Характеристики

Лицензия: MIT
Библиотека: pytorch
Опубликована: 1 авг 2026

Ссылки

SPPIDER-seq

Разметка токеновТекст → label

SPPIDER-seq предсказывает по паре белковых последовательностей остатки, участвующие в межбелковом взаимодействии, с учётом партнёра.

0скачиваний за 30 дней0лайковвеса обновлены1 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

SPPIDER-seq — набор из двух моделей глубокого обучения для предсказания участков взаимодействия белок–белок по последовательностям аминокислот. Разработчики не названы. Для пары взаимодействующих белков модель оценивает вероятность контакта каждого остатка с учётом последовательности партнёра: peptide-centric модель размечает остатки пептида или лиганда, а receptor-centric — рецептора.

Обе модели используют эмбеддинги белковой языковой модели ESM-2 размером 650M, многоголовое перекрёстное внимание и предсказывающую MLP-голову. Версия 2.2.0 переобучена на полных курируемых наборах данных статьи с разделением на обучающую и валидационную выборки 90/10; архитектура не менялась. Авторы отмечают улучшенную чувствительность peptide-centric модели к участкам взаимодействия во внутренне неупорядоченных областях, но баллы склонны быть выше, чем у моделей из исходной публикации, поэтому их сопоставление требует осторожности. Лицензия MIT.

Сценарии применения

поиск участков взаимодействия на последовательности белка-лиганда
поиск интерфейсных остатков на последовательности рецептора
оценка вероятности контакта аминокислотных остатков для пары белков
анализ взаимодействий белка с пептидом

Ограничения

Предсказания версии 2.2.0 обычно дают более высокие оценки склонности к взаимодействию, чем исходные модели, поэтому прямое сравнение оценок может быть некорректным. В README не приведены численные показатели качества.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SPPIDER-seq

SPPIDER-seq is a deep learning framework for partner-aware prediction of protein–protein interaction (PPI) sites directly from amino acid sequences. Given a pair of interacting proteins, the models predict residue-level interface propensities while explicitly accounting for the identity of the interaction partner.

Models

This repository contains two complementary pretrained models:

Peptide-centric model – predicts interface residues on the peptide/ligand protein using the receptor sequence as context.
Receptor-centric model – predicts interface residues on the receptor protein using the peptide/ligand sequence as context.

Model Architecture

Both models share the same neural network architecture described in the SPPIDER-seq publication:

ESM-2 (650M) protein language model embeddings
Multi-head cross-attention network
Multi-layer perceptron (MLP) prediction head

Software

SPPIDER-seq software, command-line interface, and notebooks are available at:

https://github.com/aporollo-lab/SPPIDER-seq

Citation

If you use these models in your research, please cite:

Porollo A, Jadhav O, Alvarez A, Chen J. SPPIDER-seq: sequence-based partner-aware predictor of protein–protein interaction sites. Bioinformatics. 2026;42(7):btag388. https://doi.org/10.1093/bioinformatics/btag388

Model Version

Version: v2.2.0

Notes for Version 2.2.0

The neural network architecture is unchanged from the published SPPIDER-seq model.

Compared with the models accompanying the original publication, the v2.2.0 models were retrained using the complete curated datasets described in the manuscript. Training employed a 90%/10% train/validation split to maximize the amount of data available for model fitting while retaining an independent validation set for model selection.

Although overall predictive performance is expected to remain comparable to that reported in the publication, the updated models generally produce higher interface propensity scores. In addition, the peptide-centric model exhibits improved sensitivity toward interaction sites located within intrinsically disordered regions, consistent with observations made during internal benchmarking.

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: 1448a26