HIV V3 Bodysite

🚀 [HIV_V3_bodysite 模型卡]

HIV-BERT-Bodysite-Identification 模型是對 HIV-BERT 模型的改進，能夠根據 HIV V3 環樣本的基因組序列，更精準地預測其來源位置，為 HIV 治療策略研究提供有力支持。

🚀 快速開始

模型用途

本工具可根據 HIV 基因組序列，預測樣本的來源位置，但不能作為臨床診斷工具。

使用示例

from transformers import pipeline

predictor = pipeline("text-classification", model="damlab/HIV_V3_bodysite")
predictor(f"C T R P N N N T R K S I R I Q R G P G R A F V T I G K I G N M R Q A H C")

[
  [
    {
      "label": "periphery-tcell",
      "score": 0.29097115993499756
    },
    {
      "label": "periphery-monocyte",
      "score": 0.014322502538561821
    },
    {
      "label": "CNS",
      "score": 0.06870711594820023
    },
    {
      "label": "breast-milk",
      "score": 0.002785981632769108
    },
    {
      "label": "female-genitals",
      "score": 0.024997007101774216
    },
    {
      "label": "male-genitals",
      "score": 0.01040483545511961
    },
    {
      "label": "gastric",
      "score": 0.06872137635946274
    },
    {
      "label": "lung",
      "score": 0.04432062804698944
    },
    {
      "label": "organ",
      "score": 0.47476938366889954
    }
  ]
]

✨ 主要特性

• 基於 HIV-BERT 模型改進，能更精準預測 HIV V3 環樣本的來源位置。
• 可處理多種 HIV 基因組序列，為 HIV 治療策略研究提供重要參考。

📦 安裝指南

暫未提及安裝相關內容，可參考相關代碼庫或文檔獲取安裝步驟。

💻 使用示例

基礎用法

from transformers import pipeline

predictor = pipeline("text-classification", model="damlab/HIV_V3_bodysite")
predictor(f"C T R P N N N T R K S I R I Q R G P G R A F V T I G K I G N M R Q A H C")

高級用法

由於文檔未提供高級用法示例，暫無法給出。

📚 詳細文檔

模型描述

HIV-BERT-Bodysite-Identification 模型旨在預測 HIV 序列最可能的來源位置。HIV 感染免疫細胞後，會藉助這些細胞在體內快速傳播。因此，確定 HIV 粒子的最終位置，有助於研究 HIV 治療策略。該模型可以根據輸入的 HIV 基因組序列，預測其來源組織。

預期用途與限制

本工具可作為預測 HIV 樣本來源位置的工具，但不能作為臨床診斷工具。該模型使用 Los Alamos HIV 序列數據集進行訓練，該數據集主要由來自北美和歐洲的 B 亞型序列組成，C、A 和 D 亞型的貢獻較小。目前尚未對這些類別進行性能平衡，因此在處理非 B 亞型序列時，可能需要使用更多序列進行優化。

訓練數據

本模型使用 damlab/HIV_V3_bodysite 數據集的第 0 折進行訓練。該數據集包含從 Los Alamos HIV 序列數據庫中提取的 5510 條序列（每條序列約 35 個標記）。

訓練過程

預處理

與 rostlab/Prot-bert-bfd 模型一樣，將罕見氨基酸 U、Z、O 和 B 轉換為 X，並在每個氨基酸之間添加空格。將所有字符串連接起來，並分割成 256 個標記的塊進行訓練。隨機保留 20% 的塊用於驗證。

訓練

使用 damlab/HIV-BERT 模型作為 AutoModelforClassificiation 的初始權重。模型以 1E-5 的學習率、50K 預熱步驟和 cosine_with_restarts 學習率調度進行訓練，直到連續 3 個 epoch 未能改善保留數據集的損失為止。由於這是一個多分類任務（一種蛋白質可以在多個位置找到），因此損失計算為每個類別的二元交叉熵（BCE）。BCE 通過類別比例的倒數進行加權，以平衡類別不平衡的權重。

🔧 技術細節

模型架構

基於 HIV-BERT 模型進行改進，HIV-BERT 模型是從 ProtBert-BFD 模型（https://huggingface.co/Rostlab/prot_bert_bfd）改進而來，更適合處理以 HIV 為中心的任務。

評估指標

使用準確率（accuracy）作為評估指標。

📄 許可證

本項目採用 MIT 許可證。