/ Модель

Характеристики

Контекст
512 токенов
Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Библиотека
transformers
Опубликована
28 июн 2024

mRNABERT

Заполнение пропусковТекст → текст3 профессии

Предобученная BERT-модель для анализа и извлечения признаков из последовательностей мРНК, а также их классификации и восстановления замаскированных элементов.

683скачиваний за 30 дней7лайковвеса обновлены25 ноя 2025

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

mRNABERT — предобученная языковая модель YYLY66 для анализа последовательностей мРНК, представленная авторами работы «mRNABERT: advancing mRNA sequence design with a universal language model and comprehensive dataset». Это плотная архитектура BERT с 113,3 млн параметров, реализованная для Transformers и PyTorch; контекст — до 512 токенов. Модель обучена на более чем 18 млн очищенных последовательностей мРНК и использует контрастивное обучение для интеграции семантических признаков аминокислот.

Модель предназначена для извлечения признаков из последовательностей мРНК и дообучения под прикладные задачи. В метаданных указаны задачи fill-mask и text-classification; основная задача — восстановление замаскированных элементов последовательности. Перед подачей данные нужно предварительно обработать: регионы UTR разделять по одной букве, а CDS — по три символа. Модель специализируется на биологических последовательностях и не предназначена для обычного текста. Лицензия — Apache-2.0.

Сценарии применения

  • восстановление замаскированных элементов последовательности мРНК
  • извлечение признаков из последовательностей мРНК
  • классификация последовательностей мРНК после дообучения
  • подготовка представлений мРНК для downstream-моделей

Ограничения

Перед подачей последовательностей требуется специальная токенизация: UTR разделяют по одной букве, CDS — по три символа. Контекст ограничен 512 токенами; для прикладных задач классификации модель может потребовать дообучения.

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

mRNABERT

A robust language model pre-trained on over 18 million high-quality mRNA sequences, incorporating contrastive learning to integrate the semantic features of amino acids.

This is the official pre-trained model introduced in mRNABERT: advancing mRNA sequence design with a universal language model and comprehensive dataset.

The repository of mRNABERT is at yyly6/mRNABERT.

Intended uses & limitations

The model could be used for mRNA sequences feature extraction or to be fine-tuned on downstream tasks. **Before inputting the model, you need to preprocess the data: use single-letter separation for the UTR regions and three-character separation for the CDS regions.**For full examples, please see our code on data processing.

Training data

The mRNABERT model was pretrained on a comprehensive mRNA dataset, which originally consisted of approximately 36 million complete CDS or mRNA sequences. After cleaning, this number was reduced to 18 million.

Usage

To load the model from huggingface:

import torch
from transformers import AutoTokenizer, AutoModel
from transformers.models.bert.configuration_bert import BertConfig

config = BertConfig.from_pretrained("YYLY66/mRNABERT")
tokenizer = AutoTokenizer.from_pretrained("YYLY66/mRNABERT")
model = AutoModel.from_pretrained("YYLY66/mRNABERT", trust_remote_code=True, config=config)

To extract the embeddings of mRNA sequences:

seq = ["A T C G G A GGG CCC TTT", 
       "A T C G", 
       "TTT CCC GAC ATG"]  #Separate the sequences with spaces.

encoding = tokenizer.batch_encode_plus(seq, add_special_tokens=True, padding='longest', return_tensors="pt")

input_ids = encoding['input_ids']
attention_mask = encoding['attention_mask'] 

output = model(input_ids=input_ids, attention_mask=attention_mask)
last_hidden_state = output[0]

attention_mask = attention_mask.unsqueeze(-1).expand_as(last_hidden_state)  # Shape : [batch_size, seq_length, hidden_size]

# Sum embeddings along the batch dimension
sum_embeddings = torch.sum(last_hidden_state * attention_mask, dim=1)  

# Also sum the masks along the batch dimension
sum_masks = attention_mask.sum(1)  

# Compute mean embedding.
mean_embedding = sum_embeddings / sum_masks  #Shape:[batch_size, hidden_size]  

The extracted embeddings can be used for contrastive learning pretraining or as a feature extractor for protein-related downstream tasks.

Citation

BibTeX:

@article{xiong2025mrnabert,
  title={mRNABERT: advancing mRNA sequence design with a universal language model and comprehensive dataset},
  author={Xiong, Ying and Wang, Aowen and Kang, Yu and Shen, Chao and Hsieh, Chang-Yu and Hou, Tingjun},
  journal={Nature Communications},
  volume={16},
  number={1},
  pages={10371},
  year={2025},
  publisher={Nature Publishing Group UK London},
}

Contact

If you have any question, please feel free to email us (xiongying@zju.edu.cn).

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForMaskedLM
Ревизия весов
a1eb7df

0 моделей