/ Модель

Характеристики

Контекст
512 токенов
Параметры
442 млн
Лицензия
MIT
Архитектура
ESMplusplus · dense
Базовая модель
ESMC-300M
Библиотека
sentence-transformers
Опубликована
8 авг 2026

ProtSent-V2-ESMC-300M

ЭмбеддингиТекст → embedding3 профессии

Контрастивно дообученная на базе ESM-C модель превращает белковые последовательности в эмбеддинги для поиска сходных белков, кластеризации и переноса аннотаций.

48скачиваний за 30 дней2лайкавеса обновлены9 авг 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

ProtSent-V2-ESMC-300M — модель GrimSqueaker на базе белкового языкового представления ESM-C 300M, дообученная контрастивным обучением. Она преобразует аминокислотные последовательности в векторы фиксированной длины, в которых близость векторных представлений призвана отражать биологическое сходство белков. Модель предназначена для поиска похожих последовательностей, кластеризации и переноса аннотаций по ближайшим соседям.

В README описано обучение на данных семейств Pfam, AlphaFold DB, STRING-DB и DMS; для части источников последовательности очищались от пересечения с тестовыми наборами. Карточка приводит результаты оценки на наборе из 23 задач, включая структурный поиск, kNN и линейный перенос, и отмечает преимущество над исходным необученным бэкбоном в ряде задач. Архитектура — ESMplusplus, класс ESMplusplusForMaskedLM; метаданные указывают 442,4 млн параметров. Модель работает с белковыми последовательностями и выдаёт эмбеддинги; карточка помечает английский язык, хотя основное содержимое — последовательности аминокислот. Лицензия — MIT.

README предупреждает, что данные DMS не очищались от пересечения с тестовыми последовательностями. Приведённые результаты зависят от бенчмарка и не означают превосходства над специализированными средствами: в тесте SCOPe-40 HMMER показал более высокие значения, чем модель. Для загрузки через SentenceTransformer в примере включён trust_remote_code.

Сценарии применения

  • поиск похожих белковых последовательностей
  • кластеризация белков по сходству
  • перенос функциональных аннотаций от ближайших соседей
  • поиск ближайших белковых последовательностей в базе
  • получение эмбеддингов белков для downstream-задач

Ограничения

В README указано, что источник DMS не очищался от пересечения с тестовыми последовательностями. В бенчмарке SCOPe-40 HMMER превзошёл модель по приведённым метрикам структурного поиска.

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-C 300M

Contrastively fine-tuned ESM-C 300M producing fixed-length protein embeddings where biological similarity maps to embedding proximity. Intended for retrieval, clustering, and nearest-neighbour transfer.

This is the ProtSent V2 recipe applied to an ESM-C backbone. Continued training from the Synthyra/ESMplusplus_small (ESMC-300M) weights.

Usage

from sentence_transformers import SentenceTransformer
from sentence_transformers.util import cos_sim

model = SentenceTransformer("GrimSqueaker/ProtSent-V2-ESMC-300M", trust_remote_code=True)
emb = model.encode([
    "MKTLLLTLVVVTIVCLDLGYT",
    "MKTLLLTLVVVTIVCLDLGYN",
    "AGWYRSPQEGLKPVDTFKDIV",
])
print(cos_sim(emb[0], emb[1:]))

Embeddings are mean-pooled over the final layer, dimension 960. No Matryoshka heads on this release (see Training configuration).

Training data

Four sources. Pfam/AFDB/STRING are decontaminated against benchmark test sets (see below); the DMS source is not — see Limitations.

sourcepairs used
Pfam families1,230,551
AlphaFold DB (Foldseek clusters)27,105,179
STRING-DB v12 PPI15,000,000
ProteinGym DMS (CoSENT target)1,000,000
total44,335,730

Pfam/AFDB pairs are drawn with the disjoint-pair sampler at up to 10 pairs per cluster (k=10), which spends the pair budget on distinct sequence pairs rather than repeating members — covers up to 90 distinct sequences per cluster instead of 10. STRING is a fixed 15M-pair subsample (seed 42).

Decontamination

Pfam, AlphaFold DB and STRING were searched against the benchmark test sequences with MMseqs2 easy-search (40% identity, 80% coverage, --cov-mode 1) and matching sequences removed before training — the same protsent-data-dc40 corpus used by the ProtSent-V2.5 ESM-2 releases.

Training configuration

settingvalue
backboneESM-C 300M (Synthyra/ESMplusplus_small, 960 hidden)
lossCachedMultipleNegativesRankingLoss (Pfam/AFDB/STRING) + CoSENT (DMS)
contrastive batch2048 per device
gather across devicesoff
multi-dataset samplerproportional, world-size-aligned (see below)
GOR weight0 (off)
Matryoshkaoff
max sequence length512
optimiserAdamW, LR 1e-4, warmup 300 steps
precision / attentionbf16, flash-attention-2 (FA3 unavailable on this hardware)
hardware3x NVIDIA B300
steps7,216 (one epoch)
gradient-cache mini-batch128

Training code: github.com/oriel9p/ProtSent, train_esmc_300m_v2.sh.

Results

23-task suite, -e test, seed 42, both kNN and linear-probe transfer. Full per-task CSVs: results/benchmarks/ism/protsent_esmc_300m_v2_{knn,linear}/ in the repo above.

SCOPe-40 structural retrieval, eligible queries only

methodR@1R@10MAP
ESM-C 300M (this model's backbone, untrained)0.37090.57940.2212
ISM-C 300M (structure-distilled ESM-C 300M)0.43000.65920.2733
HMMER (phmmer, filters off)0.75250.89780.6067
ProtSent-V2 ESM-C 300M0.79740.95390.7692

23-task suite vs the model's own untrained backbone and vs ISM-C

Win/tie/loss, tie tolerance 0.005:

probevs ESM-C 300M (this backbone, untrained)vs ISM-C 300M
kNN16W / 0T / 7L14W / 1T / 8L
linear6W / 3T / 14L6W / 4T / 13L

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

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
ESMplusplusForMaskedLM
Ревизия весов
f2ab611

0 моделей