IV.4Клиническая медицина и общественное здоровье

TransHLA_I — модель семейства TransHLA для предварительного выявления коротких пептидов, которые могут распознаваться как эпитопы молекулами HLA класса I. Она принимает пептидные последовательности длиной от 8 до 14 аминокислот и выдаёт вероятность принадлежности к эпитопам, а также последовательностное эмбеддинг-представление. Архитектура сочетает трансформерный энкодер и глубокую CNN; при обучении использовались предварительно обученные эмбеддинги последовательностей ESM2 и структурные признаки контактных карт. Модель предназначена для первичного отбора кандидатов перед анализом инструментами, оценивающими сродство связывания пептидов с HLA. Репозиторий содержит веса PyTorch в формате safetensors; для запуска автор рекомендует PyTorch, fair-esm и transformers, а для CUDA — версию 11.8 или новее. В предоставленных материалах лицензия не указана.

Карточка модели SkywalkerLu/TransHLA_II на Hugging Face совпадает с карточкой SkywalkerLu/TransHLA_I, поэтому описание составлено по ней. TransHLA_I — модель семейства TransHLA для предварительного выявления коротких пептидов, которые могут распознаваться как эпитопы молекулами HLA класса I. Она принимает пептидные последовательности длиной от 8 до 14 аминокислот и выдаёт вероятность принадлежности к эпитопам, а также последовательностное эмбеддинг-представление. Архитектура сочетает трансформерный энкодер и глубокую CNN; при обучении использовались предварительно обученные эмбеддинги последовательностей ESM2 и структурные признаки контактных карт. Модель предназначена для первичного отбора кандидатов перед анализом инструментами, оценивающими сродство связывания пептидов с HLA. Репозиторий содержит веса PyTorch в формате safetensors; для запуска автор рекомендует PyTorch, fair-esm и transformers, а для CUDA — версию 11.8 или новее. В предоставленных материалах лицензия не указана.

Taykhoom/Evo1-1.5-7B-8K — это порт на Hugging Face модели Evo 1.5, предназначенной для работы с последовательностями ДНК. Модель содержит 8,6 млрд параметров по метаданным и использует причинную архитектуру Evo1 на базе StripedHyena; в README указаны 32 гибридных слоя и контекст до 8 192 токенов. Она обучена предсказывать следующий токен на уровне байтов и принимает последовательности как сырые UTF-8 байты с алфавитом токенов 0–255. Модель подходит для генерации последовательностей ДНК с учётом геномного контекста, вычисления логитов и получения скрытых представлений для анализа. Evo 1.5 продолжает обучение Evo 1 на примерно 50% дополнительных данных, всего около 450 млрд токенов из геномных последовательностей, включая геномы прокариот, фагов и плазмид. Порт также поддерживает получение скрытых состояний и attention weights, доступ к backbone через AutoModel и выбор backend внимания; для побитового совпадения с исходной реализацией требуется flash_attention_2. Модель выпущена под лицензией Apache-2.0. Это специализированная биологическая модель: она не предназначена для обычного текста, а различия вычислительных backend могут влиять на точность промежуточных активаций.

G4mer — трансформерная модель для анализа последовательностей РНК, разработанная авторами одноимённой работы. Она классифицирует фрагмент длиной 70 нуклеотидов по бинарному признаку: способен ли он образовывать РНК G-квадруплекс (rG4). Модель дообучена на основе Biociphers/mRNAbert; для токенизации используются перекрывающиеся 6-меры. В README также описан веб-инструмент для поиска rG4 в транскриптоме и оценки влияния генетических вариантов. Модель предназначена для анализа последовательностей РНК человека в задачах геномики и молекулярной биологии. Для последовательностей длиннее 70 нуклеотидов авторы рекомендуют сканирование окнами длиной 70 нуклеотидов с выбором максимальной оценки rG4. Репозиторий содержит веса PyTorch и распространяется по лицензии с обозначением «other»; конкретные условия следует сверить с файлами лицензии проекта.

