IV.4Клиническая медицина и общественное здоровье

Dayhoff-170M-GRS-SS-14000 — модель для работы с белковыми последовательностями, созданная командой авторов, перечисленных в карточке Dayhoff. Она предназначена для исследовательских задач белкового языкового моделирования: генерации последовательностей, оценки эффектов мутаций и проектирования белковых каркасов по структурным мотивам. Модель основана на гибридной архитектуре Jamba: слои Mamba и Transformer чередуются с блоками Mixture-of-Experts. По метаданным, размер составляет 23,6 млн параметров, контекст — до 262 144 токенов; модель обучалась на данных Dayhoff. Модель генерирует белковые последовательности и поддерживает длинный контекст, включая развёрнутые множественные выравнивания последовательностей. Лицензия — MIT. Карточка предупреждает, что модель не предназначена для естественного языка или последовательностей ДНК, а сгенерированные белки не всегда реалистичны; получение качественных последовательностей без сходства с известными природными белками остаётся сложной задачей.

Dayhoff-170M-GRS-SS-50000 — модель генерации белковых последовательностей из семейства Dayhoff, разработанная исследовательской группой, перечисленной в карточке модели. Она предназначена для исследований в области белкового языкового моделирования и генеративного дизайна белков. Архитектура Jamba сочетает слои Mamba и Transformer с механизмом Mixture-of-Experts; модель содержит 23,6 млн параметров и поддерживает контекст до 262 144 токенов. Обучение на последовательностях из Dayhoff Atlas позволяет использовать длинный контекст белковых последовательностей и множественных выравниваний. Модель применялась для безусловной генерации белковых последовательностей и предсказания эффектов мутаций без дообучения. Лицензия — MIT. README предупреждает, что модель предназначена только для белковых последовательностей, не для естественного языка или последовательностей ДНК; сгенерированные последовательности не гарантированно реалистичны, а генерация без сходства с природными белками остаётся сложной задачей.

Dayhoff-170M-UR90-1000 — модель генерации белковых последовательностей из семейства Dayhoff, разработанная авторами, перечисленными в карточке Dayhoff. Она предназначена для исследовательских задач белкового языкового моделирования: генерации белков, оценки эффектов мутаций и проектирования последовательностей с заданными структурными мотивами или эволюционным контекстом. Архитектура сочетает слои Mamba и Transformer с механизмом Mixture-of-Experts; модель построена на JambaForCausalLM и опубликована в формате safetensors. Она принимает последовательности белков и может работать с длинным контекстом до 262 144 токенов. В карточке описаны задачи белкового моделирования, а метаданные указывают размер 23,6 млн параметров. Лицензия — MIT. Модель не предназначена для естественного языка или последовательностей ДНК. Сгенерированные последовательности не всегда реалистичны, а генерация белков без сходства с известными природными последовательностями остаётся сложной задачей.

Dayhoff-170M-UR90-31000 — модель Microsoft для генерации и анализа белковых последовательностей, предназначенная для исследований в области белкового языкового моделирования. Она обучена на данных Dayhoff и использует гибридную архитектуру Jamba: слои Mamba и Transformer с механизмом Mixture of Experts. По метаданным, размер модели составляет 23,6 млн параметров, а нативная длина контекста — 262 144 токена. Модель предназначена для безусловного конструирования белков и предсказания эффектов мутаций без дополнительного обучения; семейство Dayhoff также применяется для проектирования белковых каркасов и генерации последовательностей с заданным эволюционным или структурным контекстом. Модель работает с белковыми последовательностями, в том числе с длинными контекстами и развёрнутыми множественными выравниваниями последовательностей. Её не следует использовать для генерации естественного языка или последовательностей ДНК; реалистичность сгенерированных последовательностей не гарантируется, а создание белков без сходства с природными последовательностями остаётся сложной задачей. Лицензия — MIT.

