/ Модель

Характеристики

Лицензия
MIT
Библиотека
transformers
Опубликована
17 июл 2026

pubmedbert-pmid-tapt

Заполнение пропусковТекст → текст

Доменная версия PubMedBERT для анализа литературы о киназах и малых молекулах, предназначенная для подстановки маскированных слов и как энкодерная основа для извлечения биомедицинских сущностей и связей.

0скачиваний за 30 дней0лайковвеса обновлены17 июл 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

Sarbanidg/pubmedbert-pmid-tapt — доменно адаптированный PubMedBERT (BiomedBERT), разработанный для литературы о киназах и малых молекулах в поиске лекарств. Это энкодер BERT с архитектурой BertForMaskedLM, продолжительно предобученный методом masked language modeling на заголовках и аннотациях PubMed, связанных с активностями киназ из ChEMBL. Адаптация выполнена без размеченных данных; базовая архитектура не изменена.

Модель предназначена прежде всего как энкодерная основа для дообучения или извлечения признаков в задачах биомедицинского NER, извлечения связей «соединение — отношение — мишень» и фактов о связывании и активности. Её также можно использовать для подстановки маскированных слов. В README приведено снижение perplexity на отложенной выборке относительно базовой модели: с 2,84 до 2,54.

Модель не предназначена для диагностики, клинических решений или самостоятельной проверки фактов. Она слаба в точных числовых рассуждениях: значения и единицы измерения разбиваются на субтокены, поэтому для их связывания нужны отдельные правила. Лицензия — MIT.

Сценарии применения

  • подстановка пропущенных слов в аннотациях PubMed о киназах
  • извлечение названий соединений и генов из биомедицинских текстов
  • извлечение связей между соединением, типом активности и мишенью
  • поиск утверждений о связывании и активности IC50, Ki, Kd или EC50
  • извлечение атомарных фактов для конвейера проверки биомедицинских утверждений
  • извлечение признаков из аннотаций для последующего дообучения

Ограничения

Не предназначена для клинических решений, диагностики или самостоятельной проверки фактов. Слаба в точных числовых рассуждениях; значения и единицы измерения рекомендуется связывать отдельными правилами.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

pubmedbert-pmid-tapt

Domain-adapted PubMedBERT (a.k.a. BiomedBERT) for the kinase / small-molecule drug-discovery literature. The base encoder was continue-pretrained with masked language modelling (MLM) — i.e. task-adaptive pretraining (TAPT) — on unlabelled, ChEMBL-linked PubMed abstracts. It is intended as an encoder backbone for downstream biomedical information extraction (NER + relation extraction of potency/binding claims), not as a standalone predictor.

Intended use & limitations

Intended use. Fine-tune or feature-extract for biomedical extraction tasks — chemical/gene NER, (compound, relation, target) relation extraction, and atomic-fact-claim (AFC) extraction in a fact-verification pipeline. Usable directly for fill-mask probing.

Out of scope. Not a clinical, diagnostic, or safety tool. It does not verify facts by itself and must not be used for medical decisions. Numeric spans (values/units) are subword- tokenised, so the encoder is weak at exact numeric reasoning — bind measurements with rules downstream.

Training data

  • Corpus: pmid_coverage_corpus.jsonl — PubMed title + abstract text for PMIDs linked to curated ChEMBL kinase activities (produced by NB07 of the project).
  • Size: ~4,026 abstracts, packed into 1662 blocks of 512 tokens; split train / val / test.
  • Labels: none — the text is its own supervision (self-supervised MLM).

Training procedure

HyperparameterValue
ObjectiveMasked LM (MLM), 15% dynamic masking
Block size512 tokens
Epochs3
Learning rate2e-05
LR schedulelinear + warmup (ratio 0.06)
Weight decay0.01
OptimizerAdamW
Mixed precisionfp16 (GPU)
Seed42
Selection metricvalidation eval_loss (best checkpoint kept)

Evaluation

Perplexity on the held-out test split (lower is better). The meaningful signal is the drop from base → adapted on the same split.

ModelVal lossVal pplTest lossTest ppl
Base PubMedBERT1.10653.021.04442.84
This model (adapted)0.94882.580.93322.54

How to use

from transformers import AutoTokenizer, AutoModelForMaskedLM, pipeline

repo = "Sarbanidg/pubmedbert-pmid-tapt"
tok = AutoTokenizer.from_pretrained(repo)
mdl = AutoModelForMaskedLM.from_pretrained(repo)

fill = pipeline("fill-mask", model=mdl, tokenizer=tok)
fill("The compound inhibited EGFR with an IC50 of 12 [MASK].")

Provenance & reproducibility

Produced by notebook src/notebooks/08_pubmedbert_mlm_pretrain.ipynb (§1–§6) in the med_llm_factcheck project. CLI/local equivalent: util/pretrain_pubmedbert_mlm.py.

License

MIT, inherited from the base model microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
943dbc5

0 моделей