AlphaMissense
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- Google DeepMind
- Type d'organisation
- Industry
- Pays
- United States of America
- Publié
- 22 September 2023
- Auteurs
- Jun Cheng, Guido Novati, Joshua Pan, Clare Bycroft, Akvile ̇Žemgulyte ̇, Taylor Applebaum, Alexander Pritzel, Lai Hong Wong, Michal Zielinski, Tobias Sargeant, Rosalia G. Schneider,Andrew W. Senior, John Jumper, Demis Hassabis, Pushmeet Kohli,Žiga Avsec
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Biology
- Tâche
- Protein pathogenicity prediction, Protein folding prediction, Proteins
- Modèle de base
- AlphaFold 2
- Format numérique
- BF16
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- paramètres
- 93M
- Données d'entraînement
- 2,304,000,000 tokens
- Époques
- 4
"The model architecture is similar to that of AlphaFold (21), with minor modifications" Reference is to the AlphaFold 2 paper; that model had 93 million parameters
7800000 samples - size of training dataset (see Table S4 in supplementary materials) +1,345,605 variants for fine-tuning (but less could be used) see Table S1 around 9000000 samples is quite confident estimation
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
- Code d'entraînement
- Open source
Apache for code. weights not released https://github.com/google-deepmind/alphamissense
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Pourquoi c'est suivi
- SOTA improvement
- Confiance d'enregistrement
- Likely
- Citations
- 1,226
"By combining structural context and evolutionary conservation, our model achieves state-of-the-art results across a wide range of genetic and experimental benchmarks, all without explicitly training on such data." [Abstract]
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Accurate proteome-wide missense variant effect prediction with AlphaMissense
- Dernière mise à jour
- 1 January 2026
Ce que les chiffres signifient
D'où cela vient-il
AlphaMissense a été publié par Google DeepMind, dans le pays enregistré comme United States of America, durant September 2023. La catégorie à laquelle appartient l'éditeur est industry.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de protein pathogenicity prediction, Protein folding prediction, Proteins.
Il s'appuie sur AlphaFold 2. La plupart des modèles à cette échelle sont adaptés d'une base existante plutôt que construits de rien.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Entraînement et provenance
L'entraînement a consommé un corpus d'environ 2,304,000,000 jetons de texte
La raison pour laquelle il apparaît dans ce catalogue. sOTA improvement.
Réponses
AlphaMissense — questions courantes
AlphaMissense— quand a-t-il été publié ?
Il a été publié dans September 2023. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
AlphaMissense— à quoi ça sert ?
Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de protein pathogenicity prediction, Protein folding prediction, Proteins. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
AlphaMissense— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
AlphaMissense— est-ce que c'est open source ?
Non. Ses poids n'ont pas été publiés, donc il n'existe que sous forme de service contrôlé par son propriétaire.
AlphaMissense— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 93M. "The model architecture is similar to that of AlphaFold (21), with minor modifications" Reference is to the AlphaFold 2 paper; that model had 93 million parameters. Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
AlphaMissense— qui l'a créé ?
Il a été publié par Google DeepMind, basé sur United States of America, une organisation catégorisée comme industry.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.