/ Модель

Характеристики

Контекст
40 000 токенов
Параметры
503 млн
Лицензия
cc-by-nc-2.0
Архитектура
bert · dense
Библиотека
transformers
Опубликована
13 сен 2023

cdsBERT-plus

ЭмбеддингиТекст → embedding3 профессии

cdsBERT+ — белковая языковая модель BERT с кодонным словарём для извлечения признаков и анализа белковых последовательностей.

14скачиваний за 30 дней7лайковвеса обновлены24 окт 2023

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

cdsBERT+ — белковая языковая модель с токенизацией по кодонам, разработанная лабораторией Gleghorn Lab Университета Делавэра. Модель основана на архитектуре BERT и предназначена для извлечения признаков из белковых последовательностей и создания биологически значимых векторных представлений. Карточка указывает 503,4 млн параметров и контекст длиной до 40 000 токенов.

Контрольная точка получена дистилляцией знаний от Ankh-base с последующим сохранением весов в половинной точности; исходная модель cdsBERT+ была инициализирована с использованием ProtBERT и обучалась с расширением словаря методом MELD. Авторы сообщают о сильных результатах предсказания номеров EC по сравнению с ProtBERT. Представление можно дообучать для классификации и регрессии; заполнение масок заявлено для базового чекпойнта cdsBERT, а не для этой версии.

Модель рассчитана на исследовательские и прикладные задачи анализа белковых последовательностей. Репозиторий распространяется под лицензией CC-BY-NC-2.0, которая ограничивает коммерческое использование.

Сценарии применения

  • получение векторных представлений белковых последовательностей
  • предсказание номеров EC для белков
  • дообучение классификатора белковых последовательностей
  • дообучение модели регрессии по белковым последовательностям

Ограничения

Для заполнения масок предназначен базовый чекпойнт cdsBERT, а не cdsBERT+. Лицензия CC-BY-NC-2.0 ограничивает коммерческое использование.

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

cdsBERT

Model description

cdsBERT+ is a pLM with a codon vocabulary that was seeded with ProtBERT and trained with a novel vocabulary extension pipeline called MELD. cdsBERT+ offers a highly biologically relevant latent space with excellent EC number prediction surpassing ProtBERT. Specifically, this is the half-precision checkpoint after student-teacher knowledge distillation with Ankh-base.

How to use

# Imports
import re
import torch
import torch.nn.functional as F
from transformers import BertModel, BertTokenizer

model = BertModel.from_pretrained('lhallee/cdsBERT') # load model
tokenizer = BertTokenizer.from_pretrained('lhallee/cdsBERT') # load tokenizer
device = torch.device('cuda') if torch.cuda.is_available() else torch.device('cpu') # gather device
model.to(device) # move to device
model.eval() # put in eval mode

sequence = '(ZEVLPYGDEKLSPYGDGGDVGQIFsC#LQDTNNFFGAgQNK%OPKLGQIG%SK%uuieddRidDVLkn(TDK@pp^v]' # CCDS207.1|Hs110|chr1
sequence = ' '.join(list(sequence)) # need spaces in-between codons

example = tokenizer(sequence, return_tensors='pt', padding=False).to(device) # tokenize example
with torch.no_grad():
    matrix_embedding = model(**example).last_hidden_state.cpu()

vector_embedding = matrix_embedding.mean(dim=0)

Intended use and limitations

cdsBERT+ serves as a general-purpose protein language model with a codon vocabulary. Fine-tuning with Huggingface transformers models like BertForSequenceClassification enables downstream classification and regression tasks. Currently, the base capability enables feature extraction. The based checkpoint after MLM, cdsBERT, can conduct mask-filling.

Our lab

The Gleghorn lab is an interdisciplinary research group at the University of Delaware that focuses on solving translational problems with our expertise in engineering, biology, and chemistry. We develop inexpensive and reliable tools to study organ development, maternal-fetal health, and drug delivery. Recently we have begun exploration into protein language models and strive to make protein design and annotation accessible.

Please cite

@article {Hallee_cds_2023, author = {Logan Hallee, Nikolaos Rafailidis, and Jason P. Gleghorn}, title = {cdsBERT - Extending Protein Language Models with Codon Awareness}, year = {2023}, doi = {10.1101/2023.09.15.558027}, publisher = {Cold Spring Harbor Laboratory}, journal = {bioRxiv} }

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
a7debd2

0 моделей