Protein Sequence Generation (ProGen)

简介

ProGen是一种语言模型，可以在大型蛋白质家族中生成具有可预测功能的蛋白质序列，类似于在不同主题上生成语法和语义正确的自然语言句子。该模型基于来自> 19,000个家族的2.8亿个蛋白质序列进行训练，并增加了指定蛋白质属性的控制标签。基于Progen2模型实现，ProGen2模型可扩展到64亿个参数，并在不同的序列数据集上进行训练，这些数据集来自基因组、元基因组和免疫剧目数据库的10亿多个蛋白质。ProGen2模型在捕捉观察到的进化序列的分布、产生新的可行的序列，并预测蛋白质的适应性等方面显示出最先进的性能。
Protein Sequence Generation (ProGen)目前主要功能是基于Reference序列，进行序列的增长（从Reference序列末端开始增长），后续开放其他场景的序列生成功能。

参数说明

Model

模型类型有2种可选（progen2-large，progen2-xlarge）。
模型信息：
progen2-large，参数数量2.7 Billion，神经网络层数32。
progen2-xlarge，模型参数数量6.4 Billion，神经网络层数32。

Reference Sequence

作为参考的序列（填序列信息）
注意：不支持多条序列，多条序列会被合并为一条序列。

Number of Samples

生成序列的数目。
注意：序列长度不超过1024个氨基酸。

结果说明

生成的蛋白序列文件result.fasta。

参考文献

Madani A, Krause B, Greene ER, Subramanian S, Mohr BP, Holton JM, Olmos JL Jr, Xiong C, Sun ZZ, Socher R, Fraser JS, Naik N. Large language models generate functional protein sequences across diverse families. Nat Biotechnol. 2023 Jan 26.