Pepmlm 650M

🚀 PepMLM：基於掩碼語言模型的目標序列條件下肽結合劑生成

PepMLM是一個純粹基於目標序列條件的線性肽結合劑從頭生成器。它採用了一種新穎的掩碼策略，將同源肽序列獨特地置於目標蛋白質序列的末端，藉助最先進的ESM - 2 pLM來完全重構結合劑區域，實現了低困惑度，與之前驗證的肽 - 蛋白質序列對相匹配或更優。經過AlphaFold - Multimer的計算機模擬基準測試後，通過將模型衍生的肽與E3泛素連接酶結構域融合，在細胞模型中證明了PepMLM對目標底物的內源性降解效果。總的來說，PepMLM無需目標結構信息，就能實現對任何目標蛋白質候選結合劑的生成設計，為下游可編程蛋白質組編輯應用提供了支持。

🚀 快速開始

模型訪問申請

截至2024年2月，該模型在HuggingFace上設置了訪問權限。如果您想使用我們的模型，請訪問我們在HuggingFace網站上的頁面（[鏈接](https://huggingface.co/ChatterjeeLab/PepMLM - 650M)）並提交訪問請求。申請和後續使用模型都需要一個活躍的HuggingFace賬戶。由於我們是一個小實驗室，採用手動審批流程，請求的審批可能需要幾天時間。

一旦您的請求獲得批准，您需要使用個人訪問令牌才能開始使用此筆記本。感謝您的理解。

• 如何查找您的訪問令牌：https://huggingface.co/docs/hub/en/security - tokens

直接加載模型

# Load model directly
from transformers import AutoTokenizer, AutoModelForMaskedLM

tokenizer = AutoTokenizer.from_pretrained("TianlaiChen/PepMLM-650M")
model = AutoModelForMaskedLM.from_pretrained("TianlaiChen/PepMLM-650M")

✨ 主要特性

• 新穎的掩碼策略：將同源肽序列置於目標蛋白質序列的末端，利用ESM - 2 pLM重構結合劑區域，實現低困惑度。
• 無需目標結構信息：能夠在不依賴目標蛋白質結構的情況下，生成候選肽結合劑。
• 實驗驗證有效：經過計算機模擬基準測試和細胞模型實驗驗證，證明了其在蛋白質組編輯中的有效性。

📚 詳細文檔

• 演示：HuggingFace Space演示 鏈接。[暫時不可用]
• Colab筆記本：[鏈接](https://colab.research.google.com/drive/1u0i - LBog_lvQ5YRKs7QLKh_RtI - tV8qM?usp = sharing)
• 預印本：鏈接

📄 許可證

本項目採用CC - BY - NC - ND - 4.0許可證。

額外的訪問申請字段