/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
2,7 млрд
Размер весов
64,2 ГБ
Лицензия
Своя лицензия
Архитектура
fm4bio · MoE
Опубликована
14 ноя 2024

GB.Protein-16B

Генерация текстаТекст → текст3 профессии

GB.Protein-16B — белковая языковая модель для анализа аминокислотных последовательностей и адаптации к задачам предсказания свойств белков.

310скачиваний за 30 дней7лайковвеса обновлены25 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

GB.Protein-16B — белковая языковая модель, разработанная GenBio AI для анализа последовательностей белков и построения моделей для биологических задач. Она обучена на последовательностях из UniRef90 и ColabFoldDB с общим объёмом данных свыше 1,3 трлн аминокислот и использует архитектуру Transformer encoder-only со разреженными MoE-слоями. В карточке указано 2,7 млрд параметров, а в названии и README модель обозначена как 16B; это расхождение не позволяет однозначно установить фактический размер. Контекст составляет 2048 токенов, токенизация выполняется на уровне отдельных аминокислот, а обучение использует masked language modeling.

Модель предназначена для получения представлений белковых последовательностей и адаптации к задачам классификации на уровне последовательности или токена, регрессии и оценки функциональных свойств белков. README сообщает о результатах на задачах предсказания белковой приспособленности и бенчмарках, а также об адаптации модели для генерации последовательностей с учётом структуры. Для каталога основная задача — text-generation согласно pipeline_tag; fill-mask также указана среди поддерживаемых задач. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

Сценарии применения

  • оценка приспособленности белковых последовательностей
  • классификация белков по последовательности
  • классификация аминокислотных остатков
  • регрессия свойств белков
  • получение эмбеддингов белковых последовательностей
  • адаптация к генерации белковых последовательностей с учётом структуры

Ограничения

В README описано обучение на одиночных белковых последовательностях; подтверждение возможностей, требующих множественного выравнивания последовательностей, не заявлено. Лицензия указана как other, поэтому условия использования нужно уточнить по лицензии репозитория; метаданные также расходятся с README в размере модели.

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

GB.Protein-16B

License

GB.Protein-16B is a protein language model, trained on 1.2 trillion amino acids sourced from UniRef90 and ColabFoldDB.

By leveraging MoE layers, GB.Protein efficiently scales to 16 billion parameters, delivering exceptional performance across a vast variety of tasks in protein sequence understanding and sequence generation. Remarkably, GB.Protein demonstrates exceptional capability despite being trained solely on single protein sequences. Across over 280 DMS protein fitness prediction tasks, our model outperforms previous state-of-the-art protein sequence models without MSA and achieves 99% of the performance of models that utilize MSA, highlighting the strength of its learned representations.

Model Architecture Details

GB.Protein is a transformer encoder-only architecture with the dense MLP layer in each transformer block replaced by a sparse MoE layer. It uses single amino acid tokenization and is optimized using a masked languange modeling (MLM) training objective. For each token, 2 experts will be selectively activated by the top-2 rounting mechiansim.

Model Arch ComponentValue
Num Attention Head36
Num Hidden Layer36
Hidden Size2304
FFN Hidden Size7680
Num MoE Layer per Block8
Num MoE Layer per Token2
Vocab Size44
Context Length2048

Pre-training of GB.Protein-16B

Here we briefly introduce the details of pre-training of GB.Protein 16B. For more information, please refer to our paper

Data

Inspired by previous work, We initially trained GB.Protein with 1.2 trillion amino acids sourced from the combination of Uniref90 and ColabeFoldDB databases. Given the effectiveness of Uniref90 for previous protein language models and the observed benefits of continuous training on domina-specific data for enhancing downstream task performance, GB.Protein is further trained on an additional 100 billion amino acids from Uniref90.

