许可证: mit

微件:

• 文本: "T R P N N N T R K S I R I Q R G P G R A F V T I G K I G N M R Q A H C"
  示例标题: "V3巨噬细胞"
• 文本: 'C T R P N N N T R K S I H I G P G R A F Y T T G Q I I G D I R Q A Y C'
  示例标题: "V3 T细胞"

数据集:

• damlab/HIV_V3_bodysite
  指标:
• 准确率

[HIV_V3_bodysite]模型卡

目录

• 目录
• 概述
• 模型描述
• 预期用途与限制
• 使用方法
• 训练数据
• 训练流程
  • 预处理
  • 训练
• 评估结果
• BibTeX条目与引用信息

概述

HIV-BERT-身体部位识别模型是在HIV-BERT模型（插入链接）基础上优化的版本，旨在更精准预测HIV V3环样本的采集部位。该模型源自ProtBert-BFD模型（https://huggingface.co/Rostlab/prot_bert_bfd）的改进版本，通过洛斯阿拉莫斯HIV序列数据库（https://www.hiv.lanl.gov/content/sequence/HIV/mainpage.html）的V3序列训练，其身体部位预测精度较原始HIV-BERT模型显著提升。

模型描述

本模型用于预测HIV序列最可能的来源组织部位。由于HIV通过感染免疫细胞实现全身扩散，识别病毒颗粒的最终定位有助于研究治疗方案。当输入HIV基因组序列时，模型可推断其来源组织。

预期用途与限制

本工具适用于基于基因组序列预测HIV样本来源部位，但不作为临床诊断依据。

训练数据主要来自洛斯阿拉莫斯HIV数据库，该库以欧美B亚型序列为主（C/A/D亚型占比较少）。当前版本未对不同亚型的预测性能进行平衡优化，针对非B亚型序列建议进行额外训练。

使用方法

本模型可通过V3序列预测可能来源部位，适用于潜伏病毒库的细胞溯源研究（注意：单个序列可能对应多个非互斥部位）。

from transformers import pipeline  

predictor = pipeline("text-classification", model="damlab/HIV_V3_bodysite")  
predictor("C T R P N N N T R K S I R I Q R G P G R A F V T I G K I G N M R Q A H C")  

[  
  {  
    "label": "外周血T细胞",  
    "score": 0.29097115993499756  
  },  
  {  
    "label": "外周血单核细胞",  
    "score": 0.014322502538561821  
  },  
  {  
    "label": "中枢神经系统",  
    "score": 0.06870711594820023  
  },  
  # 其余预测结果...  
]  

训练数据

使用damlab/HIV_V3_bodysite数据集的第0折数据，包含5510条来自洛斯阿拉莫斯数据库的序列（每条约35个标记）。

训练流程

预处理

参照rostlab/Prot-bert-bfd模型：

• 稀有氨基酸U/Z/O/B转为X
• 氨基酸间插入空格
• 序列拼接后分块为256标记的片段
• 随机保留20%片段用于验证

训练

以damlab/HIV-BERT为初始权重构建分类模型：

• 学习率1E-5
• 5万步热身训练
• 带重启的余弦学习率调度
• 早停机制（验证集损失连续3轮未改善）
• 采用加权二元交叉熵损失（按类别逆频率加权）

评估结果

待补充

BibTeX条目与引用信息

[需补充详细信息]