/ Модель

Характеристики

Контекст
1 536 токенов
Параметры
115 млн
Лицензия
OpenRAIL
Архитектура
pore_bert · dense
Базовая модель
none
Библиотека
transformers
Опубликована
7 июл 2026

PoreBERT-DNA-VQI-110M-530

Заполнение пропусковТекст → текст3 профессии

BERT-энкодер для обучения представлений токенизированных сигналов нанопорового секвенирования ДНК и применения в последующих задачах анализа.

18скачиваний за 30 дней0лайковвеса обновлены7 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

PoreBERT-DNA-VQI-110M-530 — энкодерная модель семейства BERT, разработанная для изучения представлений сигналов нанопорового секвенирования ДНК. Она содержит около 115,2 млн параметров и использует 12 слоёв трансформера с размером скрытого состояния 768. Модель обучена предсказывать замаскированные токены в двунаправленном контексте; контекст составляет до 1536 токенов.

Модель предназначена для последующих задач анализа данных нанопорового секвенирования. На вход она принимает не необработанный электрический сигнал, а последовательность дискретных токенов, созданных соответствующим VQ-токенизатором PoreCodec. Предварительное обучение проводилось на токенизированных сигналах секвенирования ДНК; карточка связывает набор данных с HG002. Модель распространяется под лицензией OpenRAIL.

Сценарии применения

  • Восстановление замаскированных токенов сигнала нанопорового секвенирования
  • Извлечение контекстных представлений токенов сигнала ДНК
  • Подготовка представлений для последующих задач анализа нанопоровых данных

Ограничения

Модель не принимает необработанные электрические сигналы: перед использованием их нужно преобразовать в токены соответствующим VQ-токенизатором. Результаты могут зависеть от качества токенизатора и распределения обучающих данных.

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

PoreBERT-DNA-VQI-110M-530

A BERT-style foundation model for nanopore DNA sequencing signal representation learning.

PoreBERT-DNA-VQI-110M-530 learns contextual representations from discretized nanopore electrical signal tokens generated by a Vector Quantization (VQ) tokenizer.

The model is pretrained with a Masked Language Modeling (MLM) objective, following the BERT architecture paradigm, and is designed for downstream nanopore sequencing applications.


Model Summary

PropertyDescription
Model TypeBERT Encoder
DomainNanopore DNA sequencing
Parameters~110M
Training ObjectiveMasked Language Modeling (MLM)
InputDiscrete nanopore signal tokens
TokenizerVQ-based tokenizer
VocabularyMinimal vocabulary tokenizer
Development Release530

Model Name Explanation

PoreBERT-DNA-VQI-110M-530

PoreBERT

Nanopore sequencing foundation model based on the BERT encoder architecture.

DNA

The model is trained on nanopore DNA sequencing electrical signal representations.

VQ

Vector Quantization tokenizer.

The raw nanopore electrical signal is first converted into discrete tokens through a neural codec based on vector quantization.

I

Minimal vocabulary tokenizer.

The VQI tokenizer is designed with a compact vocabulary to provide efficient signal token representation while preserving important sequencing information.

110M

Approximately 110 million model parameters.

530

Internal development release identifier.


Architecture Overview

The complete pipeline is:

Nanopore Electrical Signal

          |
          v

PoreCodec
(CNN Encoder + Vector Quantization)

          |
          v

Discrete Signal Tokens

          |
          v

PoreBERT-DNA-VQI-110M-530

          |
          v

Downstream Applications

The BERT model itself operates on token sequences rather than raw electrical signals.


Tokenizer

This model uses the following tokenizer:

ShuaiAnwo/pore-codec-rsq742c12a-511

The tokenizer converts nanopore electrical signals into discrete token IDs.

