/ Модель

Характеристики

Контекст
1 026 токенов
Параметры
44,3 млн
Лицензия
MIT
Архитектура
esm · dense
Библиотека
sentence-transformers
Опубликована
31 июл 2026

ProtSent-V2-35M

ЭмбеддингиТекст → embedding3 профессии

Контрастивно дообученная на базе ESM-2 модель создаёт эмбеддинги белковых последовательностей для поиска сходных белков, кластеризации и переноса аннотаций.

71скачиваний за 30 дней1лайквеса 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-V2-35M — модель эмбеддингов белковых последовательностей на базе ESM-2, дообученная контрастивным обучением разработчиком GrimSqueaker. Она преобразует последовательности аминокислот в векторы фиксированной длины, где близость векторных представлений отражает биологическое сходство белков. Модель предназначена для поиска похожих белков, кластеризации и переноса аннотаций по ближайшим соседям; контекст составляет 1026 токенов, размер — 44,3 млн параметров.

По результатам README, версия V2 улучшает поиск по структурному сходству SCOPe-40 и точность классификации удалённой гомологии относительно ProtSent-V1 35M. Модель доступна в формате safetensors через Sentence Transformers. Лицензия — MIT.

Ограничения: преимущество модели проявляется прежде всего в геометрии ближайших соседей; обученный линейный классификатор на финальном слое показывает примерно равные или немного худшие результаты, чем исходная ESM-2, на наборе задач предсказания свойств. Для предсказания свойств лучше может подойти промежуточный слой; фильтрация обучающих данных охватывала только тестовые наборы удалённой гомологии и взаимодействий белков.

Сценарии применения

  • поиск белков с похожей последовательностью или биологической функцией
  • поиск ближайших белковых соседей в базе данных
  • кластеризация белковых последовательностей по сходству
  • перенос аннотаций с известных белков на новые
  • извлечение эмбеддингов белков для последующего анализа

Ограничения

Преимущество модели сосредоточено на поиске ближайших соседей: линейный пробник на финальном слое примерно равен или немного уступает исходной ESM-2 в задачах предсказания свойств. Фильтрация обучающих данных охватывала только тестовые наборы удалённой гомологии и взаимодействий белков.

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 35M

Contrastively fine-tuned ESM-2 35M 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-esm2-35M. Other scale: GrimSqueaker/ProtSent-V2-150M.

Usage

from sentence_transformers import SentenceTransformer
from sentence_transformers.util import cos_sim

model = SentenceTransformer("GrimSqueaker/ProtSent-V2-35M")
emb = model.encode([
    "MKTLLLTLVVVTIVCLDLGYT",
    "MKTLLLTLVVVTIVCLDLGYN",
    "AGWYRSPQEGLKPVDTFKDIV",
])
print(cos_sim(emb[0], emb[1:]))

Embeddings are mean-pooled over the final layer, dimension 480. 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 families777,306
AlphaFold DB (Foldseek clusters)18,987,468
STRING-DB v12 PPI15,000,000
total34,764,774

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 35M (480 hidden, 12 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
hardware7x NVIDIA B300
steps4,850 (one epoch)
gradient-cache mini-batch256
warmup1,000 steps
wall clock10 h 53 m

Training code: github.com/oriel9p/ProtSent, train_esm2_35m.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 35M0.49910.76140.4210
MMseqs2 (-s 7.5)0.65560.73480.4041
ProtSent-V1 35M0.58540.85120.5509
ProtSent-V2 35M0.68520.92200.6459

Paired bootstrap over queries (10,000 resamples), V2 − V1: R@1 +0.0986 [+0.0762, +0.1211], MAP +0.0943 [+0.0814, +0.1074]. Against a maximally sensitive HMMER (phmmer) this model is statistically tied at top-1 and ahead at R@10 and MAP.

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

model3-NN accuracylinear-probe accuracy
ESM-2 35M0.58350.6868
ProtSent-V1 35M0.65870.6899
ProtSent-V2 35M0.66680.7016

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
497c50c

0 моделей