Dayhoff-170M-UR90-HL-38000

# Dayhoff 模型卡片

## 概述

Dayhoff 是一个蛋白质序列数据与生成式语言模型的整合资源库。该项目汇集了来自宏基因组和天然蛋白质序列（GigaRef）的33.4亿条蛋白质序列（涵盖17亿个聚类）、来自结构衍生的合成序列（BackboneRef）的4600万条序列，以及来自OpenProteinSet的多重序列比对（MSA）1600万条。

## 主要能力

该模型可实现以下功能：

• 零样本预测突变对适应度的影响
• 通过进化或结构背景条件来搭建结构基序的支架
• 在指定家族内引导生成新型蛋白质
• 无条件设计蛋白质序列
• 在序列空间中为结构基序设计支架
• 同源序列条件生成

## 输入输出

• *输入格式**：单个蛋白质序列或展开的多重序列比对（MSA）

• *输出格式**：蛋白质序列或同源蛋白质序列集

运行要求

• *硬件要求**：

• 1.7亿参数模型：需8块NVIDIA A100或8块NVIDIA H100 GPU（使用分布式数据并行）
• 30亿参数模型：需176块NVIDIA H100 GPU（使用全分片数据并行混合分片模式）

• *软件依赖**：

• PyTorch 2.7.1
• CUDA 12.8及以上版本
• mamba-ssm
• causal-conv1d
• flash-attn

建议使用uv工具创建干净的虚拟环境进行安装。

基本用法

最简单的方式是通过HuggingFace接口使用该模型和数据集。首先安装PyTorch 2.7.1，然后安装mamba-ssm、flash-attn、causal-conv1d及其依赖项。具体使用方式请参阅模型仓库中的README文档。

限制

• 仅限生成蛋白质序列或同源蛋白质序列集
• 不可用于自然语言处理或其他生物序列（如DNA序列）
• 不保证所有生成的序列都具有真实性
• 难以生成与任何天然序列均无同源性的高质量序列

License

MIT许可证

## 开发者

Kevin K. Yang, Sarah Alamdari, Alex J. Lee, Kaeli Kaymak-Loveless, Samir Char, Garyk Brixi, Carles Domingo-Enrich, Chentong Wang, Suyue Lyu, Nicolo Fusi, Neil Tenenholtz, Ava P. Amini

## 责任说明

本模型及数据集仅供研究开发使用，不得用于临床决策或任何临床用途。该模型在临床用途上的性能尚未确立，使用者需自行承担任何使用风险。