К содержимому
Другое

kcat–Km v3

прогноз кинетики ферментов

2 мин чтенияобновлено

Модель от VallemKeerthi берёт SMILES субстрата и аминокислотную последовательность фермента и предсказывает log10_kcat и log10_km — логарифмы каталитической константы и константы Михаэлиса. Это не генеративная LLM, а ансамбль табличных регрессоров: признаки субстрата считаются через RDKit, а фермент кодируется ESM-2 35M. ESM-2 работает как int8 ONNX на CPU, а итоговые значения для каждой пары выдаёт смесь ExtraTrees, HistGradientBoosting и kernel nearest-neighbour регрессора. Пригодится в биоинформатике и метаболическом моделировании, когда нужно быстро отранжировать кандидатов до лабораторных экспериментов.

Ключевые особенности

  • Одновременно предсказывает две цели: log10_kcat и log10_km.
  • Для субстрата — MACCS keys, folded Morgan counts и RDKit-дескрипторы; для фермента — аминокислотный состав и mean-pooled ESM-2 35M из трёх слоёв.
  • Ансамбль ExtraTrees и HistGradientBoosting смешивается с kernel nearest-neighbour регрессором по Tanimoto субстрата и Jaccard 3-mer последовательностей.
  • Веса бленда и настройки kNN выбираются по sequence-cluster-grouped cross-validation.
  • ESM-стадия ограничена по времени: если последовательность не успели эмбеддить, используется средний эмбеддинг из обучения, чтобы инференс уложился в лимит.

Что можно сделать

  • Быстро отранжировать пары «фермент–субстрат» перед лабораторным скринингом.
  • Встроить predict.py в пайплайн метаболического моделирования или базы ферментов.
  • Запускать ESM-часть на CPU через int8 ONNX, в том числе в Docker-образе из карточки.
  • Переобучить модель на своём parquet-датасете, если есть свои измерения kcat и Km.

Пример

Команды сборки и обучения из карточки:

hf download facebook/esm2_t12_35M_UR50D --local-dir esm2_35M
python export_onnx.py --src esm2_35M --out weights/esm
python train.py --train ../data/train.parquet --esm-dir weights/esm --cv
ПодробнееЧисловых бенчмарков в карточке нет.
Инференс рассчитан на CPU: ESM-2 35M экспортируется в int8 ONNX.
Ограничение — тайм-бюджет ESM-стадии и fallback на средний эмбеддинг.
Обучение использует sequence-cluster-grouped CV; в репозитории есть Dockerfile и requirements.lock.txt.
Обсудить Telegram 0

Запустится ли?

Запустится в INT8

Влезает без сжатия.

  • INT8рекомендуемвеса 0.0 GB · готовые файлы0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.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.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: INT8 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    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.

    # VallemKeerthi/kcat-km-v12-blend
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download VallemKeerthi/kcat-km-v12-blend --local-dir ~/models/kcat-km-v12-blend
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к kcat-km-v12-blend
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

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.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии kcat-km-v12-blend — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

VallemKeerthi/kcat-km-v12-blend
Автор
VallemKeerthi
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии