/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
138 млн
Архитектура
big_bird · dense
Опубликована
24 мар 2023

gena-lm-bigbird-base-t2t

Заполнение пропусковТекст → текст3 профессии

Предобученная модель BigBird для работы с длинными последовательностями человеческой ДНК и предсказания замаскированных участков.

41 234скачиваний за 30 дней12лайковвеса обновлены17 янв 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 BigBird Base T2T — открытая предобученная языковая модель AIRI Institute для анализа длинных последовательностей человеческой ДНК. Это трансформер BigBird с архитектурой BigBirdForMaskedLM, примерно 137,8 млн параметров и разреженным вниманием. Модель обучена предсказывать замаскированные фрагменты геномной последовательности; токенизатор BPE обучен на ДНК и использует словарь размером 32 тысячи токенов.

Контекст составляет до 4096 BPE-токенов, что соответствует примерно 36 тысячам нуклеотидов. Предобучение выполнено на сборке человеческого генома T2T с аугментацией вариантами SNP из данных 1000 Genomes. Модель подходит для извлечения представлений последовательностей и адаптации к задачам геномной аннотации; сама по себе она не является специализированным предсказателем конкретных признаков, например сайтов сплайсинга. README не приводит лицензию, поэтому условия использования по имеющимся данным уточнить нельзя.

Сценарии применения

  • восстановление замаскированных фрагментов ДНК
  • получение представлений длинных геномных последовательностей
  • подготовка модели для дообучения на задачах геномной аннотации

Ограничения

Модель предобучена на человеческой ДНК и не предназначена для обычного текста; конкретные downstream-задачи требуют отдельной адаптации. Лицензия в доступных данных не указана.

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-bigbird-base-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.

gena-lm-bigbird-base-t2t follows the BigBird architecture and its HuggingFace implementation.

Differences between GENA-LM (gena-lm-bigbird-base-t2t) and DNABERT:

  • BPE tokenization instead of k-mers;
  • input sequence size is about 36000 nucleotides (4096 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

Load pre-trained model

from transformers import AutoTokenizer, BigBirdForMaskedLM

tokenizer = AutoTokenizer.from_pretrained('AIRI-Institute/gena-lm-bigbird-base-t2t')
model = BigBirdForMaskedLM.from_pretrained('AIRI-Institute/gena-lm-bigbird-base-t2t')

How to load the model to fine-tune it on classification task

from transformers import AutoTokenizer, BigBirdForSequenceClassification

tokenizer = AutoTokenizer.from_pretrained('AIRI-Institute/gena-lm-bigbird-base-t2t')
model = BigBirdForSequenceClassification.from_pretrained('AIRI-Institute/gena-lm-bigbird-base-t2t')

Model description

GENA-LM (gena-lm-bigbird-base-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-bigbird-base-t2t is similar to the google/bigbird-roberta-base:

  • 4096 Maximum sequence length
  • 12 Layers, 12 Attention heads
  • 768 Hidden size
  • sparse config:
    • block size: 64
    • random blocks: 3
    • global blocks: 2
    • sliding window blocks: 3
  • 32k Vocabulary size, tokenizer trained on DNA data.

We pre-trained gena-lm-bigbird-base-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 1,070,000 iterations with batch size 256.

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
BigBirdForMaskedLM
Ревизия весов
f155a24

0 моделей