/ Модель

Характеристики

Контекст
1 026 токенов
Параметры
197 млн
Лицензия
MIT
Архитектура
esm · dense
Базовая модель
ProtSent-V2-150M
Библиотека
sentence-transformers
Опубликована
5 авг 2026

ProtSent-V2.5-150M

ЭмбеддингиТекст → embedding3 профессии

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

30скачиваний за 30 дней0лайковвеса обновлены5 авг 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-V2.5-150M — контрастивно дообученная модель на основе ESM-2, разработанная GrimSqueaker для получения эмбеддингов белковых последовательностей и поиска белков по сходству. Она использует mean pooling, формирует векторы размерности 640 и принимает последовательности длиной до 512 аминокислот; архитектура — ESM, размер модели по метаданным — 196,6 млн параметров.

Модель предназначена для поиска структурно или функционально близких белков, извлечения признаков и использования эмбеддингов в задачах биологии белков. Обучение продолжено с ProtSent-V2-150M на данных Pfam, AlphaFold DB, STRING-DB и DMS; опубликованные результаты показывают улучшения относительно исходной ESM-2 в некоторых задачах поиска и k-NN-оценивания. Выигрыш зависит от метрики и способа оценки: на SCOPe-40 HMMER сохраняет преимущество по R@1, а при линейной оценке некоторые показатели ухудшаются.

Модель распространяется по лицензии MIT. Она предназначена для белковых последовательностей, поэтому языковые коды карточки не следует трактовать как указание на поддержку обычного текста.

Сценарии применения

  • поиск похожих белковых последовательностей в базе
  • извлечение эмбеддингов белков для кластеризации
  • ранжирование кандидатов по сходству белковых последовательностей
  • получение признаков белков для downstream-моделей

Ограничения

Качество зависит от метрики и downstream-сценария: HMMER превосходит модель по R@1 в приведённой оценке SCOPe-40, а контрастивное дообучение снижает некоторые результаты линейной оценки относительно ESM-2. Максимальная длина последовательности в README указана как 512 аминокислот.

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-V2.5 ESM-2 150M

Continued contrastive training of ProtSent-V2 150M on a fresh draw of the corpus, adding a DMS/ProteinGym CoSENT target and a Global Orthogonal Regularization term.

Mean-pooled ESM-2 150M embeddings, dimension 640, max sequence length 512.

from sentence_transformers import SentenceTransformer
from sentence_transformers.util import cos_sim

model = SentenceTransformer("GrimSqueaker/ProtSent-V2.5-150M")
emb = model.encode(["MKTLLLTLVVVTIVCLDLGYT", "MKTLLLTLVVVTIVCLDLGYN", "AGWYRSPQEGLKPVDTFKDIV"])
print(cos_sim(emb[0], emb[1:]))

Training data

sourcepairs availableselection
Pfam777,306k=8 per cluster
AlphaFold DB (Foldseek clusters)18,980,000k=8 per cluster
STRING-DB v12 PPI15,000,000full filtered table
DMS / ProteinGym (CoSENT)1,000,000prefix of interleaved assays
total35.8M

Trained on 14.7M pairs (3,600 steps x 4,096 effective batch), 41% of the pool.

Pfam, AFDB and STRING are decontaminated with MMseqs2 at 40% identity / 80% coverage against the remote-homology and PPI test splits. The DMS parquet is not MMseqs2-filtered; it has zero exact-sequence overlap with the AAV Fitness (0/50,430), Stability, Variant Effect and Fluorescence test sets.

Run parameters

parametervalue
initProtSent-V2-150M (verified identical, 515 tensors, max abs diff 0.0)
primary lossCachedMultipleNegativesRankingLoss, scale 20
--mnrl_directionsquery_to_doc doc_to_query (symmetric)
--gor_weight1.0
--gor_max_samples64
auxiliary lossCoSENTLoss on DMS, batch capped at 64, scale 20
Matryoshkaoff
batch size (per device)1024
--mnrl_mini_batch_size64
gather across devicesoff
--batch_samplernone
--max_seq_length512
--max_pairs_per_cluster8
learning rate5e-5, cosine_with_min_lr, 0.5 cycles, 200 warmup
seeds (shuffle / global)17 / 11
precision / attentionbf16, flash-attention-2
hardware4x NVIDIA B300, 14 h 18 m
steps3,600

Training code: github.com/oriel9p/ProtSent, train_esm2_150m_v2p5.sh.