GB.RNA-1.6B — универсальная фундаментальная модель РНК, разработанная GenBio AI. Это энкодерный трансформер RNABert с 1,6 млрд параметров, обученный на 42 млн уникальных некодирующих РНК из RNAcentral версии 24.0. Предобучение выполнялось на уровне отдельных нуклеотидов с задачей восстановления замаскированных токенов; длина контекста составляет 1024 токена. Модель предназначена для анализа РНК-последовательностей и может использоваться как основа для прогнозирования вторичной структуры, определения функций РНК, задач, связанных с мРНК, и обратного фолдинга РНК. Её представления также можно применять для построения downstream-моделей классификации, регрессии и разметки токенов. README сообщает о сильных результатах на широком наборе задач, но не приводит метрик; для белковых задач отмечен потенциал после адаптации к предметной области. Модель принимает последовательности РНК и обучена на некодирующих последовательностях. Для кодирующих последовательностей разработчик предлагает отдельную адаптированную версию GB.RNA-1.6B-CDS. В репозитории указаны форматы PyTorch и safetensors. Лицензия обозначена как other; конкретные условия использования в предоставленных данных не раскрыты.

GENERanno-eukaryote-0.5b-base — базовая плотная модель семейства GENERanno, разработанная для работы с эукариотическими последовательностями ДНК. Она содержит 493,2 млн параметров и обучена на наборе данных объёмом 386 млрд пар оснований; длина контекста составляет 8192 токена, что соответствует заявленным в карточке 8 тысячам пар оснований. Модель использует архитектуру GenerannoForMaskedLM и предназначена для предсказания замаскированных участков последовательности. Модель ориентирована на геномную аннотацию: поиск расположения генов, предсказание их функций и разбор структуры генов. В README также заявлена сопоставимая с GENERator производительность на Genomic Benchmarks, NT tasks и Gener tasks. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Авторы отмечают, что модель находится в разработке и технические подробности будут дополняться.

JingSi V2 E4B — диалоговая модель-компаньон для поддержки пожилых людей в локальном тайваньском контексте. Её разработал Rayantion26, дообучив Gemma 4 E4B Instruct от Unsloth. Модель предназначена для бережного разговора о чувствах, тревогах и воспоминаниях и старается отвечать кратко, с сочувствием и в духе идей Jing Si. Модель поддерживает тайваньский хоккиен, традиционный китайский и английский языки; предполагается, что она будет отвечать на языке пользователя, когда это возможно. Это плотная архитектура семейства Gemma 4, опубликованная в формате safetensors. В README приведена проверка работы с контекстом до 1024 токенов при загрузке через Unsloth и BitsAndBytes в 4-битном режиме. Модель обозначает себя как ИИ-компаньона, а не человека, врача, консультанта или религиозный авторитет. Она не предназначена для экстренной, медицинской или психотерапевтической помощи. Для развертывания необходимы отдельные детерминированные политики безопасности; веса сами по себе не обеспечивают полного защитного слоя. Существенные изменения ответов на тайваньском хоккиене требуют проверки носителем языка. Лицензия — Apache-2.0.

OmniNA-220m — генеративная языковая модель для анализа нуклеотидных последовательностей, разработанная командой XLS. Она относится к семейству OmniNA и предназначена для обучения представлений геномных последовательностей и последующей адаптации к задачам вычислительной геномики. Модель использует авторегрессионную Transformer-архитектуру LLaMA с BPE-токенизацией и обучалась на 91,7 млн нуклеотидных последовательностей различных видов. Для семейства OmniNA заявлена настройка на 23 геномные задачи; модель можно дообучать для конкретных задач анализа последовательностей. В метаданных Hugging Face указаны 301,2 млн параметров, контекст до 2048 токенов и задача text-generation. Сильная сторона модели — применение единого генеративного подхода к межвидовым геномным данным и возможность адаптации под разные задачи вычислительной биологии. Модель не предназначена для обычной генерации текстов на естественных языках; для прикладных геномных сценариев обычно требуется специализированное дообучение или дополнительная модельная оболочка. Распространяется по лицензии Apache-2.0.

