/ Модель

Характеристики

Контекст
1 024 токена
Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
deberta-v2 · dense
Опубликована
15 янв 2026

SynCodonLM-V2

Заполнение пропусковТекст → текст3 профессии

SynCodonLM-V2 — модель DeBERTa-v2 для предсказания кодонов, получения представлений и генерации кодирующих ДНК-последовательностей с учётом синонимичных кодонов.

300скачиваний за 30 дней3лайкавеса обновлены12 мар 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

SynCodonLM-V2 — модель семейства DeBERTa-v2 от автора репозитория jheuschkel для работы с последовательностями кодирующей ДНК на уровне кодонов. В ней около 113,3 млн параметров, длина контекста — 1024 токена. Модель обучалась с ограничением маскирования: логиты для кодонов, не кодирующих ту же аминокислоту, подавлялись, чтобы выделять закономерности кодонов отдельно от семантики белка.

Модель предназначена для предсказания замаскированных кодонов, получения представлений кодирующих ДНК-последовательностей и генерации биологически правдоподобных coding-DNA последовательностей. README приводит примеры organism-specific token type IDs, в том числе для E. coli, S. cerevisiae и C. elegans. Автор отмечает, что качество генерации пока не прошло строгую оценку.

Модель распространяется в формате safetensors по лицензии Apache-2.0. Она ориентирована на биологические последовательности, а не на обычный текст; указанная поддержка английского в карточке относится к языковым метаданным, а не к естественно-языковому диалогу.

Сценарии применения

  • восстановление замаскированных кодонов в последовательностях coding DNA
  • получение векторных представлений кодирующих ДНК-последовательностей
  • генерация правдоподобных кодирующих ДНК-последовательностей
  • анализ закономерностей использования кодонов
  • работа с последовательностями с учётом организма-источника

Ограничения

Автор указывает, что качество генерации последовательностей не проходило строгую оценку. Модель предназначена для coding DNA и не является универсальной моделью естественного языка.

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

Model Card for SynCodonLM


Installation

git clone https://github.com/Boehringer-Ingelheim/SynCodonLM.git
cd SynCodonLM
pip install -r requirements.txt #maybe not neccesary depending on your env :)

Usage

SynCodonLM uses token-type ID's to add species-specific codon context.

Before use, find the token type ID (species_token_type) for your species of interest here!
Or use our list of model organisms below

Embedding a Coding DNA Sequence

from SynCodonLM import CodonEmbeddings

model = CodonEmbeddings() #this loads the model & tokenizer using our built-in functions

seq = 'ATGTCCACCGGGCGGTGA'

mean_pooled_embedding = model.get_mean_embedding(seq, species_token_type=30) #E. coli
#returns --> tensor of shape [768]

raw_output = model.get_raw_embeddings(seq, species_token_type=30) #E. coli
raw_embedding_final_layer = raw_output.hidden_states[-1] #treat this like a typical Hugging Face model dictionary based output!
#returns --> tensor of shape [batch size (1), sequence length, 768]

Codon Optimizing a Protein Sequence

This has not yet been rigourosly evaluated, although we can confidently say it will generate 'natural looking' coding-DNA sequences.
from SynCodonLM import CodonOptimizer

optimizer = CodonOptimizer() #this loads the model & tokenizer using our built-in functions

result = optimizer.optimize(
    protein_sequence="MSKGEELFTGVVPILVELDGDVNGHKFSVSGEGEGDATYGKLTLKFICTTGKLPVPWPTLVTTFSYGVQCFSRYPDHMKRHDFFKSAMPEGYVQERTIFFKDDGNYKTRAEVKFEGDTLVNRIELKGIDFKEDGNILGHKLEYNYNSHNVYIMADKQKNGIKVNFKIRHNIEDGSVQLADHYQQNTPIGDGPVLLPDNHYLSTQSALSKDPNEKRDHMVLLEFVTAAGITLGMDELYK", #GFP 
    species_token_type=30, #E. coli
    deterministic=True #true by default
)
codon_optimized_sequence = result.sequence

Embedding a Coding DNA Sequence Using our Model Trained without Token Type ID

from SynCodonLM import CodonEmbeddings

model = CodonEmbeddings(model_name='jheuschkel/SynCodonLM-V2-NoTokenType') #this loads the model & tokenizer using our built-in functions

seq = 'ATGTCCACCGGGCGGTGA'

mean_pooled_embedding = model.get_mean_embedding(seq)
#returns --> tensor of shape [768]

raw_output = model.get_raw_embeddings(seq)
raw_embedding_final_layer = raw_output.hidden_states[-1] #treat this like a typical Hugging Face model dictionary based output!
#returns --> tensor of shape [batch size (1), sequence length, 768]

Citation

If you use this work, please cite:

@article{10.1093/nar/gkag166,
    author = {Heuschkel, James and Kingsley, Laura and Pefaur, Noah and Nixon, Andrew and Cramer, Steven},
    title = {Advancing codon language modeling with synonymous codon constrained masking},
    journal = {Nucleic Acids Research},
    volume = {54},
    number = {5},
    pages = {gkag166},
    year = {2026},
    month = {02},
    abstract = {Codon language models offer a promising framework for modeling protein-coding DNA sequences, yet current approaches often conflate codon usage with amino acid semantics, limiting their ability to capture DNA-level biology. We introduce SynCodonLM, a codon language model that enforces a biologically grounded constraint: masked codons are only predicted from synonymous options, guided by the known protein sequence. This design disentangles codon-level from protein-level semantics, enabling the model to learn nucleotide-specific patterns. The constraint is implemented by masking non-synonymous codons from the prediction space prior to softmax. Unlike existing models, which cluster codons by amino acid identity, SynCodonLM clusters by nucleotide properties, revealing structure aligned with DNA-level biology. Furthermore, SynCodonLM outperforms existing models on six of seven benchmarks sensitive to DNA-level features, including messenger RNA and protein expression. Our approach advances domain-specific representation learning and opens avenues for sequence design in synthetic biology, as well as deeper insights into diverse bioprocesses.},
    issn = {1362-4962},
    doi = {10.1093/nar/gkag166},
    url = {https://doi.org/10.1093/nar/gkag166},
    eprint = {https://academic.oup.com/nar/article-pdf/54/5/gkag166/67103471/gkag166.pdf},
}
}

Model Organisms Species Token Type IDs

OrganismToken-Type ID
E. coli30
S. cerevisiae118
C. elegans212
D. melanogaster190
D. rerio428
M. musculus368
A. thaliana258
H. sapiens373
C. griseus345

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
SynCodonLM
Ревизия весов
929d672

0 моделей