bio_embeddings
v0.2.2
bio_embeddings에 대해 배우는 리소스 :
notebooks 의 examples 확인하십시오.프로젝트 목표 :
프로젝트에는 다음이 포함됩니다.
PIP를 통해 bio_embeddings 설치하거나 Docker를 통해 사용할 수 있습니다. align 에 대한 추가 의존성을 염두에 두십시오.
파이프 라인 및와 같은 모든 추가 기능을 설치하십시오.
pip install bio-embeddings[all]불안정한 버전을 설치하려면 다음과 같은 파이프 라인을 설치하십시오.
pip install -U " bio-embeddings[all] @ git+https://github.com/sacdallago/bio_embeddings.git "특정 모델 (예 : ESM 또는 Prottrans 모델) 만 실행 해야하는 경우 종속성없이 바이오 엠 베드 딩을 설치 한 다음 모델 별 종속성을 설치할 수 있습니다.
pip install bio-embeddings
pip install bio-embeddings[prottrans]엑스트라는 다음과 같습니다.
우리는 ghcr.io/bioembeddings/bio_embeddings 에서 docker 이미지를 제공합니다. 간단한 사용 예 :
docker run --rm --gpus all
-v "$(pwd)/examples/docker":/mnt
-v bio_embeddings_weights_cache:/root/.cache/bio_embeddings
-u $(id -u ${USER}):$(id -g ${USER})
ghcr.io/bioembeddings/bio_embeddings:v0.1.6 /mnt/config.yml
지침은 examples 폴더의 docker 예제를 참조하십시오. 최신 커밋에서 구축 된 ghcr.io/bioembeddings/bio_embeddings:latest 사용할 수도 있습니다.
mmseqs_search 프로토콜 또는 align 의 mmsesq2 기능을 사용하려면 경로에 MMSEQS2가 추가로 있어야합니다.
bio_embeddings GPU 기능과 CUDA가 설치된 UNIX 머신 용으로 개발되었습니다. 설정이 이로부터 발산되면 일부 불일치가 발생할 수 있습니다 (예 : 속도는 GPU 및 CUDA가 없으면 크게 영향을받습니다). Windows 사용자의 경우 Linux에 Windows 서브 시스템 사용을 강력히 권장합니다.
각 모델에는 강점과 약점 (속도, 특이성, 메모리 발자국 ...)이 있습니다. "일대일"은 없으며 새로운 탐색 프로젝트를 시도 할 때 최소한 두 가지 모델을 시도하도록 권장합니다.
모델 prottrans_t5_xl_u50 , esm1b , esm , prottrans_bert_bfd , prottrans_albert_bfd , seqvec 및 prottrans_xlnet_uniref100 은 모두 체계적인 예측의 목표로 훈련되었습니다. 이 풀에서 우리는 최적의 모델이 prottrans_t5_xl_u50 이고 esm1b 가 될 것이라고 생각합니다.
파이프 라인 예제의 examples 폴더와 사후 처리 파이프 라인 실행을위한 노트북 폴더 및 임베더의 범용 사용을위한 notebooks 폴더를 확인하는 것이 좋습니다.
패키지를 설치 한 후에는 다음을 수행 할 수 있습니다.
다음과 같은 파이프 라인을 사용하십시오.
bio_embeddings config.yml 구성 파일의 청사진 및 예제 설정은이 저장소의 examples 디렉토리에서 찾을 수 있습니다.
Python을 통해 범용 임베더 객체를 사용하십시오.
from bio_embeddings . embed import SeqVecEmbedder
embedder = SeqVecEmbedder ()
embedding = embedder . embed ( "SEQVENCE" ) 더 많은 예제는이 저장소의 notebooks 폴더에서 찾을 수 있습니다.
연구에 bio_embeddings 사용하는 경우 다음 논문을 인용 할 수 있다면 감사하겠습니다.
Dallago, C., Schütze, K., Heinzinger, M., Olenyi, T., Littmann, M., Lu, Ax, Yang, KK, Min, S., Yoon, S., Morton, JT, & Rost, B. (2021). 딥 러닝에서 단백질 세트를 시각화하고 예측하기 위해 배웠습니다. 현재 프로토콜, 1, E113. doi : 10.1002/cpz1.113
해당 Bibtex :
@article{https://doi.org/10.1002/cpz1.113,
author = {Dallago, Christian and Schütze, Konstantin and Heinzinger, Michael and Olenyi, Tobias and Littmann, Maria and Lu, Amy X. and Yang, Kevin K. and Min, Seonwoo and Yoon, Sungroh and Morton, James T. and Rost, Burkhard},
title = {Learned Embeddings from Deep Learning to Visualize and Predict Protein Sets},
journal = {Current Protocols},
volume = {1},
number = {5},
pages = {e113},
keywords = {deep learning embeddings, machine learning, protein annotation pipeline, protein representations, protein visualization},
doi = {https://doi.org/10.1002/cpz1.113},
url = {https://currentprotocols.onlinelibrary.wiley.com/doi/abs/10.1002/cpz1.113},
eprint = {https://currentprotocols.onlinelibrary.wiley.com/doi/pdf/10.1002/cpz1.113},
year = {2021}
}
Additionally, we invite you to cite the work from others that was collected in `bio_embeddings` (see section _"Tools by category"_ below). We are working on an enhanced user guide which will include proper references to all citable work collected in `bio_embeddings`.
자신의 모델을 추가하고 싶습니까? 지침에 대한 기고를 참조하십시오.
prottrans_t5_xl_u50 전체 정밀도 + 2 차 구조 예측에서 인간 프로테옴 의 서열 임베딩 + 하위 세포 위치 예측 :prottrans_t5_xl_u50 전체 정밀도 + 2 차 구조 예측에서 플라이 프로테옴 의 잔류 물질 및 서열 내장 + 하위 세포 위치 예측 + 보존 예측 + 변동 예측 : 
