口腔耐药组基准换了考法：只看留出簇时Hyena最好，换到外部数据库却是MoR更稳
核心概要
口腔耐药组蛋白序列模型此前缺少排除同源记忆的评测。研究把26,324条蛋白按40%序列一致性聚成1,437个簇，用同一训练流程比较八种因果架构，并在CARD与NCBI AMRFinderPlus上做外部验证。留出簇上Hyena困惑度14.93最低，但外部验证中八种里只有四种优于残基组成基线17.99，参数匹配的MoR以17.40居首，Transformer则退化27%。
深度剖析
口腔耐药组上的序列模型排名取决于评测怎么划分数据，而不只取决于架构本身。 此前这类蛋白算子没有在能暴露记忆的划分条件下评测过，而耐药基因家族高度冗余，随机划分会让测试蛋白在训练集里有近亲。 按40%一致性聚类后，留出簇上Hyena困惑度14.93±0.58低于Transformer的15.33，但换到CARD外部集，Transformer从15.33升到19.44、退化27%，八种架构中只有四种低于残基组成基线的17.99。
递归式架构在外部蛋白上更稳，算力开销也更低。 固定深度的Transformer在外部验证中退化27%，而压缩、权重共享一类受限架构退化较小。 参数匹配的MoR在CARD上困惑度17.40±0.08、在NCBI AMRFinderPlus上17.36，均为八种中最低；0.79M参数的MoR在4096残基上吞吐1294k tokens/s，是Transformer 225k的5.7倍。
自适应深度确实按残基分配递归次数，而不是均匀花满。 固定深度模型对每个残基都施加同样次数的块运算。 三个随机种子平均下，递归深度一到四层仍活跃的残基比例为100%、70%、42%、22%，每个残基平均施加2.34±0.15次块运算，比固定深度的4次少42%。
启示与展望
评测范围限于从UniProtKB、CARD和NCBI AMRFinderPlus整理出的26,324条口腔菌属耐药相关蛋白，模型为从头训练的小规模残基级语言模型，全部评估均为计算性的，未涉及表型或药敏实验。
语料只覆盖公共数据库已注释为耐药相关的口腔菌属蛋白，属名判定较粗，部分代表属的多数物种并不栖居口腔；药物类别标签是跨两套注释体系的正则映射近似；模型规模小且从头训练，不能与大型预训练蛋白语言模型相比；对与训练集无可检测同源的蛋白，八种架构都没有超过残基组成。