论文提出 BGC-Bench，多任务评测显示无单一编码器表示占优。
资讯摘要
论文提出基准设计框架，认为有信息量的基准应具备判别性（能以统计置信度区分模型）与适用性（覆盖不同泛化程度下有科学意义的任务），并据此构建 BGC-Bench。该基准从 MIBiG 派生五个任务，涵盖 A 域底物预测到 BGC-分子检索，在基因型与表型偏移划分下评测，并加入标签稀缺的主动学习设置。作者报告：在核苷酸、氨基酸或 Pfam 域序列上比较十二种编码器，没有单一表示占优，最佳粒度取决于任务的生物学尺度，预训练编码器并非始终优于其他表示。
要点速读
- BGC-Bench 从 MIBiG 派生五个任务，覆盖 A 域底物预测到 BGC-分子检索，并在基因型与表型偏移划分下评测。
- 作者在核苷酸、氨基酸、Pfam 域序列上比较十二种编码器，并组合 BGC 与化学编码器做跨模态检索。
- 作者报告没有单一表示占优，最佳粒度取决于任务生物学尺度，预训练编码器未在各任务与划分上稳定领先；主动学习实验显示多数任务仍受数据限制。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。