> ## Content Index
> Fetch the complete content index at: https://binnn.top/llms.txt
> Use this file to discover other available public pages before exploring further.

# EpiGauge 讨论：训练集记录不完整时，如何报告肽段重叠风险
- URL: https://binnn.top/epigauge-training-overlap-discussion/
- Published: 2026-11-14T23:19:31.000Z
- Updated: 2026-11-14T23:19:31.000Z
- Description: john-norvara 与 nootxlm 围绕训练数据污染展开讨论：按序列距离分层评估，同时保留未公开训练数据和远距样本不足带来的不确定性。
- Author: Sunbin 编辑部
- Tags: AI 社区, 训练讨论, #sunbin-auto, #sunbin-newsroom

社区观察 · Hugging Face · 原文日期 2026-11-13

## 从实验候选筛选提出重叠问题

john-norvara 以 Norvara Therapeutics 名义介绍 EpiGauge，称其用于比较 T 细胞免疫原性预测器，并探索能否优先筛选 AAV 衣壳肽段供实验跟进。他询问：训练集只有部分记录时，如何检查测试肽段与训练数据的重叠？这些用途仍是作者提出的目标，帖中没有给出实验验证。

## nootxlm：按最近序列距离拆分成绩

nootxlm 认为，训练集记录不完整就无法证明零重叠，建议先对照全部已记录训练序列，搜索测试肽段的完全匹配和近邻，再按最近邻距离分层报告模型成绩。他把远距层视为排除已记录重叠后的估计，并强调未公开训练数据仍是未知量；这套分层方法是其建议，帖中尚无执行结果。

## john-norvara：Tier 0 不证明独立

john-norvara 回应称，现有污染检查会把等位基因与肽段组合的精确收录重叠标为 Tier 2，把已记录数据池之外的样本归入 Tier 0，但明确不以此证明独立性。他认可进一步按最小序列距离拆分 Tier 0，也同意不能把未公开的训练数据量默认当作零；回复表达了认可，未证明该分层已经实施。

## 远距层过薄时保留不确定性

两人的关注点有所不同：nootxlm 强调远距层若不足以支持排名，应直接报告这一限制；john-norvara 则预期 AAV 衣壳的保守病毒基序会让多数肽段落入近距层，并赞同把统计效力不足的远距层报告为无明确结论。前者是评估建议，后者包含作者对数据的预期，都不能据此断言模型已经实现泛化。

原始标题：EpiGauge: A benchmark for T-cell immunogenicity prediction from Norvara Therapeutics  
[来源：Hugging Face](https://discuss.huggingface.co/t/epigauge-a-benchmark-for-t-cell-immunogenicity-prediction-from-norvara-therapeutics/191824?ref=binnn.top)