ProSST-2048 — предобученная белковая языковая модель, разработанная авторами проекта ProSST для анализа аминокислотных последовательностей с учётом структуры белка. Модель представлена как masked language model на базе Transformer с раздельным механизмом внимания к последовательности и структурным токенам; вариант 2048 использует словарь из 2048 структурных токенов. В метаданных указано 113,3 млн параметров. Модель предназначена для восстановления замаскированных белковых токенов и получения представлений белков; авторы также демонстрируют её применение для безобучающего предсказания эффектов мутаций и downstream-задач. Она объединяет информацию о последовательности и локальной структуре, а предобучение проводилось на миллионах структур белков. Это модель для белковых данных, а не естественного языка; в работе отмечено, что нарушения или неточности в структурных данных могут ограничивать качество структурно-зависимых прогнозов. Код проекта распространяется по лицензии CC BY-NC-ND 4.0.

TxGemma-2B-Predict — языковая модель Google для задач разработки терапевтических средств. Это вариант семейства TxGemma на базе Gemma 2 с архитектурой decoder-only Transformer, дообученный на инструкционных наборах Therapeutics Data Commons. Модель принимает текстовые запросы, оформленные в структуре TDC, и генерирует текстовые прогнозы свойств терапевтических средств и связанных биологических объектов. Модель предназначена для исследовательских сценариев поиска лекарств: прогнозирования свойств малых молекул, взаимодействий лекарство—мишень и других терапевтических показателей. В карточке указана проверка семейства TxGemma на 66 задачах TDC; размер этой версии — 2B параметров. Лицензия обозначена как other, а условия использования — Health AI Developer Foundations terms of use. Модель обучена на публичных данных TDC, поэтому её прогнозы требуют проверки на данных, подходящих для конкретного применения. Перед использованием в прикладных разработках необходимо оценить качество на репрезентативных данных и провести предметную валидацию.

DrugAssist-7B — языковая модель на архитектуре Llama, разработанная для оптимизации молекул. Проект сопровождается публикацией и набором данных; карточка позиционирует модель как помощника для задач разработки лекарств и работы с молекулами. Модель содержит 6,6 млрд параметров, имеет контекст до 4096 токенов и доступна в форматах PyTorch и GGUF. Она предназначена для генерации текста в диалоговом режиме, в том числе для запросов по оптимизации молекул. Лицензия — Llama 2. Карточка не раскрывает конкретные методы оптимизации, формат представления молекул, результаты оценки или ограничения применения, поэтому качество для отдельных задач разработки лекарств по имеющимся сведениям оценить нельзя.

FusOn-pLM — белковая языковая модель, разработанная исследователями Университета Дьюка для анализа последовательностей онкобелков слияния, связанных, в частности, с детскими опухолями. Модель дообучена на основе ESM-2-650M и использует стратегию masked language modeling с косинусным расписанием, меняющим долю маскируемых аминокислотных остатков в ходе обучения. Архитектура — плотная ESM, 865,1 млн параметров; контекст — 1026 токенов. Модель предназначена для предсказания замаскированных остатков и получения эмбеддингов последовательностей онкобелков слияния. Авторы сообщают о лучших результатах относительно базовых представлений ESM-2 и вручную сконструированных биофизических эмбеддингов на профильных бенчмарках и задачах предсказания неупорядоченных областей; эмбеддинги предлагаются для последующих исследований терапевтического дизайна. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных материалов на её условиях.

PertMind — биологическая языковая модель на базе Qwen3-4B-Base, разработанная для рассуждений о клеточных возмущениях и биологических профилей. Модель дообучена с использованием supervised initialization на доверенных траекториях и обучения с подкреплением на экспериментальных данных атласа возмущений Tahoe-100M. Она принимает текстовые запросы о клеточной линии, воздействии и целевом гене и генерирует текстовые прогнозы и интерпретации. Архитектура — плотная Qwen3ForCausalLM с 3,7 млрд параметров, контекстом до 40 960 токенов; репозиторий содержит веса safetensors и поддерживает запуск через Transformers и vLLM. Модель предназначена для прогнозирования экспрессии генов после воздействия, обратного вывода условий возмущения, приоритизации кандидатов в фенотипических скринингах и интерпретации биологических процессов. Также её ответы можно преобразовывать в профили для молекулярного, клеточного и донорского сопоставления. Карточка описывает исследовательский охват, но не подтверждает качество каждой из этих задач отдельными бенчмарками. Модель выпущена под лицензией Apache-2.0 для исследований, генерации гипотез и разработки методов.

TA-OPD-27B — модель для задач омиксики, разработанная путём дообучения Qwen3.5-27B методом tool-augmented on-policy distillation на наборе TA-OPD-10K. Во время обучения ответы учителя включали свидетельства из биологических инструментов и баз данных; при использовании модель принимает биологическую последовательность и вопрос, а обучающие инструменты ей не требуются. Модель предназначена для анализа последовательностей: предсказания эпигенетических меток, промоторов, сайтов связывания факторов транскрипции и модификаций РНК, классификации семейств некодирующих РНК и предсказания функций ферментов. Это плотная архитектура Qwen3.5 с 27 млрд параметров, веса представлены в BF16 Safetensors и используются через Transformers с соответствующими токенизатором и шаблоном чата. В оценке OmicsBench модель улучшила большинство приведённых метрик относительно базовой Qwen3.5-27B, однако показатели различаются по задачам и не свидетельствуют о высокой точности для каждого типа предсказаний. Лицензия — Apache-2.0. Результаты описаны на бенчмарке OmicsBench; они не гарантируют качество на других последовательностях или прикладных сценариях.

H3BERTa — языковая модель на архитектуре RoBERTa-base, разработанная для анализа CDR-H3 антител. Это энкодер с 113,3 млн параметров, обученный на более чем 17 млн последовательностей CDR-H3 из репертуаров здоровых доноров в наборе OAS. Модель принимает аминокислотные последовательности длиной до 100 остатков; словарь включает 20 стандартных аминокислот и специальные токены, в том числе [MASK]. Модель предназначена для получения эмбеддингов последовательностей CDR-H3, оценки вероятности вариантов и мутаций методом псевдоправдоподобия, а также предсказания аминокислот в замаскированных позициях. Эмбеддинги можно использовать для кластеризации, поиска сходных последовательностей и последующих задач машинного обучения, включая выявление bnAbs после дополнительной настройки. На вход следует подавать только последовательность CDR-H3 без начального C и конечного W, без пробелов и разделителей. Модель доступна под лицензией MIT. Она обучена на репертуарах здоровых доноров, поэтому её оценки отражают закономерности этих данных и сами по себе не подтверждают связывание, эффективность или клиническую пригодность антитела.

ImmunoMatch-κ — вариант белковой языковой модели ImmunoMatch, дообученный на антителах с κ-цепями. Модель разработана для изучения предпочтений спаривания тяжёлой и лёгкой цепей антител; на вход подают пару аминокислотных последовательностей доменов VH и VL. Это RoFormer-модель для классификации последовательностей с 268,5 млн параметров и контекстом до 256 токенов, основанная на AntiBERTa2-CSSP. Модель подходит для анализа совместимости пар вариабельных доменов антител и исследований репертуаров антител с κ-цепями. В семействе также представлены контрольные точки для антител с λ-цепями и для смеси антител с κ- и λ-цепями. Опубликована в формате PyTorch; лицензия CC BY-NC 4.0 запрещает коммерческое использование без отдельного разрешения.

InstaDeepAI разработала NTv3_generative — генеративную модель для проектирования геномных последовательностей на основе постобученной модели NTv3. Она использует условную архитектуру U-Net с адаптивными нормализациями слоёв и блоком Transformer, а обучение выполнено методом Masked Discrete Language Modeling (MDLM). Модель принимает последовательности ДНК, представленные символами A, T, C, G и N, и задаётся видом организма и уровнем активности от 0 до 4. Модель предназначена для контекстно-зависимой генерации фрагментов ДНК с заданной активностью, например для исследовательского проектирования геномных последовательностей. В README указаны входные последовательности длиной 4096 пар оснований и длина генерации 249 пар оснований. Базовая серия NTv3 описана как способная учитывать контекст до 1 Мб, однако этот предел не заявлен отдельно для данного генеративного чекпойнта. Лицензия обозначена как other; конкретные условия использования в предоставленных данных не раскрыты.

