OncoEvoFM — предобученная модель от OncoEvoAI на 48,5 млн параметров, которая преобразует данные о соматических мутациях и изменениях числа копий (CNA) в векторные представления (эмбеддинги) на уровне образца пациента. Архитектура построена на 12 слоях трансформера со скрытой размерностью 512 и 64-мерным клональным «узким горлышком» (bottleneck), а также сохраняет все исходные головы задач. В отличие от текстовых языковых моделей, она работает напрямую со структурированными геномными событиями в координатах GRCh37/hg19 и возвращает набор специализированных векторов для разных аспектов профиля опухоли. Модель пригодится биоинформатикам и исследователям в области вычислительной онкологии для представления молекулярных профилей пациентов.
Ключевые особенности
Компактная архитектура: 48,5 млн параметров, 12 слоёв трансформера (hidden size 512) и 64-мерное латентное представление z_clonal.
Детализированные выходы: один прогон возвращает сразу несколько именованных тензоров — e_patient, e_clonal, e_process, e_lineage, e_assay, состояния путей pathway_states и эмбеддинги отдельных событий.
Учёт геномного контекста: принимает список мутаций (ген, хромосома, позиция, тип варианта, белковое изменение, число прочтений) и опциональные сегменты cna, автоматически загружая замороженные признаки.
Совместимость с Transformers: подключается через стандартные AutoModel и AutoProcessor после импорта пакета oncoevofm (без необходимости включать trust_remote_code=True).
Что можно сделать
Извлекать признаки образцов: получать векторные представления e_patient (размерностью 512) или клональные векторы z_clonal (размерностью 64) из таблиц соматических мутаций и CNA для последующего анализа.
Работать на уровне отдельных событий: снимать паддинг с last_hidden_state по маске pad_mask, чтобы получать эмбеддинги для каждой конкретной мутации в образце.
Дообучать под свои задачи: модифицировать и файнтюнить веса модели в коммерческих или научных пайплайнах благодаря открытой лицензии CC BY 4.0.
ПодробнееОбучение проводилось на данных AACR Project GENIE версии 19.0-public. Для запуска требуются Python 3.12 или 3.13 и пакет oncoevofm (протестирована версия 0.1.1). Геномные координаты должны быть заданы в сборке GRCh37/hg19; имена выходных тензоров отражают их роли при обучении и не гарантируют строго изолированных биологических факторов. Веса модели (model.safetensors) распространяются по лицензии CC BY 4.0 (разрешено коммерческое использование и модификация при указании авторства).
Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.
Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.
HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.
# OncoEvoAI/OncoEvoFM — A30, FP8 / INT8
# Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
. /etc/os-release && \
curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
sudo apt-get update && \
sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
{ echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
exit 0
fi
curl -LsSf https://astral.sh/uv/install.sh | sh
source "$HOME/.local/bin/env"
uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
uv pip install vllm
vllm serve OncoEvoAI/OncoEvoFM --max-model-len 8192 --quantization fp8
Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.
Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.
Как ускорить
Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.
Комментарии