/ Модель

Характеристики

Контекст
1 026 токенов
Параметры
197 млн
Лицензия
MIT
Архитектура
esm · dense
Библиотека
sentence-transformers
Опубликована
31 июл 2026

ProtSent-V2-150M

ЭмбеддингиТекст → embedding3 профессии

Контрастивно дообученная на белковых данных модель ESM-2 для создания эмбеддингов и поиска белков по сходству.

69скачиваний за 30 дней2лайкавеса обновлены31 июл 2026

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

ProtSent-V2-150M — модель GrimSqueaker на базе ESM-2, дообученная контрастивным обучением для получения векторных представлений белковых последовательностей. Она сопоставляет биологически похожим белкам близкие эмбеддинги и предназначена для поиска ближайших соседей, извлечения белков по сходству и кластеризации. Модель содержит 196,6 млн параметров, принимает аминокислотные последовательности длиной до 1026 токенов и выдаёт эмбеддинги фиксированного размера. Доступна через библиотеку Sentence Transformers.

Обучение проводилось на парах из Pfam, AlphaFold DB и STRING-DB; обучающие данные очищены от совпадений с тестовыми последовательностями для задач удалённой гомологии и взаимодействия белков. В описанных экспериментах модель улучшает некоторые показатели поиска по сравнению с предыдущей версией, но не превосходит все методы поиска профилей по точности первого результата. Её преимущество ориентировано на геометрию ближайших соседей; для предсказания свойств обучаемым линейным классификатором выигрыш над исходной ESM-2 не показан. Лицензия — MIT.

Сценарии применения

  • поиск белков, похожих на заданную последовательность
  • извлечение белков из коллекции по векторному сходству
  • кластеризация белковых последовательностей по биологическому сходству
  • перенос аннотаций на белок по ближайшим соседям

Ограничения

Преимущество модели относится прежде всего к поиску по ближайшим соседям: на тестах удалённой гомологии она уступила версии V1 по точности 3-NN, а линейный пробник не показал явного преимущества над исходной ESM-2. Очистка обучающих данных охватывала только указанные в карточке тестовые наборы; для предсказания свойств финальный слой может быть не лучшим выбором.

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

ProtSent-V2 ESM-2 150M

Contrastively fine-tuned ESM-2 150M producing fixed-length protein embeddings where biological similarity maps to embedding proximity. Intended for retrieval, clustering, and nearest-neighbour transfer.

Retrained on a corpus decontaminated against the benchmark test sets. Predecessor: oriel9p/protsent-esm2-150M. Other scale: GrimSqueaker/ProtSent-V2-35M.

Usage

from sentence_transformers import SentenceTransformer
from sentence_transformers.util import cos_sim

model = SentenceTransformer("GrimSqueaker/ProtSent-V2-150M")
emb = model.encode([
    "MKTLLLTLVVVTIVCLDLGYT",
    "MKTLLLTLVVVTIVCLDLGYN",
    "AGWYRSPQEGLKPVDTFKDIV",
])
print(cos_sim(emb[0], emb[1:]))

Embeddings are mean-pooled over the final layer, dimension 640. Matryoshka heads at 64/128/256 are available by truncating the embedding.

Training data

Three sources, all decontaminated (see below). No DMS/ProteinGym component — unlike the V1 release, which included ProteinGym DMS pairs under a CoSENT loss.

sourcepairs used
Pfam families284,683
AlphaFold DB (Foldseek clusters)8,612,331
STRING-DB v12 PPI15,000,000
total23,897,014

Pfam and AFDB pairs are sampled within clusters; STRING is a fixed 15M-pair subsample (seed 42) of the filtered pair table.

Decontamination

Every source was searched against the benchmark test sequences with MMseqs2 easy-search (corpus as query, 40% identity, 80% coverage, --cov-mode 1) and matching sequences removed before training.

corpusrows beforerows afterremoved
Pfam28,530,68427,929,7722.11%
AlphaFold DB135,404,259126,301,6076.72%
STRING76,070,15471,891,4175.49%

Filter targets: biomap-research/fold_prediction (remote homology) and Synthyra/bernett_gold_ppi (PPI) test splits. The result was verified by semi-joining each training file against the removal lists: zero flagged sequences remained.

SCOPe-40 was not a filter target — it has no train/test split, so filtering against it would remove nearly all domain sequences from the corpus.

Training configuration

settingvalue
backboneESM-2 150M (640 hidden, 30 layers)
lossCachedMultipleNegativesRankingLoss
contrastive batch1024 per device
gather across devicesoff
synthetic hard negativesoff
multi-dataset samplerproportional
Matryoshka dims64 / 128 / 256
max sequence length512
optimiserAdamW, LR 2e-4, cosine_with_min_lr
precision / attentionbf16, flash-attention-2
hardware6x NVIDIA B300
steps3,890 (one epoch)
gradient-cache mini-batch64
warmup300 steps

Training code: github.com/oriel9p/ProtSent, train_esm2_150m.sh.

Results

SCOPe-40 structural retrieval, test split, self excluded, no-hit queries counted as failures. Restricted to the 1,693 of 2,207 queries that have a non-self same-family protein in the gallery.

methodR@1R@10MAP
ESM-2 150M0.55350.77020.4236
MMseqs2 (-s 7.5)0.65560.74010.4098
HMMER (phmmer, -E 10, default filters)0.69700.78090.4747
HMMER (phmmer, filters off — strongest)0.75250.89780.6067
ProtSent-V1 150M0.66150.89430.6431
ProtSent-V2 150M0.74310.93680.7042

Paired bootstrap over queries (10,000 resamples): V2 − V1 R@1 +0.0809 [+0.0602, +0.1022]; V2 − MMseqs2 R@1 +0.0868 [+0.0620, +0.1116], both excluding zero.

Against a maximally sensitive profile search, top-1 is not ours. With filters off, phmmer reaches R@1 0.7525 against this model's 0.7431. The embedding advantage is in ranking depth and MAP (R@10 0.9368 vs 0.8978, MAP 0.7042 vs 0.6067), at one forward pass per sequence and with indexable sub-linear search, rather than an all-vs-all profile comparison.

Remote homology (the task the corpus was filtered against), test split:

model3-NN accuracylinear-probe accuracy
ESM-2 150M0.51940.7500
ProtSent-V1 150M0.70470.7401
ProtSent-V2 150M0.66120.7503

Under 3-NN this model scores below V1 here. V1 was trained on a corpus containing sequences at ≥40% identity to this test set; removing them removed that advantage. Under a linear probe the ordering reverses.

Limitations

  • Under a trained linear probe on the final layer, this model is roughly neutral to slightly worse than the stock ESM-2 backbone across a 23-task suite. The advantage is in nearest-neighbour geometry, not in information a trained readout can extract.
  • The final layer is not the best pooling layer for property prediction. In a layer sweep on remote homology, an intermediate layer (~2/3 depth) scored higher for every model tested, including the stock backbone.
  • V2 differs from V1 in more than decontamination: no hard negatives, proportional sampling, no DMS source, larger effective batch. It is not a controlled ablation of filtering alone.
  • Only the remote-homology and PPI test sets were decontamination targets; other benchmark test sets were not filtered against.

Citation

Paper: ProtSent: Protein Sentence Transformers

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
EsmModel
Ревизия весов
efb72b0

0 моделей