/ Модель

Характеристики

Контекст
512 токенов
Параметры
25,2 млн
Лицензия
CC BY 4.0
Архитектура
bert_updated · dense
Библиотека
transformers
Опубликована
3 июн 2026

SpliceBERT-510nt

Заполнение пропусковТекст → текст3 профессии

SpliceBERT-510nt — модель BERT для анализа фрагментов РНК позвоночных длиной 510 нуклеотидов и предсказания сайтов сплайсинга.

64скачиваний за 30 дней0лайковвеса обновлены26 авг 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

SpliceBERT-510nt — BERT-based языковая модель для последовательностей РНК, разработанная Chen et al.; порт на Hugging Face поддерживает Taykhoom Dalal. Модель обучена методом masked language modeling на фрагментах первичных РНК позвоночных фиксированной длины 510 нуклеотидов из 72 видов. Она предназначена прежде всего для задач предсказания сайтов сплайсинга на окнах ровно по 510 нуклеотидов.

Архитектура — BertForMaskedLM с 6 слоями, 16 головами внимания и размерностью эмбеддингов 512; всего 25,2 млн параметров. Контекст включает 510 нуклеотидов последовательности и специальные токены [CLS] и [SEP]. Токенизация выполняется по одному нуклеотиду, символ U нормализуется в T. Модель принимает последовательность нуклеотидов и предсказывает замаскированные токены; скрытые состояния можно использовать как представления последовательности.

Модель не проверена для последовательностей длиной, отличной от 510 нуклеотидов; для последовательностей переменной длины в README рекомендована SpliceBERT-1024nt. Веса распространяются по лицензии CC BY 4.0, исходный код SpliceBERT — по BSD 3-Clause.

Сценарии применения

  • предсказание замаскированных нуклеотидов в РНК
  • подготовка представлений РНК для анализа сплайсинга
  • анализ окна длиной 510 нуклеотидов вокруг предполагаемого сайта сплайсинга

Ограничения

Модель обучена на фрагментах ровно по 510 нуклеотидов; для последовательностей другой длины её работа не проверена. Она ориентирована на РНК позвоночных, а не на произвольные последовательности.

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

SpliceBERT-510nt

Minimal HuggingFace port of the vertebrate-510nt variant of SpliceBERT -- a BERT-based RNA language model trained with masked language modeling on fixed-length 510 nt fragments from vertebrate primary RNA sequences.

WARNING: This model was trained on exactly 510 nt of input (excluding [CLS] and [SEP]). Sequences of other lengths were not validated upstream and may not work properly without fine-tuning. For general-purpose RNA embedding, use SpliceBERT-1024nt instead.

Architecture

ParameterValue
Layers6
Attention heads16
Embedding dimension512
FFN hidden dimension2048 (GELU)
Vocabulary size10
Positional encodingLearned absolute
NormalizationLayerNorm (post-residual, eps=1e-12)
ArchitecturePost-LN BERT encoder
Max sequence length510 nt (512 tokens; fixed-length training)
Checkpoint size~19.5M parameters

Vocabulary: [PAD]=0, [UNK]=1, [CLS]=2, [SEP]=3, [MASK]=4, N=5, A=6, C=7, G=8, T=9. Input U is normalized to T.

Pretraining

  • Objective: Masked language modeling (MLM)
  • Data: >2 million vertebrate primary RNA sequences from 72 species
  • Sequence format: Single-nucleotide tokenization with spaces; U converted to T; fixed 510 nt fragments
  • Source checkpoint: SpliceBERT.510nt/pytorch_model.bin (from zenodo:7995778)

Checkpoint selection

The 510nt vertebrate variant is intended for splice site prediction tasks where exact 510 nt windows are used (e.g., centered on a splice site). For variable-length sequences use SpliceBERT-1024nt.

Parity Verification

Hidden-state representations verified (max abs diff < 1e-5) against the original checkpoint at all 7 representation levels (embedding + 6 transformer layers), for both eager and sdpa attention backends. Verified on GPU with PyTorch 2.7.1 / CUDA 12.9.

Related Models

See the full SpliceBERT collection.

ModelContextTraining dataNotes
SpliceBERT-1024nt1024 nt72 vertebratesVariable-length; general purpose
SpliceBERT-510nt510 nt (fixed)72 vertebratesThis model
SpliceBERT-human-510nt510 nt (fixed)Human onlyHuman-specific

Usage

import torch
from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained("Taykhoom/SpliceBERT-510nt", trust_remote_code=True)
model = AutoModel.from_pretrained("Taykhoom/SpliceBERT-510nt", trust_remote_code=True)
model.eval()

# The model was trained on exactly 510 nt; tokenizer handles U->T automatically
seq = ("ATCGATCG" * 64)[:510]  # exactly 510 nt
enc = tokenizer(seq, return_tensors="pt")

with torch.no_grad():
    out = model(**enc, output_hidden_states=True)

hidden = out.last_hidden_state[0]  # (512, 512)
token_emb = hidden[1:-1]           # strip [CLS] and [SEP] -> (510, 512)
mean_emb = token_emb.mean(dim=0)   # (512,)

Fine-tuning

Standard HF conventions. For splice site prediction, token-level classification using all 510 token positions (excluding special tokens) is the typical setup.

Implementation Notes

The original checkpoint was saved as BertForMaskedLM with transformers==4.20.1. This port uses BERT-updated, which adds attn_implementation="sdpa" and attn_implementation="flash_attention_2" support not present in the original codebase.

The pooler weights (pooler.dense) are not present in the original checkpoint and are not included in the saved model.safetensors. add_pooling_layer=True (the default) allocates the pooler layer but its weights are randomly initialized -- do not use pooler_output without fine-tuning.

Citation

@article{chen2024_splicebert,
  title   = {Self-supervised learning on millions of primary {RNA} sequences from 72 vertebrates improves sequence-based {RNA} splicing prediction},
  author  = {Chen, Ken and Zhou, Yue and Ding, Maolin and Wang, Yu and Ren, Zhixiang and Yang, Yuedong},
  journal = {Briefings in Bioinformatics},
  volume  = {25},
  number  = {3},
  pages   = {bbae163},
  year    = {2024},
  doi     = {10.1093/bib/bbae163}
}

Credits

Original model and code by Chen et al. Source: GitHub. Hugging Face port maintained by Taykhoom Dalal.

License

The checkpoint weights are distributed under CC BY 4.0 by the upstream Zenodo record. The original SpliceBERT source code is BSD 3-Clause licensed.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
BertForMaskedLM
Ревизия весов
3322a5f

0 моделей