HIV V3 Bodysite

🚀 [HIV_V3_bodysite 模型卡]

HIV-BERT-Bodysite-Identification 模型是对 HIV-BERT 模型的改进，能够根据 HIV V3 环样本的基因组序列，更精准地预测其来源位置，为 HIV 治疗策略研究提供有力支持。

🚀 快速开始

模型用途

本工具可根据 HIV 基因组序列，预测样本的来源位置，但不能作为临床诊断工具。

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

• 基于 HIV-BERT 模型改进，能更精准预测 HIV V3 环样本的来源位置。
• 可处理多种 HIV 基因组序列，为 HIV 治疗策略研究提供重要参考。

📦 安装指南

暂未提及安装相关内容，可参考相关代码库或文档获取安装步骤。

💻 使用示例

基础用法

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")

高级用法

由于文档未提供高级用法示例，暂无法给出。

📚 详细文档

模型描述

HIV-BERT-Bodysite-Identification 模型旨在预测 HIV 序列最可能的来源位置。HIV 感染免疫细胞后，会借助这些细胞在体内快速传播。因此，确定 HIV 粒子的最终位置，有助于研究 HIV 治疗策略。该模型可以根据输入的 HIV 基因组序列，预测其来源组织。

预期用途与限制

本工具可作为预测 HIV 样本来源位置的工具，但不能作为临床诊断工具。该模型使用 Los Alamos HIV 序列数据集进行训练，该数据集主要由来自北美和欧洲的 B 亚型序列组成，C、A 和 D 亚型的贡献较小。目前尚未对这些类别进行性能平衡，因此在处理非 B 亚型序列时，可能需要使用更多序列进行优化。

训练数据

本模型使用 damlab/HIV_V3_bodysite 数据集的第 0 折进行训练。该数据集包含从 Los Alamos HIV 序列数据库中提取的 5510 条序列（每条序列约 35 个标记）。

训练过程

预处理

与 rostlab/Prot-bert-bfd 模型一样，将罕见氨基酸 U、Z、O 和 B 转换为 X，并在每个氨基酸之间添加空格。将所有字符串连接起来，并分割成 256 个标记的块进行训练。随机保留 20% 的块用于验证。

训练

使用 damlab/HIV-BERT 模型作为 AutoModelforClassificiation 的初始权重。模型以 1E-5 的学习率、50K 预热步骤和 cosine_with_restarts 学习率调度进行训练，直到连续 3 个 epoch 未能改善保留数据集的损失为止。由于这是一个多分类任务（一种蛋白质可以在多个位置找到），因此损失计算为每个类别的二元交叉熵（BCE）。BCE 通过类别比例的倒数进行加权，以平衡类别不平衡的权重。

🔧 技术细节

模型架构

基于 HIV-BERT 模型进行改进，HIV-BERT 模型是从 ProtBert-BFD 模型（https://huggingface.co/Rostlab/prot_bert_bfd）改进而来，更适合处理以 HIV 为中心的任务。

评估指标

使用准确率（accuracy）作为评估指标。

📄 许可证

本项目采用 MIT 许可证。