模型详情
模型介绍
中文整理# Dayhoff 模型卡片
模型概述
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33.4亿个蛋白质序列，涵盖17亿个宏基因组和天然蛋白质序列聚类（GigaRef）、4600万个结构衍生的合成序列（BackboneRef）以及1600万个多序列比对（OpenProteinSet）。该模型可原生预测突变对适应度的零样本影响，通过进化或结构上下文对结构基序进行脚手架设计，并支持在指定家族内引导生成新型蛋白质。研究表明，基于 Dayhoff 资源库中的宏基因组和结构合成数据学习，可提高生成蛋白质的细胞表达率，突出了扩展蛋白质序列数据规模、多样性和新颖性的实际价值。
## 主要能力
- 零样本预测突变对蛋白质适应度的影响
- 通过进化或结构上下文对结构基序进行脚手架设计
- 在指定蛋白质家族内引导生成新型蛋白质
- 支持从 N 端到 C 端和从 C 端到 N 端的自回归训练
- 支持顺序无关的填充任务
输入与输出
- *输入格式：** 单个蛋白质序列或多序列比对（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：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：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 或更高版本
- mamba-ssm
- causal-conv1d
- flash-attn
基本用法
推荐使用 uv 创建独立环境。首先安装 PyTorch 2.7.1，然后安装 mamba-ssm、flash-attn、causal-conv1d 及其依赖项。模型可通过 HuggingFace 接口调用。
## 限制与风险
- 仅限生成蛋白质序列或同源蛋白质序列集，不得用于自然语言或其他生物序列（如DNA序列）
- 不保证所有生成的序列均具有真实生物学活性
- 难以生成与任何天然序列无同源性的高质量序列
- 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
许可证
MIT 许可证
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件；指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖，请按作者说明配齐。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行环境
运行模型需要的设备、工具与依赖，以原作者说明为准。
授权范围
是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
资料或下载有问题？
登录后可提交反馈。