/ Модель

Характеристики

Контекст
40 000 токенов
Параметры
503 млн
Лицензия
MIT
Архитектура
bert · dense

HIV_BERT

Заполнение пропусковТекст → текст3 профессии

Специализированная BERT-модель для предсказания замаскированных аминокислот и анализа последовательностей ВИЧ.

51скачиваний за 30 дней0лайковвеса обновлены24 фев 2022

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

HIV-BERT — модель семейства BERT, разработанная damlab как специализированное продолжение предварительного обучения ProtBert-BFD для задач, связанных с ВИЧ. Модель использует архитектуру BertForMaskedLM и кодирует каждую аминокислоту отдельным токеном; объём составляет 503,3 млн параметров, формат весов — PyTorch. В метаданных указан контекст длиной до 40 000 токенов.

Модель обучена предсказывать замаскированные аминокислоты и может применяться для поиска вероятных замен в последовательностях ВИЧ, выявления необычных мутаций и артефактов секвенирования, а также как основа для дообучения классификаторов, специфичных для ВИЧ. Для дополнительного предварительного обучения использованы 1 790 полных геномов ВИЧ из базы Los Alamos, представленные примерно 3,9 млн аминокислотных токенов; обучение проводилось на фрагментах по 256 аминокислот с маскированием 15% токенов. Лицензия — MIT. Модель работает с аминокислотными последовательностями, а не с обычным текстом.

Сценарии применения

  • предсказание аминокислоты в замаскированной позиции последовательности ВИЧ
  • поиск вероятных мутаций в геномах ВИЧ
  • выявление необычных участков и потенциальных артефактов секвенирования
  • извлечение представлений последовательностей ВИЧ для последующей классификации
  • дообучение моделей для специфических задач анализа ВИЧ

Ограничения

Модель предназначена для аминокислотных последовательностей, связанных с ВИЧ; качество на других организмах и биологических задачах в карточке не установлено. Для конкретных классификационных задач потребуется дополнительное дообучение.

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

HIV_BERT model

Table of Contents

Summary

The HIV-BERT model was trained as a refinement of the ProtBert-BFD model for HIV centric tasks. It was refined with whole viral genomes from the Los Alamos HIV Sequence Database. This pretraining is important for HIV related tasks as the original BFD database contains few viral proteins making it sub-optimal when used as the basis for transfer learning tasks. This model and other related HIV prediction tasks have been published (link).

Model Description

Like the original ProtBert-BFD model, this model encodes each amino acid as an individual token. This model was trained using Masked Language Modeling: a process in which a random set of tokens are masked with the model trained on their prediction. This model was trained using the damlab/hiv-flt dataset with 256 amino acid chunks and a 15% mask rate.

Intended Uses & Limitations

As a masked language model this tool can be used to predict expected mutations using a masking approach. This could be used to identify highly mutated sequences, sequencing artifacts, or other contexts. As a BERT model, this tool can also be used as the base for transfer learning. This pretrained model could be used as the base when developing HIV-specific classification tasks.

How to use

As this is a BERT-style Masked Language learner, it can be used to determine the most likely amino acid at a masked position.

from transformers import pipeline

unmasker = pipeline("fill-mask", model="damlab/HIV_FLT")

unmasker(f"C T R P N [MASK] N T R K S I R I Q R G P G R A F V T I G K I G N M R Q A H C")

[
  {
    "score": 0.9581968188285828,
    "token": 17,
    "token_str": "N",
    "sequence": "C T R P N N N T R K S I R I Q R G P G R A F V T I G K I G N M R Q A H C"
  },
  {
    "score": 0.022986575961112976,
    "token": 12,
    "token_str": "K",
    "sequence": "C T R P N K N T R K S I R I Q R G P G R A F V T I G K I G N M R Q A H C"
  },
  {
    "score": 0.003997281193733215,
    "token": 14,
    "token_str": "D",
    "sequence": "C T R P N D N T R K S I R I Q R G P G R A F V T I G K I G N M R Q A H C"
  },
  {
    "score": 0.003636382520198822,
    "token": 15,
    "token_str": "T",
    "sequence": "C T R P N T N T R K S I R I Q R G P G R A F V T I G K I G N M R Q A H C"
  },
  {
    "score": 0.002701344434171915,
    "token": 10,
    "token_str": "S",
    "sequence": "C T R P N S N T R K S I R I Q R G P G R A F V T I G K I G N M R Q A H C"
  }
]

Training Data

The dataset damlab/HIV_FLT was used to refine the original rostlab/Prot-bert-bfd. This dataset contains 1790 full HIV genomes from across the globe. When translated, these genomes contain approximately 3.9 million amino-acid tokens.

Training Procedure

Preprocessing

As with the rostlab/Prot-bert-bfd model, the rare amino acids U, Z, O, and B were converted to X and spaces were added between each amino acid. All strings were concatenated and chunked into 256 token chunks for training. A random 20% of chunks were held for validation.

Training

Training was performed with the HuggingFace training module using the MaskedLM data loader with a 15% masking rate. The learning rate was set at E-5, 50K warm-up steps, and a cosine_with_restarts learning rate schedule and continued until 3 consecutive epochs did not improve the loss on the held-out dataset.

BibTeX Entry and Citation Info

[More Information Needed]

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForMaskedLM
Ревизия весов
38e5bb9

0 моделей