/ Модель

Характеристики

Контекст
2 050 токенов
Параметры
96,4 млн
Лицензия
CC BY-NC-SA 4.0
Архитектура
esm · dense
Опубликована
27 июн 2024

plant-nucleotide-transformer-BPE

Заполнение пропусковТекст → текст3 профессии

Модель ESM для анализа последовательностей ДНК растений, предсказания скрытых нуклеотидов и задач классификации геномных данных.

96скачиваний за 30 дней2лайкавеса обновлены14 окт 2024

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

zhangtaolab/plant-nucleotide-transformer-BPE — модель семейства ESM, разработанная zhangtaolab для работы с последовательностями ДНК растений. Это вариант InstaDeepAI/nucleotide-transformer-v2-100m-multi-species с токенизатором BPE вместо k-mer; модель содержит 96,4 млн параметров и обучена методом masked language modeling на растительных референсных геномах. Словарь токенизатора включает 8000 элементов, а в карточке Hugging Face указан контекст 2050 токенов; при описании обучения README указывает максимальную длину последовательности 512 токенов.

Модель предназначена для предсказания скрытых участков нуклеотидных последовательностей и может использоваться в задачах классификации текста и токенов на геномных данных. Вход — текстовая последовательность ДНК, выход — предсказанные токены или метки в зависимости от задачи. Модель опубликована в формате safetensors и распространяется по лицензии CC BY-NC-SA 4.0, предусматривающей некоммерческое использование и распространение производных на тех же условиях.

Сценарии применения

  • восстановление скрытых токенов в последовательности ДНК растений
  • аннотация нуклеотидных участков
  • классификация геномных последовательностей растений
  • извлечение меток для токенов в последовательностях ДНК

Ограничения

README сообщает о максимальной длине обучающих последовательностей 512 токенов, тогда как метаданные указывают контекст 2050 токенов; эти значения описывают разные параметры и не гарантируют одинаковое качество на длинных последовательностях. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование.

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

Plant foundation DNA large language models

The plant DNA large language models (LLMs) contain a series of foundation models based on different model architectures, which are pre-trained on various plant reference genomes.
All the models have a comparable model size between 90 MB and 150 MB, BPE tokenizer is used for tokenization and 8000 tokens are included in the vocabulary.

Developed by: zhangtaolab

Model Sources

Architecture

The model is trained based on the InstaDeepAI/nucleotide-transformer-v2-100m-multi-species model with modified tokenizer that replaces k-mer to BPE.

How to use

Install the runtime library first:

pip install transformers

Here is a simple code for inference:

from transformers import AutoModelForMaskedLM, AutoTokenizer
import torch

model_name = 'plant-nucleotide-transformer-BPE'
# load model and tokenizer
model = AutoModelForMaskedLM.from_pretrained(f'zhangtaolab/{model_name}', trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained(f'zhangtaolab/{model_name}', trust_remote_code=True)

# example sequence and tokenization
sequences = ['ATATACGGCCGNC','GGGTATCGCTTCCGAC']
tokens = tokenizer(sequences,padding="longest")['input_ids']
print(f"Tokenzied sequence: {tokenizer.batch_decode(tokens)}")

# inference
device = torch.device('cuda') if torch.cuda.is_available() else torch.device('cpu')
model.to(device)
inputs = tokenizer(sequences, truncation=True, padding='max_length', max_length=512, 
                   return_tensors="pt")
inputs = {k: v.to(device) for k, v in inputs.items()}
outs = model(
    **inputs,
    output_hidden_states=True
)

# get the final layer embeddings and prediction logits
embeddings = outs['hidden_states'][-1].detach().numpy()
logits = outs['logits'].detach().numpy()

Training data

We use MaskedLM method to pre-train the model, the tokenized sequence have a maximum length of 512.
Detailed training procedure can be found in our manuscript.

Hardware

Model was pre-trained on a NVIDIA RTX4090 GPU (24 GB).

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
EsmForMaskedLM
Ревизия весов
58a11c0

0 моделей