/ Модель

Характеристики

Контекст
512 токенов
Параметры
435 млн
Архитектура
bert · dense
Опубликована
2 апр 2023

gena-lm-bert-large-t2t

Заполнение пропусковТекст → текст3 профессии

Крупная BERT-модель AIRI Institute, предобученная на геноме человека для восстановления замаскированных участков ДНК и адаптации к геномным задачам.

6 418скачиваний за 30 дней10лайковвеса обновлены10 сен 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

GENA-LM — крупная модель семейства BERT, разработанная AIRI Institute для анализа последовательностей ДНК человека. Это masked language model: при предобучении модель училась восстанавливать замаскированные токены в геномной последовательности. Модель предназначена для извлечения представлений последовательностей и последующего дообучения на геномные задачи, например предсказание промоторов и сайтов сплайсинга.

Модель содержит 435,4 млн параметров, имеет 24 слоя, 16 голов внимания, размер скрытого представления 1024 и словарь из 32 тысяч токенов. BPE-токенизация позволяет обрабатывать около 4500 нуклеотидов в пределах 512 токенов. Для предобучения использована сборка генома человека T2T, а данные расширялись вариантами из набора gnomAD. Веса доступны в форматах PyTorch и safetensors; для загрузки README указывает Transformers.

Основное применение — предобученная основа для задач моделирования геномных последовательностей и их дообучения, а не готовая модель для клинической диагностики. Конкретные результаты зависят от последующего дообучения и целевого набора данных. Лицензия в предоставленных источниках не указана.

Сценарии применения

  • восстановление замаскированных токенов в последовательности ДНК
  • извлечение представлений последовательностей генома человека
  • дообучение для предсказания промоторов
  • дообучение для выявления сайтов сплайсинга
  • аннотация длинных геномных последовательностей

Ограничения

Модель предобучена на геноме человека и сама по себе не является готовым классификатором промоторов или сайтов сплайсинга: для таких задач требуется дообучение. Лицензия и численные результаты оценки в предоставленных источниках не приведены.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

GENA-LM (gena-lm-bert-large-t2t)

GENA-LM is a Family of Open-Source Foundational Models for Long DNA Sequences.

GENA-LM models are transformer masked language models trained on human DNA sequence.

Differences between GENA-LM (gena-lm-bert-large-t2t) and DNABERT:

  • BPE tokenization instead of k-mers;
  • input sequence size is about 4500 nucleotides (512 BPE tokens) compared to 512 nucleotides of DNABERT
  • pre-training on T2T vs. GRCh38.p13 human genome assembly.

Source code and data: https://github.com/AIRI-Institute/GENA_LM

Paper: https://academic.oup.com/nar/article/53/2/gkae1310/7954523

This repository also contains models that are finetuned on downstream tasks:

and models that are used in our GENA-Web web tool for genomic sequence annotation:

Examples

How to load pre-trained model for Masked Language Modeling

from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained('AIRI-Institute/gena-lm-bert-large-t2t')
model = AutoModel.from_pretrained('AIRI-Institute/gena-lm-bert-large-t2t', trust_remote_code=True)

How to load pre-trained model to fine-tune it on classification task

Get model class from GENA-LM repository:

git clone https://github.com/AIRI-Institute/GENA_LM.git
from GENA_LM.src.gena_lm.modeling_bert import BertForSequenceClassification
from transformers import AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained('AIRI-Institute/gena-lm-bert-large-t2t')
model = BertForSequenceClassification.from_pretrained('AIRI-Institute/gena-lm-bert-large-t2t')

or you can just download modeling_bert.py and put it close to your code.

OR you can get model class from HuggingFace AutoModel:

from transformers import AutoTokenizer, AutoModel
model = AutoModel.from_pretrained('AIRI-Institute/gena-lm-bert-large-t2t', trust_remote_code=True)
gena_module_name = model.__class__.__module__
print(gena_module_name)
import importlib
# available class names:
# - BertModel, BertForPreTraining, BertForMaskedLM, BertForNextSentencePrediction,
# - BertForSequenceClassification, BertForMultipleChoice, BertForTokenClassification,
# - BertForQuestionAnswering
# check https://huggingface.co/docs/transformers/model_doc/bert
cls = getattr(importlib.import_module(gena_module_name), 'BertForSequenceClassification')
print(cls)
model = cls.from_pretrained('AIRI-Institute/gena-lm-bert-large-t2t', num_labels=2)

Model description

GENA-LM (gena-lm-bert-large-t2t) model is trained in a masked language model (MLM) fashion, following the methods proposed in the BigBird paper by masking 15% of tokens. Model config for gena-lm-bert-large-t2t is similar to the bert-large-uncased:

  • 512 Maximum sequence length
  • 24 Layers, 16 Attention heads
  • 1024 Hidden size
  • 32k Vocabulary size

We pre-trained gena-lm-bert-large-t2t using the latest T2T human genome assembly (https://www.ncbi.nlm.nih.gov/assembly/GCA_009914755.3/). The data was augmented by sampling mutations from 1000-genome SNPs (gnomAD dataset). Pre-training was performed for 1,750,000 iterations with batch size 256 and sequence length was equal to 512 tokens. We modified Transformer with Pre-Layer normalization.

Evaluation

For evaluation results, see our paper: https://academic.oup.com/nar/article/53/2/gkae1310/7954523

Citation

@article{GENA_LM,
    author = {Fishman, Veniamin and Kuratov, Yuri and Shmelev, Aleksei and Petrov, Maxim and Penzar, Dmitry and Shepelin, Denis and Chekanov, Nikolay and Kardymon, Olga and Burtsev, Mikhail},
    title = {GENA-LM: a family of open-source foundational DNA language models for long sequences},
    journal = {Nucleic Acids Research},
    volume = {53},
    number = {2},
    pages = {gkae1310},
    year = {2025},
    month = {01},
    issn = {0305-1048},
    doi = {10.1093/nar/gkae1310},
    url = {https://doi.org/10.1093/nar/gkae1310},
    eprint = {https://academic.oup.com/nar/article-pdf/53/2/gkae1310/61443229/gkae1310.pdf},
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForMaskedLM
Ревизия весов
f997a8a

0 моделей