/ Модель

Характеристики

Контекст
130 токенов
Параметры
202 млн
Лицензия
Apache 2.0
Архитектура
roberta · dense
Библиотека
transformers
Опубликована
30 июл 2025

ChemBERTa-druglike

Заполнение пропусковТекст → текст3 профессии

ChemBERTa на архитектуре RoBERTa для представления лекарственно-подобных молекул и анализа их сходства и свойств.

88скачиваний за 30 дней0лайковвеса обновлены29 авг 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

Derify/ChemBERTa-druglike — специализированная модель ChemBERTa, разработанная Derify на основе архитектуры RoBERTa для изучения представлений лекарственно-подобных молекул. Предобучение проводилось в два этапа на наборах augmented_canonical_druglike_QED_43M и druglike с маскированием токенов; в метаданных указаны 201,9 млн параметров и контекст до 130 токенов. Модель доступна в формате safetensors под лицензией Apache-2.0.

Модель предназначена как основа для анализа химических соединений: её представления можно применять для оценки сходства молекул, исследования химического пространства и последующего обучения моделей предсказания свойств. В карточке приведены результаты оценки на наборах классификации и регрессии; также описана проверка сходства эмбеддингов с Morgan fingerprint. Основное назначение в Hugging Face — заполнение маскированных токенов.

Модель оптимизирована для лекарственно-подобных молекул, представленных строками SMILES, и может работать хуже на соединениях за пределами этого класса. Указанный в карточке максимальный размер входа при бенчмарках — 128 символов SMILES.

Сценарии применения

  • заполнение замаскированных токенов в строках SMILES
  • поиск сходных лекарственно-подобных молекул по эмбеддингам
  • подготовка представлений соединений для предсказания молекулярных свойств
  • исследование химического пространства лекарственных соединений

Ограничения

Модель оптимизирована для лекарственно-подобных молекул, и её качество может снижаться на других химических соединениях. Для бенчмарков использовались строки SMILES длиной не более 128 символов.

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

ChemBERTa-druglike: Two-phase MLM Pretraining for Drug-like SMILES

Model Description

This model is a ChemBERTa model specifically designed for downstream molecular property prediction and embedding-based similarity tasks on drug-like molecules.

Training Procedure

The model was pretrained using a two-phase curriculum learning strategy, which increases the complexity of the pretraining task. The first phase uses a simpler dataset with a lower masking probability, while the second phase uses a more complex dataset with a higher masking probability. This approach allows the model to learn robust representations of drug-like molecules while gradually adapting to more challenging tasks.

Phase 1 – “easy” pretraining

  • Dataset: augmented_canonical_druglike_QED_43M
  • Masking probability: 15%
  • Training duration: 9 epochs (chosen due to loss plateauing)
  • Training procedure: Following established ChemBERTa and ChemBERTa-2 methodologies

Phase 2 – “advanced” pretraining

  • Dataset: druglike dataset
  • Masking probablity: 40%
  • Training duration: Until early stopping callback triggered (best validation loss at ~18 000 steps). Further training negatively impacted Chem-MRL evaluation score.

Training Configuration

  • Optimizer: NVIDIA Apex's FusedAdam optimizer
  • Scheduler: Constant with warmup (10% of steps)
  • Batch size: 144 sequences
  • Precision: mixed-precision (fp16) and tf32 enabled

Model Objective

This model serves as a specialized backbone for drug-like molecular representation learning, specifically optimized for:

  • Molecular similarity tasks
  • Drug-like compound analysis
  • Chemical space exploration in pharmaceutical contexts

Evaluation

The model's effectiveness was validated through downstream Chem-MRL training on the pubchem_10m_genmol_similarity dataset, measuring Spearman correlation coefficients between transformer embedding similarities and 2048-bit Morgan fingerprint Tanimoto similarities.

W&B report on ChemBERTa-druglike evaluation.

Benchmarks

Classification Datasets (ROC AUC - Higher is better)

ModelBACE↑BBBP↑TOX21↑HIV↑SIDER↑CLINTOX↑
Tasks11121272
Derify/ChemBERTa-druglike0.81140.73990.75220.75270.65770.9660

Regression Datasets (RMSE - Lower is better)

ModelESOL↓FREESOLV↓LIPO↓BACE↓CLEARANCE↓
Tasks11111
Derify/ChemBERTa-druglike0.82410.53500.66631.010543.4499

Benchmarks were conducted using the chemberta3 framework. Datasets were split with DeepChem’s scaffold splits and filtered to include only molecules with SMILES length ≤128, matching the model’s maximum input length. The ChemBERTa-druglike model was fine-tuned for 100 epochs with a learning rate of 3e-5 and batch size of 32. Each task was run with 3 different random seeds, and the mean performance is reported.

Use Cases

  • Molecular property prediction
  • Drug discovery and development
  • Chemical similarity analysis

Limitations

  • Optimized specifically for drug-like molecules
  • Performance may vary on non-drug-like chemical compounds

References

ChemBERTa Series

@misc{chithrananda2020chembertalargescaleselfsupervisedpretraining,
      title={ChemBERTa: Large-Scale Self-Supervised Pretraining for Molecular Property Prediction}, 
      author={Seyone Chithrananda and Gabriel Grand and Bharath Ramsundar},
      year={2020},
      eprint={2010.09885},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2010.09885}, 
}
@misc{ahmad2022chemberta2chemicalfoundationmodels,
      title={ChemBERTa-2: Towards Chemical Foundation Models}, 
      author={Walid Ahmad and Elana Simon and Seyone Chithrananda and Gabriel Grand and Bharath Ramsundar},
      year={2022},
      eprint={2209.01712},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2209.01712}, 
}
@misc{singh2025chemberta3opensource,
  title={ChemBERTa-3: An Open Source Training Framework for Chemical Foundation Models},
  author={Singh, R. and Barsainyan, A. A. and Irfan, R. and Amorin, C. J. and He, S. and Davis, T. and others},
  year={2025},
  howpublished={ChemRxiv},
  doi={10.26434/chemrxiv-2025-4glrl-v2},
  note={This content is a preprint and has not been peer-reviewed},
  url={https://doi.org/10.26434/chemrxiv-2025-4glrl-v2}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
RobertaForMaskedLM
Ревизия весов
596eb0f

0 моделей