songlab-cal/gpn

解决的问题

GPN（Genomic Pretrained Network）提供了一套基因组语言模型，旨在预测全基因组变异的功能效应。它解决了理解不同物种和进化尺度下DNA序列中的突变如何对基因组序列施加功能约束的挑战。

工作原理

该项目实现了多种模型家族，以不同方式处理基因组数据：

• GPN：一个基于未对齐基因组的基线模型。

• GPN-MSA：基于多物种比对（MSA）的模型，训练和推理均需对齐基因组。

• PhyloGPN：一种系统发育方法，在训练中使用比对，但推理或微调时无需比对。

• GPN-Star：最新版本，训练和推理均需对齐基因组，用于预测功能约束。

这些模型可通过标准的 Transformers AutoClasses 集成到现有工作流中，或通过专用命令行接口（CLI）用于计算 logits、嵌入和变异效应预测（VEP）等任务。

适用人群

需要预测遗传变异效应并使用预训练语言模型分析基因组序列的基因组学、计算生物学和生物信息学研究人员。

主要亮点

• 多种模型架构：提供多种模型（GPN、GPN-MSA、GPN-Star、PhyloGPN），针对不同数据需求（对齐 vs. 未对齐）进行优化。
• 与 Transformers 兼容：GPN-Star 可通过 Hugging Face Transformers 库中的 AutoModelForMaskedLM 加载。
• 全面的工具链：包含用于训练、变异效应预测和嵌入提取的 CLI。
• 同行评审研究：基于发表在 Nature 和 PNAS 等期刊上的多项研究成果。