Results

SCOPe-40 structural retrieval, test split, self excluded, restricted to the 1,693 of 2,207 queries with a non-self same-family protein in the gallery.

methodR@1R@10R@30MAP
ESM-2 150M0.5540.7700.8420.424
MMseqs2 (-s 7.5)0.6560.7400.7570.410
HMMER (phmmer, max sensitivity)0.7530.8980.9230.607
ProtSent-V1 150M0.6620.8940.9440.643
ProtSent-V2 150M0.7430.9370.9680.705
ProtSent-V2.5 150M0.7510.9450.9720.723

Paired bootstrap over queries, 10,000 resamples, V2.5 − V2:

metricdelta95% CI
R@1+0.0095[−0.0024, +0.0213]
R@10+0.0077[+0.0012, +0.0142]
R@30+0.0053[+0.0006, +0.0106]
MAP+0.0189[+0.0137, +0.0241]

R@10, R@30 and MAP exclude zero; R@1 does not. HMMER still leads at R@1.

23-task downstream suite

Win/tie/loss over the 20 tasks with a defined one-vs-rest AUC, ties at |delta| < 0.005, with the median delta. All arms scored with --eval_split test, EvalMode=standard, seed 42.

comparisonk-NN probelinear probe
V2.5 vs ESM-2 150M12W/2T/5L, +0.0103W/2T/14L, −0.016
V2 vs ESM-2 150M9W/3T/7L, +0.0043W/4T/12L, −0.014
V2.5 vs V1 150M13W/3T/3L, +0.0074W/6T/9L, −0.004
V2.5 vs V2 150M8W/8T/3L, +0.0013W/11T/5L, −0.003

V2.5 improves on the untuned backbone under a k-NN probe by more than V2 did. Under a linear probe, contrastive post-training costs about 0.015 against the backbone at this scale, and V2.5 does not change that.

Per-task, both V2.5 − V2 medians are inside the tie band. The movement is concentrated in the Spearman regression tasks and reverses by probe: mean delta +0.020 under k-NN and −0.006 under linear, while AUC tasks are flat under both (+0.000 and −0.001).

taskmetrick-NN deltalinear delta
Fluorescence (TAPE)Spearman+0.068+0.015
Thermostability (FLIP)Spearman+0.033−0.000
Variant Effect (GB1)Spearman+0.025−0.003
Cloning ClassificationSpearman+0.023+0.006
beta-lactamase-PEERSpearman+0.021+0.049
Molecular Function (GO)F1_Macro−0.014−0.014
Metal Ion BindingAUC−0.011−0.008
Stability (Biomap)Spearman+0.014−0.023
AAV Fitness (FLIP)Spearman+0.003−0.086

AAV Fitness and Stability decline monotonically across the whole 150M lineage under a linear probe (AAV 0.589 → 0.398 → 0.451 → 0.365 for ESM-2 → V1 → V2 → V2.5; Stability 0.706 → 0.699 → 0.663 → 0.639).

The AAV drop is not embedding collapse. Over 3,000 AAV test variants, V2.5 has a lower mean pairwise cosine than V2 (0.983 vs 0.992), higher effective dimensionality (10.4 vs 6.8) and a higher best-single-direction correlation with fitness (0.576 vs 0.542, against 0.554 for vanilla ESM-2). The variants are spread further apart and carry more linear signal in-sample; what degrades is transfer from the train split to the deliberately hard FLIP test split.

V2.5 changes six settings at once relative to V2 (GOR, DMS target, symmetric directions, k, seeds, batch geometry) and there is no GOR-off ablation at this scale, so no individual change is isolated here. The equivalent ablation at 35M found GOR contributed nothing measurable.

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
9ba1336

0 моделей