ProtTrans: Toward Understanding the Language of Life Through Self-Supervised Learning

计算机科学 人工智能 联营 机器学习 推论 降维 蛋白质测序 自然语言处理 肽序列 生物 生物化学 基因
作者
Ahmed Elnaggar,Michael Heinzinger,Christian Dallago,Ghalia Rehawi,Yu Wang,Llion Jones,Tom Gibbs,T. Fehér,Christoph Angerer,Martin Steinegger,Debsindhu Bhowmik,Burkhard Rost
出处
期刊:IEEE Transactions on Pattern Analysis and Machine Intelligence [Institute of Electrical and Electronics Engineers]
卷期号:44 (10): 7112-7127 被引量:706
标识
DOI:10.1109/tpami.2021.3095381
摘要

Computational biology and bioinformatics provide vast data gold-mines from protein sequences, ideal for Language Models (LMs) taken from Natural Language Processing (NLP). These LMs reach for new prediction frontiers at low inference costs. Here, we trained two auto-regressive models (Transformer-XL, XLNet) and four auto-encoder models (BERT, Albert, Electra, T5) on data from UniRef and BFD containing up to 393 billion amino acids. The protein LMs (pLMs) were trained on the Summit supercomputer using 5616 GPUs and TPU Pod up-to 1024 cores. Dimensionality reduction revealed that the raw pLM-embeddings from unlabeled data captured some biophysical features of protein sequences. We validated the advantage of using the embeddings as exclusive input for several subsequent tasks: (1) a per-residue (per-token) prediction of protein secondary structure (3-state accuracy Q3=81%-87%); (2) per-protein (pooling) predictions of protein sub-cellular location (ten-state accuracy: Q10=81%) and membrane versus water-soluble (2-state accuracy Q2=91%). For secondary structure, the most informative embeddings (ProtT5) for the first time outperformed the state-of-the-art without multiple sequence alignments (MSAs) or evolutionary information thereby bypassing expensive database searches. Taken together, the results implied that pLMs learned some of the grammar of the language of life. All our models are available through https://github.com/agemagician/ProtTrans.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
xxxd发布了新的文献求助10
1秒前
2秒前
SunYilin发布了新的文献求助10
3秒前
3秒前
ab古发布了新的文献求助10
4秒前
111发布了新的文献求助10
5秒前
英俊的铭应助xiao.yang采纳,获得10
5秒前
5秒前
5秒前
在水一方应助cbf666采纳,获得10
5秒前
6秒前
6秒前
啦啦啦完成签到,获得积分20
6秒前
科研小白发布了新的文献求助10
6秒前
w_sea应助asdfqwer采纳,获得10
7秒前
小马甲应助hepotosis采纳,获得10
7秒前
xxxd完成签到,获得积分10
8秒前
天天快乐应助SunYilin采纳,获得10
8秒前
啦啦啦发布了新的文献求助10
9秒前
10秒前
10秒前
11秒前
文文发布了新的文献求助10
11秒前
11秒前
13秒前
14秒前
王鑫发布了新的文献求助10
15秒前
15秒前
dablack发布了新的文献求助10
15秒前
16秒前
111发布了新的文献求助10
16秒前
16秒前
Machao完成签到,获得积分10
17秒前
李小二发布了新的文献求助10
17秒前
17秒前
李健应助啦啦啦采纳,获得10
18秒前
18秒前
哈哈完成签到,获得积分10
18秒前
科研小白发布了新的文献求助10
19秒前
高分求助中
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger Heßler, Claudia, Rud 1000
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 1000
Natural History of Mantodea 螳螂的自然史 1000
A Photographic Guide to Mantis of China 常见螳螂野外识别手册 800
Barge Mooring (Oilfield Seamanship Series Volume 6) 600
ANSYS Workbench基础教程与实例详解 500
Spatial Political Economy: Uneven Development and the Production of Nature in Chile 400
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 物理化学 催化作用 细胞生物学 免疫学 冶金
热门帖子
关注 科研通微信公众号,转发送积分 3325717
求助须知:如何正确求助?哪些是违规求助? 2956360
关于积分的说明 8580314
捐赠科研通 2634306
什么是DOI,文献DOI怎么找? 1441883
科研通“疑难数据库(出版商)”最低求助积分说明 667974
邀请新用户注册赠送积分活动 654791