AmmonixRCM-Writer-9B — языковая модель Ammonix для составления документов по страховым требованиям после того, как отдельный агент уже принял решение. Модель дообучена методом LoRA на базе Ornith-1.5-9B: адаптер с рангом 32 обучали на синтетических примерах и затем объединили с базовыми весами. В метаданных указаны архитектура семейства Qwen 3.5, плотная модель, формат safetensors и библиотека Transformers. Модель предназначена для подготовки документации и писем-апелляций в симуляции обработки медицинских страховых требований. В описанной оценке она показала меньше отклонённых плательщиком документов, чем базовая Ornith-1.5-9B и Qwen 27B; решения по требованиям при этом принимались отдельно и не зависели от текста модели. Обучение и оценка проводились только на полностью синтетических данных. Автор не рекомендует использовать модель для реальных страховых заявок, клинических задач или производственного биллинга. Вне исходной программной оболочки её выводы не проверяются. Лицензия указана как other; конкретные условия в предоставленных данных не описаны.

jiosephlee/intern-s1-mini-context-conditioned-molecule-transfer-v10-3-bioavailability-ma-best — дообученная модель на архитектуре Qwen3 для контекстно-зависимого переноса свойств молекул, выбранная по результатам валидации в задаче пероральной биодоступности. Она предназначена для генерации текстовых ответов в сценариях переноса между молекулярными наборами данных с учётом контекста; карточка указывает обучение на смешанных непрерывных данных и использование функции потерь с мягкими целевыми значениями. Модель содержит 7,6 млрд параметров, принимает текст, имеет контекст до 65 536 токенов и поставляется в формате safetensors для Transformers. В README приведены метрики Macro-F1@5, NDCG@5 и Spearman на валидации и тесте; условия лицензии не приведены в доступных данных.

CloneLM-Heavy — авторегрессионная языковая модель семейства Mistral, разработанная авторами проекта CloneBO для генерации последовательностей тяжёлых цепей антител. Её обучали на клонических семействах антител, чтобы моделировать эволюцию последовательностей и предлагать варианты с мутациями, пригодные для дальнейшей оптимизации антител. Модель содержит 377,5 млн параметров и имеет контекст 2048 токенов; в метаданных указаны Transformers и формат safetensors. Её используют в вычислительном дизайне и оптимизации антител, в том числе в составе CloneBO, где генерацию направляют экспериментальными измерениями и процедурой twisted sequential Monte Carlo. Это специализированная модель для белковых последовательностей, а не универсальный чат-ассистент. Описание проекта сообщает об улучшении эффективности оптимизации и получении более сильных и стабильных связывателей в лабораторных экспериментах. Лицензия весов в доступных источниках не установлена.

Dayhoff-170M-GRS-SS-122000 — модель генерации белковых последовательностей, разработанная исследовательской командой, указанной в карточке Dayhoff. Она предназначена для исследований белкового языка: генерации последовательностей, оценки эффектов мутаций без дополнительного обучения и проектирования белковых каркасов с заданными структурными мотивами. Архитектура основана на гибриде Mamba и Transformer с блоками смеси экспертов (MoE); карточка указывает 23,6 млн параметров и контекст до 262 144 токенов. Модель обучена авторегрессионно в обоих направлениях последовательности, что поддерживает заполнение пропусков в произвольном порядке. Dayhoff обучалась на белковых данных, включая набор microsoft/Dayhoff. Модель рассчитана на аминокислотные последовательности и гомологичные белковые последовательности, а не на естественный язык или ДНК. Генерируемые последовательности не всегда реалистичны, а создание качественных белков без сходства с природными последовательностями остается сложной задачей. Лицензия — MIT.

Dayhoff-170m-UR50-BRn — модель для генерации белковых последовательностей из семейства Dayhoff, разработанного Kevin K. Yang и соавторами. Она предназначена для исследовательского белкового языкового моделирования: безусловного проектирования последовательностей, оценки эффектов мутаций без дополнительного обучения и создания последовательностей с заданными структурными мотивами или эволюционным контекстом. Архитектура — гибридная Jamba: слои Mamba и Transformer чередуются с блоками Mixture-of-Experts. Модель содержит 23,6 млн параметров и поддерживает контекст до 262 144 токенов. Она обучена авторегрессионно в направлениях N→C и C→N, что позволяет заполнять пропуски в любом порядке. Репозиторий использует формат safetensors; лицензия — MIT. Модель предназначена только для белковых последовательностей или наборов гомологичных белков. Она не рассчитана на естественный язык, ДНК или другие биологические последовательности; реалистичность сгенерированных последовательностей не гарантируется, а получение новых последовательностей без сходства с природными остаётся сложной задачей.