Dayhoff-170M-UR90-HL-10000 — модель семейства Dayhoff, разработанная исследовательской группой авторов карточки для генерации и анализа белковых последовательностей. Она предназначена для исследовательского моделирования белков: генерации последовательностей, оценки эффектов мутаций без дообучения и проектирования белковых каркасов с заданными структурными мотивами. В карточке описана гибридная архитектура Mamba и Transformer с механизмом Mixture-of-Experts; модель обучена на белковых последовательностях и поддерживает очень длинный контекст — 262 144 токена. Метаданные указывают 23,6 млн параметров и библиотеку Transformers. Модель работает с белковыми последовательностями, а не с естественным языком или последовательностями ДНК. Генерируемые последовательности не всегда реалистичны, а создание белков без сходства с известными природными последовательностями остаётся сложной задачей. Лицензия — MIT.

Dayhoff-170M-UR90-HL-16000 — генеративная белковая языковая модель, разработанная исследовательской группой, указанной в карточке Dayhoff. Она предназначена для исследовательских задач белковой инженерии: генерации последовательностей белков, оценки эффектов мутаций без дополнительного обучения и проектирования последовательностей с заданными структурными мотивами или эволюционным контекстом. Архитектура модели — гибрид Mamba и Transformer с механизмом Mixture-of-Experts; веса опубликованы в формате safetensors. Метаданные указывают 23,6 млн параметров и контекст до 262 144 токенов. Модель обучена на данных белковых последовательностей и поддерживает автозаполнение последовательностей в обоих направлениях. Она предназначена только для аминокислотных последовательностей белков, а не для естественного языка или ДНК. Сгенерированные последовательности не всегда реалистичны, особенно если требуется отсутствие сходства с природными белками. Лицензия — MIT.

Dayhoff-170M-UR90-HL-22000 — модель генерации белковых последовательностей из семейства Dayhoff, разработанная Kevin K. Yang и соавторами. Она предназначена для исследований в области белкового языкового моделирования: генерации последовательностей, предсказания эффектов мутаций без дополнительного обучения и проектирования белков с заданными структурными мотивами или эволюционным контекстом. Архитектура модели сочетает слои Mamba и Transformer с механизмом смеси экспертов (MoE); она обучена авторегрессионному предсказанию в направлениях N→C и C→N. Указанная длина контекста — 262 144 токена, число параметров — 23,6 млн. Модель принимает белковые последовательности и выдаёт белковые последовательности; она не предназначена для естественного языка или последовательностей ДНК. Генерируемые последовательности не всегда реалистичны, а создание последовательностей без сходства с природными белками остаётся сложной задачей. Лицензия — MIT.

Dayhoff-170M-UR90-HL-32000 — генеративная языковая модель белковых последовательностей из проекта Dayhoff, разработанного Kevin K. Yang и соавторами. Она предназначена для исследовательских задач белковой инженерии: генерации последовательностей, оценки эффектов мутаций без дополнительного обучения и проектирования белковых каркасов по структурным мотивам или эволюционному контексту. Модель использует гибридную архитектуру Jamba: слои Mamba и Transformer чередуются с блоками Mixture-of-Experts. Она обучена авторегрессионно в направлениях N→C и C→N, поддерживает контекст длиной до 262 144 токенов и работает с отдельными последовательностями и развёрнутыми множественными выравниваниями. В метаданных указано 23,6 млн параметров; веса доступны в формате safetensors. Лицензия — MIT. Модель рассчитана на белковые последовательности, а не на естественный язык или последовательности ДНК. Сгенерированные последовательности не всегда биологически реалистичны; создание высококачественных последовательностей без гомологии известным природным последовательностям остаётся сложной задачей.

