MétaCan
Menu
Retour à la cohorte
Enregistrement W7162829424

Minimal-Data Peptide Design and Accessible Protein Language Models for Protein Engineering

2025· dissertation· W7162829424 sur OpenAlexaff
Pouriya Bayat

Notice bibliographique

RevueTSpace · 2025
Typedissertation
Langue
DomaineBiochemistry, Genetics and Molecular Biology
Thématiquevaccines and immunoinformatics approaches
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésProtein engineeringProtein sequencingSynthetic biologyPipeline (software)Stability (learning theory)Sequence (biology)Divergence (linguistics)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Protein engineering is increasingly driven by machine learning, yet two practical barriers still limit broad adoption: (i) the scarcity of experimentally labelled data for new protein targets and (ii) the steep hardware demands of modern protein-language models (pLMs). This dissertation tackles both challenges through two core contributions. First, I introduce Minimal-Data → Maximal-Insight (MDMI), a structure-aware peptide-discovery pipeline that needs only a single round (~100 variants) of experimental screening. MDMI couples AlphaFold-Multimer complex prediction with hybrid statistical/physics scoring (SPServer + PyRosetta) to train a predictor, which then steers a genetic algorithm through sequence space to find novel sequences. As a case study, I applied MDMI to the split-GFP system, where the interaction between a 16-residue GFP11 peptide and its target GFP1-10 fragment reconstitutes fluorescence. MDMI successfully designed GFP11 peptides with over 50% sequence divergence from the wild type while preserving function, demonstrating the MDMI’s capacity to uncover non-obvious, high-diversity variants in data-limited scenarios. By decoupling peptide engineering from large training sets, MDMI offers an accessible strategy for laboratories with limited throughput.Second, I present Quantized Low-Rank Adaptation (QLoRA) for protein language models (pLMs), combining 4-bit weight quantization with low-rank adapters to enable efficient fine-tuning on lower cost and accessible GPUs. Across several pLMs (8 million–3 billion parameters) QLoRA cuts required training memory by an average 46.7%, and up to 90 % for the largest models, while retaining ≥ 90 % of baseline performance on regression tasks (i.e. fluorescence and stability datasets), secondary-structure classification, and de novo protein generation. Together, these methods establish a resource-conscious paradigm: MDMI extracts maximal design power from minimal data, and QLoRA delivers advanced pLMs to laboratories without specialized hardware. By uniting minimal-data modelling with hardware-efficient learning, this work broadens access to next-generation protein engineering and paves the way for rapid, distributed innovation in therapeutics, diagnostics, and biomanufacturing.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,037
Tête enseignante GPT0,308
Écart entre enseignants0,271 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTSpaceMême sujetvaccines and immunoinformatics approachesTravaux en français237 207