AI模型校准与可靠弃权：应对分布偏移下的过度自信预测

模型校准分布偏移保形预测
于 2026-05-29 03:15:33 修改
·本内容遵循CC 4.0 BY-SA版权协议

1. 项目概述：当AI模型在“陌生”表位前变得过度自信时

在疫苗设计或T细胞疗法开发的早期阶段，计算生物学家和免疫学家们常常面临一个核心挑战：如何从海量的T细胞受体（TCR）与肽段-MHC复合物（pMHC）配对中，精准地预测哪些组合会发生特异性结合。这直接关系到能否高效地找到那些能激活免疫系统、对抗肿瘤或病原体的“钥匙”。近年来，基于深度学习的TCR-pMHC结合预测模型取得了长足进步，在标准测试集上往往能交出漂亮的AUROC（曲线下面积）成绩单。

然而，一个在实践中被反复验证、却容易被标准评估掩盖的“幽灵”问题，叫做“表位偏移”。简单来说，我们训练模型时用的是一批已知的肽段（表位），但当我们真正部署模型去筛选全新的、训练时从未见过的病毒变异株或肿瘤新抗原时，模型的性能往往会悄然下滑。更棘手的是，模型不仅可能预测不准，还会对自己的错误预测表现出“迷之自信”——输出一个很高的置信度分数，误导研究人员将宝贵的实验资源（通常每个候选对的湿实验验证成本在数千至上万美元）浪费在假阳性结果上。

这就引出了我们这次探讨的核心：如何让模型在遇到“陌生”表位时，学会“诚实”地表达“我不确定”？ 这不仅仅是提高准确率，更是关于预测的可靠性和可操作性。我们需要的不是一个只会考试（在旧题上拿高分）的模型，而是一个能在未知考场（新表位）中，懂得权衡风险、知道何时该交白卷的“审慎的考生”。

本文要拆解的，正是一套名为“基于校准弃权的可靠TCR-pMHC结合预测”的方法论。它不满足于仅仅输出一个“结合”或“不结合”的二元判断，而是构建了一个三层防御体系：首先，用一个强大的双编码器架构理解TCR和肽段的序列信息；其次，通过“温度缩放”技术，强制校正模型输出概率的系统性偏差，让90%的置信度真的对应约90%的准确率；最后，也是最具创新性的一步，引入“保形预测”框架下的选择性弃权机制。这个机制允许模型根据用户设定的可容忍错误率（比如，“我最多能接受10%的预测出错”），自动放弃对最不确定样本的预测，从而在剩余的、它“有把握”的预测子集上，提供有理论保证的、更低的错误率。

这套方法的价值在于，它将不确定性从一个模糊的概念，转化为了一个可量化、可调控的工程参数。对于实验室负责人而言，这意味着可以根据有限的验证预算（比如只够验证前80%的候选者），明确地设定风险阈值，让模型只输出那些它最有信心的结果，从而极大提升筛选流程的费效比。实验数据表明，在最具挑战性的“表位留出”测试协议下，该方法将模型的预期校准误差降低了69.7%，并且在只保留80%预测结果的情况下，将错误率从18.7%大幅压降至10.9%。

如果你正在从事免疫信息学、AI辅助药物发现，或任何需要在分布偏移下部署高风险预测模型的工作，那么理解并实践这套“校准”与“可靠弃权”的思想，或许能帮你避开许多隐形的坑，让你的模型从“纸上谈兵”走向“实战可靠”。

1.1 核心痛点：分布偏移下的“沉默”失败

要理解这套方法为何必要，我们必须先深入“表位偏移”这个具体场景下的分布偏移问题。在机器学习中，分布偏移指的是模型训练时所用的数据分布，与模型实际部署时遇到的数据分布不一致。对于TCR-pMHC预测，这种不一致性尤为突出。

1.1.1 为何随机划分评估会“说谎”？ 绝大多数现有研究在评估模型时，采用随机划分数据集的方式。这种方法将所有TCR-肽段对打乱，随机分成训练集、验证集和测试集。这样做有一个致命问题：同一个肽段（表位）的样本可能同时出现在训练集和测试集中。模型在训练时已经“认识”了这个肽段，甚至可能记住了与之结合的部分TCR模式，因此在测试时表现良好。这就像开卷考试，题目（肽段）都是见过的，自然容易考高分。这种评估方式给出的AUROC（例如0.87+）严重高估了模型面对全新表位时的真实能力。

