/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
gLM2 · dense
Опубликована
23 сен 2024

gLM2_650M

Заполнение пропусковТекст → текст3 профессии

Трансформер-энкодер на 650 млн параметров для маскированного моделирования геномных последовательностей с аминокислотными и нуклеотидными токенами.

10 112скачиваний за 30 дней7лайковвеса обновлены11 фев 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

gLM2_650M — геномная языковая модель tattabio на 650 млн параметров, обученная на наборе данных OMG. Это трансформер-энкодер с целью masked language modeling: он обрабатывает геномный контиг как последовательность кодирующих белок участков CDS и межгенных участков IGS. CDS кодируются токенами аминокислот, IGS — токенами отдельных нуклеотидов; специальные токены обозначают положительную или отрицательную цепь. В обновлённой версии контекст увеличен до 4096 токенов.

Модель предназначена для анализа геномных последовательностей, в частности для восстановления замаскированных токенов и получения представлений геномных участков. При подготовке входа аминокислоты должны быть в верхнем регистре, а нуклеотиды — в нижнем, чтобы избежать неоднозначности токенов. Данные OMG были очищены от близких дубликатов методом SemDedup. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • восстановление замаскированных токенов в геномных последовательностях
  • анализ кодирующих и межгенных участков генома
  • получение представлений геномных контигов для последующего анализа

Ограничения

Для входа требуется специальная схема токенизации: аминокислоты должны быть заглавными, а нуклеотиды — строчными; контекст ограничен 4096 токенами.

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

gLM2_650M

gLM2 is a mixed-modality genomic language model, trained on the OMG Dataset. The model encodes a genomic scaffold with both both amino-acid and DNA tokens.

gLM2 is trained at two scales: 150M (available at tattabio/gLM2_150M) and 650M parameters.

See https://github.com/TattaBio/gLM2 for inference scripts.

Model Description

gLM2 is a transformer encoder trained with the masked language modeling objective.
It encodes a genomic contig as a sequence of protein coding sequences (CDS) and DNA inter-genic sequences (IGS).
CDS elements are tokenized using per-amino acid tokens, and IGS elements are tokenized using per-nucleotide tokens.

  • To encode the genomic strand, we prepended each genomic element with a special token, either <+> or <-> to indicate the positive and negative strands.
  • To avoid collision between amino acid and nucleotide tokens, the tokenizer expects all amino acids to be uppercase, and all nucleotides to be lowercase.

UPDATE(09/2024): We updated the model with longer context length (4096 tokens vs. 2048 tokens) and per-nucleotide IGS tokenization instead of BPE.

Getting Started

import torch
from transformers import AutoModel, AutoTokenizer

model = AutoModel.from_pretrained('tattabio/gLM2_650M', torch_dtype=torch.bfloat16, trust_remote_code=True).cuda()
tokenizer = AutoTokenizer.from_pretrained('tattabio/gLM2_650M', trust_remote_code=True)

# A contig with two proteins and an inter-genic sequence.
# NOTE: Nucleotides should always be lowercase, and prepended with `<+>`.
sequence = "<+>MALTKVEKRNRIKRRVRGKISGTQASPRLSVYKSNK<+>aatttaaggaa<->MLGIDNIERVKPGGLELVDRLVAVNRVTKVTKGGRAFGFSAIVVVGNED"

# Tokenize the sequence.
encodings = tokenizer([sequence], return_tensors='pt')

# Extract embeddings.
with torch.no_grad():
    embeddings = model(encodings.input_ids.cuda(), output_hidden_states=True).last_hidden_state

Training Data

gLM2 is trained on the OMG dataset. To improve the dataset balance and remove near-duplicate examples, the data is tokenized and pruned by applying Semantic Deduplication SemDedup.
We use an embedding distance threshold of 2e-3, resulting in 49% of the dataset being pruned.

Training Details

  • Pretraining tokens: 315B
  • Context length: 4096
  • Masking rate: 30%
  • Learning rate: 1e-3
  • Optimizer: AdamW (betas = (0.9, 0.95))
  • Mixed precision training: bfloat16
  • Weight decay: 0.1

Citation

BioRxiv: https://www.biorxiv.org/content/10.1101/2024.08.14.607850

BibTeX:

	author = {Cornman, Andre and West-Roberts, Jacob and Camargo, Antonio Pedro and Roux, Simon and Beracochea, Martin and Mirdita, Milot and Ovchinnikov, Sergey and Hwang, Yunha},
	title = {The OMG dataset: An Open MetaGenomic corpus for mixed-modality genomic language modeling},
	elocation-id = {2024.08.14.607850},
	year = {2024},
	doi = {10.1101/2024.08.14.607850},
	publisher = {Cold Spring Harbor Laboratory},
	URL = {https://www.biorxiv.org/content/early/2024/08/17/2024.08.14.607850},
	eprint = {https://www.biorxiv.org/content/early/2024/08/17/2024.08.14.607850.full.pdf},
	journal = {bioRxiv}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Нельзя запустить

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

Класс архитектуры
gLM2ForMaskedLM
Ревизия весов
08754cb

0 моделей