Dayhoff-170M-UR90-HL-4000 — генеративная белковая языковая модель семейства Dayhoff, разработанная исследовательской командой, указанной в карточке модели. Она предназначена для исследовательских задач белковой инженерии: генерации последовательностей белков, прогнозирования эффектов мутаций и проектирования последовательностей с заданными структурными мотивами или эволюционным контекстом. Архитектура Jamba сочетает слои Mamba и Transformer с механизмом смеси экспертов; модель обучена авторегрессионному предсказанию последовательности в обоих направлениях и поддерживает длинные контексты. В метаданных указаны 23,6 млн параметров, контекст до 262 144 токенов и формат safetensors. Модель работает с белковыми последовательностями и выдает последовательности белков; она не предназначена для естественного языка, ДНК или других биологических последовательностей. Генерируемые последовательности не гарантированно реалистичны, а создание качественных последовательностей без сходства с природными остается сложной задачей. Лицензия — MIT.

Dayhoff-170M-UR90-HL-40000 — генеративная белковая языковая модель семейства Jamba, разработанная авторами Dayhoff. Она предназначена для исследовательских задач белкового моделирования: генерации последовательностей белков, оценки эффектов мутаций и создания последовательностей с заданным структурным мотивом или эволюционным контекстом. Архитектура сочетает слои Mamba и Transformer с механизмом смеси экспертов; модель обучалась авторегрессионно в направлениях N→C и C→N и поддерживает длинный контекст до 262 144 токенов. В метаданных указано 23,6 млн параметров. Модель принимает белковые последовательности и предназначена только для работы с белковыми последовательностями или наборами гомологичных последовательностей, а не с естественным языком или ДНК. Сгенерированные последовательности не всегда реалистичны, а создание качественных последовательностей без сходства с природными белками остаётся сложной задачей. Лицензия — MIT.

Dayhoff-170M-UR90-HL-42000 — белковая языковая модель из ресурса Dayhoff, разработанного командой исследователей, перечисленных в карточке модели. Это гибридная архитектура Jamba: слои Mamba и Transformer чередуются с блоками Mixture-of-Experts. Модель содержит 23,6 млн параметров, поддерживает контекст до 262 144 токенов и обучена авторегрессионно предсказывать последовательность в направлениях N→C и C→N, что позволяет выполнять заполнение пропусков в произвольном порядке. Модель предназначена для генерации аминокислотных последовательностей белков и исследовательских задач белкового моделирования: безусловного дизайна последовательностей, оценки эффектов мутаций без дополнительного обучения и проектирования последовательностей с заданными структурными мотивами или эволюционным контекстом. Она рассчитана на белковые последовательности, а не на естественный язык или ДНК; сгенерированные последовательности не всегда реалистичны, а получение новых последовательностей без сходства с известными природными последовательностями остаётся сложной задачей. Распространяется по лицензии MIT.

Dayhoff-170M-UR90-HL-6000 — модель генерации белковых последовательностей из семейства Dayhoff, разработанная командой исследователей, перечисленной в карточке Dayhoff. Она предназначена для исследований в области белкового моделирования: генерации последовательностей, оценки эффектов мутаций и проектирования белковых каркасов по структурным мотивам. Вариант использует гибридную архитектуру Jamba с механизмами Mamba, Transformer и смесью экспертов; число параметров по метаданным — 23,6 млн, длина контекста — 262 144 токена. Модель работает с белковыми последовательностями, а не с обычным текстом или последовательностями ДНК. Карточка описывает применение семейства Dayhoff для безусловного дизайна белков, предсказания эффектов мутаций без дообучения и проектирования каркасов структурных мотивов. Она также предупреждает, что сгенерированные последовательности не всегда реалистичны и что создание качественных последовательностей без гомологии с природными белками остаётся сложной задачей. Лицензия — MIT.