1.1.2 “表位留出”评估的严酷现实 为了模拟真实部署场景，更严格的评估协议是“表位留出”。即，在划分数据时，确保测试集中所有的肽段，在训练集中从未出现过。模型必须真正去泛化到全新的抗原上。这时，模型的性能通常会显著下降（AUROC可能从0.87跌至0.78）。更重要的是，模型输出的置信度（通常用sigmoid输出的概率值表示）会变得极不可靠。研究发现，神经网络倾向于对分布外的样本（这里是新表位）做出过度自信的预测。一个实际准确率可能只有60%的预测，模型却可能给出90%的置信度。这种“自信的错误”在湿实验验证中代价高昂。

1.1.3 从二元决策到风险管控的思维转变 传统的模型评估聚焦于区分能力（AUROC/AUPRC）和整体准确率。但在资源受限的筛选场景下，决策者面临的是一个权衡：我该相信模型的哪些预测，并投入资源进行验证？理想的模型应该具备“自知之明”：对于有把握的样本，给出高置信度的准确预测；对于没把握的样本，则应该明确“弃权”，交由其他方法（或更昂贵的实验）处理。这引入了两个新的评估维度：

  • 校准度：模型输出的置信度概率，是否与其实际正确率相匹配？例如，所有被模型赋予0.9置信度的样本中，是否真的有90%是正确的？
  • 覆盖度-风险曲线：如果模型只对最有把握的一部分样本做出预测（覆盖度），那么在这部分样本上的错误率（风险）是多少？通过调整弃权阈值，我们可以画出一条曲线，直观展示用多少覆盖度换取多少风险降低。

我们的目标，就是构建一个既能良好区分、又经过校准、同时支持可控弃权的可靠预测系统。

2. 方法论深度拆解：三层架构构建可靠预测

面对上述痛点，一个可靠的预测系统需要从特征表示、概率校正和决策规则三个层面进行系统性设计。下面我们逐一拆解这套方法的核心组件。

2.1 基石：基于蛋白质语言模型的双编码器

模型的输入是两个序列：TCR的CDR3区（通常包含α链和β链）和肽段序列。如何有效地表征这些氨基酸序列是第一步，也是决定模型理解能力上限的关键。

2.1.1 为何选择ESM-2作为编码器？ 早期方法依赖于手工设计的理化特征或简单的序列编码（如one-hot）。近年来，基于Transformer架构、在海量蛋白质序列上无监督预训练得到的蛋白质语言模型（如ESM-2），已成为生物序列表示学习的“利器”。ESM-2通过在大规模进化数据（数亿条序列）上学习，能够捕捉到氨基酸之间深层次的语法和语义关系，理解哪些突变是保守的，哪些区域可能具有重要的结构或功能。使用预训练的ESM-2作为编码器，相当于为我们的任务引入了一个强大的“先验知识库”，让模型即使在小规模的、有标签的TCR-pMHC数据上训练，也能获得更好的泛化能力。

注意：这里使用的是ESM-2的650M参数版本。在实践中，需要根据计算资源权衡模型大小。更大的模型（如3B、15B参数）可能带来更丰富的表示，但也会显著增加计算成本和推理时间。对于大多数研究团队，650M版本在效果和效率上是一个较好的平衡点。

2.1.2 双编码器架构的具体实现 架构采用“双塔”形式，但共享一个预训练ESM-2模型的参数。

  1. 独立编码：TCR序列（将CDR3α和CDR3β用特定分隔符连接）和肽段序列分别输入同一个ESM-2模型。
  2. 特征提取：ESM-2为序列中的每个氨基酸token输出一个高维上下文嵌入向量。我们对非填充（non-padding）位置的所有token向量进行均值池化，为每个序列得到一个固定大小的全局表示向量（维度为1280）。
  3. 特征融合与分类：将得到的TCR表示向量和肽段表示向量进行拼接，形成一个2560维的联合特征向量。随后，这个联合向量被送入一个轻量级的多层感知机进行分类。这个MLP通常设计为两层，隐藏层维度为512，使用GELU激活函数，并加入LayerNorm和Dropout（如p=0.2）来防止过拟合。最终，MLP输出一个标量值，通过sigmoid函数映射为预测的结合概率。

