本稿では、低N蛋白質の活性最適化を行う新しい手法FolDEを提案しています。従来の手法では、多くの変異体を構築・測定するため高コストとなる課題がありましたが、アクティブラーニング支援型指向進化（ALDE）によって予測精度を向上させ、最も優れた変異体を選択することが可能になります。しかし、従来のALDE方法では毎回同じ高予測の変異体を選ぶため、訓練データの多様性が不足し、次の予測に悪影響を及ぼします。FolDEは、有限な活性測定をプロテイン言語モデルの出力で補完し、予測を改善します。シミュレーション結果では、FolDEが他のALDE手法と比較して23%多くの上位変異体を見つけることが示され、オープンソースソフトウェアとして提供されることで、どの研究室でも効率的な蛋白質最適化が可能となります。