Progen

Progenio

Implementación de progenio en Pytorch, del documento "Progen: modelado de lenguaje para la generación de proteínas"

GPT para secuencias de proteínas

Enlace de papel

Apreciación

• Lucidrains
• Agorianos

Instalar

pip install progen-torch

Uso

 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])

Estrategia de conjunto de datos

Aquí hay una tabla de los conjuntos de datos utilizados en el documento con metadatos y enlaces de origen:

Conjunto de datos	Descripción	Fuente
Uniparc	Contiene secuencias de proteínas de varias fuentes	https://www.uniprot.org/uniparc/
Uniprotkb	Contiene secuencias y anotaciones de proteínas	https://www.uniprot.org/uniprot/
Protuberancia suiza	Base de datos de secuencia de proteínas curada	https://www.uniprot.org/swiss-prot/
Trembl	Secuencias de proteínas anotadas por computadora	https://www.uniprot.org/trembl/
Pfam	Base de datos de familias de proteínas	https://pfam.xfam.org/
Taxonomía de NCBI	Clasificación taxonómica de organismos	https://www.ncbi.nlm.nih.gov/taxonomy

Aquí hay un diagrama que muestra el flujo de preprocesamiento de datos:

 Gráfico TD
    A [uniparc] -> b [filtrar y fusionar]
    C [uniprotkb] -> b
    D [Swiss-Prot]-> Be [Trembl]-> B
    F [PFAM] -> B
    G [Taxonomía de NCBI] -> B
    B -> H [Train/Test Split]
    H -> I [Conjunto de tren]
    H -> J [conjunto de pruebas de identificación] 
    H -> K [conjunto de pruebas ood]

Los conjuntos de datos de taxonomía UNIPARC, UNIPROTKB, SWISS-PROT, TremBL, PFAM y NCBI se filtran y fusionan en el paso B. El conjunto de datos agregado se divide en la prueba, la prueba de distribución y los conjuntos de pruebas fuera de distribución en el paso H.

Licencia

MIT

Citas