这种架构的优势在于，它允许TCR和肽段的信息在早期独立进行深度编码，避免了过早融合可能造成的信息混淆，同时又在高层进行充分的交互。

2.1.3 处理极端类别不平衡 TCR-pMHC结合数据的一个典型特征是正样本（结合对）极其稀少，通常只占数据集的4%-5%。如果直接使用标准交叉熵损失，模型会严重偏向于预测为负类，因为这样就能轻松获得很高的准确率（但完全无法发现结合对）。 解决方案是使用类别加权交叉熵损失。具体地，为阳性样本和阴性样本分配不同的权重。通常，权重设置为各自类别样本数倒数的归一化形式：w_positive = 总样本数 / (2 * 正样本数)， w_negative = 总样本数 / (2 * 负样本数)。这样，模型在训练时会更加“关注”稀有的正样本，鼓励它去学习识别那些细微的结合信号。

2.2 矫正：温度缩放——让置信度回归真实

即使模型经过了良好的训练，其输出的原始概率（sigmoid值）也常常是“失准”的。特别是面对分布外样本时，神经网络倾向于输出过于极端的概率（接近0或1），即过度自信。温度缩放是一种极其简单却异常有效的后处理校准技术。

2.2.1 温度缩放的原理与操作 你可以把模型的原始输出逻辑值 z 想象成未经过“温度”调节的原始分数。sigmoid函数 σ(z) = 1/(1+exp(-z)) 直接将其转化为概率。温度缩放引入一个可学习的正数参数 T（温度），将校准后的概率定义为 σ(z/T)。

  • 当 T > 1 时，相当于“加热”，使得sigmoid函数的曲线变得更加平缓，极端概率（接近0或1）会向0.5方向靠拢，从而降低模型的自信度。
  • 当 T < 1 时，相当于“降温”，曲线变得更陡峭，概率会更趋向两极，增加自信度（但通常用于校正欠自信的情况，在实践中较少见）。

2.2.2 如何学习这个“温度”？ 温度参数 T 不是在主训练任务中学到的，而是在一个独立的校准集上通过优化一个校准目标学到的。这个校准集必须与测试集同分布（在我们的场景下，同样采用“表位留出”方式划分）。优化的目标是负对数似然：我们希望校准后的概率，在整个校准集上，对真实标签的似然性最大。这是一个单参数优化问题，通常可以用简单的线性搜索或梯度下降法快速求解。

2.2.3 为何它如此有效？ 温度缩放之所以强大，在于它只增加了一个自由度，却能够校正概率输出中系统性的偏差（如全局性的过度自信），而不会改变样本预测概率的相对顺序。这意味着，温度缩放能显著改善预期校准误差，但不会影响AUROC（因为排序没变）。这完美地解耦了“区分能力”和“概率质量”这两个评估维度。一个经过温度缩放的模型，其输出的0.9置信度，才更有可能意味着90%的真实正确率。

2.3 决策：保形预测框架下的可靠弃权

这是将可靠性转化为可操作决策的关键一步。温度缩放给了我们较好的校准概率，但我们还需要一个原则性的方法，来决定在什么阈值下应该弃权。保形预测提供了一个具有统计理论保证的框架。

2.3.1 非共形分数：衡量“不匹配”程度 对于校准集中的每一个样本 (x_i, y_i)，我们根据校准后的模型计算一个非共形分数。这个分数衡量的是预测概率与真实标签之间的不匹配程度。一个常用且直观的定义是： s_i = 1 - [p_i^{y_i} * (1-p_i)^{1-y_i}] 其中，p_i 是模型对样本 i 预测的校准后概率（对于正类，即结合的概率）。

  • 如果预测完全正确且置信度极高（例如，真实标签y=1，预测概率p=0.99），则 s_i = 1 - 0.99 ≈ 0.01，分数很小。
  • 如果预测错误（例如，y=1， p=0.01），则 s_i = 1 - 0.01 = 0.99，分数很大。
  • 如果预测正确但信心不足（y=1， p=0.6），则 s_i = 1 - 0.6 = 0.4，分数中等。

因此，非共形分数越小，说明模型预测得越好、越有把握。

2.3.2 计算弃权阈值 用户首先设定一个目标错误率 ε（例如，10%）。这意味着，我们希望模型在不弃权的那些预测中，错误率不超过 ε。

  1. 我们在校准集上计算出所有样本的非共形分数 {s_1, s_2, ..., s_n}。
  2. 将这些分数从小到大排序。
  3. 取第 ⌈(1-ε)(n+1)⌉ 个最小的分数作为弃权阈值 τ_ε。（⌈·⌉ 表示向上取整）。

