Главная / Workflows / Few-shot / labelled mutation optimization

Few-shot / labelled mutation optimization

Практический сценарий

Есть parent и возможность собирать experimental labels; нужна итеративная оптимизация, иногда multi-objective.

Вход

parent
mutational library definition
experimental labels

Pipeline diagram

Embed and fit surrogate

→

Propose next variants

→

Assay round

Mermaid diagram

flowchart TD
    A[Parent + labels] --> B[Surrogate on PLM embeddings]
    B --> C[Acquisition / Pareto proposal]
    C --> D[Experimental round]
    D --> A

Стадии pipeline

Стадия	Архитектурный класс	Что происходит	Генерация или оценка	Generator	Промежуточный объект	Альтернативы
Embed and fit surrogate	PLM embeddings + regression	Обучается fitness model на labels	evaluation	NR	Surrogate model	NR
Propose next variants	Acquisition / Pareto	Active learning предлагает mutants	generation	evolvepro	Next-round library	Makowski et al. affinity–specificity co-optimization
Assay round	NR	Измеряются свойства	experiment	NR	New labels	NR

Hardware и runtime

Model fit is cheap; assay turnaround dominates. EVOLVEpro may start around ~10 labels/round (author-reported in matrix).

Evidence level

EVOLVEpro and Makowski: prospective. Not transferable pretrained generators.

Точки отказа

Assay noise.
Library poorly defined.
Treating as zero-shot tool.

Критерии решения

One objective or Pareto?
Can you run multiple rounds?

Связанные задачи

Few-shot active learning, ML-guided directed evolution, Multi-objective optimization, Combinatorial mutation design

Связанные инструменты

EVOLVEpro, Makowski et al. affinity–specificity co-optimization

Архитектуры

Active learning, Few-shot mutation optimization, Multi-objective optimization

Papers

Few-shot learning for protein evolution with EVOLVEpro, Co-optimization of therapeutic antibody affinity and specificity using machine learning models of sequence-activity data

Source-grounded notes

Стадии: эмбеддинг → surrogate fit → proposal → assay. Proposal в EVOLVEpro — ranking, не token generator. Acquisition в mermaid YAML не должна читаться как Pareto NSGA: T7 preprint использует веса, RF может быть multi-property.

Generator vs evaluation в этом workflow

[CODE]Surrogate — evaluator. top-N — выбор экспериментальной партии (практический «generator» library). Assay — experiment. Structure predictors не обязательны. EvolvePro evolve_experimental

Источники

[1] EVOLVEpro tool page · источник