ProSST-2048 — белковая Transformer-модель, которая учитывает последовательность и структуру для анализа белков и прогнозирования эффектов мутаций.

Подходит для: восстановление замаскированных токенов белковой последовательности · безобучающее ранжирование вариантов белковых мутаций · получение контекстных представлений белков для downstream-задач

Компактная модель Meta AI для заполнения пропусков и анализа аминокислотных последовательностей белков.

Подходит для: восстановление пропущенных аминокислот в белковой последовательности · получение представлений белковых последовательностей для последующего анализа · дообучение для предсказания свойств белков

Белковая языковая модель RoFormer для извлечения признаков и заполнения пропусков в аминокислотных последовательностях.

Подходит для: извлечение признаков из белковых последовательностей · получение векторных представлений аминокислотных последовательностей · заполнение замаскированных позиций в белковой последовательности

Prime_690M — белковая языковая модель AI4Protein для извлечения признаков последовательностей и предсказания свойств белков, включая эффекты мутаций.

Подходит для: Извлечение векторных признаков из белковых последовательностей · Предсказание влияния мутаций на стабильность белка · Оценка влияния мутаций на активность белка

Белковая модель T5 для извлечения признаков из аминокислотных последовательностей и последующего дообучения на задачах биоинформатики.

Подходит для: извлечение эмбеддингов аминокислотной последовательности · предсказание вторичной структуры белка после дообучения · классификация белков по биофизическим свойствам

Белковая модель ESM для заполнения масок, получения эмбеддингов и оценки эффекта мутаций в последовательностях белков.

Подходит для: предсказание аминокислот в замаскированных позициях белковой последовательности · получение эмбеддингов белковых последовательностей · оценка эффекта точечной мутации в белке

ProstT5 преобразует аминокислотные последовательности белков в представление структуры 3Di и обратно, а также извлекает их признаки.

Подходит для: предсказание представления структуры 3Di по аминокислотной последовательности · восстановление аминокислотной последовательности по структуре 3Di · извлечение эмбеддингов белков для последующего анализа

Компактная модель ESM-2 для заполнения замаскированных элементов в белковых последовательностях и дообучения под задачи анализа белков.

Подходит для: восстановление замаскированных аминокислот в белковой последовательности · оценка вероятности аминокислот в заданной позиции · подготовка эмбеддингов белковых последовательностей для последующего анализа

ESM-2 — модель Meta AI для предсказания замаскированных аминокислот и извлечения представлений белковых последовательностей.

Подходит для: Предсказание пропущенных аминокислот в белковой последовательности · Подготовка белковых представлений для последующего анализа · Дообучение на задачах классификации белковых последовательностей

ESM-2 — модель Meta AI с 36 слоями и 3,8 млрд параметров для восстановления скрытых аминокислот и дообучения на задачах анализа белковых последовательностей.

Подходит для: предсказание скрытых аминокислот в белковой последовательности · дообучение модели для классификации белковых последовательностей · получение признаков белков для последующих задач машинного обучения

Предварительно обученная BERT-модель для заполнения масок в аминокислотных последовательностях и извлечения представлений белков.

Подходит для: Предсказание замаскированных аминокислот в белковой последовательности · Извлечение векторных признаков белковых последовательностей · Подготовка представлений белков для последующего дообучения

Белковая языковая модель E1 на 272,7 млн параметров для восстановления замаскированных участков аминокислотных последовательностей и получения представлений белков.

Подходит для: восстановление пропущенных аминокислот в белковой последовательности · получение представлений белковых последовательностей · классификация белков после дообучения классификационной головы

Белковая языковая модель ESM++ для заполнения пропусков в аминокислотных последовательностях и получения представлений белков.

Подходит для: восстановление замаскированных аминокислот в белковой последовательности · получение эмбеддингов белковых последовательностей · получение представлений отдельных остатков белка

GLM-4.7 — англо-китайская языковая модель Z.ai для программирования, агентных задач, рассуждений и диалогов.

Подходит для: генерация и отладка программного кода · выполнение задач разработки через терминальный агент · создание веб-страниц и интерфейсов по описанию

Дообученная модель DeBERTa для извлечения белков и связанных биомедицинских сущностей из английских текстов.

Подходит для: извлечение названий белков из научных статей · распознавание белковых комплексов и семейств · поиск вариантов белков в биомедицинской литературе

Модель ESM на 865,6 млн параметров для заполнения маскированных позиций в последовательностях белков.

Подходит для: предсказание аминокислот в скрытых позициях белковой последовательности · восстановление замаскированных фрагментов белка · анализ белковых последовательностей в задачах биоинформатики

Белковая языковая модель E1 на 153,4 млн параметров для восстановления замаскированных аминокислот и получения представлений последовательностей.

Подходит для: восстановление замаскированных аминокислот в белковой последовательности · получение эмбеддингов белковых последовательностей · подготовка основы для классификации белков после обучения классификационной головы

Модель GLiNER для zero-shot-извлечения белков и связанных биомедицинских сущностей из англоязычных текстов.

Подходит для: извлечение белков и их вариантов из научных статей · поиск белковых комплексов в биомедицинских текстах · подготовка данных для анализа взаимодействий белок–белок

GLiNER-модель OpenMed на 459 млн параметров для zero-shot извлечения белков и связанных биомедицинских сущностей из текста.

Подходит для: извлечение белков и их вариантов из научных статей · распознавание белковых комплексов и семейств · поиск белок-белковых взаимодействий в публикациях

ProtGPT3-MSA генерирует белковые последовательности, обусловленные набором гомологов, в выровненном или невыровненном формате.

Подходит для: генерация новых последовательностей для заданного семейства белков · few-shot генерация белковых гомологов по FASTA-набору · получение вариантов последовательности из MSA

ProtBert-BFD — BERT-модель для заполнения замаскированных аминокислот и извлечения признаков из белковых последовательностей.

Подходит для: восстановление замаскированных аминокислот в белковой последовательности · извлечение векторных признаков белков для последующего анализа · подготовка представлений белковых последовательностей для предсказания вторичной структуры

Крупная белковая языковая модель ProteinGLM в INT4-представлении для генерации и анализа аминокислотных последовательностей.

Подходит для: генерация белковых последовательностей по аминокислотному префиксу · анализ и представление белковых последовательностей · классификация белков на уровне последовательности

ESM-1v — предобученная белковая языковая модель Meta AI для оценки функционального эффекта вариантов белковых последовательностей.

Подходит для: Оценка влияния аминокислотной замены на функцию белка · Ранжирование вариантов белка по вероятному функциональному эффекту · Сравнение исходной и мутировавшей белковых последовательностей

Дообученная BERT-модель Exscientia для анализа парных последовательностей антител, восстановления замаскированных аминокислот и получения эмбеддингов.

Подходит для: восстановление пропущенных аминокислот в парных последовательностях антител · получение эмбеддингов последовательностей антител · подготовка представлений для классификации антител