Evo2: биоинструмент с открытым исходным кодом для поддержки моделирования и проектирования генома

Общее введение

Arc Institute Evo 2 - это проект с открытым исходным кодом для моделирования и проектирования генома, разработанный Arc Institute, некоммерческой исследовательской организацией, расположенной в Пало-Альто, Калифорния, США, и запущенный в сотрудничестве с такими партнерами, как NVIDIA. Проект создает биологически обоснованные модели, способные работать с ДНК, РНК и белками с помощью передовых методов глубокого обучения для решения прогностических и генеративных задач в науках о жизни. evo 2 обучается на разнообразных геномных данных объемом более 9 триллионов нуклеотидов, имеет до 40 миллиардов параметров и поддерживает контекст длиной до 1 миллиона оснований. Код, обучающие данные и весовые коэффициенты модели полностью открыты, размещены на GitHub и призваны ускорить биоинженерные и медицинские исследования. Исследователи и разработчики могут использовать этот инструмент для изучения тайн генома и проектирования новых биологических последовательностей.

Список функций

• Поддерживает моделирование генома в различных областях жизни: позволяет предсказывать и проектировать геномы бактерий, архей и эукариот.
• Возможность работы с длинными последовательностями: обработка последовательностей ДНК длиной до 1 миллиона оснований для анализа очень длинных контекстов.
• Генерация и оптимизация ДНК: генерация новых последовательностей ДНК с аннотациями кодирующих областей на основе исходных последовательностей или видовых подсказок.
• Предсказание эффекта вариантов с нулевой выборкой: предсказание биологического влияния генетических вариантов без дополнительного обучения, например, анализ эффекта вариантов BRCA1.
• Наборы данных и модели с открытым исходным кодом: предоставление предварительно обученных моделей и наборов данных OpenGenome2 для поддержки вторичных разработок и исследований.
• Поддержка параллельных вычислений на нескольких GPU: фреймворк Vortex автоматически распределяет ресурсы нескольких GPU для повышения эффективности крупномасштабных вычислений.
• Интеграция с NVIDIA BioNeMo: бесшовный доступ к платформе биовычислений NVIDIA для расширения сценариев применения.
• Инструменты визуализации и интерпретации: в сочетании с интерпретирующим визуализатором Goodfire показывает биометрические особенности и модели, распознанные моделью.

Использование помощи

Процесс установки

Для локального использования Evo 2 необходимы определенные вычислительные ресурсы и конфигурация среды. Ниже приведены подробные шаги по установке:

1. Подготовка окружающей среды

• операционная система: рекомендуется Linux (например, Ubuntu) или macOS, пользователям Windows необходимо установить WSL2.
• требования к оборудованию: Не менее 1 GPU NVIDIA (для поддержки модели 40B рекомендуется несколько GPU) с минимум 16 ГБ видеопамяти (например, A100 или RTX 3090).
• зависимость от программного обеспечения: Убедитесь, что установлены Git, Python 3.8+, PyTorch (с поддержкой CUDA) и pip.

2. Клонирование репозитория кода

Откройте терминал и выполните следующую команду, чтобы получить исходный код Evo 2:

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

Внимание:--recurse-submodules Убедитесь, что все подмодули также загружены.

3. Установка зависимостей

Запустите его в корневом каталоге проекта:

pip install .

Если у вас возникли проблемы, попробуйте установить из Vortex (подробности см. в README на GitHub). После завершения установки запустите тесты для проверки:

python -m evo2.test

Если вывод не сообщает об ошибках, значит, установка прошла успешно.

4. загрузка предварительно обученных моделей

Evo 2 доступен в различных версиях модели (например, параметры 1B, 7B, 40B), которые можно загрузить с Hugging Face или GitHub Releases. Пример:

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

Поместите файлы модели в локальный каталог для последующей загрузки.

Как использовать

После установки основные функции Evo 2 могут быть вызваны с помощью скриптов Python. Ниже приведен подробный порядок действий для основных функций:

Функция 1: создание последовательности ДНК

Evo 2 может генерировать последовательность продолжения из входного фрагмента ДНК. Процедура выглядит следующим образом:

1. Модели для погрузки::

   from evo2 import Evo2  
   model = Evo2('evo2_7b')  # 使用 7B 参数模型
   

2. Введите подсказки и создайте::

   prompt = ["ACGT"]  # 输入初始 DNA 序列  
   output = model.generate(prompt_seqs=prompt, n_tokens=400, temperature=1.0, top_k=4)  
   print(output.sequences[0])  # 输出生成的 400 个核苷酸序列
   

3. Интерпретация результатов: Сгенерированные последовательности могут быть использованы для последующих биологических анализов, при этом параметр температуры контролирует стохастичность, а top_k ограничивает диапазон выборки.

Функция 2: Прогнозирование эффектов вариантов нулевой выборки

В качестве примера для предсказания биологического влияния вариантов использовался ген BRCA1:

1. Подготовьте данные: Внесите эталонные и вариантные последовательности в список.
2. Оперативные прогнозы::

   ref_seqs = ["ATCG..."]  # 参考序列  
   var_seqs = ["ATGG..."]  # 变体序列  
   ref_scores = model.score_sequences(ref_seqs)  
   var_scores = model.score_sequences(var_seqs)  
   print(f"Reference likelihood: {ref_scores}, Variant likelihood: {var_scores}")
   

3. анализ: Сравните различия в баллах, чтобы оценить потенциальное влияние вариантов на функцию.

Функция 3: Обработка длинных последовательностей

Для очень длинных последовательностей Evo 2 поддерживает загрузку и вычисления с разбивкой по частям:

1. Загрузка больших моделей::

   model = Evo2('evo2_40b')  # 需要多 GPU 支持
   

2. Работа с длинными последовательностями::

   long_seq = "ATCG..." * 100000  # 模拟 100 万碱基序列  
   output = model.generate([long_seq], n_tokens=1000)  
   print(output.sequences[0])
   

3. предостережение: В настоящее время прямое распространение длинных последовательностей может быть медленным, поэтому рекомендуется оптимизировать конфигурацию оборудования или использовать метод подсказки учителя (подсказка учителя).

Функция 4: Наборы данных и вторичная разработка

• Получение набора данных: Загрузите набор данных OpenGenome2 (в формате FASTA или JSONL) с сайта Hugging Face.
• Индивидуальное обучение: Изменение архитектуры модели или точная настройка параметров на основе концепции Savanna для конкретных исследовательских нужд.

Советы по эксплуатации и меры предосторожности

• Конфигурация с несколькими графическими процессорами: Если вы используете модель 40B, вам необходимо убедиться, что Vortex правильно распознает несколько графических процессоров, используя nvidia-smi Проверьте распределение ресурсов.
• оптимизация производительности: Обработка длинных последовательностей уменьшает temperature значения, чтобы уменьшить вычислительную нагрузку.
• Поддержка общества: Вопросы могут быть направлены на форум GitHub Issues, где команда Arc Institute и сообщество готовы помочь.

Эти шаги позволят вам быстро и эффективно работать с Evo 2, независимо от того, создаете ли вы последовательности ДНК или анализируете генетические варианты.