Tokenizer repository:

https://huggingface.co/ShuaiAnwo/pore-codec-rsq742c12a-511

The workflow is:

Raw signal

    |
    v

Pore Codec Tokenizer

    |
    v

Token IDs

    |
    v

PoreBERT

Model Architecture Details

Configuration:

ParameterValue
ArchitectureTransformer Encoder
Hidden Size768
Transformer Layers12
Attention Heads12
Intermediate Size3076
Maximum Sequence Length1536
Vocabulary Size2560
Parameters~110M

The architecture follows the standard BERT-style encoder design:

Token Embedding
        |
Position Embedding
        |
LayerNorm + Dropout
        |
12 Transformer Encoder Layers
        |
LayerNorm
        |
Contextual Token Representation

Pretraining Objective

The model is pretrained using Masked Language Modeling.

During training:

  1. Token sequences are generated by the VQ tokenizer.
  2. A fraction of tokens are randomly masked.
  3. The model predicts the original tokens using bidirectional context.

Example:

Input:

A B [MASK] D E


Prediction:

C

Training configuration:

ParameterValue
MLM Probability0.25
OptimizerAdamW
PrecisionBF16
Sequence Length1536

Usage

PoreBERT-DNA-VQI-110M-530 operates on discrete signal tokens generated by the corresponding PoreCodec VQ tokenizer.

Pipeline:

Nanopore Raw Signal
        |
        v
PoreCodec VQ Tokenizer
        |
        v
Discrete Token IDs
        |
        v
PoreBERT
        |
        v
Contextual Signal Embeddings

Quick Start

import numpy as np
import torch

from transformers import AutoFeatureExtractor, AutoModel


# Load PoreCodec tokenizer and PoreBERT model

codec_name = "ShuaiAnwo/pore-codec-rsq742c12a-511"
bert_name = "ShuaiAnwo/PoreBERT-DNA-VQI-110M-530"


codec = AutoModel.from_pretrained(
    codec_name,
    trust_remote_code=True,
).eval()


feature_extractor = AutoFeatureExtractor.from_pretrained(
    codec_name,
    trust_remote_code=True,
)


bert = AutoModel.from_pretrained(
    bert_name,
).eval()



# Example nanopore electrical signal

raw_signal = np.random.normal(
    70,
    8,
    1855,
).astype(np.float32)



with torch.no_grad():

    # Raw signal -> VQ token IDs

    signal = feature_extractor(
        raw_signal,
        return_tensors="pt",
    )["signal"]


    token_ids = codec.encode_signal(
        signal,
        layer=2,
    )


    # Token IDs -> PoreBERT contextual embeddings

    outputs = bert(
        input_ids=token_ids,
    )


    embeddings = outputs.last_hidden_state



print("Embedding shape:", embeddings.shape)

Output:

Embedding shape:
(batch_size, sequence_length, 768)

The generated embeddings can be used for downstream nanopore sequencing tasks, including:

  • Basecalling
  • Modified base detection
  • Signal representation learning
  • Read-level embedding

Training Data

The model was pretrained on nanopore DNA sequencing signal token sequences.

The training data pipeline:

Nanopore signal

        |
        v

PoreCodec tokenizer

        |
        v

Discrete token sequence

        |
        v

Masked Language Modeling

        |
        v

PoreBERT

Gradient Checkpointing

This model supports gradient checkpointing during training.

Gradient checkpointing reduces GPU memory usage by recomputing intermediate activations during backward propagation.

Benefits:

  • Lower GPU memory consumption
  • Ability to train longer sequences
  • Larger models on limited hardware

Trade-off:

  • Increased training computation time

Limitations

  • The model does not directly accept raw nanopore electrical signals.
  • Raw signal must first be converted into tokens using the corresponding tokenizer.
  • Performance may depend on tokenizer quality and training data distribution.

Citation

Coming soon.


License

Please refer to the LICENSE file for usage conditions.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Нельзя запустить

Архитектура pore_bert неизвестна transformers в образе рантайма.

Класс архитектуры
SimpleBERTForMaskedLM
Ревизия весов
7120d0d

0 моделей