GENA-LM: 一个用于长DNA序列的开源基础模型家族

RayRay
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:

  1. 启动子预测(300bp): F1分数达76.44±0.16
  2. 启动子预测(2000bp): F1分数达93.70±0.44
  3. 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:

  1. 序列分类
  2. 基因表达预测
  3. 变异效应预测
  4. 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:

  1. 在GitHub上提出问题或建议
  2. 提交pull请求以改进代码
  3. 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:

  1. 个性化医疗
  2. 基因治疗
  3. 新药研发
  4. 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

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多