В научном мире, где модели ищут смысл в строках аминокислот, авторы шутливо замечают: «похоже, pLM иногда не просто читает белки — он их подслушивает», и это не шутка ради заголовка. Исследование Joseph Szymborski и Amin Emad (Nature Machine Intelligence, 2026) ловит современные pretrained protein language models (pLMs) на интересной уловке: при переносе в задачи предсказания белок–белковых взаимодействий (PPI) они могут неявно переносить информацию из обучающего корпуса, создавая иллюзию высокой точности.
Авторы внимательно сравнили «строгие» наборы данных, где исключены утечки, и «нестрые», где контроль слабее. Результат — заметное завышение оценок у моделей, использующих pLM‑фичи, если тестовые пары потенциально коррелируют с данными предобучения. При этом другие, непарные биологические задачи (например, аннотация функций по ключевым словам) такого эффекта не проявили — любопытная избирательность утечки.
Ещё одна находка — отсутствие явной связи между длиной контекста pLM и способностью работать с длинными белками: модели с ограниченным контекстом не падают внезапно на длинных последовательностях. Однако специалисты предупреждают: и pLM‑базирующиеся методы, и классические подходы плохо обобщают на «вне распределения» задачи — пример: предсказание взаимодействий человек–SARS‑CoV‑2 и оценка эффекта точечных мутаций на сродство связывания остаются сложными.
Практическая мораль ясна и полезна: необходимо ужесточать протоколы оценки pLM‑базированных PPI‑методов, включать контроль утечек и тесты на out‑of‑distribution случаи. Авторы открыто выложили наборы данных и код (GitHub: https://github.com/Emad-COMBINE-lab/pllm-ppi-data-leakage; Zenodo: https://doi.org/10.5281/zenodo.17353963), что делает работу полезным ориентиром для сообщества. Внедряя такие рекомендации, мировая наука (включая российские лаборатории и базы данных) сможет строить более надёжные и честные инструменты для изучения сети белковых взаимодействий.