Dayhoff-3b-GR-HM — генеративная белковая языковая модель, разработанная командой исследователей, перечисленной в карточке Dayhoff. Она предназначена для исследовательских задач проектирования белковых последовательностей, в том числе генерации гомологов с заданным эволюционным контекстом. Модель использует гибридную архитектуру Mamba и Transformer с механизмом Mixture-of-Experts; в метаданных указаны 445,7 млн параметров и контекст до 262 144 токенов. Она обучалась на данных белковых последовательностей Dayhoff и поддерживает моделирование длинных последовательностей и множественных выравниваний, а также заполнение последовательности с обоих направлений. Модель применялась для генерации белков, оценки эффектов мутаций без дообучения и проектирования белковых каркасов по структурным мотивам. Карточка описывает её применение к белковым последовательностям, а не к естественному языку или ДНК. Не все сгенерированные последовательности реалистичны; сложно получать качественные последовательности без сходства с природными белками. Лицензия — MIT.

Dayhoff-3b-GR-HM-11000 — авторегрессионная модель для генерации белковых последовательностей из семейства Dayhoff, разработанная Kevin K. Yang и соавторами. Она основана на гибридной архитектуре Jamba: сочетает слои Mamba и Transformer с блоками Mixture-of-Experts. В метаданных указаны 445,7 млн параметров, контекст до 262 144 токенов и библиотека Transformers. Модель предназначена для исследовательской работы с белками: генерации последовательностей, предсказания эффектов мутаций без дополнительного обучения, проектирования последовательностей с заданными структурными мотивами и генерации с учетом гомологов. Она обучалась на белковых последовательностях и может моделировать отдельные последовательности и развёрнутые множественные выравнивания. MIT-лицензия разрешает широкое использование. Модель не предназначена для генерации естественного языка, ДНК или иных биологических последовательностей. Сгенерированные последовательности не всегда реалистичны; получение качественных последовательностей без сходства с природными белками остаётся сложной задачей.

Dayhoff-3b-UR90 — генеративная модель белковых последовательностей из семейства Dayhoff, разработанная командой исследователей, перечисленной в карточке. Она предназначена для исследований в области белкового языкового моделирования: генерирует последовательности белков, оценивает эффекты мутаций без дополнительного обучения и помогает проектировать белковые каркасы с заданными структурными мотивами. Модель использует гибридную архитектуру Jamba: слои Mamba и Transformer чередуются с блоками смеси экспертов. В метаданных указано 445,7 млн параметров и контекст до 262 144 токенов; модель обучена на данных Dayhoff и поддерживает длинные последовательности и выравнивания последовательностей. Модель работает с белковыми последовательностями, а не с естественным языком, ДНК или другими биологическими последовательностями. Сгенерированные последовательности не всегда реалистичны, а получение качественных белков без сходства с известными природными последовательностями остаётся сложной задачей. Лицензия — MIT.

Dayhoff-3b-UR90-10000 — генеративная языковая модель для белковых последовательностей, разработанная авторами проекта Dayhoff. Она предназначена для исследовательских задач белкового моделирования: генерации последовательностей, безпримерного прогнозирования эффектов мутаций и создания белковых каркасов с заданными структурными мотивами. Модель использует гибридную архитектуру Jamba: слои Mamba и Transformer чередуются с блоками смеси экспертов. По метаданным, модель содержит 445,7 млн параметров, принимает контекст до 262 144 токенов и распространяется в формате Safetensors; для этого варианта в карточке указана задача text-generation. Модель обучена на данных Dayhoff и поддерживает авторегрессионную генерацию белковых последовательностей, включая заполнение пропусков в любом направлении и работу с длинными последовательностями и развёрнутыми множественными выравниваниями. Она не предназначена для обычного текста или последовательностей ДНК; сгенерированные белки не всегда реалистичны, а создание последовательностей без сходства с природными остаётся сложной задачей. Лицензия — MIT.

