Protein‑Sprachmodelle + semi‑überwachtes Lernen: Lösung für Influenza‑Antigenik

Die Messung der Antigenität von Influenza‑A‑Virussen über Haemagglutination‑Inhibition‑Assays ist hochaufwendig und lässt sich nicht schnell skalieren. Gleichzeitig wachsen die genomischen Datensätze viel schneller als die verfügbaren phänotypischen Labels, was herkömmliche überwachte Lernmodelle stark einschränkt.

Um diesem Engpass entgegenzuwirken, kombinieren die Forscher vortrainierte Protein‑Sprachmodelle (PLMs) mit semi‑überwachtem Lernen (SSL). Sie testen zwei SSL‑Strategien – Self‑Training und Label Spreading – auf vier PLM‑Embeddings (ESM‑2, ProtVec, ProtT5, ProtBert) und wenden sie auf Haemagglutinin‑Sequenzen an. Durch ein nested‑Cross‑Validation‑Setup simulieren sie unterschiedliche Label‑Verfügbarkeiten (25 %, 50 %, 75 % und 100 %) für vier Influenza‑Subtypen (H1N1, H3N2, H5N1, H9N2).

Die Ergebnisse zeigen, dass SSL die Modellleistung bei knappen Labels deutlich steigert. Besonders Self‑Training mit ProtVec liefert die größten relativen Verbesserungen, während ESM‑2 bereits bei nur 25 % gelabelten Daten F1‑Scores über 0,82 erreicht. H1N1 und H9N2 werden mit hoher Genauigkeit vorhergesagt, H3N2 bleibt zwar schwieriger, doch SSL mildert den Leistungsabfall erheblich.

Diese Studie demonstriert, dass die Kombination von Protein‑Sprachmodellen mit semi‑überwachtem Lernen den Antigenik‑Label‑Engpass überwinden kann. Damit wird ein effektiverer Einsatz von unlabelled Genomdaten für die Influenza‑Surveillance ermöglicht und die Grundlage für schnellere, datenbasierte Impfstoffentscheidungen gelegt.