arXiv cs.AI· Hanlin Xiao, Eriko Takano, Mauricio A. \'Alvarez, Rainer Breitling·· 1 天前AI 评分26
BGC-Bench：面向生物合成基因簇的数据稀缺、多粒度、多模态基准设计
Data-Scarce, Multi-Granular, Multimodal: Benchmark Design for Biosynthetic Gene Clusters
AI 导读
研究者提出 BGC-Bench，从 MIBiG 派生 A-domain 底物预测到 BGC-分子检索共五项任务，在基因型与表型偏移划分下评测十二种编码器。结果显示没有单一表示占优，最佳粒度取决于任务的生物学尺度，预训练编码器并未在各任务与划分上稳定胜出；主动学习实验表明多数任务仍受数据限制，编码器排名随标注预算变化。
正文 · AI 翻译
摘要：生物合成基因簇（BGCs）是编码特殊代谢物生物合成的共定位基因，是抗生素、抗癌药物、免疫抑制剂和农业生物活性物质的重要来源。深度学习，尤其是自监督基础模型，激发了人们对 BGC 序列建模的兴趣，但评估却相对滞后：现有基准往往依赖对小型精选数据集进行粗粒度分类，对模型的区分度和对下游实用性的洞察都很有限。我们提出了一个基准设计框架，其中信息量丰富的基准应具有判别性，能以统计置信度区分模型，并具有适用性，涵盖不同泛化水平下具有科学意义的任务。我们将该框架实例化为 BGC-Bench，它从 MIBiG 中衍生出五项任务，涵盖从 A 结构域底物预测到 BGC-分子检索，在基因型和表型偏移划分下进行评估，包含面向标签稀缺发现的主动学习设置，并且易于扩展到新任务和编码器。BGC 还提供了一个跨粒度和模态的共享测试平台：BGC-Bench 在核苷酸、氨基酸或 Pfam 结构域序列上比较了十二种编码器，包括每种输入类型的组成基线，并结合 BGC 和化学编码器进行跨模态检索。没有单一表示占主导地位：最佳粒度取决于任务的生物学尺度，而预训练编码器在不同任务和划分上并不始终优于其他表示。主动学习实验表明，大多数任务仍受数据限制，编码器排名随标注预算变化，而采集策略带来的增益有限。这些结果表明，BGC 模型评估需要任务多样、感知偏移的基准，并且该框架可以推广到 BGC 之外的基准设计。
| 评论： | 43 页，包括参考文献和附录。已被 NeurIPS 2026（评估与数据集 Track）接收 |
| 主题： | 人工智能（cs.AI） |
| ACM 分类： | I.2.6; J.3 |
| 引用为： | arXiv:2611.02275 [cs.AI] |
| （或 arXiv:2611.02275v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.02275 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Hanlin Xiao [查看电子邮件]
[v1]
2026 年 11 月 1 日星期日 22:58:12 UTC（398 KB）
[v2]
2026 年 11 月 11 日星期三 13:03:44 UTC（399 KB）
来源：arXiv cs.AI · arxiv.org