🧬 PeptideStream 项目任务安排

📌 已完成任务

任务	状态
明确项目目标：生成多肽序列	[x]
选择入门模型架构：LSTM / VAE	[x]
安装依赖环境	[x]
加载并划分了示例 CSV 序列数据集	[x]
明确项目输出目标：申请 Demo，展示跨界建模能力	[x]

---

🧩 项目模块拆解（七大模块）

1️⃣ 数据预处理模块

子任务	状态	说明
下载公开抗菌肽序列数据	[x]	当前仅正样本，来源：DRAMP
清洗非法或异常序列	[x]	使用正则清理无效字符、超短序列
序列编码（整数 / one-hot）	[x]	供训练模型使用
划分训练集和验证集	[x]	使用 sklearn
整理毒性、稳定性等性质标注数据	[]	来源包括 ToxinPred、ToxDL 等

---

2️⃣ 模型构建模块

子任务	状态	说明
实现 LSTM 序列生成器	[x]	基于字符级语言模型
添加 VAE 编码器结构	[]	引入潜变量表示，增强生成控制力
设置基本超参数（如 hidden_dim 等）	[x]	可后续调整
完善训练 / 验证 / 推理流程	[x]	支持快速测试
集成 ESM 语言模型作为嵌入器	[x]	使用 facebook/esm2_t33_650M_UR50D
构建特征融合模块	[]	融合语言/统计/结构特征（early/late fusion）

---

3️⃣ 性质预测模块

子任务	状态	说明
定义预测目标	[x]	可扩展至 BindingDB 等
使用 ESM 语言模型提取嵌入	[x]	来自 HuggingFace 或 Facebook
编写嵌入提取函数	[x]	保存为 .npy / .csv
清洗并准备公开性质数据集	[]	格式统一为 CSV
训练 baseline 分类器（MLP / LightGBM）	[]	输入 ESM 嵌入向量
多特征联合建模	[]
多指标评价	[]	参考 Pareto；无真实标注
输出可视化评估结果（如 ROC 曲线）	[]	含混淆矩阵等分析，使用 radar chart、score map 等方式呈现多指标
封装批量预测接口（对接生成模块）	[]	支持新序列自动评估

多指标评价非常适合此项目，并适宜作为独立研究方向来设计，甚至尝试用强化学习或贝叶斯优化来搜索最优序列组合。这是因为多目标优化能：

• 能进行精度更高的预测；
• 保留了维度信息，支持更清晰的可视化、可解释性和后续优化；
• 可设定阈值过滤，实现早期淘汰低质量序列
• 真实保留 trade-off 关系，保持生物建模的可信性，展现各预测项目的风险与机会；
• 不合成打分项，避免预测生物信息的损失或过拟合
• 能带来一个看起来聪明的打分以便下游使用；

4️⃣ 模型训练与调试模块

子任务	状态	说明
初步训练并验证 LSTM 模型	[x]	跑通 2 轮 epoch
在验证集生成样本，检查多样性	[x]	使用 softmax sampling
引入训练技巧如 early stopping	[x]	防止过拟合，提高鲁棒性

---

5️⃣ 结果评估模块

子任务	状态	说明
可视化训练过程中的 Loss 曲线	[x]	使用 TensorBoard 或 matplotlib
展示多肽生成样例	[x]	生成多条序列
评估序列多样性与分布等指标	[]	长度、重复率、AA频率等
利用 ESM 嵌入评估毒性预测能力	[x]	与 baseline 分类器对比

---

6️⃣ 展示与发布模块

子任务	状态	说明
编写 README 或 PPT 总结思路	[x]	面向申请场景
绘制模型结构图 / 数据流程图	[]	支持演示
上传至 GitHub 并进行网页托管	[x]	用于查看 demo
增加完整的生成-评估流程图	[]	可使用 Mermaid 或绘图软件

---

7️⃣ 拓展与进阶模块

项目	说明
添加条件生成（如毒性标签）	提升科研与工业实用性
使用 ProtBert 等语言模型	展示前沿建模意识
微调 TAPE / ESM 等预训练模型	强化泛化能力
使用 Gradio 打包交互界面	快速展示生成 + 预测流程
微调 ESM 最后几层参数	深度集成，需较强计算资源
引入图神经网络建模结构特征	融合蛋白3D信息（如AF2结构）
集成 Streamlit 接口	更强展示与迭代能力

---

参考资料

1. 预测蛋白热稳定性： Ieva Pudžiuvelytė, Kliment Olechnovič, Egle Godliauskaite, Kristupas Sermokas, Tomas Urbaitis, Giedrius Gasiunas, Darius Kazlauskas, TemStaPro: protein thermostability prediction using sequence representations from protein language models, Bioinformatics, Volume 40, Issue 4, April 2024, btae157, https://doi.org/10.1093/bioinformatics/btae157 [https://academic.oup.com/bioinformatics/article/40/4/btae157/7632735]