ProteinMPNN
Brak szacunków
Brak wymagań sprzętowych dla tego modelu
Wagi tego modelu są dostępne publicznie, jednak nie opublikowano liczby parametrów dla niego. Każdy wskaźnik pamięci i szybkości zaczyna się od tej liczby, dlatego wolelibyśmy nie podawać niczego, niż sfałszowaną szacunkową wartość.
Na nagraniu
Pełna specyfikacja
Wszystko, co jest dostępne na temat tego modelu. Większość z tego opisuje, jak został wytrenowany, a nie jak działa — przydatny kontekst do oceny, ile pracy w to włożono i jak wypada na tle modeli zbudowanych na innym poziomie skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- University of Washington,Wageningen University and Research,NERSC, Lawrence Berkeley National Laboratory
- Typ organizacji
- Academia,Academia,Government
- Kraj
- United States of America, Netherlands
- Opublikowane
- 15 September 2022
- Autorzy
- J. Dauparas, I. Anishchenko, N. Bennett, H. Bai, R. J. Ragotte, L. F. Milles, B. I. M. Wicky, A. Courbet, R. J. de Haas, N. Bethel, P. J. Y. Leung, T. F. Huddy, S. Pellock, D. Tischer, F. Chan, B. Koepnick, H. Nguyen, A. Kang, B. Sankaran, A. K. Bera, N. P. King, D. Baker
Co to robi
Obszary problemowe, dla których stworzono model. Model może zawierać kilka z każdej.
- Domena
- Biology
- Zadanie
- Protein or nucleotide language model (pLM/nLM), Protein design
Rozmiar
Jakiej wielkości jest model i na ile danych był szkolony. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- Dane treningowe
- tokens
19,700 proteins * 0.8 [train split] × 300 residues/protein [assumtion] = 4 728 000 residues ≈ 5.0 × 10⁶ datapoints
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim własnym sprzęcie, co decyduje, czy jakiekolwiek z danych dotyczących karty graficznej na tej stronie mają zastosowanie.
- Wagi
- Open — downloadable
- Dostęp do modelu
- Open weights (unrestricted)
- Kod treningowy
- Open source
MIT license https://github.com/dauparas/ProteinMPNN
Jak jest klasyfikowane
Etykiety stosowane przez źródłowy zbiór danych podczas śledzenia znaczących modeli oraz jak pewny jest w danym wpisie.
- Zaufanie do nagrania
- Likely
- Cytacje
- 793
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Robust deep learning–based protein sequence design using ProteinMPNN
- Ostatnia aktualizacja
- 28 November 2025
Co oznaczają liczby
Czym jest ten model
ProteinMPNN was published by University of Washington,Wageningen University and Research,NERSC, Lawrence Berkeley National Laboratory, in United States of America, in September 2022. It comes out of academia,Academia,Government.
It works in Biology, and is recorded as doing protein or nucleotide language model (pLM/nLM), Protein design.
Otwarta waga to coś, co sprawia, że ta strona znajduje się w kalkulatorze, a nie tylko w katalogu: to model, który możesz rzeczywiście trzymać.
Odpowiedzi
ProteinMPNN — Często zadawane pytania
How many parameters does ProteinMPNN have?
No parameter count has been published for ProteinMPNN, which is why no memory or speed figure appears on this page.
Who created ProteinMPNN?
ProteinMPNN was published by University of Washington,Wageningen University and Research,NERSC, Lawrence Berkeley National Laboratory, based in United States of America, categorised as academia,Academia,Government.
When was ProteinMPNN released?
ProteinMPNN was published in September 2022. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is ProteinMPNN used for?
ProteinMPNN works in Biology, and is recorded as handling protein or nucleotide language model (pLM/nLM), Protein design. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
Where can I download ProteinMPNN?
The weights for ProteinMPNN are published, though we do not hold a repository link for it. This site calculates hardware requirements rather than hosting model files.
What GPU do I need to run ProteinMPNN?
We cannot say. ProteinMPNN has open weights, but no parameter count has been published for it, and every memory and speed calculation starts from that number. We would rather show nothing than a fabricated estimate.
Is ProteinMPNN open source?
Its weights are published, so ProteinMPNN can be downloaded and run on your own hardware. Note that open weights is not the same as open source in the full sense — it says nothing about the training data, the training code, or the commercial terms attached.
W innym kierunku
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, wszystko co będzie ona obsługiwać, Rozpocznij od sprzętu..