Evo2: ゲノムモデリングとデザイン支援のためのオープンソースバイオAIツール

はじめに

Arc Institute Evo 2は、ゲノムモデリングとデザインに特化したオープンソースプロジェクトで、米国カリフォルニア州パロアルトを拠点とする非営利研究組織Arc Instituteによって開発され、NVIDIAなどのパートナーと共同で立ち上げられた。evo 2は、9兆塩基を超える多様なゲノムデータで学習され、最大400億のパラメータを持ち、最大100万塩基のコンテキスト長をサポートする。そのコード、トレーニングデータ、モデルの重みは完全にオープンソースで、GitHubにホストされており、生物工学と医学研究を加速するように設計されている。研究者も開発者も、このツールを使ってゲノムの謎を探り、新しい生物学的配列を設計することができる。

機能一覧

• 生命ドメインにまたがるゲノムモデリングをサポート：バクテリア、古細菌、真核生物のゲノムの予測と設計が可能。
• 長塩基配列ハンドリング機能：最大100万塩基のDNA配列を扱うことができ、非常に長いコンテキストの解析タスクに対応。
• DNAの生成と最適化： 入力配列または生物種のヒントに基づき、コーディング領域の注釈を持つ新しいDNA配列を生成する。
• ゼロサンプルのバリアント効果予測：追加トレーニングなしで遺伝子バリアントの生物学的影響を予測する。
• オープンソースのデータセットとモデル：二次開発や研究を支援するために、事前に訓練されたモデルとOpenGenome2データセットを提供する。
• マルチGPU並列コンピューティングサポート：Vortexフレームワークを通じて複数のGPUリソースを自動的に割り当て、大規模コンピューティングの効率を向上。
• NVIDIA BioNeMoとの統合：NVIDIAのバイオコンピューティング・プラットフォームへのシームレスなアクセスにより、アプリケーション・シナリオを拡大。
• 可視化・解釈ツール：GoodfireのInterpretive Visualiserと組み合わせることで、モデルによって認識されたバイオメトリックの特徴やパターンを明らかにします。

ヘルプの使用

設置プロセス

Evo 2をローカルで使用するには、特定のコンピューティングリソースと環境設定が必要です。以下は、詳しいインストール手順です：

1.環境準備

• オペレーティングシステムLinux（例：Ubuntu）またはmacOSを推奨しますが、WindowsユーザーはWSL2をインストールする必要があります。
• ハードウェア要件少なくとも1つのNVIDIA GPU（40Bモデルをサポートするために複数のGPUを推奨）と最低16GBのビデオメモリ（例：A100またはRTX 3090）。
• ソフトウェア依存Git, Python 3.8+, PyTorch (with CUDA support), pipがインストールされていることを確認する。

2.コードリポジトリのクローン

ターミナルを開き、以下のコマンドを実行してEvo 2のソースコードを入手する：

git clone --recurse-submodules git@github.com:ArcInstitute/evo2.git
cd evo2

注目してほしい：--recurse-submodules すべてのサブモジュールもダウンロードされていることを確認してください。

3.依存関係のインストール

プロジェクトのルート・ディレクトリで実行する：

pip install .

問題が発生した場合は、Vortexからインストールしてみてください（詳細はGitHubのREADMEを参照）。インストールが完了したら、テストを実行して確認してください：

python -m evo2.test

出力にエラーがなければ、インストールは成功です。

4.訓練済みモデルのダウンロード

エボ2には様々なモデルのバージョン（例：1B、7B、40Bパラメータ）があり、ハギング・フェイスまたはGitHub Releasesからダウンロードできます。例

wget https://huggingface.co/arcinstitute/evo2_7b/resolve/main/evo2_7b_base.pt

モデルファイルをローカルディレクトリに置き、後でロードできるようにします。

使用方法

インストールが完了したら、Pythonスクリプトを使ってEvo 2のコア機能を呼び出すことができます。以下に、主な機能の詳細な手順を示す：

機能1：DNA配列の生成

Evo 2は、入力されたDNA断片から継続配列を生成することができる。手順は以下の通りである：

1. 積載モデル::

   from evo2 import Evo2
   model = Evo2('evo2_7b') 7Bパラメータモデルを使用した#
   

2. プロンプトを入力し、生成する::

   prompt = ["ACGT"] #入力初期DNA配列
   出力 = model.generate(prompt_seqs=prompt, n_tokens=400, temperature=1.0, top_k=4)
   print(output.sequences[0]) #出力が生成した400塩基配列
   

3. 結果の解釈生成された配列は、stochasticityを制御するtemperatureパラメータとサンプリング範囲を制限するtop_kを用いて、下流の生物学的解析に使用することができる。

機能2：ゼロ標本のバリアント効果の予測

BRCA1遺伝子を例に、バリアントの生物学的影響を予測した：

1. データの準備参照配列とバリアント配列をリストに登録する。
2. 業績予想::

   ref_seqs = ["ATCG..."] #参照配列  #参照配列
   var_seqs = ["ATGG..."] #参照配列  #バリアント配列
   ref_scores = model.score_sequences(ref_seqs)
   var_scores = model.score_sequences(var_seqs)
   print(f "リファレンス尤度：{ref_score}, バリアント尤度：{var_score}")
   

3. 分析スコアの違いを比較し、機能に対する変異の潜在的な影響を評価する。

機能3：ロングシーケンス処理

非常に長いシーケンスの場合、Evo 2はチャンクロードと計算をサポートする：

1. 大型モデルのローディング::

   model = Evo2('evo2_40b') #はマルチGPUのサポートが必要です。
   

2. 長いシーケンスの処理::

   long_seq = "ATCG..." * 100000 # 100万塩基配列をモデリングする
   output = model.generate([long_seq], n_tokens=1000)
   print(output.sequences[0])
   

3. ほら現在のところ、長いシーケンスの前方への伝搬は遅いかもしれません。ハードウェア構成を最適化するか、教師によるプロンプト方式（teacher prompting）を使用することをお勧めします。

機能4：データセットと二次開発

• データセットの取得HuggingFaceからOpenGenome2データセット（FASTAまたはJSONLフォーマット）をダウンロードする。
• カスタマイズ・トレーニング特定の研究ニーズに応じて、Savannaフレームワークに基づいてモデルアーキテクチャを変更したり、パラメータを微調整したりする。

操作のヒントと注意事項

• マルチGPU構成40Bモデルを使用している場合、Vortexが複数のGPUを正しく認識できるようにする必要があります。 エヌビディア・スミ リソースの割り当てを確認する。
• パフォーマンス最適化長いシークエンス処理による削減 温度 の値を設定し、計算負荷を軽減している。
• 地域支援質問はGitHubのIssues掲示板で受け付けており、Arc Instituteチームとコミュニティが対応しています。

これらのステップを踏むことで、DNA配列の生成や遺伝子変異の解析など、Evo 2を効率的に使用できるようになります。