抗菌ペプチド（AMP）はしばしば複数の病原体クラスに対して作用するため、二値の抗菌分類よりも多ラベル活性予測をスクリーニング目標とするほうが現実的である。ESCAPEベンチマークはこの設定を形式化しているが、主要なアプローチは通常、学習とチューニングが高コストなマルチモーダルで構造条件付きの深層モデルに依存している。本研究では、330個の解釈可能な配列記述子と、表形式の基盤モデルであるTabPFNを組み合わせることで、単純な配列のみのパイプラインがこれらの手法に匹敵し、さらに上回ることを示す。TabPFNは、勾配に基づく学習やハイパーパラメータ探索を伴わずに単一の順伝播でインコンテキスト予測を行う。ESCAPE（82,359ペプチド；5ラベル）において、ラベルパワーセットTabPFNモデルはmAP-5=77.8%を達成し、従来報告されていた最高値72.1%を改善する。確率的分類器チェインは、5つのラベルそれぞれに対する最良の公開平均適合率を同時に一致または上回る最初の手法である。これらの利得は、従来の最先端単一フォールド学習プロトコルの下でも維持されており、学習データサイズに起因する見かけの効果ではないことが示される。さらに、遠縁ホモログ（30%配列同一性未満の領域）では改善が最大で（+11.2ポイント）、アブレーションにより推論時に予測構造は不要であること、また性能が単一の記述子ファミリによって駆動されるわけではないことが明らかになる。10個のグローバルな物理化学スカラーで、フル特徴量の性能の91%が回復される。最後に、ラベル依存を明示的にモデル化することで、乏しい活性に対する標的化された利点が得られ、部分的な陽性エビデンスから次にアッセイすべき活性のランキング付けを支援できることを示す。
https://doi.org/10.64898/2026.08.27.747591