/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
NTv3_650M_post
Библиотека
transformers
Опубликована
16 сен 2026

DNT-650M_POST-CPL-SMP

Заполнение пропусковТекст → текст

Диплоидная модель на 650 млн параметров для получения представлений последовательностей ДНК и анализа вариантов и функциональных геномных элементов.

4скачиваний за 30 дней0лайковвеса обновлены28 сен 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

DNT-650M_POST-CPL-SMP — 650-миллионная диплоидная модель для анализа пар гаплотипных последовательностей ДНК, разработанная на основе InstaDeepAI/NTv3_650M_post. Модель дообучена на 1 000 фазированных образцов проекта 1000 Genomes: обучение продолжалось 212 000 шагов на окнах длиной 8 192 токена с masked language modeling, Contrastive Phase Loss и Supervised Masked Phase.

Модель предназначена для получения представлений геномных последовательностей и оценки геномных вариантов и элементов. В README приведены результаты на ClinVar indels и наборах GUE для промоторов, сайтов сплайсинга и факторов транскрипции. Для подачи данных требуется кодировать пары гаплотипов, выровненных относительно референса, с помощью diploid_encode.py; длина токенов должна делиться на 128. Для пакетного вывода POST-модели передаётся species_ids для каждой последовательности.

Веса распространяются по условиям InstaDeep Open Model Licence v1.0: разрешено исследовательское использование, коммерческое использование и предоставление выводов как сервиса запрещены. Результаты бенчмарков показывают, что качество зависит от задачи и режима представления; метрики из README не гарантируют аналогичное качество на других данных.

Сценарии применения

  • получение эмбеддингов пар гаплотипов ДНК
  • оценка инделов ClinVar по эмбеддингам
  • классификация промоторных последовательностей
  • выявление сайтов сплайсинга
  • оценка участков связывания факторов транскрипции

Ограничения

Требуется кодировать пары гаплотипов, выровненных относительно референса; длина токенов должна делиться на 128, а при пакетном выводе нужны species_ids. Лицензия запрещает коммерческое использование и предоставление выводов как сервиса.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DNT-650M_POST-CPL-SMP

A 650M-parameter diploid model based on NTv3 650M POST. It was continually pretrained on 1,000 phased 1000 Genomes samples using 8,192-token windows for 212,000 steps, with masked language modeling (MLM), Contrastive Phase Loss (CPL) and Supervised Masked Phase (SMP).

Quickstart

import os
import sys
import torch
from huggingface_hub import hf_hub_download
from transformers import AutoModel, AutoTokenizer

repo = "scrc-dnai/DNT-650M_POST-CPL-SMP"
tokens_tsv = hf_hub_download(repo, "diploid_tokens.tsv")
encoder_dir = os.path.dirname(hf_hub_download(repo, "diploid_encode.py"))
sys.path.insert(0, encoder_dir)
import diploid_encode as de

device = "cuda" if torch.cuda.is_available() else "cpu"
tokenizer = AutoTokenizer.from_pretrained(repo, trust_remote_code=True)
model = AutoModel.from_pretrained(repo, trust_remote_code=True).eval().to(device)

# Two reference-aligned haplotypes; one phased C/G variant.
hap0 = "ACGTACGTAC" * 51
hap1 = hap0[:5] + "G" + hap0[6:]
sequence, offsets = de.encode_diploid(
    hap0, hap1, tokens_tsv=tokens_tsv, return_offsets=True
)
batch = tokenizer(sequence, return_tensors="pt").to(device)
species_ids = model.encode_species("human").to(device)
with torch.no_grad():
    output = model(**batch, species_ids=species_ids, output_hidden_states=True)

# Mean embedding over genomic positions; excludes inserted marker tokens.
token_embeddings = output.hidden_states[-1][0]
position_indices = [index for index in offsets if index >= 0]
sequence_embedding = token_embeddings[position_indices].mean(dim=0)
print(sequence_embedding.shape)  # (1536,)

Mean-pooling results

BenchmarkReadoutResult
ClinVar indelsZero-shot L2 distance between mean embeddings; diploid / haploid / biallelicAUROC 0.662 / 0.545 / 0.217
GUE promoter / splice / TFMean embeddings with train/dev/test ridge probesMCC 0.829 / 0.519 / 0.606

Input and licensing

Encode reference-aligned haplotype pairs with the included diploid_encode.py; the model expects token lengths divisible by 128. For batched POST-model inference, pass one species_ids value per sequence (for example, model.encode_species(["human"] * batch_size)).

These weights inherit the non-commercial terms of the InstaDeep Open Model Licence v1.0. Research use only; no commercial use or serving outputs as a service. See LICENSE.

Citation

Leib G et al. DNT: Diploid Genomic Foundation Model. bioRxiv (2026). doi:10.64898/2026.09.05.749576.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
a4da446

0 моделей