Dayhoff-170M-UR90-HL-2000 — модель для генерации белковых последовательностей из семейства Dayhoff, разработанного командой исследователей, перечисленных в карточке. Она предназначена для исследований в области белкового языкового моделирования: генерации последовательностей, оценки эффектов мутаций и проектирования белков с заданными структурными мотивами или эволюционным контекстом. Для этого чекпойнта указаны гибридная архитектура Jamba с блоками Mamba, Transformer и Mixture-of-Experts, 23,6 млн параметров и контекст до 262 144 токенов. Модель обучена на данных белковых последовательностей; её лицензия — MIT. Модель работает с белковыми последовательностями и может поддерживать генерацию и классификацию последовательностей. Карточка предупреждает, что её не следует использовать для генерации обычного текста, ДНК или других нецелевых последовательностей; реалистичность результата не гарантируется, а генерация новых последовательностей без сходства с природными белками остаётся сложной задачей.

ImmunoMatch — белковая языковая модель, дообученная Fraternalilab на базе AntiBERTa2-CSSP для изучения предпочтений спаривания тяжёлых и лёгких цепей антител. Она принимает пару аминокислотных последовательностей доменов VH и VL и выполняет классификацию, связанную с их совместимостью. Доступны варианты, обученные на смесях антител с κ- и λ-цепями, а также отдельные варианты для κ- или λ-цепей. Модель построена на архитектуре RoFormer, содержит около 268,5 млн параметров и рассчитана на контекст до 256 токенов. Репозиторий содержит веса PyTorch; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Intern-S1-mini context-conditioned molecule transfer V10.4 — BBB Martins — это дообученная модель jiosephlee на базе jiosephlee/Intern-S1-mini-lm для переноса свойств молекул с учётом контекста биологического анализа. Она предназначена для ранжирования молекул-кандидатов по сходству с заданным контекстом, связанным с проницаемостью гематоэнцефалического барьера (BBB) и набором Martins. Модель основана на плотной архитектуре Qwen3ForCausalLM, содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 65 536 токенов. Репозиторий содержит чекпойнт Transformers в формате safetensors. При обучении использовались 10 эпох с ограничением в 350 шагов и мягкая целевая функция; обучение остановили на шаге 207 после выхода валидационных показателей на плато, а чекпойнт выбрали по метрике knn_binary_macro_f1_at_5. В README приведены результаты на тестовом наборе: Macro-F1@5 0,6732 и NDCG@5 0,7365. Модель рассчитана на специализированные задачи переноса молекулярных свойств и поиска кандидатов в контексте BBB Martins, а не на универсальный диалог. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя. Результаты оценки относятся к описанному набору и метрикам; другие области применения ими не подтверждены.

Starling oral-bioavailability transfer model — модель для оценки того, насколько сходно две молекулы ведут себя по пероральной биодоступности в заданном исследовательском контексте. На вход она принимает SMILES и метаданные исследования для обеих молекул, а также измеренное значение пероральной биодоступности молекулы A; на выходе выдаёт вероятность переноса поведения от A к B. Модель разработана на базе Starling Transfer и использует общие для обеих молекул энкодеры и позиционно-зависимую голову классификации. Для представления структуры молекул используется замороженный MolFormer-XL с проекцией в вектор размерности 256; семь текстовых полей контекста кодируются замороженным MiniLM и проецируются в суммарный вектор размерности 224. Парная голова — остаточная MLP с SwiGLU из шести блоков — формирует один логит, который после сигмоиды интерпретируется как вероятность переноса. Обучаемая часть содержит около 8 млн параметров. Модель предназначена для химических и фармакокинетических исследований, а не для непосредственного медицинского решения. README приводит метрики на двух валидационных разбиениях: macro-F1 0,699 и 0,766, точность 0,734 и 0,796 соответственно. Репозиторий содержит веса в формате safetensors; карточка указывает библиотеку Transformers и лицензию MIT. Модель рассчитана на входные данные в виде SMILES и метаданных, а не на обычный диалоговый ввод. Её оценка зависит от корректного заполнения контекста исследования; пропущенные поля обрабатываются отдельными обучаемыми представлениями. Описанные результаты относятся к конкретному протоколу разделения данных и не гарантируют качество на иных наборах или контекстах.

