GENA-LM: 一个用于长DNA序列的开源基础模型家族

Ray

2024年9月5日 17:06

GENA-LMDNA序列预训练模型转化器基因组学Github开源项目

GENA_LM

GENA-LM: 一个用于长DNA序列的开源基础模型家族

人工智能在基因组学领域取得了巨大进展,为解释基因组序列提供了前所未有的能力。然而,准确解码基因组序列需要理解分布在数千个核苷酸上的丰富上下文信息。为了应对这一挑战,研究人员开发了GENA-LM,这是一系列基于Transformer的DNA语言模型,可以处理长达36,000个碱基对的输入序列。

GENA-LM的主要特点

采用BPE分词方法,而不是k-mer
最大输入序列长度从4,500到36,000个碱基对不等
在最新的T2T人类基因组组装上进行预训练

GENA-LM模型家族包括多个版本,如bert-base、bert-large和bigbird-base等。这些模型在不同的数据集上进行了训练,包括人类T2T v2基因组组装及其1000基因组SNP扩增数据,总计约480 x 10^9个碱基对。多物种模型还包括了其他物种的数据,总计约1072 x 10^9个碱基对。

GENA-LM模型架构

模型性能

GENA-LM在多个下游任务中展现出卓越的性能:

启动子预测(300bp): F1分数达76.44±0.16
启动子预测(2000bp): F1分数达93.70±0.44
剪接位点预测(15000bp): PR AUC达93.59±0.11

这些结果表明,GENA-LM在处理各种基因组学任务时具有很强的适应性和准确性。

应用示例

GENA-LM可以应用于多种基因组学任务,包括但不限于:

序列分类
基因表达预测
变异效应预测
DNA嵌入生成与聚类

以下是使用GENA-LM进行序列分类的示例代码:

from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained('AIRI-Institute/gena-lm-bert-base')
model = AutoModel.from_pretrained('AIRI-Institute/gena-lm-bert-base', trust_remote_code=True)

# 使用模型进行序列分类

开源贡献

GENA-LM项目完全开源,欢迎社区贡献。您可以通过以下方式参与:

在GitHub上提出问题或建议
提交pull请求以改进代码
在下游任务中使用GENA-LM并分享结果

项目地址: https://github.com/AIRI-Institute/GENA_LM

未来展望

GENA-LM为基因组学和多组学数据分析开辟了新的可能性。随着模型的不断改进和应用范围的扩大,我们期待看到它在以下领域产生重大影响:

个性化医疗
基因治疗
新药研发
农业育种

总之,GENA-LM代表了DNA语言模型的一个重要里程碑,为解决复杂的生物学问题提供了强大的工具。随着更多研究人员和开发者加入这个开源项目,我们有理由相信GENA-LM将在推动基因组学研究和应用方面发挥越来越重要的作用。

编辑推荐精选

Manus

全面超越基准的 AI Agent助手

Manus 是一款通用人工智能代理平台，能够将您的创意和想法迅速转化为实际成果。无论是定制旅行规划、深入的数据分析，还是教育支持与商业决策，Manus 都能高效整合信息，提供精准解决方案。它以直观的交互体验和领先的技术，为用户开启了一个智慧驱动、轻松高效的新时代，让每个灵感都能得到完美落地。

飞书知识问答

飞书官方推出的AI知识库上传word pdf即可部署AI私有知识库

基于DeepSeek R1大模型构建的知识管理系统，支持PDF、Word、PPT等常见文档格式解析，实现云端与本地数据的双向同步。系统具备实时网络检索能力，可自动关联外部信息源，通过语义理解技术处理结构化与非结构化数据。免费版本提供基础知识库搭建功能，适用于企业文档管理和个人学习资料整理场景。

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。

TraeAI IDE协作生产力转型热门AI工具

酷表ChatExcel

大模型驱动的Excel数据处理工具

基于大模型交互的表格处理系统，允许用户通过对话方式完成数据整理和可视化分析。系统采用机器学习算法解析用户指令，自动执行排序、公式计算和数据透视等操作，支持多种文件格式导入导出。数据处理响应速度保持在0.8秒以内，支持超过100万行数据的即时分析。

使用教程AI工具酷表ChatExcelAI智能客服AI营销产品

DeepEP

DeepSeek开源的专家并行通信优化框架

DeepEP是一个专为大规模分布式计算设计的通信库，重点解决专家并行模式中的通信瓶颈问题。其核心架构采用分层拓扑感知技术，能够自动识别节点间物理连接关系，优化数据传输路径。通过实现动态路由选择与负载均衡机制，系统在千卡级计算集群中维持稳定的低延迟特性，同时兼容主流深度学习框架的通信接口。

DeepSeek

全球领先开源大模型，高效智能助手

DeepSeek是一家幻方量化创办的专注于通用人工智能的中国科技公司，主攻大模型研发与应用。DeepSeek-R1是开源的推理模型，擅长处理复杂任务且可免费商用。

KnowS

AI医学搜索引擎整合4000万+实时更新的全球医学文献

医学领域专用搜索引擎整合4000万+实时更新的全球医学文献，通过自主研发AI模型实现精准知识检索。系统每日更新指南、中英文文献及会议资料，搜索准确率较传统工具提升80%，同时将大模型幻觉率控制在8%以下。支持临床建议生成、文献深度解析、学术报告制作等全流程科研辅助，典型用户反馈显示每周可节省医疗工作者70%时间。

Windsurf Wave 3

Windsurf Editor推出第三次重大更新Wave 3

新增模型上下文协议支持与智能编辑功能。本次更新包含五项核心改进：支持接入MCP协议扩展工具生态，Tab键智能跳转提升编码效率，Turbo模式实现自动化终端操作，图片拖拽功能优化多模态交互，以及面向付费用户的个性化图标定制。系统同步集成DeepSeek、Gemini等新模型，并通过信用点数机制实现差异化的资源调配。

AI IDE