esm2_loras

Esm2_loras

Esta é uma tentativa de treinar uma adaptação de baixo ranking (LORA) para o modelo de linguagem de proteínas ESM-2 para uma tarefa de classificação de token. Em particular, tentamos treinar um preditor de um local de ligação ao RNA. Ainda existem alguns problemas a se exercitar e qualquer feedback ou conselho seria muito apreciado. Esse código é para um modelo pequeno, portanto, ele deve executar varreduras do Wandb para pesquisa de hiperparâmetro em um período razoável de tempo em quase qualquer GPU. Você pode trocar facilmente por modelos maiores, se quiser.

Modelo pesos e configuração

O próprio modelo

 "AmelieSchreiber/esm2_t6_8M_UR50D_lora_rna_binding_sites"

pode ser encontrado em abraçar o rosto aqui.

Configurando este repositório

Para configurar o ambiente do conda, clone o repo e execute:

 conda env create -f environment.yml

Em seguida, corra:

 conda activate lora_esm_2

Para treinar a execução do modelo:

 from lora_esm2_script import train_protein_model

train_protein_model ()

Para usar, tente correr:

 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 )