PLVis蛋白质语言可视化工具：2D投影聚类方法的优势与下游推理置信度的夸大风险

《Digital Discovery》：Comment on ``Protein language visualizer: a repository for homology exploration with language model embeddings''Open Access

　　

蛋白质语言可视化工具（Protein Language Visualizer, PLVis）是一款有价值且易于使用的工具，用于大规模探索蛋白质组中蛋白质语言模型的嵌入表示。PLVis在二维（2D）UMAP投影中而非嵌入空间中执行三个定量步骤：在那里进行聚类，通过最大化2D轮廓系数来选择聚类数量，并使用相同的2D轮廓系数来验证分离良好的簇。在论文分析的全部五个数据集以及另外两个相同格式的数据集中，该2D轮廓系数（0.5至0.7）系统性地超过了原生1024维余弦几何中相同标签的凝聚度（0.02至0.20）。所得的分组在很大程度上是合理的，与高维分区在粗粒度结构上一致，并恢复了已知的蛋白家族，但基于这些分组所建立的下游推理的置信度被投影过程所夸大。论文推荐的候选选择工作流程中指定的邻居会因从2D图还是从嵌入中读取邻近关系而改变，查询蛋白的这一比例在60%至83%之间。模块化的PLVis流程已经支持替代方案：在高维中使用图方法或密度方法进行聚类（Leiden、HDBSCAN），而将2D图仅用于显示。

该内容仅可通过PDF访问。

打开 PDF 对"Protein language visualizer: a repository for homology exploration with language model embeddings"的评论，在新窗口中

? 2026 作者(s)。由英国皇家化学会出版

2026

作者(s)

本文在知识共享署名 4.0 未许可协议下授权。您可以在其他出版物中使用本文的材料，无需向RSC进一步申请许可，前提是给予正确的署名。

本作品在知识共享署名 4.0 国际许可协议下授权。