2025年最佳的 59 个蛋白质模型工具

ESM-2是基于掩码语言建模目标训练的新一代蛋白质模型，适用于各类以蛋白质序列为输入的下游任务微调。

ESM-2是基于掩码语言建模目标训练的新一代蛋白质模型，适用于对蛋白质序列进行各类任务的微调。

ESM-2是基于掩码语言建模目标训练的最先进蛋白质模型，适用于对蛋白质序列进行分析和预测任务

ESM-2是基于掩码语言建模目标训练的前沿蛋白质模型，适用于各类蛋白质序列分析任务

基于BERT架构的蛋白质序列预训练模型，通过自监督学习捕捉蛋白质序列的生物物理特性

ProstT5是一种蛋白质语言模型，能够在蛋白质序列与结构之间进行翻译。

基于T5-3B架构的蛋白质序列预训练模型，通过自监督学习捕捉蛋白质的生物物理特性

ESM-2是基于遮蔽语言建模目标训练的最先进蛋白质模型，适用于对各类以蛋白质序列为输入的任务进行微调。

基于Bert架构的蛋白质序列预训练模型，通过自监督学习从21亿蛋白质序列中提取生物物理特征

ESM-1b是基于Transformer的蛋白质语言模型，通过无监督学习蛋白质序列数据，可用于蛋白质结构和功能预测。

RiNALMo是基于掩码语言建模（MLM）目标预训练的非编码RNA（ncRNA）模型，在大量非编码RNA序列上通过自监督方式训练。

基于BERT架构的RNA扭转角预测模型，用于从RNA序列预测扭转角和伪扭转角

ESM-2是基于掩码语言建模目标训练的最先进蛋白质模型，适用于对蛋白质序列进行各种任务的微调。

ProtGPT2是基于GPT2架构的蛋白质语言模型，能够生成全新的蛋白质序列，同时保留天然蛋白质的关键特征。

Helix-mRNA是一种结合状态空间和变换器架构的混合模型，专为mRNA序列分析设计

ESM++是对ESMC的忠实实现，支持批处理操作且完全兼容Huggingface生态，无需依赖ESM官方Python包。large版本对应ESMC的6亿参数模型。

DRP 是一个专注于机器人运动规划的模型，在5M检查点下训练了7k周期（约7M步数）

基于非编码RNA数据、采用掩码语言建模（MLM）目标预训练的RNA基础模型

ESM++是对ESMC的忠实实现，支持批处理且兼容标准Huggingface接口，无需依赖ESM Python包。小型版本对应ESMC的3亿参数版本。

SaProt是一个基于蛋白质序列和结构信息的预训练模型，特别针对低pLDDT区域进行了优化。

该模型为蛋白质序列生成嵌入向量，支持缩短版嵌入以加速搜索任务。

ProtBert-UniRef100模型的蒸馏版本，用于蛋白质特征提取和下游任务微调

该模型基于Bert-Base-Uncased微调，用于根据蛋白质氨基酸序列预测其功能的多标签分类任务。

GENERator是一个具有9.8万碱基对上下文长度和30亿参数的生成式基因组基础模型，基于真核生物DNA扩展数据集训练

密码子优化的终极工具，能将蛋白质序列转化为针对目标生物体优化的DNA序列。

该模型用于预测给定氨基酸序列的蛋白质质谱数据。

ProLLaMA是一个基于Llama-2-7b架构的蛋白质大语言模型，专注于多任务蛋白质语言处理。

ProtT5-XL-BFD是基于蛋白质序列的自监督预训练模型，采用T5架构，在21亿蛋白质序列上训练，用于蛋白质特征提取和下游任务微调。

GoBERT是一款专门用于通用基因功能预测的模型，它借助基因本体图信息，能够有效捕捉基因本体（GO）功能之间的关系。

GPN-MSA是一个基于人类及其他89种脊椎动物训练的语言模型，专注于DNA序列分析和变异效应预测。

首个仅依赖目标蛋白序列的线性肽段结合剂从头生成器

ProLLaMA是基于Llama-2-7b构建的蛋白质大语言模型，专注于多任务蛋白质语言处理，能够执行蛋白质序列生成和超家族判定任务。

基于HIV-BERT优化的模型，用于预测HIV V3环样本的采集部位，精度较原始模型显著提升

基于进化尺度模型（ESM）的蛋白质功能预测工具，通过氨基酸序列预测蛋白质的分子功能。

基于基因本体论（GO）和ESM2架构的蛋白质分子功能预测模型

ProtST 框架通过生物医学文本增强蛋白质序列的预训练和理解，构建了 ProtDescribe 数据集，设计了三种预训练任务，支持监督学习和零样本预测。

Isoformer 是一个能够准确预测差异转录本表达的模型，其性能优于现有方法，并充分利用了多模态数据。

ProtGPT2的蒸馏版本，通过知识蒸馏方法压缩为更高效的小型模型，保持性能的同时提升推理速度

AbLang是一种抗体语言模型，专门用于处理抗体序列，特别是重链序列。该模型基于大写氨基酸字母训练，适用于蛋白质特征提取和下游任务微调。

Ankh3是一个基于T5架构的蛋白质语言模型，通过联合优化掩码语言建模和序列补全任务进行预训练，适用于蛋白质特征提取和序列分析。

nanoBERT是一个纳米抗体特异性转换器，用于预测给定查询序列中特定位置的氨基酸。

SegmentNT-multi-species 是一种基于Nucleotide Transformer的分割模型，用于以单核苷酸分辨率预测多种基因组元素的位置。