蛋白质序列的何种表示是有意义的？

我们选择表示数据的方式对后续从中提取信息的能力具有根本性影响。机器学习有望从大型非结构化数据集（如生物学中出现的数据集）中自动确定高效表示。然而，经验证据表明，对这些机器学习模型看似微小的改动会产生截然不同的数据表示，从而导致对数据的不同生物学解释。这引出了何种表示才构成最有意义的表示这一问题。在此，我们针对近期文献中备受关注的蛋白质序列表示探讨该问题。我们探索了表示自然产生的两个关键情境：迁移学习与可解释学习。在第一个情境中，我们证明若干当代做法产生次优性能；而在后者中，我们证明考虑表示几何显著改善可解释性，并使模型揭示原本被遮蔽的生物学信息。