gpn

gpn

基于DNA语言模型的基因组变异效应预测工具

GPN是一个基于DNA语言模型的开源项目,致力于基因组范围内的变异效应预测。项目包括单序列(GPN-SS)和多序列比对(GPN-MSA)两种模型,适用于人类和植物等多个物种的分析。GPN提供Python接口,支持自定义数据训练,并包含从数据集创建到变异效应预测的完整工作流程。这一工具为基因组研究提供了新的分析方法。

GPN基因组预训练网络DNA语言模型变异效应预测机器学习Github开源项目

GPN (基因组预训练网络)

[hgt_genome_392c4_a47ce0](https://raw.githubusercontent.com/songlab-cal/gpn/main/ https://genome.ucsc.edu/s/gbenegas/gpn-arabidopsis)

GPN论文GPN-MSA论文的代码和资源。

目录

安装

pip install git+https://github.com/songlab-cal/gpn.git

最小使用示例

import gpn.model from transformers import AutoModelForMaskedLM model = AutoModelForMaskedLM.from_pretrained("songlab/gpn-brassicales") # 或 model = AutoModelForMaskedLM.from_pretrained("songlab/gpn-msa-sapiens")

GPN

也可称为GPN-SS(单序列)。

示例

  • 模型使用示例:examples/ss/basic_example.ipynb 在Colab中打开

特定论文的代码和资源

使用自己的数据进行训练

  1. [创建数据集的Snakemake工作流程](https://github.com/songlab-cal/gpn/blob/main/workflow/make_dataset
    • 可以根据给定的登录号列表自动从NCBI下载数据,或使用您自己的fasta文件。
  2. 训练
    • 将自动检测所有可用的GPU。
    • Weights & Biases上跟踪指标。
    • 已实现的模型:ConvNetGPNRoFormer(Transformer)
    • 指定配置覆盖:例如 --config_overrides n_layers=30
    • 示例:
WANDB_PROJECT=your_project torchrun --nproc_per_node=$(echo $CUDA_VISIBLE_DEVICES | awk -F',' '{print NF}') -m gpn.ss.run_mlm --do_train --do_eval \ --fp16 --report_to wandb --prediction_loss_only True --remove_unused_columns False \ --dataset_name results/dataset --tokenizer_name gonzalobenegas/tokenizer-dna-mlm \ --soft_masked_loss_weight_train 0.1 --soft_masked_loss_weight_evaluation 0.0 \ --weight_decay 0.01 --optim adamw_torch \ --dataloader_num_workers 16 --seed 42 \ --save_strategy steps --save_steps 10000 --evaluation_strategy steps \ --eval_steps 10000 --logging_steps 10000 --max_steps 120000 --warmup_steps 1000 \ --learning_rate 1e-3 --lr_scheduler_type constant_with_warmup \ --run_name your_run --output_dir your_output_dir --model_type ConvNet \ --per_device_train_batch_size 512 --per_device_eval_batch_size 512 --gradient_accumulation_steps 1 \ --torch_compile
  1. 提取嵌入
    • 输入文件需要包含chromstartend
    • 示例:
torchrun --nproc_per_node=$(echo $CUDA_VISIBLE_DEVICES | awk -F',' '{print NF}') -m gpn.ss.get_embeddings windows.parquet genome.fa.gz 100 your_output_dir \ results.parquet --per-device-batch-size 4000 --is-file --dataloader-num-workers 16
  1. 变异效应预测
    • 输入文件需要包含chromposrefalt
    • 示例:
torchrun --nproc_per_node=$(echo $CUDA_VISIBLE_DEVICES | awk -F',' '{print NF}') -m gpn.ss.run_vep variants.parquet genome.fa.gz 512 your_output_dir results.parquet \ --per-device-batch-size 4000 --is-file --dataloader-num-workers 16

GPN-MSA

示例

  • 模型使用示例:examples/msa/basic_example.ipynb
  • 变异效应预测:examples/msa/vep.ipynb
  • 训练(人类):examples/msa/training.ipynb

特定论文的代码和资源

在其他物种上训练(如植物)

正在建设中。

引用

GPN:

@article{benegas2023dna, author = {Gonzalo Benegas and Sanjit Singh Batra and Yun S. Song }, title = {DNA language models are powerful predictors of genome-wide variant effects}, journal = {Proceedings of the National Academy of Sciences}, volume = {120}, number = {44}, pages = {e2311219120}, year = {2023}, doi = {10.1073/pnas.2311219120}, URL = {https://www.pnas.org/doi/abs/10.1073/pnas.2311219120}, eprint = {https://www.pnas.org/doi/pdf/10.1073/pnas.2311219120}, }

GPN-MSA:

@article{benegas2023gpnmsa, author = {Gonzalo Benegas and Carlos Albors and Alan J. Aw and Chengzhong Ye and Yun S. Song}, title = {GPN-MSA: an alignment-based DNA language model for genome-wide variant effect prediction}, elocation-id = {2023.10.10.561776}, year = {2023}, doi = {10.1101/2023.10.10.561776}, publisher = {Cold Spring Harbor Laboratory}, URL = {https://www.biorxiv.org/content/early/2023/10/11/2023.10.10.561776}, eprint = {https://www.biorxiv.org/content/early/2023/10/11/2023.10.10.561776.full.pdf}, journal = {bioRxiv} }

编辑推荐精选

Keevx

Keevx

AI数字人视频创作平台

Keevx 一款开箱即用的AI数字人视频创作平台,广泛适用于电商广告、企业培训与社媒宣传,让全球企业与个人创作者无需拍摄剪辑,就能快速生成多语言、高质量的专业视频。

即梦AI

即梦AI

一站式AI创作平台

提供 AI 驱动的图片、视频生成及数字人等功能,助力创意创作

扣子-AI办公

扣子-AI办公

AI办公助手,复杂任务高效处理

AI办公助手,复杂任务高效处理。办公效率低?扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作,覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应,生活工作无缝切换,提升50%效率!

TRAE编程

TRAE编程

AI辅助编程,代码自动修复

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。

AI工具TraeAI IDE协作生产力转型热门
蛙蛙写作

蛙蛙写作

AI小说写作助手,一站式润色、改写、扩写

蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。

AI辅助写作AI工具蛙蛙写作AI写作工具学术助手办公助手营销助手AI助手
问小白

问小白

全能AI智能助手,随时解答生活与工作的多样问题

问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。

热门AI助手AI对话AI工具聊天机器人
Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

下拉加载更多