esm2_loras

ESM2_LORAS

Ini adalah upaya untuk melatih adaptasi peringkat rendah (LORA) untuk model bahasa protein ESM-2 untuk tugas klasifikasi token. Secara khusus, kami berusaha melatih prediktor situs pengikatan RNA. Masih ada beberapa masalah untuk diselesaikan dan umpan balik atau saran apa pun akan sangat dihargai. Kode ini untuk model kecil sehingga harus melakukan sapuan wandb untuk pencarian hiperparameter dalam jumlah waktu yang wajar di hampir semua GPU. Anda dapat dengan mudah menukar model yang lebih besar jika Anda mau.

Model bobot dan konfigurasi

Model itu sendiri

 "AmelieSchreiber/esm2_t6_8M_UR50D_lora_rna_binding_sites"

dapat ditemukan di wajah memeluk di sini.

Menyiapkan repo ini

Untuk mengatur lingkungan Conda, klon repo dan jalankan:

 conda env create -f environment.yml

Kemudian jalankan:

 conda activate lora_esm_2

Untuk melatih model lari:

 from lora_esm2_script import train_protein_model

train_protein_model ()

Untuk digunakan, coba jalankan:

 from transformers import AutoModelForTokenClassification , AutoTokenizer
from peft import PeftModel
import torch
import numpy as np
import random



# Path to the saved LoRA model
model_path = "esm2_t6_8M-finetuned-lora_2023-08-03_18-32-25"
# ESM2 base model
base_model_path = "facebook/esm2_t6_8M_UR50D"

# Load the model
base_model = AutoModelForTokenClassification . from_pretrained ( base_model_path )
loaded_model = PeftModel . from_pretrained ( base_model , model_path )

# Load the tokenizer
loaded_tokenizer = AutoTokenizer . from_pretrained ( model_path )

# New unseen protein sequence
new_protein_sequence = "FDLNDFLEQKVLVRMEAIINSMTMKERAKPEIIKGSRKRRIAAGSGMQVQDVNRLLKQFDDMQRMMKKM"

# Tokenize the new sequence
inputs = loaded_tokenizer ( new_protein_sequence , truncation = True , padding = 'max_length' , max_length = 512 , return_tensors = "pt" )

# Make predictions
with torch . no_grad ():
    outputs = loaded_model ( ** inputs )
    logits = outputs . logits
    predictions = torch . argmax ( logits , dim = 2 )

# Print logits for debugging
print ( "Logits:" , logits )

# Convert predictions to a list
predicted_labels = predictions . squeeze (). tolist ()

# Get input IDs to identify padding and special tokens
input_ids = inputs [ 'input_ids' ]. squeeze (). tolist ()

# Define a set of token IDs that correspond to special tokens
special_tokens_ids = { loaded_tokenizer . cls_token_id , loaded_tokenizer . pad_token_id , loaded_tokenizer . eos_token_id }

# Filter the predicted labels using the special_tokens_ids to remove predictions for special tokens
binding_sites = [ label for label , token_id in zip ( predicted_labels , input_ids ) if token_id not in special_tokens_ids ]

print ( "Predicted binding sites:" , binding_sites )