这个计算方式基于保形预测的理论，它保证了在测试集与校准集满足“可交换性”（可以粗略理解为同分布）的前提下，模型在测试集上做出预测（即不弃权）的那些样本中，其错误率以高概率不超过 ε + 一个很小的误差项。这为我们提供了有限样本下的统计保证。

2.3.3 测试时的弃权决策 对于一个新的测试样本 x_test：

  1. 用校准后的模型计算其预测概率 p_test 和非共形分数 s_test。
  2. 如果 s_test ≤ τ_ε，说明这个样本的“不匹配程度”低于阈值，模型对其比较有把握，因此输出预测结果（例如，p_test > 0.5 则判为结合）。
  3. 如果 s_test > τ_ε，说明这个样本对于当前模型来说太“奇怪”或太难了，不确定性太高。此时模型选择弃权，不给出预测。

通过调整 ε，决策者可以直接控制风险水平。ε 设得越小，阈值 τ_ε 就越小，弃权的样本就越多（覆盖度越低），但剩余样本上的错误率也越低。这便形成了可调控的覆盖度-风险权衡。

3. 实验设计与结果分析：数据如何说话

任何方法的有效性都需要在严谨的实验设计下进行验证。本节将详细还原论文中的实验设置，并解读关键结果，看看这套“校准弃权”组合拳在实际数据上表现如何。

3.1 数据集构建与评估协议

实验的可靠性首先建立在数据划分的合理性上。作者构建了一个融合VDJdb和IEDB数据库的精选数据集，只保留具有完整CDR3α、CDR3β和肽段序列信息的人源TCRαβ对（限制于HLA-A*02:01等位基因）。通过90%序列同一性的阈值去重后，通过随机配对TCR与非对应肽段的方式构造负样本，将正样本率控制在~4-5%，模拟真实世界的稀疏结合场景。

为了全面评估模型在不同挑战下的表现，他们采用了三种数据划分策略，这构成了评估的“三重奏”：

  1. 随机划分：作为性能上界的参考。将全部数据随机打乱，按70%/10%/20%划分为训练集、校准集和测试集。这是最常见的评估方式，但如前所述，会因数据泄露而高估模型面对新表位的能力。
  2. 表位留出划分：模拟最严苛也最现实的部署场景。随机选择一部分肽段（例如15个），将这些肽段对应的所有TCR-肽段对整体放入测试集。训练集和校准集则完全由其他肽段的数据构成。这迫使模型必须泛化到从未在训练中见过的肽段上。
  3. 距离感知划分：侧重于评估模型对新TCR的泛化能力。确保测试集中的每一个TCR，其CDR3β序列与训练集中的任何TCR的相似度（基于氨基酸序列的编辑距离）都低于一个阈值（如70%）。这测试了模型超越训练集中已见TCR模式的能力。

3.2 核心结果：校准与弃权如何提升可靠性

下表展示了在三种划分策略下，不同方法在全覆盖（即不弃权）时的性能对比。CAP即我们提出的完整方法（校准+弃权，但此时弃权阈值设为0，即全覆盖）。

划分策略 方法 AUROC AUPRC ECE↓ Brier Score↓ NLL↓
表位留出 Baseline 0.782 0.431 0.142 0.089 0.213
+TempScale 0.786 0.438 0.068 0.082 0.184
CAP (Ours) 0.813 0.472 0.043 0.071 0.162
距离感知 Baseline 0.761 0.408 0.156 0.094 0.231
+TempScale 0.765 0.415 0.079 0.088 0.201
CAP (Ours) 0.789 0.447 0.051 0.078 0.179
随机 Baseline 0.871 0.623 0.098 0.061 0.149
+TempScale 0.874 0.629 0.041 0.058 0.132
CAP (Ours) 0.882 0.641 0.028 0.053 0.121

关键解读：

  1. 分布偏移的显著影响：对比Baseline在随机划分和表位留出划分下的AUROC（0.871 vs 0.782），性能下降了超过10%。这清晰地表明，仅凭随机划分的优异表现就断言模型“可用”是危险的，评估协议必须与部署场景对齐。
  2. 温度缩放的核心作用：+TempScale相比Baseline，在AUROC几乎不变的情况下，将ECE（预期校准误差）降低了超过50%（例如表位留出下从0.142降至0.068）。这完美印证了温度缩放能独立地、极大地改善概率校准，而不损害模型的区分能力。
  3. 完整CAP方法的综合优势：CAP方法在几乎所有指标上都取得了最佳结果。它不仅保持了最低的ECE（最好的校准度），还同时提升了AUROC和AUPRC（更好的区分能力）。这表明，将校准过程（温度缩放）与面向校准目标的训练/评估流程结合，可能对模型的学习产生了正则化效果，使其产生了更稳健、更可靠的表示。

