模型介绍
中文整理# 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
许可证
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。
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
运行模型需要的设备、工具与依赖，以原作者说明为准。
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。