Automated design of multi-target ligands by generative deep learning
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Goethe University Frankfurt,Fraunhofer Institute for Translational Medicine and Pharmacology,Ludwig Maximilian University of Munich
- Tipo de Organización
- Academia,Academia
- País
- Germany
- Publicado
- 11 September 2024
- Autores
- Laura Isigkeit, Tim Hörmann, Espen Schallmayer, Katharina Scholz, Felix F. Lillich, Johanna H. M. Ehrler, Benedikt Hufnagel, Jasmin Büchner, Julian A. Marschner, Jörg Pabel, Ewgenij Proschak, Daniel Merk
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Biology
- Tarea
- Drug discovery
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 5.8M
- Datos de entrenamiento
- tokens
"The model was based on a recurrent neural network with long short-term memory (LSTM) cells and consisted of four layers with a total of 5,820,515 parameters: layer 1, BatchNormalization; layer 2, LSTM with 1024 units; layer 3, LSTM with 256 units; layer 4, BatchNormalization."
365,000 molecules × 10 augmentations = 3,650,000 total molecules 3,650,000 molecules × 140 tokens/molecule = 511,000,000 (5.11 × 10⁸) tokens Final estimate: 5.1e8 tokens
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Código de entrenamiento
- Open source
Code used in this study is available at Zenodo (https://doi.org/10.5281/zenodo.12795470) License: CC-BY-4.0
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Confident
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Automated design of multi-target ligands by generative deep learning
- Última actualización
- 28 November 2025
Qué significan los números
De dónde vino
Automated design of multi-target ligands by generative deep learning fue publicado por Goethe University Frankfurt,Fraunhofer Institute for Translational Medicine and Pharmacology,Ludwig Maximilian University of Munich, en el país registrado como Germany, durante September 2024. La organización editora está clasificada como academia,Academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de drug discovery.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Respuestas
Automated design of multi-target ligands by generative deep learning — preguntas comunes
Automated design of multi-target ligands by generative deep learning— ¿cuándo fue lanzado?
Se publicó en September 2024. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
Automated design of multi-target ligands by generative deep learning— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de drug discovery. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
Automated design of multi-target ligands by generative deep learning— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
Automated design of multi-target ligands by generative deep learning— ¿Es de código abierto?
La licencia nunca fue registrada en nuestros datos fuente. Tratamos las licencias no declaradas como cerradas, porque una licencia no registrada no es una en la que confiar.
Automated design of multi-target ligands by generative deep learning— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 5.8M. "The model was based on a recurrent neural network with long short-term memory (LSTM) cells and consisted of four layers with a total of 5,820,515 parameters: layer 1, BatchNormalization; layer 2, LSTM with 1024 units; layer 3, LSTM with 256 units; layer 4, BatchNormalization.". Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
Automated design of multi-target ligands by generative deep learning— ¿Quién lo creó?
Fue publicado por Goethe University Frankfurt,Fraunhofer Institute for Translational Medicine and Pharmacology,Ludwig Maximilian University of Munich, basado en Germany, una organización categorizada como academia,Academia.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.