ec-esm
классификация ферментов по последовательности белка
1 мин чтения
Модель определяет четырёхуровневый код Enzyme Commission (EC — международная классификация ферментов, например 1.1.1.131) по аминокислотной последовательности белка. В основе лежит компактная белковая языковая модель ESM-2 35M (facebook/esm2_t12_35M_UR50D) от Meta с дообученным классификатором на 6939 валидных EC-номеров. На вход подаётся таблица Parquet с последовательностями, на выходе формируется файл JSONL со списком предсказанных кодов для каждого белка. Пригодится биоинформатикам и исследователям для автоматической функциональной аннотации ферментов.
Ключевые особенности
- Базируется на лёгкой белковой архитектуре
ESM-2 35Mс добавленной головой классификации (Linear+GELU+Dropout). - Словарь охватывает 6939 валидных четырёхуровневых EC-номеров, а основная метрика оценки — точность на четвёртом уровне (L4 accuracy).
- Поддерживает настройку порога вероятности
EC_THRESH(по умолчанию0.5) для выдачи нескольких вариантов или только самого вероятного класса. - Поставляется с готовым
Dockerfile, скриптом инференса и валидацией входных данных.
Что можно сделать
- Встроить Docker-контейнер в биоинформатический пайплайн для массовой аннотации белковых последовательностей из файлов
Parquet. - Использовать режим
EC_THRESH=1.1для жёсткого отбора единственного наиболее вероятного EC-номера при первичной сортировке белков.
Пример
python /app/predict.py --input val_inputs.parquet --output predictions.jsonl
Подробнее
Архитектура: ESM-2 35M (hidden_size 480) + двухслойный классификаторСловарь: 6939 EC-классов (уровни L1–L4)
Параметры запуска по умолчанию: батч EC_BATCH=32, лимит времени EC_TIME_BUDGET=660 сек
Конкретные числовые значения метрик в карточке не приведены










Комментарии