/ Модель

Характеристики

Контекст
512 токенов
Параметры
268 млн
Архитектура
gemma2 · dense
Базовая модель
ProGemma2
Библиотека
transformers
Опубликована
23 авг 2024

ProteinLM

Генерация текстаТекст → текст3 профессии

Экспериментальная Gemma 2, дообученная на аминокислотных последовательностях для генерации белковых последовательностей и сравнения с ProtGPT.

156скачиваний за 30 дней0лайковвеса обновлены5 фев 2025

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 «Текст» — 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

ProteinLM — экспериментальная языковая модель на архитектуре Gemma 2, разработанная для генерации аминокислотных последовательностей. В README указано, что модель содержит 336 млн параметров и предварительно обучается на последовательностях длиной до 512 аминокислот; метаданные Hugging Face указывают 268,5 млн параметров и нативный контекст 512 токенов. В качестве основы использована JuIm/ProGemma2, модель дообучена с целью сравнить генерацию последовательностей в ProGemma и ProtGPT на базе GPT-2.

Модель предназначена для генерации белковых последовательностей и исследовательского сравнения качества генерации. В карточке приведены значение training loss около 1,6 и результаты perplexity и метрик AlphaFold 3 ptm, pLDDT и iptm, в целом сопоставимые с ProtGPT для последовательностей длиной до 250 аминокислот; для более надёжных выводов нужны дополнительные тесты. Доступны веса в формате safetensors для Transformers. Лицензия в предоставленных данных не указана.

Сценарии применения

  • генерация белковых аминокислотных последовательностей
  • исследование генерации последовательностей длиной до 512 аминокислот
  • сравнение генерации белков моделями ProGemma и ProtGPT
  • подготовка кандидатов белковых последовательностей для последующего структурного анализа

Ограничения

README сообщает, что требуются более надёжные тесты, особенно для последовательностей длиннее 250 аминокислот; приведённые результаты в целом сопоставимы с ProtGPT только для длин до 250 аминокислот. Размер модели расходится между README (336 млн параметров) и метаданными (268,5 млн).

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

ProteinLM

This is a custom configuration (336M parameters) of Google’s Gemma 2 LLM that is being pre-trained on amino acid sequences of 512 AA or less in length. Periodic updates are made to this page as training reaches new checkpoints.

The purpose of this model was to investigate the differences between ProGemma and ProtGPT (GPT-2 architecture) as it pertains to sequence generation. Training loss is ~1.6. Perplexity scores as well as AlphaFold 3’s ptm, pLDDT, and iptm scores are generally in line with ProtGPT’s scores for sequence lengths < 250, although the testing phase is still very early. I have yet to do testing for sequence lengths > 250. More robust testing is also required for lengths < 250 AA. In my very preliminary testing, HHblit e-values of ~0.1 are achieved without much guidance.

Controlled generation is not a capability of this model, and therefore serves as a method to significantly improve generation as, in principal, a sequence that performs a given function or resides in a particular cellular location can be generated.

In sequence generation, a top_k of 950 appears to work well as it prevents repetition. This is also seen in ProtGPT.

Below is code using the Transformers library to generate sequences using ProGemma.

from transformers import pipeline, AutoTokenizer, AutoModelForCausalLM

model = AutoModelForCausalLM.from_pretrained("JuIm/ProGemma")

tokenizer = AutoTokenizer.from_pretrained("JuIm/Amino-Acid-Sequence-Tokenizer")

progemma = pipeline("text-generation", model=model, tokenizer=tokenizer)

sequence = progemma("<bos>", top_k=950, max_length=100, num_return_sequences=1, do_sample=True, repetition_penalty=1.2, eos_token_id=21, pad_token_id=22, bos_token_id=20)

s = sequence[0]['generated_text']

print(s)

Framework versions

  • Transformers 4.44.2
  • Pytorch 2.4.0+cu121
  • Tokenizers 0.19.1

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma2ForCausalLM
Ревизия весов
3139a3e

0 моделей