Training Details

The weights of our 16 billion parameter model occupy over 200GB of memory in 32 bit precision. To train a model of this size, we use model and tensor parallelism to split training across 256 H100 GPUs using the Megatron-LM framework. We also employed bfloat16 mixed precision training to allow for training with large context length at scale. With this configuration, GB.Protein 16B took 25 days to train.

Hyper-paramsValue
Global Batch Size2048
Per Device Micro Batch Size8
PrecisionMixed FP32-BF16
1st Stage LR[2e-6,2e-4]
2nd Stage LR[1e-6,1e-5]
3rd Stage LR[1e-6,1e-5]
1st Stage Num Tokens1 trillion
2nd Stage Num Tokens200 billion
3rd Stage Num Tokens100 billion

Tokenization

We encode protein sequence with single amino acid resolution with 44 vocabularies, where 24 tokens represent amino acid types and 20 are special tokens. Sequences were also suffixed with a [SEP] token as hooks for downstream tasks.

Evaluation of GB.Protein 16B

We assess the advantages of pretraining GB.Protein 16B through experiments across more than 300 tasks from two important protein benchmarks, xTrimoPGLM benchmark and ProteinGym DMS benchmark, encompassing residue-level, sequence-level, and protein-protein interaction (PPI) level tasks. We further adapted our model for structure-conditioned protein sequence generation tasks

Results

xTrimoPGLM Benchmark

ProteinGym DMS Benchmark

Inverse Folding Generation

How to Use

Build any downstream models from this backbone with ModelGenerator

For more information, visit: Model Generator

mgen fit --model SequenceClassification --model.backbone aido_protein_16b --data SequenceClassificationDataModule --data.path <hf_or_local_path_to_your_dataset>
mgen test --model SequenceClassification --model.backbone aido_protein_16b --data SequenceClassificationDataModule --data.path <hf_or_local_path_to_your_dataset>

Or use directly in Python

Embedding

from modelgenerator.tasks import Embed
model = Embed.from_config({"model.backbone": "aido_protein_16b"}).eval()
transformed_batch = model.transform({"sequences": ["HELLQ", "WRLD"]})
embedding = model(transformed_batch)
print(embedding.shape)
print(embedding)

Sequence Level Classification

import torch
from modelgenerator.tasks import SequenceClassification
model = SequenceClassification.from_config({"model.backbone": "aido_protein_16b", "model.n_classes": 2}).eval()
transformed_batch = model.transform({"sequences": ["HELLQ", "WRLD"]})
logits = model(transformed_batch)
print(logits)
print(torch.argmax(logits, dim=-1))

Token Level Classification

import torch
from modelgenerator.tasks import TokenClassification
model = TokenClassification.from_config({"model.backbone": "aido_protein_16b", "model.n_classes": 3}).eval()
transformed_batch = model.transform({"sequences": ["HELLQ", "WRLD"]})
logits = model(transformed_batch)
print(logits)
print(torch.argmax(logits, dim=-1))

Regression

from modelgenerator.tasks import SequenceRegression
model = SequenceRegression.from_config({"model.backbone": "aido_protein_16b"}).eval()
transformed_batch = model.transform({"sequences": ["HELLQ", "WRLD"]})
logits = model(transformed_batch)
print(logits)

Citation

Please cite GB.Protein using the following BibTex code:

@inproceedings{sun_mixture_2024,
	title = {Mixture of Experts Enable Efficient and Effective Protein Understanding and Design},
	url = {https://www.biorxiv.org/content/10.1101/2024.11.29.625425v1},
	doi = {10.1101/2024.11.29.625425},
	publisher = {bioRxiv},
	author = {Sun, Ning and Zou, Shuxian and Tao, Tianhua and Mahbub, Sazan and Li, Dian and Zhuang, Yonghao and Wang, Hongyi and Cheng, Xingyi and Song, Le and Xing, Eric P.},
	year = {2024},
    booktitle={NeurIPS 2024 Workshop on AI for New Drug Modalities},
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Класс архитектуры
FM4BioForMaskedLM
Ревизия весов
291ff47

0 моделей