BALM

Bio-inspiriertes Antikörpersprachmodell (BALM)

Dieses Repository enthält Inferenzcode für die genaue Vorhersage der Antikörperfunktion und -struktur unter Verwendung von bio-inspiriertem Antikörpersprachenmodell

Umgebung schaffen

 conda env create -f environment.yml
conda activate BALM

Vorbereitung

Die vorgebrachten Gewichte von Balm können vom Google Drive-Link heruntergeladen werden: Pretrainier Balm

Inferenz laufen

 from modeling_balm import BALMForMaskedLM
from ba_position_embedding import get_anarci_pos
from transformers import EsmTokenizer
import torch

# an antibody sequence example
input_seq = "AVQLQESGGGLVQAGGSLRLSCTVSARTSSSHDMGWFRQAPGKEREFVAAISWSGGTTNYVDSVKGRFDISKDNAKNAVYLQMNSLKPEDTAVYYCAAKWRPLRYSDNPSNSDYNYWGQGTQVTVSS"

tokenizer = EsmTokenizer.from_pretrained("./tokenizer/vocab.txt", do_lower_case=False, model_max_length=168)

tokenizer_input = tokenizer(input_seq, truncation=True, padding="max_length", return_tensors="pt")
# generate position_ids
tokenizer_input.update(get_anarci_pos(input_seq))

with torch.no_grad():
    # please download from Google drive link before
    model = BALMForMaskedLM.from_pretrained("./pretrained-BALM/")
    # on CPU device
    outputs = model(**tokenizer_input, return_dict=True, output_hidden_states=True, output_attentions=True)

    # final hidden layer representation [batch_sz * max_length * hidden_size]
    final_hidden_layer = outputs.hidden_states[-1]
    
    # final hidden layer sequence representation [batch_sz * hidden_size]
    final_seq_embedding = final_hidden_layer[:, 0, :]
    
    # final layer attention map [batch_sz * num_head * max_length * max_length]
    final_attention_map = outputs.attentions[-1]

Balmfold Server

Balmfold basiert auf BALM, um die Tertiärstruktur der Antikörper mit primärer Sequenz vorherzusagen. Der Online -Server ist auf dem Balmfold Server frei verfügbar. Versuchen Sie es einfach. :)

Zitat

Wenn Sie feststellen, dass unser Modell für Sie nützlich ist, zitieren Sie bitte als:

 @article{jing2024accurate,
  title={Accurate prediction of antibody function and structure using bio-inspired antibody language model},
  author={Jing, Hongtai and Gao, Zhengtao and Xu, Sheng and Shen, Tao and Peng, Zhangzhi and He, Shwai and You, Tao and Ye, Shuang and Lin, Wei and Sun, Siqi},
  journal={Briefings in Bioinformatics},
  volume={25},
  number={4},
  pages={bbae245},
  year={2024},
  publisher={Oxford University Press}
}

Die Architektur und der Vorausbildungsvorgang von Balm bauen auf dem ESM und dem Umarmungsmodellierungsrahmen auf. Wir schätzen die Arbeit von ESM und dem Umarmungs -Face -Team sehr.

Lizenz

Dieser Quellcode ist unter der MIT -Lizenz lizenziert, die in der LICENSE im Stammverzeichnis dieses Quellbaums gefunden wurde.