Progen

Anéminer

Mise en œuvre de progenes dans Pytorch, à partir de l'article "Progen: Modélisation du langage pour la génération de protéines"

GPT pour les séquences de protéines

Lien papier

Appréciation

• Lucidrains
• Agoriens

Installer

pip install progen-torch

Usage

 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])

Stratégie d'ensemble de données

Voici un tableau des ensembles de données utilisés dans le document avec des métadonnées et des liens source:

Ensemble de données	Description	Source
Uniparc	Contient des séquences protéiques de diverses sources	https://www.uniprot.org/uniparc/
Uniprotkb	Contient des séquences de protéines et des annotations	https://www.uniprot.org/uniprot/
Suisse	Base de données de séquence protéique organisée	https://www.uniprot.org/swiss-prot/
Trembler	Séquences protéiques annotées par ordinateur	https://www.uniprot.org/trembl/
Pfam	Base de données des familles de protéines	https://pfam.xfam.org/
Taxonomie NCBI	Classification taxonomique des organismes	https://www.ncbi.nlm.nih.gov/taxonomy

Voici un diagramme montrant le flux de prétraitement des données:

 graphique TD
    A [UniParc] -> B [filtre et fusion]
    C [Uniprotkb] -> b
    D [Swiss-Prot] -> être [Trembl] -> B
    F [pfam] -> b
    G [taxonomie NCBI] -> b
    B -> h [Train / Test Split]
    H -> i [Train Set]
    H -> J [Test ID Set] 
    H -> k [ensemble de tests OOD]

Les ensembles de données UNICARC, UniprotKB, Swiss-Prot, Trembl, PFAM et NCBI sont filtrés et fusionnés à l'étape B. L'ensemble de données agrégé est ensuite divisé en formation, test en distribution et tests de test de distribution à l'étape H.

Licence

Mit

Citations