利用蛋白质语言模型和泛化导向评估驱动精准致敏原预测

致敏原通常是能够触发免疫反应的蛋白质，代表着重大的公共卫生挑战。为了准确识别致敏原蛋白质，我们提出了Applm（Allergen Prediction with Protein Language Models，即基于蛋白质语言模型的致敏原预测），这是一套计算框架，利用1000亿参数的xTrimoPGLM蛋白质语言模型。我们表明，Applm在一系列贴近实际情景的任务中始终优于七种最先进的方法，包括识别缺乏类似训练集示例的新型致敏原、区分序列高度相似的致敏原和非致敏原、以及评估导致蛋白质序列仅少量变化的突变的功能后果。我们的分析确认，xTrimoPGLM原本是在一万亿个标记上训练的，以捕捉一般蛋白质序列特征，对于Applm的性能至关重要，通过检测蛋白质序列之间的重要差异。除提供Applm作为开源软件外，我们还提供了精心策划的基准数据集，以促进未来研究。