Dayhoff-3b-UR90-20350 — авторегрессионная языковая модель белковых последовательностей, созданная командой исследователей, перечисленных в карточке Dayhoff. Она предназначена для исследовательских задач белкового моделирования: генерации последовательностей, оценки эффектов мутаций без дополнительного обучения и проектирования белковых каркасов с заданными структурными мотивами. Модель обучена на данных Dayhoff Atlas и использует гибридную архитектуру Jamba: слои Mamba и Transformer с блоками смеси экспертов. Поддерживает контекст до 262 144 токенов и моделирование последовательностей в обоих направлениях; размер репозитория по метаданным — 445,7 млн параметров. Модель работает с белковыми последовательностями, а не с естественным языком или последовательностями ДНК. Она может генерировать белки без условия и использовать эволюционный или структурный контекст для управляемой генерации. Не все сгенерированные последовательности реалистичны, а создание качественных белков без сходства с природными последовательностями остаётся сложной задачей. Лицензия — MIT.

DrugGen-2 — англоязычная генеративная модель для разработки лекарственных молекул, основанная на GPT-2 и дообученная с использованием supervised fine-tuning и GRPO. Она принимает контекст заболевания в виде MeSH DAG и последовательность белка, связанного с мишенью, и генерирует структуру молекулы в формате SMILES. Модель предназначена для de novo-дизайна соединений и поиска вариантов для перепрофилирования лекарств с учётом заболевания и белковой мишени. Модель использует архитектуру GPT2LMHeadModel, работает через Transformers и имеет контекст длиной 1024 токена. В метаданных указана лицензия GPL-3.0; базовые модели — liyuesen/druggpt и openai-community/gpt2. Это инструмент для исследовательского этапа поиска кандидатов: README не сообщает о проверке сгенерированных молекул экспериментами, поэтому результаты требуют химической и биологической валидации.

GPTProteinPretrained — авторегрессионный трансформер в стиле GPT, разработанный lamm-mit и предварительно обученный на большом количестве белковых последовательностей. Модель использует архитектуру GPT-NeoX с плотной сетью и содержит около 604,4 млн параметров; для загрузки README показывает интерфейс Transformers с AutoModelForCausalLM и AutoTokenizer. Модель предназначена для продолжения и генерации белковых последовательностей: например, она может дополнять последовательность, заданную начальным фрагментом. Контекст составляет 2048 токенов. Обучающая задача обозначена как Sequence; доступные сведения не описывают оценку качества, специализированные биологические применения или ограничения выходных последовательностей. Лицензия в предоставленных данных не приведена.

MolGen-7b — генеративная модель молекул, разработанная ZJUNLP и обученная работать с молекулярным языком SELFIES. Она построена на плотной архитектуре LLaMA с причинно-языковой моделью и содержит 6,5 млрд параметров; доступна в формате PyTorch, а длина контекста составляет 2048 токенов. Модель предназначена для генерации молекул с нуля и продолжения частичной структуры, заданной в SELFIES. Это позволяет применять её для получения кандидатов молекул и дополнения известных молекулярных структур. Репозиторий распространяется по лицензии Apache-2.0. README не сообщает о валидации химических свойств или пригодности сгенерированных структур для экспериментов. Результаты следует проверять специализированными химическими инструментами; модель рассчитана на последовательности SELFIES, а контекст ограничен 2048 токенами.

p-IgGen — авторегрессионная языковая модель белков для генерации парных библиотек антител. Модель разработана при финансировании EPSRC и AstraZeneca; она предварительно обучена на непарных последовательностях тяжёлых и лёгких цепей из Observed Antibody Space, а затем дообучена на парных последовательностях. Архитектура — GPT-NeoX, размер — 28,3 млн параметров, контекст — 400 токенов; модель использует библиотеку Transformers и распространяется в формате safetensors. Модель предназначена для генерации пар последовательностей антительных цепей и исследовательских сценариев, связанных с разработкой антител и поиском лекарств. Лицензия — BSD-3-Clause. Карточка не приводит оценки качества или подробных ограничений применения; результаты генерации следует проверять перед использованием в дальнейших исследованиях.

