Automated design of multi-target ligands by generative deep learning
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Goethe University Frankfurt,Fraunhofer Institute for Translational Medicine and Pharmacology,Ludwig Maximilian University of Munich
- Tipo di organizzazione
- Academia,Academia
- Paese
- Germany
- Pubblicato
- 11 September 2024
- Autori
- 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
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Drug discovery
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- parametri
- 5.8M
- Dati di addestramento
- 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
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Codice di addestramento
- Open source
Code used in this study is available at Zenodo (https://doi.org/10.5281/zenodo.12795470) License: CC-BY-4.0
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Automated design of multi-target ligands by generative deep learning
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Da dove è venuto
Automated design of multi-target ligands by generative deep learning è stato pubblicato da Goethe University Frankfurt,Fraunhofer Institute for Translational Medicine and Pharmacology,Ludwig Maximilian University of Munich, nel paese registrato come Germany, durante September 2024. L'organizzazione di pubblicazione è classificata come academia,Academia.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di drug discovery.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Risposte
Automated design of multi-target ligands by generative deep learning — domande comuni
Automated design of multi-target ligands by generative deep learning— quando è stato rilasciato?
È stato pubblicato in September 2024. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
Automated design of multi-target ligands by generative deep learning— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di drug discovery. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
Automated design of multi-target ligands by generative deep learning— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
Automated design of multi-target ligands by generative deep learning— è open-source?
La licenza non è mai stata registrata nei nostri dati sorgente. Trattiamo le licenze non dichiarate come chiuse, perché una licenza non registrata non è una su cui fare affidamento.
Automated design of multi-target ligands by generative deep learning— quanti parametri ha?
Ha un numero di parametri di 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.". Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
Automated design of multi-target ligands by generative deep learning— chi l'ha creato?
È stato pubblicato da Goethe University Frankfurt,Fraunhofer Institute for Translational Medicine and Pharmacology,Ludwig Maximilian University of Munich, basato su Germany, un'organizzazione categorizzata come academia,Academia.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.