AssayLLM-Handoff-GRPO — модель Genentech для выбора генов-кандидатов в CRISPR-скринингах. Она дообучена на базе Qwen3.6-27B с помощью supervised fine-tuning и совместного обучения методом GRPO; использует архитектуру Qwen3.5 с плотной моделью и запускается через Transformers. По описанию скрининга и результатам уже проведённых раундов модель выдаёт ранжированный список из 100 символов генов HGNC для первых двух раундов, после чего работу продолжает отдельная модель AssayFormer. Модель предназначена для адаптивного поиска перспективных мишеней в CRISPR-скринингах и работы в связке с AssayFormer в AssayLoop. В README приведены результаты оценки на AssayBench-Loop, но они относятся к конкретной экспериментальной постановке и не гарантируют качество на других экранах. Для запуска описан сценарий с vLLM и форматированным чатом; лицензия — Apache-2.0.

ChemFM-1B — языковая модель для химии, созданная авторами ChemFM и размещённая в каталоге Aurigene AI как зеркало upstream-модели ChemFM/ChemFM-1B. Она предназначена для генерации молекул и может дообучаться для предсказания свойств и решения задач реакционной химии. Модель содержит 969,5 млн параметров, построена на плотной архитектуре Llama и принимает текстовые входы, включая представления молекул SMILES. Обучающие данные связаны с набором UniChem; максимальная длина контекста — 512 токенов. Модель ориентирована на этапы генерации кандидатов и оптимизации лидов в поиске лекарств. Репозиторий содержит веса в формате safetensors, библиотека — Transformers. Указана лицензия MIT. README отсылает к исходной карточке за полными сведениями об обучении и цитировании, поэтому конкретные метрики качества и проверенные режимы применения здесь не приведены.

Dayhoff-170M-GR-31000 — модель генерации белковых последовательностей из семейства Dayhoff, разработанная авторами, перечисленными в карточке модели. Это гибридная архитектура Jamba: слои Mamba и Transformer с механизмом Mixture-of-Experts. Модель имеет 23,6 млн параметров, работает с контекстом до 262 144 токенов и обучена на данных Dayhoff; лицензия — MIT. Модель предназначена для исследовательской работы с белками: генерации последовательностей, прогнозирования эффектов мутаций без дообучения и проектирования белковых каркасов с заданными структурными мотивами или эволюционным контекстом. Она принимает последовательности белков и может моделировать отдельные последовательности и развёрнутые множественные выравнивания. Модель не предназначена для обычного текста, ДНК или других биологических последовательностей. Сгенерированные последовательности не всегда реалистичны, а создание белков без сходства с природными последовательностями остаётся сложной задачей.

microsoft/Dayhoff-170m-UR50 — модель генерации белковых последовательностей, представленная в ресурсах Dayhoff и разработанная авторами, перечисленными в карточке Dayhoff. Она предназначена для исследовательского моделирования белковых последовательностей: безусловной генерации, оценки эффектов мутаций и проектирования последовательностей с заданными структурными мотивами или эволюционным контекстом. Архитектура сочетает слои Mamba и Transformer с механизмами Mixture-of-Experts; модель обучалась авторегрессионно в направлениях N→C и C→N и поддерживает контекст до 262 144 токенов. Метаданные указывают 23,6 млн параметров, библиотеку Transformers и формат safetensors. Карточка Dayhoff описывает работу с белковыми последовательностями и выравниваниями, включая генерацию и заполнение последовательностей с учетом контекста. Модель не предназначена для обычного текста, ДНК или других биологических последовательностей; реалистичность и качество каждого сгенерированного белка не гарантированы. Лицензия — MIT.