Progen

السلالة

تنفيذ السلالة في Pytorch ، من الورقة "Progen: نمذجة اللغة لتوليد البروتين"

GPT لتسلسل البروتينات

رابط الورق

تقدير

• Lucidrains
• agorians

ثَبَّتَ

pip install progen-torch

الاستخدام

 import torch
from progen . model import ProGen

x = torch . randint ( 0 , 100 , ( 1 , 1024 ))

# Initialize the model with specific parameters
model = ProGen (
    num_tokens = 100 ,  # The size of the vocabulary
    dim = 512 ,  # The dimension of the embeddings
    seq_len = 1024 ,  # The length of the sequences
    depth = 6 ,  # The number of layers in the model
    window_size = 256 ,  # The size of the window for local attention
    global_mlp_depth = 2 ,  # The depth of the MLP in the global attention mechanism
    heads = 8 ,  # The number of attention heads
    dim_head = 512 ,  # The dimension of each attention head
    ff_mult = 4 ,  # The multiplier for the feed-forward network's hidden layer size
    ff_glu = True ,  # Whether to use a GLU activation in the feed-forward network
    attn_dim = None ,  # The dimension of the attention mechanism (None means it defaults to `dim`)
    clamp_gate = True ,  # Whether to clamp the gate values in the GLU activation
    shift_tokens = True ,  # Whether to shift the tokens for the causal attention mechanism
    dropout = 0.1 ,  # The dropout rate
)

# Forward pass through the model
logits = model ( x )

# The output is the logits for each token in the vocabulary, for each position in the input sequences
# Shape: (batch_size, sequence_length, num_tokens)
print ( logits . shape )  # Should print: torch.Size([1, 1024, 100])

استراتيجية مجموعة البيانات

فيما يلي جدول لمجموعات البيانات المستخدمة في الورقة مع روابط البيانات الوصفية ومصدر:

مجموعة البيانات	وصف	مصدر
unip	يحتوي على تسلسل البروتين من مصادر مختلفة	https://www.uniprot.org/uniparc/
uniprotkb	يحتوي على تسلسل البروتين والتعليقات التوضيحية	https://www.uniprot.org/uniprot/
سويسري	قاعدة بيانات تسلسل البروتين المنسق	https://www.uniprot.org/swiss-prot/
تريبل	تسلسل البروتين المحاسبي	https://www.uniprot.org/trembl/
PFAM	قاعدة بيانات عائلات البروتين	https://pfam.xfam.org/
NCBI التصنيف	تصنيف التصنيف للكائنات الحية	https://www.ncbi.nlm.nih.gov/taxonomy

فيما يلي رسم بياني يوضح تدفق المعالجة المسبقة للبيانات:

 الرسم البياني TD
    A [uniparc] -> B [مرشح ودمج]
    C [uniprotkb] -> ب
    D [Swiss-Prot]-> Be [Trembl]-> B.
    F [PFAM] -> ب
    G [تصنيف NCBI] -> ب
    ب -> ح [تقسيم القطار/الاختبار]
    H -> أنا [مجموعة القطار]
    H -> J [مجموعة اختبار المعرف] 
    H -> K [مجموعة اختبار OOD]

يتم ترشيح مجموعات بيانات التصنيف Uniparc و Uniprotkb و Swiss-Prot و Trembl و PFAM و NCBI ودمجها في الخطوة ب.

رخصة

معهد ماساتشوستس للتكنولوجيا

الاستشهادات