gpt2 zinc 87m
par entropy
Open source · 268k downloads · 4 likes
0.9
(4 avis)ChatAPI & LocalÀ propos
Le modèle GPT2 Zinc 87m est un modèle de langage autoregressif inspiré de GPT2, spécialement conçu pour générer des molécules chimiques sous forme de chaînes SMILES. Entraîné sur un vaste corpus de près de 480 millions de SMILES issus de la base de données ZINC, il permet de créer des molécules aux propriétés similaires à celles de médicaments existants. Ses principales capacités incluent la génération de nouvelles structures chimiques et la production d'embeddings à partir de SMILES, utiles pour des analyses ou des tâches de modélisation en chimie computationnelle. Ce modèle se distingue par sa taille compacte (87 millions de paramètres) et sa performance optimisée pour des applications en drug design ou en exploration de l'espace chimique. Il est particulièrement adapté aux chercheurs et ingénieurs en chimie médicinale cherchant à accélérer la découverte de nouveaux composés.
Documentation
GPT2 Zinc 87m
This is a GPT2 style autoregressive language model trained on ~480m SMILES strings from the ZINC database.
The model has ~87m parameters and was trained for 175000 iterations with a batch size of 3072 to a validation loss of ~.615. This model is useful for generating druglike molecules or generating embeddings from SMILES strings
How to use
Python
from transformers import GPT2TokenizerFast, GPT2LMHeadModel
tokenizer = GPT2TokenizerFast.from_pretrained("entropy/gpt2_zinc_87m", max_len=256)
model = GPT2LMHeadModel.from_pretrained('entropy/gpt2_zinc_87m')
To generate molecules:
Python
inputs = torch.tensor([[tokenizer.bos_token_id]])
gen = model.generate(
inputs,
do_sample=True,
max_length=256,
temperature=1.,
early_stopping=True,
pad_token_id=tokenizer.pad_token_id,
num_return_sequences=32
)
smiles = tokenizer.batch_decode(gen, skip_special_tokens=True)
To compute embeddings:
Python
from transformers import DataCollatorWithPadding
collator = DataCollatorWithPadding(tokenizer, padding=True, return_tensors='pt')
inputs = collator(tokenizer(smiles))
outputs = model(**inputs, output_hidden_states=True)
full_embeddings = outputs[-1][-1]
mask = inputs['attention_mask']
embeddings = ((full_embeddings * mask.unsqueeze(-1)).sum(1) / mask.sum(-1).unsqueeze(-1))
WARNING
This model was trained with bos and eos tokens around SMILES inputs. The GPT2TokenizerFast tokenizer DOES NOT ADD special tokens,
even when add_special_tokens=True. Huggingface says this is intended behavior.
It may be necessary to manually add these tokens
Python
inputs = collator(tokenizer([tokenizer.bos_token+i+tokenizer.eos_token for i in smiles]))
Model Performance
To test generation performance, 1m compounds were generated at various temperature values. Generated compounds were checked for uniqueness and structural validity.
percent_uniquedenotesn_unique_smiles/n_total_smilespercent_validdenotesn_valid_smiles/n_unique_smilespercent_unique_and_validdenotesn_valid_smiles/n_total_smiles
| temperature | percent_unique | percent_valid | percent_unique_and_valid |
|---|---|---|---|
| 0.5 | 0.928074 | 1 | 0.928074 |
| 0.75 | 0.998468 | 0.999967 | 0.998436 |
| 1 | 0.999659 | 0.999164 | 0.998823 |
| 1.25 | 0.999514 | 0.99351 | 0.993027 |
| 1.5 | 0.998749 | 0.970223 | 0.96901 |
Property histograms computed over 1m generated compounds:
Liens & Ressources