Это зеркало базовой модели ProGen2-medium, созданной Nijkamp и соавторами. Репозиторий содержит слегка изменённые конфигурацию и прямой проход модели; автор также указывает на пример её дообучения в своём GitHub-репозитории. Модель относится к семейству ProGen и использует плотную авторегрессионную архитектуру ProGenForCausalLM для генерации текста. Карточка Hugging Face относит её к задаче text-generation и указывает контекст длиной 1024 токена. Репозиторий содержит веса в формате safetensors. ProGen предназначена для генерации белковых последовательностей, поэтому модель подходит для исследовательских экспериментов с созданием и изучением последовательностей белков. README не сообщает подробностей о точных сценариях применения или ограничениях качества. Лицензия — BSD 3-Clause.

ProtGPT3-112M-dpo — модель генерации белковых последовательностей из семейства ProtGPT3, выпущенного AI4PD. Это версия ProtGPT3-112M, дополнительно выровненная методом Direct Preference Optimization (DPO). В метаданных указаны архитектура Mixtral с причинной языковой моделью и смесью экспертов, 21 млн параметров, библиотека Transformers, формат safetensors и контекст до 16 384 токенов. Модель предназначена для генерации последовательностей белков и поддержки задач белкового дизайна. DPO-настройка ориентирует генерацию на последовательности с более высокой предсказанной структурной уверенностью и меньшим содержанием низкосложных участков, сохраняя разнообразие. Авторы рекомендуют DPO-версию для генерации белков вместо базовой.

RFamLlama-large — условная языковая модель для генерации последовательностей РНК, разработанная авторами проекта RFamLlama. Модель обучена на последовательностях более чем 4 000 семейств РНК с управляющими тегами семейств и построена на архитектуре Llama. Размер модели — 88,5 млн параметров, длина контекста — 2 048 токенов. Модель принимает текстовый промпт с Rfam ID и генерирует последовательность РНК соответствующего семейства. В статье проекта также описаны применение тегов семейств для предсказания фитнеса РНК в режиме zero-shot. Модель предназначена для научной работы с РНК и потенциальных терапевтических исследований; README не приводит оценок качества или подробностей ограничений генерации. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

RITA-M — авторегрессионная языковая модель белков среднего размера, разработанная LightOn совместно с группой OATML Оксфордского университета и лабораторией Debbie Marks в Гарварде. Модель содержит 352,3 млн параметров и использует архитектуру RITA с причинно-языковой моделью для генерации последовательностей белков. Она обучалась на UniRef-100. Модель предназначена для генерации белковых последовательностей и исследовательской работы с белковыми данными. В карточке приведено значение функции потерь на UniRef-100: 2,01 для варианта Medium. Лицензия в предоставленных данных не указана.

Dayhoff-170M-GR-16000 — авторегрессионная модель для генерации белковых последовательностей из семейства Dayhoff, разработанного указанными в карточке исследователями. Это компактный вариант гибридной архитектуры Jamba: слои Mamba и Transformer чередуются с блоками смеси экспертов (MoE). Модель использует библиотеку Transformers, имеет 23,6 млн параметров и поддерживает контекст до 262 144 токенов. Модель предназначена для исследовательских задач белкового языкового моделирования: генерации последовательностей, оценки эффектов мутаций без дополнительного обучения и проектирования белковых каркасов по структурным мотивам. Автогрессивное обучение в направлениях N→C и C→N поддерживает заполнение пропусков в последовательностях и моделирование развёрнутых множественных выравниваний. Лицензия — MIT. Модель не предназначена для генерации естественного языка, ДНК или других типов биологических последовательностей. Сгенерированные последовательности не всегда реалистичны; также остаётся сложной генерация качественных последовательностей без сходства с известными природными последовательностями.