3.3 覆盖度-风险权衡：从理论到实践的桥梁

全覆盖评估展示了模型的“平均素质”，但选择性弃权的威力在于其提供的可控性。下表展示了在表位留出划分下，使用CAP方法并调整弃权阈值，从而在不同覆盖度下达到的错误率。

覆盖度 错误率↓ ECE↓ AUPRC↑ 弃权比例
100% 0.187 0.043 0.472 0.0%
90% 0.152 0.031 0.523 10.0%
80% 0.109 0.022 0.571 20.0%
70% 0.081 0.017 0.614 30.0%
60% 0.058 0.013 0.652 40.0%

决策场景模拟： 假设一个实验室的预算只允许对模型筛选出的候选进行80%的湿实验验证。如果使用未经弃权的原始模型（覆盖度100%），他们需要承受18.7%的错误率。而采用CAP方法，并设定目标覆盖度为80%，模型会自动放弃对最不确定的20%样本的预测。在它选择做出预测的这80%样本中，错误率骤降至10.9%，相对降低了41.7%。同时，这部分“高置信”子集的预测质量（AUPRC）也从0.472提升到了0.571。

实操心得：这条覆盖度-风险曲线是模型部署前必须绘制和分析的“操作手册”。它让项目负责人能够根据预算（能验证多少样本）和风险容忍度（能接受多少错误），精确地设定模型的工作点。例如，在早期探索阶段，为了不漏掉任何潜在靶点，可以接受较高的覆盖度和风险；而在后期验证阶段，为了节约成本，则可以收紧阈值，只验证最可靠的预测。

3.4 消融实验：每个组件贡献几何？

为了厘清各个组件的贡献，作者在表位留出划分下进行了消融研究：

配置 AUROC AUPRC ECE↓
CAP (完整) 0.813 0.472 0.043
移除温度缩放 0.813 0.472 0.142
移除类别权重 0.801 0.429 0.045
移除CDR3α信息 0.798 0.451 0.047
仅温度缩放（无弃权） 0.786 0.438 0.068
Baseline (无上述任何) 0.782 0.431 0.142

组件价值分析：

  • 温度缩放：对AUROC/AUPRC无影响，但对校准度（ECE）有决定性影响。移除后ECE飙升至基线水平，凸显了其校正系统偏差的核心作用。
  • 类别加权：对AUPRC提升明显（0.472 vs 0.429）。AUPRC对正样本的发现能力更敏感，这证实了在极端不平衡数据中，给予正样本更多关注对提升模型“找真阳”的能力至关重要。
  • CDR3α信息：包含α链信息能带来小幅但一致的性能提升（AUROC +0.015），这与生物学认知一致：虽然β链主导识别，但α链也参与其中并提供补充信息。
  • 弃权机制：对比“仅温度缩放”和完整CAP，弃权机制在设定覆盖度后（见上表）能主动筛选出高置信子集，从而在该子集上实现更低的错误率和更高的AUPRC，这是其核心操作价值。

4. 实战指南与避坑要点

理解了原理和结果，如何将这套方法应用到自己的项目中？以下是一些关键的实操步骤和必须警惕的“坑”。

4.1 实施流程分解

  1. 数据准备与划分：

    • 严格遵循任务相关的划分：这是最重要的一步。如果你的最终目标是预测新表位，那么从数据划分开始就必须采用“表位留出”或类似策略。绝对不要在包含测试表位的任何数据上训练或调整超参数。
    • 构建校准集：从训练数据中单独划分出一部分作为校准集（例如10%）。校准集用于学习温度参数 T 和计算保形阈值 τ。它必须与测试集同分布（即，如果测试集是新表位，校准集也应由未见过的表位组成，但不同于测试表位）。

  2. 模型训练：

    • 使用预训练编码器：强烈建议使用ESM-2等预训练蛋白质语言模型作为编码器。从头训练Transformer在如此规模的数据上几乎不可能获得好的泛化能力。
    • 实施类别加权损失：在训练代码中，根据正负样本比例动态计算并应用权重。大多数深度学习框架（PyTorch, TensorFlow）的损失函数都支持 weight 参数。
    • 监控校准损失：除了传统的准确率、AUROC，在验证集上可以开始计算ECE或绘制可靠性曲线，及早发现校准问题。

