/ Модель

Характеристики

Лицензия
MIT
Библиотека
pytorch
Опубликована
30 авг 2026

spliceformer-models

Разметка токеновТекст → label

Набор трансформерных моделей для анализа последовательностей ДНК, включая предсказание сайтов сплайсинга и другие задачи геномики.

0скачиваний за 30 дней0лайковвеса обновлены8 сен 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

SaumyaGupta-99/spliceformer-models содержит веса Spliceformer и его общего энкодера Merlin — трансформера с rotary positional embeddings, обученного на геноме человека предсказывать замаскированные нуклеотиды. В репозитории есть базовый чекпойнт Merlin и дообученные модели для обнаружения сайтов сплайсинга с контекстом 400 нуклеотидов или 10 тысяч нуклеотидов, а также модели для задач, связанных с ADAR, m6A, RBP и HAEC. Для сплайсинга представлены ансамбли из пяти сидов.

Модели предназначены для анализа последовательностей ДНК и геномных меток. README указывает на обязательное использование NVIDIA GPU поколения Ampere или новее и FlashAttention-2; CPU, MPS и GPU до Ampere не поддерживаются. Для воспроизведения указанных метрик требуется torch.compile. Репозиторий распространяется по лицензии MIT.

Сценарии применения

  • поиск сайтов сплайсинга в последовательности ДНК
  • анализ сплайсинга с контекстом 400 нуклеотидов
  • анализ сплайсинга с контекстом 10 тысяч нуклеотидов
  • анализ модификаций m6A и активности ADAR
  • анализ связывания РНК-связывающих белков

Ограничения

Для запуска необходима NVIDIA GPU Ampere (SM80) или новее и FlashAttention-2; CPU, MPS и GPU более ранних поколений не поддерживаются. Для воспроизведения заявленных метрик требуется torch.compile.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Spliceformer / Merlin — model weights

Weights for Spliceformer, a rotary-position transformer over raw DNA. Merlin is the shared 6-block encoder, pretrained on the human genome with a masked-nucleotide objective; every other checkpoint here is a fine-tune of it.

⚠️ Requires an Ampere (SM80) or newer NVIDIA GPU — A100, H100, RTX 30/40/50. Attention is FlashAttention-2, which has no CPU, MPS or pre-Ampere path.

⚠️ Keep torch.compile enabled. All reported metrics were produced with compilation on. Eager execution changes results in the third decimal under bfloat16 autocast.

Contents

FolderFilesWhat
merlin/1Pretrained backbone (merlin_mlm_6blocks_best.pth, 220 MB)
splice_gencode_10k/6Splice sites, 10 kb context, GENCODE labels (5-seed ensemble)
splice_gencode_400/6Splice sites, 400 nt context, GENCODE labels (5-seed ensemble)
haec_ensemble/11HAEC joint classification + usage regression, 4 folds × {cls, reg, joint}
adar/2ADAR A-to-I editing
m6a/198m6A methylation, 11 tissues × 3 strategies × 5 seeds
rbp/108RBP binding, 37 ENCODE eCLIP targets (single architecture)

Quick start

git clone https://github.com/NNeuralDynamics/Spliceformer.git && cd Spliceformer
pip install -e . && pip install flash-attn --no-build-isolation

python scripts/download_assets.py --merlin                      # backbone only
python scripts/download_assets.py --models splice_gencode_10k   # + splice ensemble
from spliceformer import Paths, SpliceClassifier, load_finetuned
from spliceformer.training import compile_model

model = SpliceClassifier(
    transformer_block_depth=6, embedding_length=512,
    dropout_rate=0.1, attn_dropout=0.05, context_length=10000,
).cuda().eval()
model = compile_model(model)                                    # keep this
load_finetuned(model, Paths().splice_checkpoint("10k", seed=42))

load_finetuned normalises checkpoint prefixes, so a file loads whether the model is currently compiled, DDP-wrapped, or plain.

Checkpoint prefixes

Files were saved from different wrappings, and each adds a state-dict key prefix:

Saved fromPrefixWhich
raw nn.Module(none)ADAR, m6A, RBP
torch.compile(model)_orig_mod.splice
DDP(torch.compile(model))module._orig_mod.HAEC

Two things to know before you use these

best_model_400_6blocks_gencode.pth has a legacy head. It predates the seeded ensemble and puts an extra LayerNorm at index 0. infer_splice_head() detects it. Prefer the _seed* files.

RBP is now a single architecture. An earlier release mixed two head generations over disjoint protein sets; the 171 legacy-head checkpoints (15/5/3 conv kernels) have been removed so that everything here uses the current 7/7/7 head. All 108 files are 100.0 MB, covering 37 proteins across frozen / partial / full. Results are directly comparable across proteins.

The HAEC ensemble is 5 folds × 3 heads = 15 checkpoints. Four are pending upload (ensemble2_4_reg and all of fold 5). Scripts default to all five folds, skip what is absent, and record the contributing folds in their output, so a partial set cannot be mistaken for a full 5-fold run.

Verification

All 502 fine-tuned checkpoints plus the backbone load with strict=True against the model classes in the repo (pytest tests/test_checkpoints.py).

Related

License

MIT

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch · token-classification

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
b91c68b

0 моделей