Logo
Project Icon

enformer-official-rough

基于Transformer的神经网络架构实现精准基因表达预测

长程相互作用深度学习Enformer基因表达预测HuggingfaceGithub开源项目模型Transformer架构

Enformer是一个基于Transformer的神经网络架构，能从DNA序列中精确预测基因表达。该模型由Avsec等人在Nature期刊发表，并在DeepMind的GitHub仓库首次公开。本项目将官方权重移植至PyTorch，为基因组学研究提供了有力工具。研究人员可参考enformer-pytorch的使用说明，进行基因表达预测和分析。该模型在整合长程相互作用方面表现出色，大幅提高了基因表达预测的准确性。

GithubGithubHuggingfaceHuggingface论文论文
介绍相关项目
enformer-pytorch - 基于深度学习的基因表达预测工具
DeepmindEnformerGithubHuggingfacePytorch基因表达预测开源项目
此项目实现了Deepmind的Enformer模型在Pytorch框架下的应用，用于预测基因表达，并支持微调预训练模型以适应下游任务。用户可以通过简易安装和提供的代码示例快速使用该模型。此外，该项目还包含染色质可及性预测的微调方法，并支持从Huggingface下载预训练权重。在内存优化和详细的安装、使用说明方面进行了多项改进，帮助用户高效地进行基因组数据分析和预测。
En-transformer - 融合等变图神经网络与Transformer的创新架构
E(n)-Equivariant TransformerGithub坐标变换开源项目注意力机制神经网络蛋白质设计
En-transformer是一个创新的开源项目，结合了E(n)等变图神经网络与Transformer架构。支持原子和键类型嵌入，处理稀疏邻居，传递连续边特征。已应用于抗体CDR环设计，并可用于蛋白质骨架坐标去噪等分子建模任务。项目提供简便的安装和使用方法，适合研究人员和开发者探索。
nucleotide-transformer-v2-500m-multi-species - 基于多物种基因组的大规模DNA语言模型
DNA序列GithubHuggingfaceNucleotide Transformer基因组学开源项目模型生物信息学预训练模型
nucleotide-transformer-v2-500m-multi-species是一个基于850个多物种基因组预训练的5亿参数Transformer模型。该模型利用多样化物种的DNA序列信息,通过掩码语言建模训练,可用于分子表型预测等任务。它采用6-mer标记化方法,结合旋转位置编码和门控线性单元,在900B个标记上训练而成。这一基础模型为基因组学研究提供了有力工具,可应用于多种下游分析。
nucleotide-transformer - Transformer驱动的基因组语言及单核苷酸序列分割模型
DNA序列解析GithubNucleotide TransformersSegmentNTgenomics开源项目预训练模型
nucleotide-transformer项目提供了九种预训练基因组语言模型和两种SegmentNT分割模型。基于Transformer的基因组模型综合了3,200个人类基因组和850个不同物种的基因组数据，能够高精度预测分子表型。Agro NT模型专用于农作物基因组，在基因调控和表达预测上表现优异。这些模型可以实现对DNA序列基因组元素的单核苷酸分辨率分割。
DNABERT-2-117M - 多物种基因组分析的先进Transformer模型
DNABERT-2GithubHuggingface医学基因组开源项目模型深度学习生物学
DNABERT-2-117M是一个创新的多物种基因组分析工具，基于先进的Transformer架构。它整合了MosaicBERT技术，实现了DNA序列的高效嵌入计算。用户可以通过简单的Python代码调用模型，获取DNA序列的向量表示。这一功能为生物信息学和医学基因组学研究提供了强大支持，有望推动多种基因组分析任务的进展。
DNABERT - DNABERT：用于基因组DNA语言处理的双向编码器模型
BERTDNABERTGPUGithub基因组开源项目预训练模型
DNABERT提供完整的源码、使用示例、预训练和微调模型，适用于各类基因组DNA语言处理任务。该项目利用Huggingface的扩展工具，增添了多任务支持和高效的可视化功能。最新版DNABERT-2不仅提升了多物种基因组的处理能力，还发布了全面的Genome Understanding Evaluation (GUE)基准测试，涵盖28个数据集。
GENA_LM - 专为长DNA序列设计的开源基础模型家族
DNA序列GENA-LMGithub基因组学开源项目转化器预训练模型
GENA-LM是专为长DNA序列设计的开源基础模型家族。它采用BPE分词方法，支持最长36k bp的输入序列，并基于最新T2T人类基因组进行预训练。该项目提供多种预训练模型，包括BERT和BigBird架构，可用于启动子预测和剪接位点识别等多种下游任务。GENA-LM为基因组学研究提供了新的分析工具，促进了DNA序列分析技术的进步。
Autoformer - 具有自相关性的分解变压器，用于长期序列预测
AutoformerGithubTransformer开源项目时间序列预测自动相关机制长期预测
Autoformer是一种长时间序列预测的通用模型，采用分解变压器和自动相关机制，实现38%的预测精度提升，覆盖能源、交通、经济、天气和疾病等应用领域。最近，该模型已被纳入Hugging Face和Time-Series-Library，并在2022年冬奥会中用于天气预报。Autoformer不同于传统Transformer，不需位置嵌入，具备内在的对数线性复杂度，易于实现和复现。
single-cell-transformer-papers - Transformer模型在单细胞组学分析中的应用概览
GithubTransformers单细胞组学基因表达开源项目细胞注释预训练模型
本项目汇总了单细胞组学数据分析中的Transformer模型,包括论文、代码、数据模态等关键信息。通过全面概述单细胞Transformer模型,展示了该领域的最新进展和发展趋势。项目内容持续更新,为研究人员提供了宝贵的参考资源。项目内容涵盖了各Transformer模型的核心要素,如数据模态、预训练数据集、模型架构和任务类型等。这种系统性的整理使研究人员能够快速了解和比较不同模型的特点,为单细胞组学研究提供了有力支持。
linformer - 线性复杂度自注意力机制的PyTorch实现
GithubLinformerPytorch开源项目深度学习神经网络自注意力机制
Linformer是一个基于PyTorch的高效自注意力机制实现。通过将注意力矩阵投影到低维度空间，它实现了线性复杂度，适合处理长序列数据。项目提供简洁API，支持构建语言模型和自注意力层。尽管在自回归任务和可变序列长度方面有局限，但其高效性已在Facebook的生产环境中得到验证，为处理大规模数据提供了新的解决方案。
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务
投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号