GPN (基因组预训练网络)

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

GPN论文和GPN-MSA论文的代码和资源。

目录

• 安装
• 最小使用示例
• GPN
• GPN-MSA
• 引用

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

特定论文的代码和资源

• [拟南芥](https://github.com/songlab-cal/gpn/blob/main/analysis/arabidopsis

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。
   • 在Weights & Biases上跟踪指标。
   • 已实现的模型：ConvNet，GPNRoFormer（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

3. 提取嵌入
   • 输入文件需要包含chrom、start、end
   • 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

4. 变异效应预测
   • 输入文件需要包含chrom、pos、ref、alt
   • 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

• [人类](https://github.com/songlab-cal/gpn/blob/main/analysis/human

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}
}