  3. 校准与阈值计算：

    • 温度缩放：在独立的校准集上，固定模型权重，仅优化温度参数 T，以最小化负对数似然损失。这是一个一维凸优化问题，用Brent法等算法可以快速收敛。
    • 计算非共形分数：用校准后的模型，在同一个校准集上为每个样本计算非共形分数 s_i。
    • 确定弃权阈值：根据用户设定的目标错误率 ε，对校准集的非共形分数排序，找到对应的分位数作为阈值 τ_ε。

  4. 测试与部署：

    • 对每个测试样本，用校准后的模型计算概率和非共形分数。
    • 比较非共形分数与阈值 τ_ε，决定是输出预测还是弃权。
    • 在报告中，除了传统指标，必须汇报覆盖度-风险曲线，并说明在特定覆盖度下的性能。

4.2 常见陷阱与解决方案

陷阱一：校准集与测试集分布不一致

  • 问题：如果校准集来自随机划分，而测试集面临表位偏移，那么学到的温度 T 和阈值 τ 将失效，无法保证测试集上的覆盖度承诺。
  • 解决方案：校准集的划分策略必须与测试集严格一致。如果是表位留出评估，那么校准集也应由留出的表位（但与测试集不同）组成。

陷阱二：保形预测的“边际”覆盖度保证

  • 问题：保形预测提供的是边际覆盖度保证，即对所有测试样本平均而言的错误率控制。它不保证在每一个子群体（例如，针对某个特定罕见HLA型别）内都能满足该错误率。在分布偏移特别严重的子群体中，错误率可能超标。
  • 解决方案：意识到这一理论限制。在可能的情况下，可以尝试按不同子群体（如不同HLA超型）分别构建校准集和计算阈值，以获得条件性更强的保证。或者，在结果解读时，对模型在已知子群体上的表现保持谨慎。

陷阱三：负样本构建引入的偏差

  • 问题：通过随机配对构造的负样本，可能包含一些弱结合或未被实验检测到的结合对（假阴性）。这会影响模型学习到的决策边界，并导致对精确率（Precision）和校准度的乐观估计。
  • 解决方案：这是该领域普遍存在的挑战。可以尝试使用更严格的负样本筛选策略（如基于质量控制的阴性数据），或使用对噪声标签更鲁棒的损失函数。在解读精度相关指标（如AUPRC）时，需考虑这一偏差。

陷阱四：过度依赖单一指标

  • 问题：只报告随机划分下的AUROC，会严重误导对模型实用性的判断。
  • 解决方案：建立多维度的评估体系。至少应包含：
    • 区分能力：在相关分布偏移（如表位留出）下的AUROC和AUPRC。
    • 校准质量：ECE、可靠性曲线图。
    • 操作性能：覆盖度-风险曲线，以及在几个关键覆盖度（如80%， 90%）下的错误率、精确率等。

4.3 扩展与进阶思考

  1. 超越温度缩放：温度缩放是单参数校准，适用于校正全局性的过度/欠自信。对于更复杂的、与输入相关的校准误差，可以考虑向量缩放或矩阵缩放等方法，但需警惕过拟合风险。
  2. 不确定性来源分解：模型的不确定性既来自数据本身的随机性（偶然不确定性），也来自模型认知的不足（认知不确定性）。蒙特卡洛Dropout或深度集成等方法可以估计认知不确定性，与保形预测结合，或许能提供更精细的不确定性量化。
  3. 主动学习循环：被模型弃权的样本，正是其“不确定”的样本。这些样本可以优先被选择进行湿实验验证，然后将结果反馈给模型进行重新训练。这构成了一个“模型预测 -> 弃权筛选 -> 实验验证 -> 模型更新”的主动学习闭环，能高效地利用实验资源提升模型在困难区域的能力。

这套“基于校准弃权”的框架，其核心思想超越了TCR-pMHC预测的特定领域。在任何需要在高风险、资源受限、且面临分布偏移的场景下部署机器学习模型时——无论是医疗诊断、金融风控还是自动驾驶——让模型学会说“我不知道”，并为其不确定性提供统计意义上的保证，都是迈向可靠人工智能系统的关键一步。它迫使我们从追求单一的“准确率”竞赛，转向构建可解释、可信赖、可操作的决策支持系统。