Исследование посвящено сравнительному анализу эффективности белковых языковых моделей (PLM), таких как семейство ESM2 и ESM-C, в сопоставлении с классическими методами выравнивания последовательностей для идентификации рецепторов B- и T-клеток. Авторы протестировали модели на четырех специализированных базах данных, используя различные представления: от CDR3 до полных вариабельных доменов. Результаты показали, что на уровне CDR3 классические методы (BLOSUM62 и расстояние Левенштейна) превосходят варианты ESM2 на 7–12 процентных пунктов по точности поиска top-1, за исключением модели SCEPTR, учитывающей герминативные V-гены. На уровне полных доменов показатели моделей выравниваются, однако выявлено, что преимущество PLM обусловлено использованием «герминативного короткого пути» (использованием консервативной информации каркаса), а не улучшенным извлечением антиген-специфичных данных. Особое исключение составили сильно мутировавшие антитела ВИЧ-1, где языковые модели показали превосходство над выравниванием. Кроме того, исследование выявило проблему «утечки клонов» при стандартном случайном разделении данных, что искусственно завышает точность на 15–28%. Работа устанавливает необходимость использования клонально-ориентированного бенчмаркинга для оценки ИИ в иммунологии.