Pepmlm 650M

🚀 PepMLM：基于掩码语言模型的目标序列条件下肽结合剂生成

PepMLM是一个纯粹基于目标序列条件的线性肽结合剂从头生成器。它采用了一种新颖的掩码策略，将同源肽序列独特地置于目标蛋白质序列的末端，借助最先进的ESM - 2 pLM来完全重构结合剂区域，实现了低困惑度，与之前验证的肽 - 蛋白质序列对相匹配或更优。经过AlphaFold - Multimer的计算机模拟基准测试后，通过将模型衍生的肽与E3泛素连接酶结构域融合，在细胞模型中证明了PepMLM对目标底物的内源性降解效果。总的来说，PepMLM无需目标结构信息，就能实现对任何目标蛋白质候选结合剂的生成设计，为下游可编程蛋白质组编辑应用提供了支持。

🚀 快速开始

模型访问申请

截至2024年2月，该模型在HuggingFace上设置了访问权限。如果您想使用我们的模型，请访问我们在HuggingFace网站上的页面（[链接](https://huggingface.co/ChatterjeeLab/PepMLM - 650M)）并提交访问请求。申请和后续使用模型都需要一个活跃的HuggingFace账户。由于我们是一个小实验室，采用手动审批流程，请求的审批可能需要几天时间。

一旦您的请求获得批准，您需要使用个人访问令牌才能开始使用此笔记本。感谢您的理解。

• 如何查找您的访问令牌：https://huggingface.co/docs/hub/en/security - tokens

直接加载模型

# 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

• 新颖的掩码策略：将同源肽序列置于目标蛋白质序列的末端，利用ESM - 2 pLM重构结合剂区域，实现低困惑度。
• 无需目标结构信息：能够在不依赖目标蛋白质结构的情况下，生成候选肽结合剂。
• 实验验证有效：经过计算机模拟基准测试和细胞模型实验验证，证明了其在蛋白质组编辑中的有效性。

📚 详细文档

• 演示：HuggingFace Space演示 链接。[暂时不可用]
• Colab笔记本：[链接](https://colab.research.google.com/drive/1u0i - LBog_lvQ5YRKs7QLKh_RtI - tV8qM?usp = sharing)
• 预印本：链接

📄 许可证

本项目采用CC - BY - NC - ND - 4.0许可证。

额外的访问申请字段