prot_bert_bfd

ProtBert-BFD 项目介绍

项目概述

ProtBert-BFD 是一个预训练的蛋白质序列模型，应用了掩蔽语言模型（MLM）的目标。这一模型首次在此论文中提出，并在这个仓库中发布。该模型专门针对大写氨基酸进行训练，使用时也需要大写的氨基酸字母。

模型描述

ProtBert-BFD 基于 Bert 模型，通过自监督学习在大规模蛋白质序列语料库上进行预训练。这意味着它只在原始蛋白质序列上进行训练，而无需人工标记，这使得模型可以利用大量的公开数据来自动生成输入和标签。

这个模型与原始 Bert 模型的一个重要区别在于它将每个序列视为独立的文档，因此不使用“下一句预测”策略。而在掩蔽方面，模型遵循 Bert 的训练方法，随机掩盖输入中15%的氨基酸。

最终，从这个模型中提取的特征表明，未经标记的数据（仅有蛋白质序列）的语言模型嵌入捕获了蛋白质形状的重要生物物理性质。这意味着模型学到了一些生命语言在蛋白质序列中呈现的语法。

使用意图与限制

ProtBert-BFD 模型可以用于蛋白质特征提取或在下游任务中进行微调。在某些任务中，通过微调模型而不是仅用作特征提取，可以获得更高的准确率。

如何使用

用户可以直接使用此模型与掩蔽语言模型（MLM）管道进行结合：

>>> from transformers import BertForMaskedLM, BertTokenizer, pipeline
>>> tokenizer = BertTokenizer.from_pretrained('Rostlab/prot_bert_bfd', do_lower_case=False)
>>> model = BertForMaskedLM.from_pretrained("Rostlab/prot_bert_bfd")
>>> unmasker = pipeline('fill-mask', model=model, tokenizer=tokenizer)
>>> unmasker('D L I P T S S K L V V [MASK] D T S L Q V K K A F F A L V T')

此外，还可以使用下面的方法获取给定蛋白质序列的特征：

from transformers import BertModel, BertTokenizer
import re
tokenizer = BertTokenizer.from_pretrained('Rostlab/prot_bert_bfd', do_lower_case=False)
model = BertModel.from_pretrained("Rostlab/prot_bert_bfd")
sequence_Example = "A E T C Z A O"
sequence_Example = re.sub(r"[UZOB]", "X", sequence_Example)
encoded_input = tokenizer(sequence_Example, return_tensors='pt')
output = model(**encoded_input)

训练数据

ProtBert-BFD 模型在 BFD 数据集上进行了预训练，这个数据集中包含了 21 亿蛋白质序列。

训练过程

数据预处理

蛋白质序列使用大写处理，按空格分割并使用21个字的词汇表进行标记。模型的输入格式如下：

[CLS] 蛋白质序列 A [SEP] 蛋白质序列 B [SEP]

每个蛋白质序列被视为一个单独文档进行处理。预处理步骤重复进行两次，一次是在两个序列组合长度少于 512 个氨基酸时，另一次是在组合长度少于 2048 个氨基酸时。

掩蔽过程详细地遵循原始 Bert 模型：

• 15% 的氨基酸被掩盖
• 在 80% 的情况下，掩盖的氨基酸替换为 [MASK]
• 在 10% 的情况下，掩盖的氨基酸替换为一个不同的随机氨基酸
• 在剩下的 10% 情况下，掩盖的氨基酸保持不变。

预训练

模型在一个 TPU Pod V3-1024 上经历了一百万步的训练，其中 80 万步使用了序列长度 512（批量大小 32k），和 20 万步使用了序列长度 2048（批量大小 6k）。使用 Lamb 优化器，学习率为 0.002，权重衰减为 0.01，学习率在 140k 步时进行热启，之后呈线性衰减。

评估结果

在对下游任务进行微调时，该模型在以下任务中取得了良好的效果：

这种表现表明 ProtBert-BFD 具有很强的蛋白质序列特征提取能力，是生物信息学研究中的重要工具。