/ Модель

Характеристики

Контекст
1 026 токенов
Параметры
44,3 млн
Лицензия
MIT
Архитектура
esm · dense
Базовая модель
ProtSent-V2-35M
Библиотека
sentence-transformers
Опубликована
4 авг 2026

ProtSent-V2.5-35M

ЭмбеддингиТекст → embedding3 профессии

Контрастивно дообученная модель ESM-2 создаёт эмбеддинги белковых последовательностей для поиска сходных белков и downstream-задач.

36скачиваний за 30 дней1лайквеса обновлены4 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-V2.5-35M — контрастивно дообученная модель на базе ESM-2 для получения эмбеддингов белковых последовательностей. Разработчик описывает её как ProtSent-V2 35M с дополнительным проходом обучения на обновлённой выборке, включавшей данные Pfam, AFDB, STRING и DMS/ProteinGym; в README указан CoSENT-целевой сигнал для DMS и регуляризация Global Orthogonal Regularization. Модель использует mean pooling, формирует эмбеддинги размерности 480 и поддерживает Matryoshka-представления размером 64, 128 и 256.

Её применяют для поиска структурно или функционально сходных белков и как представление последовательностей для downstream-задач. Карточка сообщает о результатах на структурном поиске SCOPe-40 и 23 задачах, но отмечает, что агрегированные результаты V2.5 близки к V2, а убедительное улучшение в SCOPe-40 относится к глубине ранжирования; профильное выравнивание HMMER сохраняет преимущество по R@1.

Это производная модель: базовая модель — GrimSqueaker/ProtSent-V2-35M. Репозиторий использует Sentence Transformers и safetensors; лицензия — MIT. Контекстная длина по метаданным составляет 1026 токенов. При оценке downstream-результатов следует учитывать, что DMS-данные не были полностью очищены от пересечений с четырьмя DMS-производными задачами, проверялось только точное совпадение.

Сценарии применения

  • поиск похожих белковых последовательностей
  • извлечение эмбеддингов белков для биоинформатического анализа
  • ранжирование белков по структурному сходству
  • кластеризация белковых последовательностей по эмбеддингам
  • перенос аннотаций между сходными белками

Ограничения

README сообщает, что улучшение V2.5 относительно V2 на агрегированных downstream-задачах неразличимо, а по SCOPe-40 надёжно поддерживается преимущество только в глубине ранжирования; HMMER лучше по R@1. DMS-данные обучения не были полностью очищены от пересечений с четырьмя DMS-производными задачами.

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 35M

ProtSent-V2 35M plus one more contrastive pass on a fresh draw of the corpus, with a DMS/ProteinGym CoSENT target and a Global Orthogonal Regularization term added.

Mean-pooled ESM-2 35M embeddings, dimension 480, Matryoshka heads at 64/128/256.

from sentence_transformers import SentenceTransformer
from sentence_transformers.util import cos_sim

model = SentenceTransformer("GrimSqueaker/ProtSent-V2.5-35M")
emb = model.encode(["MKTLLLTLVVVTIVCLDLGYT", "MKTLLLTLVVVTIVCLDLGYN", "AGWYRSPQEGLKPVDTFKDIV"])
print(cos_sim(emb[0], emb[1:]))

Training

V2V2.5
initESM-2 35MProtSent-V2 35M
lossCachedMNRL + Matryoshka+ GOR (weight 0.1) + DMS CoSENT
pairs34.8M15.3M — Pfam 285k, AFDB 7M, STRING 7M, DMS 1M
cluster samplek=10, seed 42k=5, seed 13 (fresh draw, ~28% rows new)
batch / mini-batch1024 / 2561024 / 256, CoSENT capped at 256
LR2e-4, 3 cosine cycles5e-5, half-cosine to zero, 200 warmup
max sequence length512512
steps / hardware4,850 on 7xB30014,924 on 1xB300, 11 h 49 m

Corpora are decontaminated with MMseqs2 at 40% identity / 80% coverage against the remote-homology and PPI test splits. The DMS parquet is not decontaminated — four suite tasks are DMS-derived (Stability, Fluorescence, beta-lactamase, Variant Effect), and only exact-match overlap has been checked (zero on all three tested).

Results

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

modelR@1R@10R@30MAP
ESM-2 35M0.49910.76140.83400.4210
ProtSent-V1 35M0.58540.85110.92560.5509
ProtSent-V2 35M0.68520.92200.96340.6459
ProtSent-V2.5 35M0.68990.92440.96810.6521

Paired bootstrap over queries, 10,000 resamples, V2.5 − V2: R@1 +0.0077 [−0.0041, +0.0201], R@10 +0.0018 [−0.0053, +0.0089], R@30 +0.0047 [+0.0000, +0.0100], MAP +0.0078 [+0.0032, +0.0125]. MAP is the only metric excluding zero, so the supportable claim is ranking depth, not top-1. Profile alignment (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 = |delta| < 0.005), with the median delta:

comparisonk-NN probelinear probe
V2 vs ESM-2 35M10W/3T/7L, +0.00412W/7T/11L, −0.0107
V2.5 vs ESM-2 35M9W/7T/4L, +0.00464W/4T/12L, −0.0103
V2.5 vs V27W/8T/5L, +0.00107W/8T/5L, +0.0013

V2.5 is indistinguishable from V2 on this aggregate. A sign test resolves almost none of these records, so no inferential claim is drawn from the tallies. The linear-probe deficit against vanilla ESM-2 is unchanged.

Largest per-task moves, V2.5 − V2, linear probe: Stability +0.0946, AAV Fitness +0.0732, Fluorescence +0.0149, Variant Effect +0.0128, beta-lactamase +0.0110, Optimal pH −0.0247, Binary Subcellular Localization −0.0128. The gains are the DMS-derived tasks, matching the re-added CoSENT target.

An ablation trained with --gor_weight 0 and everything else identical matches this model within noise (2W/15T/2L on the k-NN suite; SCOPe-40 eligible R@1 0.6923 / MAP 0.6528). GOR cost +11.7% per step and is not the source of the improvement over V2.

Training code and full run log: github.com/oriel9p/ProtSent (train_esm2_35m_v2p5.sh, RUNS.md).

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
9522c01

0 моделей