批次对齐的尾部仲裁：用反馈校准蛋白质优化

蛋白质优化旨在有限实验预算下发现高适应度序列。现有机器学习方法利用任务专用预测器、生物学先验或考虑排序的目标，指导下一轮实验应测试哪些变体。然而，这些方法无法随着测量数据积累，适应预测证据可靠性的变化，并保证关键高适应度候选的正确排序。为应对这些挑战，我们提出批次对齐的尾部仲裁（BATA），利用实验反馈自适应结合先验驱动排序与任务专用排序，为下一批次选择候选，并将校准集中在与批次对齐的高适应度区域。在已测量的GB1、PABP和TrpB适应度景观上，经过480次测量后，BATA在最终最佳适应度指标上取得最优的平均任务名次（1.67）。受控比较进一步表明，高适应度校准与批次对齐的收益取决于具体任务。我们的工作引入以反馈校准的预测器仲裁机制，让实验反馈动态决定预测证据如何指导下一批次选择，为蛋白质优化提供新方向。