2025年最高の 59 個のタンパク質モデルツール

ESM-2はマスク言語モデリング目標で訓練された次世代タンパク質モデルで、タンパク質配列を入力とする様々な下流タスクのファインチューニングに適しています。

ESM-2はマスク言語モデリング目標でトレーニングされた次世代タンパク質モデルで、タンパク質配列の様々なタスクのファインチューニングに適しています。

ESM-2はマスク言語モデリング目標で訓練された最先端のタンパク質モデルで、タンパク質配列の分析と予測タスクに適しています

ESM-2はマスク言語モデリング目標で訓練された最先端のタンパク質モデルで、様々なタンパク質配列分析タスクに適用可能

BERTアーキテクチャに基づくタンパク質配列事前学習モデルで、自己教師付き学習によりタンパク質配列の生物物理学的特性を捉えます。

ProstT5は、タンパク質配列と構造の間で翻訳を行うことができるタンパク質言語モデルです。

T5 - 3Bアーキテクチャに基づくタンパク質配列事前学習モデルで、自己教師付き学習によりタンパク質の生体物理的特性を捉えます。

ESM-2はマスク言語モデリング目標で訓練された最先端のタンパク質モデルで、タンパク質配列を入力とする様々なタスクの微調整に適しています。

Bertアーキテクチャに基づくタンパク質配列の事前学習モデルで、自己教師付き学習により21億のタンパク質配列から生物物理学的特徴を抽出します。

ESM-1bはTransformerベースのタンパク質言語モデルで、教師なし学習によりタンパク質配列データを学習し、タンパク質の構造や機能予測に利用できます。

RiNALMoはマスク言語モデリング（MLM）目標で事前学習された非コードRNA（ncRNA）モデルで、大量の非コードRNA配列上で自己教師あり方式で訓練されています。

BERTアーキテクチャに基づくRNAねじれ角予測モデルで、RNA配列からねじれ角と疑似ねじれ角を予測する

ESM-2はマスク言語モデリング目標で訓練された最先端のタンパク質モデルで、タンパク質配列に対する様々なタスクのファインチューニングに適しています。

ProtGPT2はGPT2アーキテクチャに基づくタンパク質言語モデルで、新しいタンパク質配列を生成しながら天然タンパク質の重要な特徴を保持できます。

Helix-mRNAは、状態空間とトランスフォーマーアーキテクチャを組み合わせた混合モデルで、mRNA配列分析用に設計されています。

ESM++はESMCの忠実な実装であり、バッチ処理操作をサポートし、Huggingfaceエコシステムと完全互換で、ESM公式Pythonパッケージに依存する必要はありません。largeバージョンはESMCの6億パラメーターモデルに対応しています。

DRPはロボット運動計画に特化したモデルで、5Mチェックポイントで7kサイクル（約7Mステップ）のトレーニングを実施

非コードRNAデータに基づき、マスク言語モデリング（MLM）目標で事前学習されたRNA基礎モデル

ESM++はESMCの忠実な実装であり、バッチ処理をサポートし、標準のHuggingfaceインターフェースと互換性があり、ESM Pythonパッケージに依存しません。小型バージョンはESMCの3億パラメータバージョンに対応します。

SaProtはタンパク質配列と構造情報に基づく事前学習モデルで、特に低pLDDT領域に対して最適化されています。

このモデルはタンパク質配列の埋め込みベクトルを生成し、検索タスクを高速化するための短縮版埋め込みをサポートします。

ProtBert-UniRef100モデルの蒸留版、タンパク質特徴抽出と下流タスクのファインチューニング用

このモデルはBert-Base-Uncasedを微調整して、タンパク質のアミノ酸配列に基づいてその機能を予測するマルチラベル分類タスクに使用されます。

GENERatorは9.8万塩基対のコンテキスト長と30億パラメータを持つ生成型ゲノム基礎モデルで、真核生物DNA拡張データセットで訓練されています

コドン最適化の究極ツールで、タンパク質配列を対象生物種に最適化されたDNA配列に変換できます。

このモデルは、与えられたアミノ酸配列のタンパク質質量分析データを予測するために使用されます。

ProLLaMAはLlama-2-7bアーキテクチャに基づくタンパク質大規模言語モデルで、マルチタスクタンパク質言語処理に特化しています。

ProtT5-XL-BFDはタンパク質配列に基づく自己教師付き事前学習モデルで、T5アーキテクチャを採用し、21億のタンパク質配列で学習され、タンパク質特徴抽出と下流タスクの微調整に使用されます。

GoBERTは、一般的な遺伝子機能予測に特化したモデルで、遺伝子本体グラフ情報を利用して、遺伝子本体（GO）機能間の関係を効果的に捉えることができます。

GPN-MSAはヒトおよび他の89種の脊椎動物で訓練された言語モデルで、DNA配列解析と変異効果予測に特化しています。

標的タンパク質配列のみに依存する線形ペプチド結合剤のデノボ生成器として初めて

ProLLaMAはLlama-2-7bを基盤に構築されたタンパク質大規模言語モデルで、マルチタスクタンパク質言語処理に特化し、タンパク質配列生成とスーパーファミリー判定タスクを実行可能です。

HIV-BERTを最適化したモデルで、HIV V3ループサンプルの採取部位を予測し、精度が元のモデルより大幅に向上

進化尺度モデル（ESM）に基づくタンパク質機能予測ツールで、アミノ酸配列を通じてタンパク質の分子機能を予測します。

遺伝子本体論（GO）とESM2アーキテクチャに基づくタンパク質分子機能予測モデル

ProtSTフレームワークは、生物医学テキストを用いてタンパク質配列の事前学習と理解を強化し、ProtDescribeデータセットを構築し、3種類の事前学習タスクを設計し、教師あり学習とゼロショット予測をサポートします。

Isoformerは、差異トランスクリプトーム発現を正確に予測できるモデルで、既存の手法を上回る性能を発揮し、マルチモーダルデータを最大限に活用しています。

ProtGPT2の蒸留バージョン、知識蒸留手法によりより効率的な小型モデルに圧縮、性能を維持しながら推論速度を向上

AbLangは抗体配列、特に重鎖配列を処理するために特別に設計された抗体言語モデルです。このモデルは大文字のアミノ酸文字で訓練されており、タンパク質特徴抽出や下流タスクの微調整に適しています。

Ankh3はT5アーキテクチャに基づくタンパク質言語モデルで、マスク言語モデリングと配列補完タスクを連合最適化することで事前学習され、タンパク質の特徴抽出と配列分析に適しています。

nanoBERTは、特定のクエリ配列内のアミノ酸位置を予測するためのナノ抗体特異的トランスフォーマーです。

SegmentNT-multi-speciesは、Nucleotide Transformerに基づくセグメンテーションモデルで、単一ヌクレオチド解像度で複数のゲノム要素の位置を予測します。