Dayhoff-170M-GR-46000 — модель генерации белковых последовательностей из семейства Dayhoff, разработанная исследовательской группой, перечисленной в карточке модели. Это авторегрессионная модель архитектуры Jamba, сочетающая слои Mamba и Transformer с механизмом смеси экспертов; в репозитории указано 23,6 млн параметров и контекст до 262 144 токенов. Модель предназначена для исследовательских задач белкового языкового моделирования: генерации последовательностей, оценки эффектов мутаций и проектирования последовательностей с заданными структурными мотивами или эволюционным контекстом. Модель принимает последовательности белковых аминокислот и выдаёт белковые последовательности. Она обучена на данных Dayhoff, включая естественные и синтетические белковые последовательности; поддерживает моделирование одиночных последовательностей и развёрнутых множественных выравниваний. Лицензия — MIT. Модель не предназначена для естественного языка, ДНК или других биологических последовательностей. Сгенерированные последовательности не всегда реалистичны, а генерация качественных последовательностей без сходства с природными белками остаётся сложной задачей.

Dayhoff-170M-GRS-2000 — модель для генерации и анализа белковых последовательностей из ресурса Dayhoff, разработанного Kevin K. Yang и соавторами. Она предназначена для исследований в области белкового языкового моделирования: модель может генерировать последовательности белков, оценивать эффекты мутаций без дополнительного обучения и проектировать последовательности с заданным структурным контекстом. Архитектура сочетает слои Mamba и Transformer с механизмами Mixture-of-Experts. Модель обучена авторегрессионно в направлениях N→C и C→N, что поддерживает заполнение пропусков в последовательностях и моделирование длинных контекстов. В репозитории указаны 23,6 млн параметров и контекст до 262 144 токенов; доступны веса Safetensors, библиотека Transformers. Лицензия — MIT. Модель предназначена только для белковых последовательностей, а не для естественного языка или ДНК. Сгенерированные последовательности не гарантированно реалистичны; остаётся сложной генерация качественных последовательностей без сходства с известными природными белками.

Dayhoff-170M-GRS-26000 — модель для языкового моделирования белковых последовательностей, опубликованная авторами проекта Dayhoff. По карточке Dayhoff сочетает слои Mamba и Transformer с блоками Mixture-of-Experts; метаданные указывают архитектуру Jamba и 23,6 млн параметров. Модель работает с длинным контекстом до 262 144 токенов и обучена предсказывать последовательности в направлениях N→C и C→N, что поддерживает заполнение пропусков в любом порядке. Модель предназначена для исследовательских задач проектирования белков: генерации последовательностей, оценки эффектов мутаций без дообучения и создания белковых каркасов с заданными структурными мотивами или эволюционным контекстом. В карточке также описано использование более крупных моделей семейства для гомологичного кондиционирования, но оно не подтверждено для этого чекпойнта. Модель не предназначена для обычного текста, ДНК или других биологических последовательностей. Сгенерированные белки не гарантированно реалистичны, а создание последовательностей без сходства с природными белками остаётся сложной задачей. Лицензия — MIT.

Dayhoff-170M-GRS-76000 — модель генерации белковых последовательностей из семейства Dayhoff, разработанная командой авторов, перечисленных в карточке Microsoft. Она предназначена для исследовательских задач белкового языкового моделирования: генерации последовательностей, оценки эффектов мутаций без дополнительного обучения и проектирования последовательностей с заданными структурными мотивами или эволюционным контекстом. Архитектура — гибрид Mamba и Transformer с блоками Mixture-of-Experts; модель поддерживает длинный контекст до 262 144 токенов и обучалась генерировать последовательности в направлениях N→C и C→N. В метаданных указаны 23,6 млн параметров и формат safetensors. Обучение основано на данных белковых последовательностей Dayhoff Atlas. Модель предназначена только для белковых последовательностей, а не для естественного языка или ДНК. Сгенерированные последовательности не всегда реалистичны, а генерация качественных белков без сходства с природными последовательностями остаётся сложной задачей. Лицензия — MIT.