BioEvidence 让冻结大模型零样本蛋白变异排序追平专用预测器，且证据越丰富表现越好
核心概要
作者提出 BioEvidence——一个免训练、模型无关的接口，把标准生物工具的结构与进化信息转成紧凑证据喂给冻结的大语言模型，在 ProteinGym 基准上观察到“证据缩放”：证据越丰富性能越好，结构与进化证据各自有效、合并后进一步提升，而把同一证据错配到错误变异上会使性能低于无证据基线；该接口使零样本排序在匹配评估中达到强专用蛋白预测器水平，并在模型知识截止后发布的数据上仍然有效。
Figure 1: BioEvidence pipeline. Structural features and evolutionary statistics are computed for the candidate variants and rendered as compact evidence blocks for a frozen general-purpose LLM. The model parameters remain unchanged; only the biological evidence available at inference time varies.
bioRxiv · 第 2 页深度剖析
提出 BioEvidence，一个免训练、模型无关的接口，把来自标准生物工具的结构与进化信息转换为紧凑证据，供冻结的大语言模型使用。 以往缩小大模型与专用蛋白模型差距的思路多依赖调整模型参数，这里改为在不改动参数的前提下扩展模型可获取的生物证据。 摘要说明该接口为 training-free 与 model-agnostic，并在 ProteinGym 基准上评估；具体实现细节与工具清单未在摘要中给出。
在 ProteinGym 上观察到“证据缩放”：性能随证据变丰富而提升；结构证据与进化证据各自带来提升，二者结合进一步提升。 把外部证据确立为与模型能力、推理投入并列的一条互补缩放轴，而不仅是单点的方法改进。 基于 ProteinGym 基准的实证观察，摘要报告了方向性结论，未给出具体数值或效应量。
证据与变异匹配与否决定效果方向：把同一证据错配到错误变异上，性能会降到无证据基线以下。 说明提升并非来自证据文本本身带来的通用增益，而依赖证据与目标变异的对应关系。 摘要以错配条件作为对照描述，未报告具体降幅。
BioEvidence 使零样本排序在匹配评估中达到强专用蛋白预测器水平，且改进在模型知识截止后发布的数据上仍然存在；证据还与常规缩放相互作用，例如 GPT-5.6 Sol 在低推理投入加证据时优于中等推理投入无证据，六模型分析显示无证据表现越强，相对进化排序融合的领先幅度越大。 把证据缩放与推理投入、模型能力放在同一框架下比较，并给出跨模型层面的关联观察。 摘要报告了匹配评估、截止后数据以及六模型分析的结果，均为方向性陈述，未提供具体指标数值。
启示与展望
该工作面向需要在零样本条件下预测蛋白变异效应的研究者与工程实践者，适用场景是已有标准生物工具可提供结构与进化信息、且模型参数保持冻结的设定。它提示一条可操作的路径：与其微调模型，不如把结构证据与进化证据组织成紧凑输入，并让证据与目标变异严格对应；同时提示推理投入与证据投入之间存在可权衡关系，低推理投入配合充分证据可能优于单纯提高推理投入。
当前可见文本仅为摘要，未包含图表、具体指标数值、证据构造细节与基准子集划分，因此无法判断提升幅度、错配降幅以及六模型关联的稳健程度。证据缩放是否在 ProteinGym 之外的蛋白任务或其他科学预测领域成立，以及证据质量与证据数量各自贡献多少，仍是待观察的开放问题。