从序列
走向预测

先建立基线，
再谈大模型

一个模型给出很高的测试分数，你首先应该问：它比什么更好，又在哪些对象上更好？

蛋白质序列由氨基酸组成，不同侧链的性质、残基之间的接触和环境共同影响结构与功能。单个位置的改变可能影响折叠、相互作用或其他性质；组合改变的效果也未必等于各单独效果之和，这种非加和关系称为上位性。

所以“序列越相似，功能就一定越相似”并不是保证。相似性可提供先验线索，但关键位点、环境和测量目标会影响关系。对于工程预测，序列背景和具体 assay 与模型类型一样重要。

把序列变成模型能用的输入

one-hot 可以表示每个位点是哪类氨基酸；简单理化特征可以概括组成，但会损失位置与相互作用信息。蛋白语言模型从序列数据中学习表征，embedding 可以作为下游模型的输入。不同表示保留和压缩的信息不同，没有一种表示自动适合所有标签。

预训练学到的规律不等于目标测定的答案；结构预测也不等于活性、表达量或可制造性测量。先确认任务目标，再决定是直接使用已有分数、训练小模型，还是值得进行昂贵的微调。[1]

本章使用模拟短片段，只让你练习评估链路。它们不是完整功能蛋白，合成标签也不代表真实序列功能规律。真实项目需要先补齐数据来源、许可、实验定义和与使用场景匹配的划分。

一个足够小、
可以检查的模型

常数基线把所有测试对象都预测为训练集均值。它不会理解序列，但能给出最低限度的比较：你的模型是否至少学到了比“永远猜平均值”更有用的关系？如果没有，先检查数据量、标签噪声和特征，不要用更复杂的模型掩盖问题。

我们的线性基线只使用“相对于教学参考片段的不同位置数”作为特征，拟合 y = a + bx。它不是可靠的蛋白功能模型，只用于展示从训练数据估计参数、预测留出对象、检查误差的流程。模拟标签被有意设置为带噪声的近似线性关系，因此线性基线有优势，不应拿这个优势宣传真实应用能力。

平均绝对误差（MAE）保留标签的单位，描述平均偏离多少。预测—观测图可以显示总体偏差；残差是观测减预测，能帮助发现模型在哪些输入区域系统性高估或低估。一个单独的平均数会掩盖这些模式。

如果业务需要“选出少量更好的候选”，排名可能比全局误差更直接。Spearman 关注顺序一致性，固定预算下的 top-k 表现关注被选中的对象。但二者也不能互相替代：总体排序不错，不保证最前面的少数候选可靠。

测试分数的
适用范围

训练集用于拟合，验证集用于选择方案，测试集用于最后估计表现。本演示只比较预先固定的两个方法，不进行调参；如果你开始尝试大量特征并据此挑选最好结果，就需要另设验证过程，不能不断用当前测试集作选择。

样本少时，误差估计本身会波动。报告每个测试对象的预测，比仅保留一个汇总数更容易审查。后续可加入分组交叉验证或合适的不确定性区间，但重采样必须保持重复与同源分组关系，不应重新制造泄漏。

适用域描述模型有依据工作的范围。若训练数据只来自某一背景的少量变体，预测新骨架、全新宿主或不同测定时就可能超出这个范围。模型依然能输出一个数，并不意味着那个数值得相信。

会输出，不等于有证据；
赢过基线，也不等于能落地。

对一个真实项目，至少报告样本筛选、目标单位、划分依据、预处理、基线、指标和失败案例。DOME 用数据、优化、模型与评价四个方面组织这类审查。它不是保证正确的清单，但能让别人看见你的依据。[2]

今天的产出不是“最强模型”，而是一个可检查的实验。即使模型没有赢过均值预测，只要你准确解释了原因与边界，这次学习仍然有效。明天会把视野从分子扩展到整个细胞的资源分配。

把理解，
留在一份记录里

点击运行，记录训练/测试变体数、两个模型的 MAE 与最大残差对象。下载同一模拟数据，用 experiments.py 在终端复现。手算一个测试点的预测，再写一个模型无法支持的真实生物学结论。

带走三个判断