NV-KERMT-70M-v2NVIDIA革命性分子图变换器加速药物发现ADMET预测【免费下载链接】NV-KERMT-70M-v2项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/NV-KERMT-70M-v2想要在药物研发中快速预测化合物的ADMET吸收、分布、代谢、排泄、毒性特性吗NVIDIA推出的NV-KERMT-70M-v2分子图变换器模型正是您需要的终极解决方案这款革命性的AI模型能够从分子结构SMILES字符串中学习化学上有意义的表示为下游ADMET预测任务提供强大的基础模型支持。无论您是计算化学研究员还是药物发现领域的机器学习专家这款模型都能显著加速您的研发流程。 什么是NV-KERMT-70M-v2NV-KERMT-70M-v2是NVIDIA开发的一款基于图变换器Graph Transformer架构的分子表示学习基础模型。它专门针对药物发现中的ADMET属性预测任务而设计通过先进的对比学习技术从1100多万个分子数据中学习到了丰富的化学知识。核心功能亮点70M参数规模- 强大的模型容量化学感知预训练- 结合SMILES重建和对比学习多任务ADMET预测- 支持吸收、分布、代谢、排泄、毒性预测⚡NVIDIA GPU优化- 充分利用GPU加速计算️ 模型架构与技术原理图变换器架构NV-KERMT-70M-v2采用基于GROVER架构的图变换器编码器结合了局部消息传递和全局自注意力机制。模型参数达到7.06×10^7约7060万具有以下技术特点编码器配置隐藏层大小8006层消息传递注意力层注意力头数每层4个注意力头潜在维度512维潜在空间表示激活函数PReLU激活dropout率0.1创新的预训练策略模型采用联合概率目标进行预训练包含四个关键组件SMILES重建- 通过变换器解码器重建输入SMILES对比判别- 在批次内进行正负样本对比化学特定自监督- 原子上下文、键上下文预测功能基团预测- 识别分子的功能性基团 训练数据与性能表现大规模训练数据集模型在超过1100万个独特的分子SMILES字符串上进行预训练数据来源包括ZINC15- 1100万药物样化合物基础池ChEMBL- 生物活性分子数据库Biogen ADMET- 3521个分子6个ADMET端点ExpansionRX- 7600个分子9个ADMET端点ChEMBL-MT- 114K个分子25个ADMET端点卓越的下游性能在三个独立ADMET基准测试中模型表现出色Biogen数据集4个ADMET端点Bemis-Murcko骨架分割ExpansionRX数据集9个ADMET端点时间序列分割ChEMBL-MT数据集25个ADMET端点Taylor-Butina聚类分割评估指标包括平均绝对误差MAE、皮尔逊相关系数r和斯皮尔曼相关系数ρ在多个随机种子下进行平均。 快速开始使用指南环境要求要使用NV-KERMT-70M-v2模型您需要Python环境建议使用Python 3.8深度学习框架PyTorch 2.xGPU支持NVIDIA GPU计算能力7.0推荐显存至少32GB GPU显存用于预训练和微调支持的硬件架构模型经过优化支持以下NVIDIA GPU架构NVIDIA AmpereA100、A40、A10NVIDIA BlackwellNVIDIA HopperH100NVIDIA LovelaceL4、L40NVIDIA TuringT4NVIDIA VoltaV100简单三步上手克隆代码仓库git clone https://gitcode.com/hf_mirrors/nvidia/NV-KERMT-70M-v2安装依赖pip install torch rdkit加载预训练模型 使用KERMT代码库加载kermt_contrastive_v2.0.pt检查点文件 实际应用场景药物发现工作流集成NV-KERMT-70M-v2可以无缝集成到现有的药物发现工作流中分子筛选- 快速评估候选化合物的ADMET属性先导化合物优化- 指导结构修饰以改善药代动力学特性虚拟筛选- 从大型化合物库中识别有潜力的候选分子毒性预测- 早期识别潜在的毒性风险研究应用领域计算化学研究- 分子表示学习的基础研究ADMET/DMPK预测- 药物代谢和药代动力学研究化学信息学- 分子相似性分析和聚类药物设计- 基于AI的药物分子设计 模型文件说明项目中包含以下关键文件kermt_contrastive_v2.0.pt- 预训练模型权重文件pretrain_atom_vocab.json- 原子词汇表pretrain_bond_vocab.json- 键词汇表pretrain_smiles_vocab.pkl- SMILES词汇表README.md- 详细模型说明文档LICENSE- Apache 2.0许可证文件 模型评估与验证验证策略模型采用严格的验证策略确保可靠性交叉验证- 多折交叉验证减少过拟合随机种子平均- 多次运行取平均结果骨架分割- 基于Bemis-Murcko骨架的分割策略时间分割- 按时间顺序分割数据集聚类分割- 基于分子相似性的聚类分割性能基准在标准ADMET基准测试中NV-KERMT-70M-v2相比传统方法展现出显著优势更高的预测精度- 减少实验验证成本更好的泛化能力- 适应不同化学空间更快的推理速度- 充分利用GPU加速⚠️ 重要注意事项使用限制预测性质- 模型输出为统计估计值不能替代实验测量化学空间覆盖- 主要针对药物样化合物其他类型分子可能预测不准安全决策- 不应用于安全关键药物开发决策伦理考量NVIDIA建议用户在部署前进行充分的测试和验证确保模型预测符合相关安全法规评估模型在特定应用场景中的表现建立适当的监控和验证机制 未来发展方向NV-KERMT-70M-v2为分子AI研究开辟了新方向更大规模预训练- 扩展训练数据集规模多模态融合- 结合3D结构和物理性质信息实时预测- 优化推理速度实现实时筛选自动化工作流- 集成到端到端药物发现平台 学习资源与支持官方文档详细的技术文档和API参考可在项目文档中找到模型架构说明- 详细的架构设计文档训练配置- 预训练和微调的最佳实践API参考- 完整的函数和类文档社区支持GitHub Issues- 报告问题和功能请求讨论论坛- 与其他用户交流经验示例代码- 丰富的使用示例和教程 开始您的药物发现AI之旅NV-KERMT-70M-v2代表了分子AI领域的重要进展为药物发现研究人员提供了强大的工具。无论您是希望加速现有工作流还是探索新的研究方向这款模型都能为您提供有力支持。立即开始使用NV-KERMT-70M-v2体验AI驱动的药物发现新范式重要提示模型权重基于NVIDIA开放模型许可证提供源代码基于Apache 2.0许可证。使用前请仔细阅读相关许可证条款。【免费下载链接】NV-KERMT-70M-v2项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/NV-KERMT-70M-v2创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考