Project Icon

RNA-FM

高精度RNA结构和功能预测的解释性基础模型

RNA-FM是一个基于未注释数据训练的RNA基础模型,在RNA结构预测和功能相关任务中表现出色。项目提供预训练模型和代码,支持RNA嵌入生成和二级结构预测。最新更新包含RNA家族聚类和类型分类教程,以及针对mRNA编码序列的mRNA-FM模型。RNA-FM为RNA研究提供了有力工具,有助于提高RNA结构和功能预测的准确性。

RNA-FM

2024年3月更新

  1. RNA家族聚类和RNA类型分类教程教程视频(中文)
  2. mRNA-FM,一个在mRNA中的编码序列(CDS)上预训练的基础模型现已发布!该模型可以接收CDS并用上下文嵌入表示它们,有利于mRNA和蛋白质相关任务。

本仓库包含RNA基础模型(RNA-FM)的代码和预训练模型。 RNA-FM在各种结构预测任务以及几个功能相关任务中的表现优于所有测试的单序列RNA语言模型。 您可以在我们的论文《Interpretable RNA Foundation Model from Unannotated Data for Highly Accurate RNA Structure and Function Predictions》(Chen等,2022年)中找到有关RNA-FM的更多详细信息。

概览

引用
@article{chen2022interpretable,
  title={Interpretable rna foundation model from unannotated data for highly accurate rna structure and function predictions},
  author={Chen, Jiayang and Hu, Zhihang and Sun, Siqi and Tan, Qingxiong and Wang, Yixuan and Yu, Qinze and Zong, Licheng and Hong, Liang and Xiao, Jin and King, Irwin and others},
  journal={arXiv preprint arXiv:2204.00300},
  year={2022}
}
目录

使用Conda创建环境

首先,下载仓库并创建环境。

git clone https://github.com/ml4bio/RNA-FM.git
cd ./RNA-FM
conda env create -f environment.yml

然后,激活"RNA-FM"环境并进入工作空间。

conda activate RNA-FM
cd ./redevelop

访问预训练模型。

这个谷歌云端硬盘链接下载预训练模型,并将pth文件放入pretrained文件夹。

使用现有脚本应用RNA-FM。

1. 嵌入提取。

python launch/predict.py --config="pretrained/extract_embedding.yml" \
--data_path="./data/examples/example.fasta" --save_dir="./resuts" \
--save_frequency 1 --save_embeddings

形状为(L,640)的RNA-FM嵌入将保存在$save_dir/representations中。

对于mRNA-FM,您可以使用额外的参数MODEL.BACKBONE_NAME来调用它:

python launch/predict.py --config="pretrained/extract_embedding.yml" \
--data_path="./data/examples/example.fasta" --save_dir="./resuts" \
--save_frequency 1 --save_embeddings --save_embeddings_format raw MODEL.BACKBONE_NAME mrna-fm

2. 下游预测 - RNA二级结构。

python launch/predict.py --config="pretrained/ss_prediction.yml" \
--data_path="./data/examples/example.fasta" --save_dir="./resuts" \
--save_frequency 1

预测的概率图将以.npy文件的形式保存,后处理的二元预测将以.ct文件的形式保存。您可以在$save_dir/r-ss中找到它们。

3. 在线版本 - RNA-FM服务器。

如果您在部署RNA-FM的本地版本时遇到任何问题,可以通过这个链接访问其在线版本,RNA-FM服务器。 您可以轻松地在服务器上提交作业并随后下载结果,无需设置环境和占用任何计算资源。

进一步开发的快速入门。

Python 3.8(可能更高版本)和PyTorch是使用此仓库必须安装的先决包。 如果您只想使用预训练的语言模型,可以使用以下pip命令在自己的环境中安装rna-fm。 您可以从PIPY安装rna-fm:

pip install rna-fm

或者从github安装rna-fm

cd ./RNA-FM
pip install .

