/ Модель

Характеристики

Контекст
131 072 токена
Параметры
14,7 млн
Лицензия
Apache 2.0
Архитектура
caduceus · dense
Библиотека
transformers
Опубликована
2 июн 2026

genatator-caduceus-ps-multispecies-segmentation

Разметка токеновТекст → label3 профессии

Модель AIRI Institute для нуклеотидной разметки пяти структурных классов генов в последовательностях ДНК.

136скачиваний за 30 дней0лайковвеса обновлены2 июн 2026

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

GENATATOR-Caduceus-PS — языковая модель ДНК, дообученная AIRI Institute для разметки структуры генов непосредственно по геномным последовательностям. Она выполняет многометочную классификацию на уровне нуклеотидов: для каждого нуклеотида выдаёт оценки пяти классов — 5′ UTR, экзон, интрон, 3′ UTR и CDS.

Модель построена на архитектуре Caduceus PS с 16 слоями и размером скрытого представления 512; токенизация выполняется по одному нуклеотиду. Максимальная поддерживаемая длина последовательности — 250 000 нуклеотидов. Модель дообучена на мультивидовом наборе транскриптов мРНК и длинных некодирующих РНК: каждый пример содержит одну последовательность гена, без межгенных областей.

Модель подходит для сегментации структуры генов в последовательностях отдельных транскриптов. Данные обучения не включали полные геномы и межгенные области, поэтому применение к таким входам не подтверждено. Веса распространяются по лицензии Apache-2.0.

Сценарии применения

  • разметка экзонов, интронов и UTR в последовательности гена
  • определение кодирующих областей CDS в транскрипте
  • сегментация структуры генов в последовательностях мРНК
  • аннотация структуры длинных некодирующих РНК
  • получение нуклеотидных оценок классов для реконструкции структуры гена

Ограничения

Модель обучалась на отдельных последовательностях генов и не включала межгенные области или полные геномы, поэтому её результаты для таких входов не подтверждены. Максимальная поддерживаемая длина последовательности — 250 000 нуклеотидов.

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

GENATATOR-Caduceus-PS (Multispecies Gene Segmentation Model)

Overview

GENATATOR-Caduceus-PS is a DNA language model fine-tuned for gene segmentation directly from genomic DNA sequences.

The model performs nucleotide-level multilabel classification and predicts five gene structure classes:

ClassDescription
5UTR5′ untranslated region
exonexon
intronintron
3UTR3′ untranslated region
CDScoding sequence

The order of output classes in the model is:

["5UTR", "exon", "intron", "3UTR", "CDS"]

The model outputs one logit vector per nucleotide, allowing reconstruction of gene structures.


Model

Model name on Hugging Face:

genatator-caduceus-ps-multispecies-segmentation

Architecture properties:

  • backbone: Caduceus PS
  • layers: 16
  • hidden size: 512
  • tokenization: single nucleotide
  • output head: linear projection to 5 classes
  • maximum supported sequence length: 250,000 nucleotides

Training Data

This model was fine-tuned on gene sequences only, not on complete genomes.

Training data includes:

  • mRNA transcripts
  • lncRNA transcripts

Dataset characteristics:

  • one transcript per gene
  • no intergenic regions
  • multispecies training dataset

Each training sample corresponds to a single gene sequence.


Usage

from transformers import AutoTokenizer, AutoModelForTokenClassification

repo_id = "AIRI-Institute/genatator-caduceus-ps-multispecies-segmentation"

tokenizer = AutoTokenizer.from_pretrained(
    repo_id,
    trust_remote_code=True,
)

model = AutoModelForTokenClassification.from_pretrained(
    repo_id,
    trust_remote_code=True,
)

model.eval()

Example Inference

import torch
from transformers import AutoTokenizer, AutoModelForTokenClassification

repo_id = "AIRI-Institute/genatator-caduceus-ps-multispecies-segmentation"

tokenizer = AutoTokenizer.from_pretrained(repo_id, trust_remote_code=True)
model = AutoModelForTokenClassification.from_pretrained(repo_id, trust_remote_code=True)

sequences = [
    "ACGTACGTACGTACGTACGTACGTACGT",
    "TTGCGATCGATCGATCGATCGATCGATCGATCGATCGA",
]

enc = tokenizer(sequences)

input_ids = torch.tensor(enc["input_ids"])

with torch.no_grad():
    outputs = model(input_ids=input_ids)

logits = outputs["logits"]

print("Input shape:", input_ids.shape)
print("Logits shape:", logits.shape)

Example output:

Input shape: torch.Size([2, sequence_length])
Logits shape: torch.Size([2, sequence_length, 5])

Each nucleotide receives 5 logits corresponding to the gene structure classes.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · token-classification

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
CaduceusForMaskedLM
Ревизия весов
2716f2b

0 моделей