/ Модель

Характеристики

Контекст
8 192 токена
Параметры
92,3 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Библиотека
transformers
Опубликована
15 авг 2025

NucEL

ЭмбеддингиТекст → embedding3 профессии

NucEL — компактная геномная модель для извлечения представлений ДНК и дообучения на задачах классификации геномных последовательностей.

146скачиваний за 30 дней1лайквеса обновлены28 мая 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

NucEL — геномная модель, разработанная для получения представлений последовательностей ДНК. Она использует ELECTRA-предобучение с дискриминатором на базе ModernBERT: небольшой генератор предлагает замены отдельных нуклеотидов, а дискриминатор учится определять заменённые позиции. При использовании модели загружается дискриминатор; размер составляет около 92,3 млн параметров, длина контекста — до 8192 токенов.

Модель предназначена для извлечения эмбеддингов и дообучения на задачах анализа генома человека, включая классификацию регуляторных элементов, связывание факторов транскрипции, поиск сайтов сплайсинга и промоторов, а также анализ профилей гистоновых меток. В README также описан перенос на последовательности мыши, дрожжей и вирусов. Модель поддерживает работу с последовательностями ДНК; неоднозначный нуклеотид N отображается в [UNK], а качество на микробных последовательностях, повторах и сильно отличающихся эволюционных линиях может быть ограничено. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • извлечение эмбеддингов последовательностей ДНК человека
  • классификация регуляторных элементов генома
  • предсказание связывания факторов транскрипции
  • поиск сайтов сплайсинга и промоторов
  • анализ профилей гистоновых меток
  • перенос геномных классификаторов на последовательности мыши, дрожжей и вирусов

Ограничения

Модель предобучена только на референсном геноме человека, поэтому её охват микробных последовательностей, некодирующих повторов и сильно дивергировавших видов может быть ограничен. Неоднозначные основания N отображаются в токен [UNK].

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

NucEL

Single-Nucleotide ELECTRA-Style Genomic Pre-training for Efficient and Interpretable Representations

Paper bioRxiv GitHub

NucEL is the first ELECTRA-style genomic foundation model. A small generator proposes single-nucleotide substitutions to a masked DNA sequence, and a larger ModernBERT discriminator is trained to detect which positions were replaced — giving dense supervision across all tokens instead of the ~15 % covered by masked language modeling. At 93 M parameters, NucEL outperforms MLM-based models of similar size and matches or exceeds models up to 25× larger (e.g. NT-Multi-2.5B) on GUE, GB, and NT benchmarks.

Model summary

ArchitectureELECTRA RTD with ModernBERT backbone (discriminator only at inference)
Layers / hidden / heads22 / 512 / 16
Intermediate size2048
AttentionHybrid: local window 128 + global every 3rd layer (FlashAttention-2)
TokenizationSingle-nucleotide (k = 1), vocabulary size 27 (4 nt + 7 special + 16 reserved)
Parameters93 M
Pre-training dataHuman genome GRCh38 / hg38 (1224 bp windows, 100 bp overlap, 1024 bp segments)
ObjectiveL_total = L_generator + 50.0 · L_discriminator (replaced-token detection)
OptimizerAdamW (β₁=0.9, β₂=0.999), lr = 1e-4, cosine schedule, 1000-step warmup
Compute8× NVIDIA A100, FP16, 50 epochs, global batch size 192
Max sequence lengthPre-trained at 1024 bp; ModernBERT config supports up to 8192
LicenseApache-2.0

Quickstart

Install a transformers version that honors NucEL's custom tokenizer via auto_map:

pip install "transformers>=4.48,<5.4" torch
import torch
from transformers import AutoModel, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("FreakingPotato/NucEL", trust_remote_code=True)
model     = AutoModel.from_pretrained("FreakingPotato/NucEL").eval()

sequence = "ATCGATCGATCGATCG"
inputs   = tokenizer(sequence, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)

embeddings = outputs.last_hidden_state          # (1, L, 512)
print(f"Sequence embeddings shape: {embeddings.shape}")

Using transformers 5.4 or newer

Starting with transformers 5.4.0 (released 2026-03-27), modernbert-based checkpoints were added to a MODELS_WITH_INCORRECT_HUB_TOKENIZER_CLASS blocklist that causes AutoTokenizer.from_pretrained to ignore the auto_map field of every modernbert checkpoint, including this one. The model itself (AutoModel.from_pretrained) is unaffected; only tokenizer auto-discovery is blocked. To work on transformers 5.4+, load the tokenizer class directly from the Hub instead:

import sys
import torch
from huggingface_hub import snapshot_download
from transformers import AutoModel

local = snapshot_download(
    "FreakingPotato/NucEL",
    allow_patterns=[
        "tokenizer.py",
        "tokenizer_config.json",
        "vocab.json",
        "special_tokens_map.json",
    ],
)
sys.path.insert(0, local)
from tokenizer import NucEL_Tokenizer

tokenizer = NucEL_Tokenizer.from_pretrained(local)
model     = AutoModel.from_pretrained("FreakingPotato/NucEL").eval()

sequence = "ATCGATCGATCGATCG"
inputs   = tokenizer(sequence, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)

print(f"Sequence embeddings shape: {outputs.last_hidden_state.shape}")

Benchmark results

GUE (paper Table 1, MCC; F1 for CVC; bold = best, italic = second-best)

ModelTF-HPDCPDSSPTF-MEMPCVCAvg
DNABERT-2 (117 M)70.1084.2170.5284.9967.9955.9871.0272.11
NT-2500M-multi63.3288.1471.6289.3667.0158.0673.0472.94
NucEL (93 M)67.6487.1075.1390.3070.6265.0170.2975.16

Genomic Benchmarks (paper Table 2, accuracy; 5-seed mean)

TaskHyenaDNACaduceus-PhNT2-100MNucEL
Coding vs Intergenic0.9040.9150.9500.941
Human vs Worm0.9640.9720.9720.975
Human Enhancers Cohn0.7290.7470.7360.735
Human Enhancers Ensembl0.8490.8930.9350.940
Human Regulatory0.8690.8720.9350.941
Human OCR Ensembl0.7830.8280.7760.794
Human NonTATA Promoters0.9440.9460.9200.973
Average0.8630.8820.8900.899

Nucleotide Transformer benchmark (paper Table 3, 18 tasks, MCC; 10-seed mean)

NucEL averages 0.664 across the 18 NT tasks, matching NT2-Multi-500M and slightly exceeding NT-Multi-2.5B (0.661) while using 27× fewer parameters. See the paper for the full per-task breakdown.

Intended use and limitations

  • Intended. Embedding extraction and fine-tuning for human-genome downstream tasks (regulatory element classification, transcription-factor binding, splice-site / promoter prediction, histone-mark profiles). Also shown to transfer zero-shot to other species (mouse, yeast, viruses).
  • Limitations. Pre-trained on the human reference genome only; coverage of non-coding repeats, microbial sequences, and highly diverged clades may be limited. Ambiguous bases (N) are mapped to [UNK].

Citation

@article{ding2025nucel,
  title   = {NucEL: Single-Nucleotide ELECTRA-Style Genomic Pre-training
             for Efficient and Interpretable Representations},
  author  = {Ding, Ke and Parker, Brian and Wen, Jiayu},
  journal = {bioRxiv},
  year    = {2025},
  doi     = {10.1101/2025.08.17.670700},
  url     = {https://www.biorxiv.org/content/10.1101/2025.08.17.670700v1}
}

License

Apache-2.0.

Links

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Класс архитектуры
ModernBertModel
Ревизия весов
0c80298

0 моделей