Главная / Задачи / Few-shot active learning

Few-shot active learning

Оптимизация с малым числом experimental labels на раунд.

Generative task

Биологическая и инженерная цель

Предложить informative variants при ограниченном бюджете assays.

Возможные исходные данные

parent
≥~10 labels/round
mutational space

Что именно генерируется

ranked single or multi-mutants

Классы генераторов

mutation-optimizer

Какие архитектурные подходы используются

Стратегия	Что генерирует	Представление	Примеры	Ограничение	Sampling	Novel topology	Integrated scoring	Complexity
PLM embedding + lightweight surrogate + acquisition	Next-round library	Embeddings	EVOLVEpro	Assay noise dominates	Active-learning acquisition	Нет	Supervised surrogate	Label budget

Architecture-to-workflow consequences

Архитектурное решение	Практическое следствие
Few-shot vs zero-shot	Другая потребность в labels; сравнивать нельзя.

Compute и deployment

CPU/GPU modest.

Доступные инструменты

Инструмент	Generated object	Публикация	Evidence
EVOLVEpro	Ranked single or multi-mutant variants for next round	Peer-reviewed	4 prospective functional validation

Типовые workflows

Few-shot / labelled mutation optimization

Evidence summary

EVOLVEpro reports large property gains across proteins; antibody transfer is example-specific.

Что нельзя сравнивать напрямую

Zero-shot mutation scoring ≠ few-shot AL.

Как выбирать

Есть labels — EVOLVEpro.
Нет labels — ESM-1v/structural evolution.

Связанные архитектурные концепции

Active learning, Few-shot mutation optimization, Bayesian optimization

Primary references

Few-shot learning for protein evolution with EVOLVEpro

Source-grounded notes

Few-shot active learning на этом сайте — задача выбора следующих mutants при малом числе labels. Это не zero-shot ESM-1v и не de novo RFantibody. Основной разобранный инструмент: EVOLVEpro.

Чем задача отличается от соседних

[INTERPRETATION]Vs zero-shot mutation: нужны experimental $y$. Vs Bayesian optimization: BO — один из алгоритмов; EVOLVEpro released не UCB. Vs de novo antibody: другой generated object (mutations vs CDR frames).

Evidence boundary

[PAPER]Prospective EVOLVEpro campaigns не переносятся автоматически на новый mAb/антиген без нового цикла labels. Подробности — paper.

Источники

[1] Jiang et al. bioRxiv 10.1101/2024.07.17.604015 · DOI