EVOLVEpro

EVOLVEpro EvolvePro

Summary card

Задача и generated object

Used in these tasks: Few-shot active learning, ML-guided directed evolution, Affinity maturation

Part of these workflows: Few-shot / labelled mutation optimization

Architecture and operating principle

Input representation

NR

Encoder и decoder

NR

Latent or generative state

NR

Conditioning mechanism

User-defined mutational space; single/multi-mutant workflows

Generation mechanism

Protein-LM embeddings + lightweight regression/random forest + iterative acquisition

Sampling: NR

Training objectives

NR

Losses: NR

Mathematical details: NR

Integrated evaluation

Supervised regression on PLM embeddings

Architectural limitations

• Not zero-shot.
• performance depends on assay noise/library definition.
• active-learning rounds and experimental turnaround dominate.

Uses these architecture components: Protein language models, Active learning, Few-shot mutation optimization

Generator versus evaluation

Training data и biases

Inference hardware и runtime

Experimental evidence

Limitations and failure modes

• Not zero-shot.
• performance depends on assay noise/library definition.
• active-learning rounds and experimental turnaround dominate.

Deployment: Limited pilot when assay data exist

Reproducibility, license, commercial use

Related tools

Alternative tools: NR

Complementary: NR

Related: NR

Not directly comparable with

Depends on these external modules

NR

Related glossary terms

Primary paper и полный список источников

Source matrix: landscape xlsx, last verified 2026-08-13.

Review queue

• Bibliographic title must be verified against the PDF.

Детальный source-grounded разбор

Недоступные или неполные источники

EVOLVEpro не генерирует de novo sequences из шума. Это few-shot ранжировщик вариантов в заранее заданном пуле: frozen PLM embeddings + top-layer regressor, итеративно обучаемый на experimental labels. Default acquisition released code — top-N по $\hat y$, не UCB/EI/PI/BALD.

Происхождение источников

Проверенные файлы реализации:

• evolvepro/src/model.py
• evolvepro/src/evolve.py
• evolvepro/src/data.py
• evolvepro/src/process.py
• README.md

1. Что именно делает инструмент

[CODE]Вход: parent / WT FASTA, таблица experimental activity по вариантам, матрица PLM embeddings для того же набора variant ID. Пул $\mathcal{X}$ задаётся пользователем (single- и/или multi-mutant файлы). evolve_experimental / load_experimental_embeddings

[CODE]Выход: таблица y_pred по ещё не измеренным вариантам и ranked shortlist на следующий round. Это не sampled FASTA из generative LM и не 3D-структура.

[PAPER]Фиксируется: PLM веса (не fine-tune под activity в описанном методе). Изменяется: набор измеренных labels и, следовательно, fit top-layer; выбранные mutants для синтеза/assay. preprint: frozen embeddings + top layer

[PAPER]Parent-based optimization, не de novo topology. Generated object каталога: ranked mutation set / next-round library.

2. Архитектура в одном абзаце

[PAPER]Каждый вариант $s$ отображается pretrained protein language model в вектор $E(s)$ (оптимальная конфигурация preprint: ESM-2 15B, residue-pooled average embeddings). На накопленных парах $(E(s),y)$ обучается sklearn-регрессор; default и победитель grid search — RandomForestRegressor. Следующая партия — $k$ вариантов с наибольшим $\hat y$ (learning_strategy='topn'). Раунд 0 в оптимальной DMS-конфигурации — random (не medoids). PLM не дообучается на fitness. preprint grid search; CODE defaults

4. Математическая модель

[CODE]Другие learning_strategy в симуляции: random, dist (max min-Euclidean distance в embedding к train — exploration), topn2bottomn2. Это не EI/PI. regression_type может быть ridge/lasso/elasticnet/linear/neuralnet/randomforest/gradientboosting/knn/gp — но experimental path жёстко вызывает randomforest. evolve.py directed_evolution_simulation; evolve_experimental regression_type='randomforest'

5. Физическое устройство состояния

[CODE]Состояние цикла: множество sequences (mutation strings), их embeddings, скаляр activity (и производные activity_scaled, activity_binary в DMS-таблицах). Нет atom coordinates, residue frames, torsion, interface tensors. «Мутация» — идентификатор варианта в таблице, не 3D-трансформация.

6. Физико-химическая интерпретация

[PAPER]Sequence compatibility с семейством белка может присутствовать косвенно в ESM-2. Fold, packing, H-bonds, электростатика, гидрофобность, конформационные ограничения — не явные. Evolutionary prior — в frozen PLM. Функция — только в labels. Preprint: activity landscape часто не коррелирует или отрицательно коррелирует с ESM-2 predicted masked marginal (pMMS) «fitness» — поэтому zero-shot PLM scoring не заменяет AL-цикл. preprint Results, PLM fitness vs activity

7. Training

[PAPER]PLM: pretrained (ESM-2 и сравнение ESM-1, UniRep, ProtT5, ProteinBERT, Ankh, one-hot, integer). Не fine-tune на activity в описанном методе.

[PAPER]Top-layer: каждый round fit на всех накопленных labels. Grid search на 12 DMS datasets: победили random first round, random forest, residue-pooled average embeddings, top-N. PCA embeddings не улучшили (Methods / Data S1 в preprint). preprint Methods, grid search

[PAPER]DMS-симуляция: 16 mutants/round, порядка 10 раундов; тестировали 10–100/round. Few-shot 5×16 ≈ 80 измеренных vs упоминание порядка pretrain 160/500 в тексте preprint — точные цифры сравнения few-shot vs linear probing см. preprint; здесь не выдумывать сверх HTML.

