/ Модель

Характеристики

Контекст
40 000 токенов
Параметры
252 млн
Лицензия
MIT
Архитектура
bert · dense
Опубликована
30 мар 2022

DistilProtBert

Заполнение пропусковТекст → текст3 профессии

Дистиллированная BERT-модель для анализа аминокислотных последовательностей, извлечения белковых признаков и дообучения на задачах биоинформатики.

190скачиваний за 30 дней8лайковвеса обновлены21 сен 2022

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

DistilProtBert — дистиллированная белковая языковая модель на основе ProtBert-UniRef100. Она разработана для работы с последовательностями белков и предназначена для извлечения признаков, а также последующей тонкой настройки под прикладные задачи, например предсказание вторичной структуры и различение природных белковых последовательностей от перемешанных вариантов.

Модель использует архитектуру BERT для masked language modeling и содержит около 251,7 млн параметров по метаданным. При предобучении на UniRef50 использовались примерно 43 млн последовательностей длиной от 20 до 512 аминокислот; модель принимает только заглавные однобуквенные обозначения аминокислот и работает с токенизатором ProtBert. В метаданных указано контекстное окно 40 000 токенов. Для обучения применялись функция потерь перекрёстной энтропии и согласование представлений учителя и ученика.

Модель может служить основой для извлечения белковых представлений и дообучения на задачах биоинформатики. В описанных экспериментах она показала результаты, близкие к ProtBert при различении белков и перемешанных последовательностей; качество для конкретных downstream-задач зависит от последующей настройки. Репозиторий распространяется по лицензии MIT.

Сценарии применения

  • Заполнение маскированных аминокислот в белковой последовательности
  • Извлечение векторных признаков белковых последовательностей
  • Подготовка представлений белков для downstream-классификации
  • Дообучение для предсказания вторичной структуры белка
  • Различение природных белков и перемешанных последовательностей

Ограничения

Модель принимает только заглавные однобуквенные обозначения аминокислот; для прикладных задач может потребоваться дообучение. Описанные эксперименты не гарантируют качество на иных наборах данных и задачах.

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

DistilProtBert

A distilled version of ProtBert-UniRef100 model. In addition to cross entropy and cosine teacher-student losses, DistilProtBert was pretrained on a masked language modeling (MLM) objective and it only works with capital letter amino acids.

Check out our paper DistilProtBert: A distilled protein language model used to distinguish between real proteins and their randomly shuffled counterparts for more details.

Git repository.

Model details

Model# of parameters# of hidden layersPretraining dataset# of proteinsPretraining hardware
ProtBert420M30UniRef100216M512 16GB TPUs
DistilProtBert230M15UniRef5043M5 v100 32GB GPUs

Intended uses & limitations

The model could be used for protein feature extraction or to be fine-tuned on downstream tasks.

How to use

The model can be used the same as ProtBert and with ProtBert's tokenizer.

Training data

DistilProtBert model was pretrained on Uniref50, a dataset consisting of ~43 million protein sequences (only sequences of length between 20 to 512 amino acids were used).

Pretraining procedure

Preprocessing was done using ProtBert's tokenizer. The details of the masking procedure for each sequence followed the original Bert (as mentioned in ProtBert).

The model was pretrained on a single DGX cluster for 3 epochs in total. local batch size was 16, the optimizer used was AdamW with a learning rate of 5e-5 and mixed precision settings.

Evaluation results

When fine-tuned on downstream tasks, this model achieves the following results:

Task/Datasetsecondary structure (3-states)Membrane
CASP1272
TS11581
CB51379
DeepLoc86

Distinguish between proteins and their k-let shuffled versions:

Singlet (dataset)

ModelAUC
LSTM0.71
ProtBert0.93
DistilProtBert0.92

Doublet (dataset)

ModelAUC
LSTM0.68
ProtBert0.92
DistilProtBert0.91

Triplet (dataset)

ModelAUC
LSTM0.61
ProtBert0.92
DistilProtBert0.87

Citation

If you use this model, please cite our paper:

@article {
	author = {Geffen, Yaron and Ofran, Yanay and Unger, Ron},
	title = {DistilProtBert: A distilled protein language model used to distinguish between real proteins and their randomly shuffled counterparts},
	year = {2022},
	doi = {10.1093/bioinformatics/btac474},
	URL = {https://doi.org/10.1093/bioinformatics/btac474},
	journal = {Bioinformatics}
}

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
BertForMaskedLM
Ревизия весов
4e7949f

0 моделей