/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
mist_finetuned · dense
Библиотека
transformers
Опубликована
14 ноя 2025

mist-26.9M-48kpooqf-odour

ЭмбеддингиТекст → embedding3 профессии

Дообученный энкодер MIST извлекает признаки молекул из SMILES и предсказывает их принадлежность к 135 категориям запахов.

890скачиваний за 30 дней0лайковвеса обновлены11 мая 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

MIST — семейство молекулярных моделей Electrochemical Energy Group Мичиганского университета. Этот вариант основан на энкодере MIST-28M, предварительно обученном на строках SMILES с задачей masked language modeling и дообученном на наборе Olfaction для предсказания запаховых свойств молекул. На вход подаются строки SMILES; модель выдаёт признаки последовательности и обучена классифицировать молекулы по 135 меткам запахов.

Архитектура включает энкодер RoBERTa-PreLayerNorm с 8 слоями, размером скрытого состояния 512, 8 головами внимания и максимальной длиной последовательности 2048 токенов, а также двухслойную MLP-голову. Обучение для задачи запахов проводилось на 4 983 молекулах с многометочной классификацией. Веса опубликованы в формате Safetensors.

Модель подходит для извлечения признаков молекул и прогнозирования категорий запаха по их структуре, например для анализа ароматических соединений. README указывает на исследовательское применение; качество и пригодность результатов для конкретных решений не гарантируются. Лицензия в метаданных — Apache 2.0, однако README отдельно запрещает перераспределение без разрешения и коммерческое использование без соглашения о лицензировании.

Сценарии применения

  • предсказание запаховых меток молекулы по строке SMILES
  • извлечение векторных признаков молекулярных структур
  • классификация молекул по нескольким характеристикам запаха
  • анализ ароматических соединений в исследовательских проектах

Ограничения

Модель обучена на наборе Olfaction из 4 983 молекул, а качество обобщения за пределами этого набора не установлено в карточке. README указывает на исследовательское применение и ограничения на перераспределение и коммерческое использование; эти условия отличаются от лицензии Apache 2.0 в метаданных и требуют уточнения.

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

MIST: Molecular Insight SMILES Transformers

MIST is a family of molecular foundation models for molecular property prediction. The models were pre-trained on SMILES strings from the Enamine REAL Space dataset using the Masked Language Modeling (MLM) objective, then fine-tuned for downstream prediction tasks. Further information is available in our pre-print on arXiv.

Model Details

Model Description

This fine-tuned MIST variant consists of the MIST-28M encoder finetuned on the Olfaction dataset from application dataset. Fine-tuned MIST models consist of the pretrained MIST model (the encoder), followed by a task network. The task networks consist of a two-layer MLP with Gaussian Error Linear Units (GELU) activations and dropout. The final hidden state vectors for all tokens in the sequence are pooled to produce a single embedding vector. Consistent with prior works, the encoder hidden states were pooled by taking the hidden state of the first token.

Model Sources

Getting Started

Setting Up Your Environment

Create a virtual environment and install dependencies:

python -m venv .venv
source .venv/bin/activate  # On Windows: .venv\Scripts\activate
pip install -r requirements.txt

Note: SMIRK tokenizers require Rust to be installed. See the Rust installation guide for details.

Property Prediction

from transformers import AutoModel
from smirk import SmirkTokenizerFast
# Load the model
model = AutoModel.from_pretrained(
    "path/to/model",
    trust_remote_code=True
)

# Make predictions for odor descriptors
smiles_batch = [
    "CCO",           # Ethanol
    "CC(=O)O",       # Acetic acid
    "C1=CC=CC=C1"       # Benzene
]
# Returns unnormalized logits for binary labels for 135 possible scent descriptors
results = model.predict(smiles_batch)

Use and Restrictions

Model weights are provided as-is for research purposes only, without guarantees of correctness, fitness for purpose, or warranties of any kind.

  • Research use only
  • No redistribution without permission
  • No commercial use without licensing agreement

Training Details

Training Data

Pretraining We use the the Enamine REAL Space dataset to pretrain MIST models. At time of writing, Enamine REAL Space is the largest database of commercially available compounds. The dataset was constructed using forward synthetic analysis: experimentally validated building blocks were converted into synthons annotated with reactivity features. Enamine REAL Space was selected as the pretraining dataset since it was the largest database of molecular SMILES at the time of training, it is easily accessible for academic use and molecules relevant to downstream tasks, such as drug candidates, electrolytes, fragrances, live in synthetically accessible regions of chemical space.

Finetuning The Olfaction dataset was used, consisting of 4,983 molecules collected by Lee et al. As an arbitrary number of scent labels can be applied to any molecule, the task was framed as a multi-label multi-class binary classification task, with 135 possible scent labels.

Training Procedure

Inputs

  • Inputs: The input to MIST models are SMILES strings for molecules. Unless specified otherwise, models were pretrained and fine-tuned on Kekulized SMILES strings.
  • Outputs: Multi-label binary classification for 135 scent labels

Evaluation

Testing

Testing Data

Dataset was split 80/10/10 using a random split.

Metrics

AUROC (Area Under the Receiver Operator Curve) averaged across all 135 scent labels

Technical Specifications

Model Architecture and Objective

  • Encoder: RoBERTa-PreLayerNorm encoder with 8 layers, a hidden size of 512, intermediate size of 2048, 8 attention heads and maximum sequence length of 2048.
  • Task Network: Two-layer MLP (Multi-layer perceptron)
  • Objective
    • Pretraining: MLM (Masked Language Modeling)
    • Fine-tuning: Multi-label binary classification
  • Loss:
    • Pretraining: Cross-Entropy Loss
    • Fine-tuning: Binary Cross-Entropy Loss
  • Optimizer:
    • Pretraining: deepspeed.ops.lamb.FusedLAMB
    • Fine-tuning: torch.optim.AdamW

Compute Infrastructure

Hardware

This model was pre-trained on 2 NVIDIA A100-SXM4-80GB GPUs in 12 hours 15 minutes. It was finetuned on 1 NVIDIA A100 GPU.

Software

This model was trained with PyTorchLightning using the DeepSpeed strategy for data distributed parallelism. Model are exported in a Safetensors format.

Citation

If you use this model in your research, please cite:

@online{MIST,
  title = {Foundation Models for Discovery and Exploration in Chemical Space},
  author = {Wadell, Alexius and Bhutani, Anoushka and Azumah, Victor and Ellis-Mohr, Austin R. and Kelly, Celia and Zhao, Hancheng and Nayak, Anuj K. and Hegazy, Kareem and Brace, Alexander and Lin, Hongyi and Emani, Murali and Vishwanath, Venkatram and Gering, Kevin and Alkan, Melisa and Gibbs, Tom and Wells, Jack and Varshney, Lav R. and Ramsundar, Bharath and Duraisamy, Karthik and Mahoney, Michael W. and Ramanathan, Arvind and Viswanathan, Venkatasubramanian},
  date = {2025-10-20},
  eprint = {2510.18900},
  eprinttype = {arXiv},
  eprintclass = {physics},
  doi = {10.48550/arXiv.2510.18900},
  url = {http://arxiv.org/abs/2510.18900},
}

Model Card Authors

Anoushka Bhutani, Alexius Wadell

Model Card Contact

For questions, issues, or licensing inquiries, please contact Venkat Viswanathan venkvis@umich.edu.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

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

Класс архитектуры
MISTFinetuned
Ревизия весов
df1faed

0 моделей