए, प्रोटीनी भाषा मॉडल (PLMs) को विकास के दौरान प्रोटीन अनुक्रमों पर बनाए गए वितरणात्मक प्रतिबंधों को सामान्यतः सीखना चाहिए। इसके परिणामस्वरूप, ऐसे मॉडलों के अनुक्रम और उत्परिवर्तन-स्तरीय संभावनाएँ उत्परिवर्तनों के प्रभावी ज़ीरो-शॉट भविष्यवक्ताओं का निर्माण करती हैं। हालांकि PLMs द्वारा पकड़े गए वितरणात्मक ज्ञान का उपयोग करके नियंत्रित फ़िटनेस भविष्यवाणी और डिजाइन को बढ़ाने के लिए विभिन्न योजनाएँ प्रस्तावित की गई हैं, विभिन्न भविष्यवाणी रणनीतियों और PLM की विभिन्न श्रेणियों के बीच आमने-सामने तुलना की कमी ने सर्वश्रेष्ठ प्रदर्शन करने वाले तरीकों की पहचान करना और प्रदर्शन में योगदान करने वाले कारकों को समझना कठिन बना दिया है। यहाँ, हम परिवार-आधारित और मास्क्ड प्रोटीनी भाषा मॉडल की संभावनाओं को अनुकूलित करने के लिए पहले प्रस्तावित रैंकिंग-आधारित हानि कार्यों का विस्तार करते हैं, और प्रदर्शित करते हैं कि सर्वोत्तम कॉन्फ़िगरेशन कम-डेटा सेटिंग में जमी हुई एम्बेडिंग के आधार पर अत्याधुनिक तरीकों को पराजित करती हैं। इसके अतिरिक्त, हम एंसेंबली रणनीतियों का प्रस्ताव करते हैं जो PLMs द्वारा सीखे गए उत्परिवर्तन वितरणों की अनुक्रम संदर्भ पर मजबूत निर्भरता का उपयोग करती हैं, यह दिखाते हुए कि इन्हें फ़िटनेस लैंडस्केप पर प्रभावी अनुकूलन रणनीतियों को मार्गदर्शन करने के लिए उपयोग किया जा सकता है।