安装后,您可以使用以下代码加载RNA-FM并提取其嵌入:

import torch
import fm

# 加载RNA-FM模型
model, alphabet = fm.pretrained.rna_fm_t12()
batch_converter = alphabet.get_batch_converter()
model.eval()  # 禁用dropout以获得确定性结果

# 准备数据
data = [
    ("RNA1", "GGGUGCGAUCAUACCAGCACUAAUGCCCUCCUGGGAAGUCCUCGUGUUGCACCCCU"),
    ("RNA2", "GGGUGUCGCUCAGUUGGUAGAGUGCUUGCCUGGCAUGCAAGAAACCUUGGUUCAAUCCCCAGCACUGCA"),
    ("RNA3", "CGAUUCNCGUUCCC--CCGCCUCCA"),
]
batch_labels, batch_strs, batch_tokens = batch_converter(data)

# 提取嵌入(在CPU上)
with torch.no_grad():
    results = model(batch_tokens, repr_layers=[12])
token_embeddings = results["representations"][12]

更多教程可以在https://ml4bio.github.io/RNA-FM/找到。相关的笔记本存储在tutorials文件夹中。

对于mRNA-FM,上述代码需要稍作修改。需要注意的是,输入RNA序列的长度应为3的倍数,以确保序列可以被标记为一系列密码子(3-mer)。

import torch
import fm

# 加载mRNA-FM模型
model, alphabet = fm.pretrained.mrna_fm_t12()
batch_converter = alphabet.get_batch_converter()
model.eval()  # 禁用dropout以获得确定性结果

# 准备数据
data = [
    ("CDS1", "AUGGGGUGCGAUCAUACCAGCACUAAUGCCCUCCUGGGAAGUCCUCGUGUUGCACCCCUA"),
    ("CDS2", "AUGGGGUGUCGCUCAGUUGGUAGAGUGCUUGCCUGGCAUGCAAGAAACCUUGGUUCAAUCCCCAGCACUGCA"),
    ("CDS3", "AUGCGAUUCNCGUUCCC--CCGCCUCC"),
]
batch_labels, batch_strs, batch_tokens = batch_converter(data)

# 提取嵌入(在CPU上)
with torch.no_grad():
    results = model(batch_tokens, repr_layers=[12])
token_embeddings = results["representations"][12]

相关RNA语言模型(BERT风格)

简称代码主题层数嵌入维度最大长度输入标记数据集描述年份发布者
RNA-FM非编码RNA126401024序列碱基RNAcentral 19 (2300万个样本)首个通用RNA语言模型2022.04arxiv/bioRxiv
RNABERT非编码RNA6120440序列碱基RNAcentral (762370) 和 Rfam 14.3 数据集(使用部分多序列比对训练)专门用于结构对齐和聚类2022.02NAR Genomics and Bioinformatics
UNI-RNARNA241280$\infty$序列碱基RNAcentral、nt 和 GWH (10亿)比RNA-FM规模更大、数据集更广的通用模型2023.07bioRxiv
RNA-MSM非编码RNA127681024多序列比对碱基Rfam 14.7 中的4069个RNA家族直接利用多序列比对的进化信息的模型2023.03NAR
SpliceBERT前体mRNA61024512序列碱基200万个前体信使RNA (pre-mRNA)专门用于前体mRNA剪接2023.05bioRxiv
CodonBERTmRNA CDS12768512*2序列密码子 (3mer)NCBI的1000万个mRNA仅关注mRNA的CDS,不包括UTR2023.09bioRxiv
UTR-LMmRNA 5'UTR6128$\infty$序列碱基Ensembl、eGFP、mCherry和Cao的70万个5'UTR用于5'UTR和mRNA表达相关任务2023.10bioRxiv
3UTRBERTmRNA 3'UTR12768512序列k-mer20,362个3'UTR用于3'UTR介导的基因调控任务2023.09bioRxiv
BigRNADNA---序列-数千个与基因组匹配的数据集组织特异性RNA表达、剪接、微RNA位点和RNA结合蛋白2023.09bioRxiv

引用

如果您在研究中发现这些模型有用,我们希望您能引用相关论文:

对于RNA-FM:

@article{chen2022interpretable,
  title={Interpretable rna foundation model from unannotated data for highly accurate rna structure and function predictions},
  author={Chen, Jiayang and Hu, Zhihang and Sun, Siqi and Tan, Qingxiong and Wang, Yixuan and Yu, Qinze and Zong, Licheng and Hong, Liang and Xiao, Jin and King, Irwin and others},
  journal={arXiv preprint arXiv:2204.00300},
  year={2022}
}

本代码的模型基于esm序列建模框架构建。 我们使用fairseq序列建模框架来训练我们的RNA语言模型。 我们非常感谢这两项优秀的工作!

许可证

本源代码根据MIT许可证授权,该许可证可在本源代码树根目录中的LICENSE文件中找到。

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。

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