NRHardware PLM embedding: NR в этом проходе. RF на CPU — лёгкий. Negative sampling как в contrastive learning — нет.

8. Inference

[CODE]Подготовка: посчитать embeddings для всего пула; собрать CSV раундов. Кандидаты: все rows без iteration label. Нет diffusion, recycles, temperature decoding. number_of_variants в evolve_experimental — сколько top строк напечатать (default 12), не обязательно бюджет синтеза. В симуляции num_mutants_per_round задаёт $|B_t|$.

[PAPER]Prospective preprint: REGN10987 — 11 mutants/round, 5 rounds (не 16). Не путать симуляционный default с каждой кампанией.

10. Почему, по мнению авторов, метод эффективен

[PAPER]Proposed mechanism. Frozen large PLM даёт informative features даже при десятках labels; лёгкий nonlinear surrogate ловит landscape activity, который не совпадает с unsupervised PLM fitness; итеративный отбор направляет бюджет на высокие $\hat y$.

[PAPER]Author claim (preprint). Few-shot learning с PLM ускоряет directed evolution across proteins, включая antibody example; multi-objective T7 RNAP. Формулировка Science «up to 100×» в матрице сайта не верифицирована по журнальному PDF в этом выпуске — не переносить как универсальный antibody result.

[PAPER]Evidence. (i) Retrospective DMS simulations vs random и vs другими эмбеддингами/регрессорами. (ii) Prospective кампании: REGN10987 ELISA vs spike; PsaCas12f; PE2 RT; Bxb1; T7 RNAP. (iii) Ablation-like grid search по strategy/regressor/PLM.

[INTERPRETATION]Causal support. Выбор RF + top-N + ESM-2 15B поддержан grid search на DMS (ablation-like, не prospective). Prospective gains — overall campaign success, не изолированный абляционный фактор на каждой кампании. Связь «именно average pooling причина» — из grid search, не из мокрой лаборатории.

12. Ablation analysis

[PAPER]Preprint grid search на 12 DMS: варьировали first-round strategy, discriminator/regressor, embedding pooling, selection rule, PLM family. Оптимум указан выше. PCA не помог. Это ретроспективная симуляция, не wet-lab ablation. Статистика различий между всеми 12 DMS в этом проходе не перенесена таблично из фигур — см. preprint figures / Data S1 (SI файл не скачан).

13. What the model does not represent

• Явный растворитель, протонирование, ионы, гликозилирование, металлы
• Конформационная энтропия и MD
• Структура комплекса и epitope geometry
• Истинная $\Delta G$ / $K_d$ (ELISA improvement ≠ thermodynamic affinity без отдельной калибровки)
• Экспрессия, агрегация, иммуногенность — кроме случаев, когда они измерены как $y$ (T7 multi-objective)
• De novo CDR backbone

14. Evidence and limitations

[PAPER]Prospective antibody example preprint — REGN10987, ELISA vs spike, 63% ELISA improvement, IC50 11.9 nM (цифры preprint HTML). Landscape-матрица сайта упоминает C143 — возможное расхождение версий paper/matrix; Science не сверен. Не обобщать 100× property improvement на все antibodies.

[INTERPRETATION]DMS simulation ≠ новый терапевтический антиген. Assay noise и определение library критичны. Не zero-shot.

15. Reproducibility

[CODE]Repo https://github.com/mat10d/EvolvePro commit 1c77697d0c09bf6989a1562a55da99301a12e2cd. Также встречается https://github.com/idmjky/EvolvePro и Zenodo 10.5281/zenodo.13899358 — не инспектировались целиком. Hardcoded output path в evolve_experimental указывает на внутренний кластер /orcd/archive/... — практический барьер воспроизведения без правки пути. default output_dir in evolve.py

Физико-химический смысл

Модульная схема

Generator versus evaluator

Claim–evidence matrix

Различия между статьёй и реализацией

Схемы information flow

flowchart LR
  subgraph gen["Выбор партии"]
    R["top-N по yhat"]
  end
  subgraph scorer["Integrated scorer"]
    RF["Random forest"]
  end
  subgraph ext["External"]
    PLM["Frozen ESM-2 embed"]
    Assay["Wet-lab assay"]
  end
  PLM --> RF
  Assay --> RF
  RF --> R
  R --> Assay

flowchart TB
  S["Sequence variant s"] --> E["E(s) PLM embedding"]
  Y["Assay y"] --> F["RF fit"]
  E --> F
  F --> Yh["yhat"]
  Yh --> Rank["Sort descending"]

Источники

1. [1] Jiang et al. bioRxiv 10.1101/2024.07.17.604015 — primary source this pass. · DOI · источник
2. [2] Jiang et al. Science 10.1126/science.adr6006 — peer-reviewed; full text NR this pass. · DOI · источник
3. [3] EvolvePro GitHub mat10d/EvolvePro · источник

Нерешённые научные вопросы

• Science vs preprint: C143, 100× claim wording, SI tables
• License SPDX
• Точный pooling код ESM-2 15B в evolvepro/plm (директория не читалась построчно)