LEP-AD
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- King Abdullah University of Science and Technology (KAUST),Karolinska Institute
- Organisatietype
- Academia,Academia
- Land
- Saudi Arabia, Sweden
- Gepubliceerd
- 15 March 2023
- Auteurs
- Anuj Daga, Sumeer Ahmad Khan, David Gomez Cabrero, Robert Hoehndorf, Narsis A. Kiani, Jesper Tegner
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Biology
- Taak
- Proteins, Protein interaction prediction, Drug discovery, Protein-ligand binding affinity prediction
- Basis model
- ESM2-3B
- Numerieke indeling
- FP16
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- parameters
- 3B
- Training gegevens
- 1,244,420 tokens
Uses ESM-2 3B. Table 2 gives details on the non-ESM layers. The GCN appears to have about 3.31M parameters and the linear layers should have 771k and 3.3M, respectively. So total is ~3.007B
Largest dataset appears to be STITCH, at 1244420 drug-target pairs.
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Closed — provider access only
- Toegang tot model
- Unreleased
- Training code
- Open (non-commercial)
https://github.com/adaga06/LEP-AD unclear license
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Waarom het wordt gevolgd
- SOTA improvement
- Record vertrouwen
- Confident
- Citaties
- 1
Tables 3-5 "We report new best-in-class state-of-the-art results compared to competing methods such as SimBoost, DeepCPI, Attention-DTA, GraphDTA, and more using multiple datasets, including Davis, KIBA, DTC, Metz, ToxCast, and STITCH. Finally, we find that a pre-trained model with embedding of proteins (the LED-AD) outperforms a model using an explicit alpha-fold 3D representation of proteins (e.g., LEP-AD supervised by Alphafold)"
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- LEP-AD: Language Embedding of Proteins and Attention to Drugs predicts Drug Target Interactions
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Wat dit model is
LEP-AD werd gepubliceerd door King Abdullah University of Science and Technology (KAUST),Karolinska Institute, in het land geregistreerd als Saudi Arabia, tijdens March 2023. De publicerende organisatie is geclassificeerd als academia,Academia.
Het werkt in het domein van Biology, en wordt geregistreerd als het uitvoeren van de taak van proteins, Protein interaction prediction, Drug discovery, Protein-ligand binding affinity prediction.
In plaats van vanaf nul te worden getraind, is het afgeleid van ESM2-3B. De meeste modellen op deze schaal zijn aangepast van een bestaande basis in plaats van vanuit het niets gebouwd.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Wat erin ging zitten om het te bouwen
Training verbruikte een corpus van ongeveer 1,244,420 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: sOTA improvement.
Antwoorden
LEP-AD — veelgestelde vragen
LEP-AD— hoeveel parameters heeft het?
Het heeft een parameter telling van 3B. Uses ESM-2 3B. Table 2 gives details on the non-ESM layers. The GCN appears to have about 3.31M parameters and the linear layers should have 771k and 3.3M, respectively. So total is ~3.007B. Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
LEP-AD— wie heeft het gemaakt?
Het werd gepubliceerd door King Abdullah University of Science and Technology (KAUST),Karolinska Institute, gebaseerd op Saudi Arabia, een organisatie geclassificeerd als academia,Academia.
LEP-AD— wanneer is het uitgebracht?
Het werd gepubliceerd in March 2023. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
LEP-AD— waarvoor wordt het gebruikt?
Het werkt in het domein van Biology, en wordt geregistreerd als het afhandelen van proteins, Protein interaction prediction, Drug discovery, Protein-ligand binding affinity prediction. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.
LEP-AD— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
LEP-AD— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.