Accurate prediction of protein structures and interactions using a 3-track network
Minkyung Baek, Frank DiMaio, Ivan Anishchenko, Justas Dauparas, Sergey Ovchinnikov, Gyu Rie Lee, Jue Wang, Qian Cong, Lisa N. Kinch, R. Dustin Schaeffer, Claudia Millán, Hahnbeom Park, Carson Adams, Caleb R. Glassman, Andy DeGiovanni, Jose H. Pereira, Andria V. Rodrigues, Alberdina A. van Dijk, Ana C. Ebrecht, Diederik J. Opperman, Theo Sagmeister, Christoph Buhlheller, Tea Pavkov-Keller, Manoj K Rathinaswamy, Udit Dalwadi, Calvin K Yip, John E Burke, K. Christopher Garcia, Nick V. Grishin, Paul D. Adams, Randy J. Read, David Baker
Статья: https://www.biorxiv.org/content/10.1101/2021.06.14.448402v1
Модель: https://github.com/RosettaCommons/RoseTTAFold
С того момента, как AlphaFold2 всех побил на соревновании по предсказанию белковых структур CASP14 (https://www.nature.com/articles/d41586-020-03348-4) было много обсуждений и домыслов, что у этой штуки внутре. Некоторые команды пытаются собрать свою версию AlphaFold2 (https://github.com/lucidrains/alphafold2) на основе доступной информации. DeepMind вот уже обещает детальную статью (в стадии ревью) и код в опенсорсе (https://twitter.com/demishassabis/status/1405922961710854144), но пока не выдал. В это время другие исследователи предлагают свои альтернативные подходы к таким задачам.
Вот недавно большая команда исследователей предложила свою сеть, работающую с тремя типами данных (они это называют 3-track network, что, наверное, можно назвать трёхмодальной сетью): 1D информация о последовательностях, 2D карта расстояний и 3D уровень координат атомов. AlphaFold2 вроде как 2-track network (1D и 2D, а часть с 3D и итеративным предсказанием структуры там вроде на выходе уже после того как полностью отработали первые две, но это не точно).
Цель сети — предсказать трёхмерные координаты атомов N, Cɑ, C каждой аминокислоты.
Независимо от результата интересен подход. В модели происходит довольно активный обмен данными между разными треками. И в работе собраны несколько интересных вещей, редко встречающихся в других областях.
Пайплайн работает так:
Для целевого белка через HHblits ищутся гомологи в UniRef30 и BFD, строится множественное выравнивание (MSA).
По MSA делается поиск белков-шаблонов (или как по-русски называются эти templates?) в PDB100. Далее из известных структур шаблонов берутся попарные расстояния и ориентации для выравненных позиций, плюс собираются дополнительные фичи (скоры выравнивания, вероятности HHsearch и т.д.).
MSA обрабатывается аналогом MSA трансформера с axial attention. Для колоночного внимания используется архитектура Performer (https://t.me/gonzo_ML/404), уменьшающая требования к памяти с O(LM^2) до O(LM), где L — длина выравнивания, а M — число последовательностей. Для внимания по строкам берут модифицированный вариант зашаренного внимания, уменьшающий вклад невыравненных участков с помощью обучаемого зависящего от позиции веса (это называется soft-tied attention).
Парные фичи (2D) обновляются по сигналу из фич MSA с использованием axial attention также с Performer’ом. MSA фичи в свою очередь обновляются на основе информации, закодированной в парных фичах (и эта идея взята из AlphaFold2).
Далее задействован графовый трансформер архитектуры UniMP (https://arxiv.org/abs/2009.03509), он до сих пор довольно высоко висит в лидерборде Open Graph Benchmark (https://ogb.stanford.edu/). На вход ему прилетает полносвязный граф, где узлы это аминокислоты белка, MSA фичи дают эмбеддинги узлов, а парные фичи — эмбеддинги рёбер. Этот трансформер выдаёт (через 4 слоя графовых слоёв и один слой линейной трансформации) на выходе начальные координаты бэкбона белка для 3D трека.
Затем подключается хитрый SE(3)-трансформер (https://arxiv.org/abs/2006.10503), который эквивариантен относительно трёхмерных вращений и перемещений . Он уточняет xyz координаты на основе обновлённых MSA и парных фич.
Minkyung Baek, Frank DiMaio, Ivan Anishchenko, Justas Dauparas, Sergey Ovchinnikov, Gyu Rie Lee, Jue Wang, Qian Cong, Lisa N. Kinch, R. Dustin Schaeffer, Claudia Millán, Hahnbeom Park, Carson Adams, Caleb R. Glassman, Andy DeGiovanni, Jose H. Pereira, Andria V. Rodrigues, Alberdina A. van Dijk, Ana C. Ebrecht, Diederik J. Opperman, Theo Sagmeister, Christoph Buhlheller, Tea Pavkov-Keller, Manoj K Rathinaswamy, Udit Dalwadi, Calvin K Yip, John E Burke, K. Christopher Garcia, Nick V. Grishin, Paul D. Adams, Randy J. Read, David Baker
Статья: https://www.biorxiv.org/content/10.1101/2021.06.14.448402v1
Модель: https://github.com/RosettaCommons/RoseTTAFold
С того момента, как AlphaFold2 всех побил на соревновании по предсказанию белковых структур CASP14 (https://www.nature.com/articles/d41586-020-03348-4) было много обсуждений и домыслов, что у этой штуки внутре. Некоторые команды пытаются собрать свою версию AlphaFold2 (https://github.com/lucidrains/alphafold2) на основе доступной информации. DeepMind вот уже обещает детальную статью (в стадии ревью) и код в опенсорсе (https://twitter.com/demishassabis/status/1405922961710854144), но пока не выдал. В это время другие исследователи предлагают свои альтернативные подходы к таким задачам.
Вот недавно большая команда исследователей предложила свою сеть, работающую с тремя типами данных (они это называют 3-track network, что, наверное, можно назвать трёхмодальной сетью): 1D информация о последовательностях, 2D карта расстояний и 3D уровень координат атомов. AlphaFold2 вроде как 2-track network (1D и 2D, а часть с 3D и итеративным предсказанием структуры там вроде на выходе уже после того как полностью отработали первые две, но это не точно).
Цель сети — предсказать трёхмерные координаты атомов N, Cɑ, C каждой аминокислоты.
Независимо от результата интересен подход. В модели происходит довольно активный обмен данными между разными треками. И в работе собраны несколько интересных вещей, редко встречающихся в других областях.
Пайплайн работает так:
Для целевого белка через HHblits ищутся гомологи в UniRef30 и BFD, строится множественное выравнивание (MSA).
По MSA делается поиск белков-шаблонов (или как по-русски называются эти templates?) в PDB100. Далее из известных структур шаблонов берутся попарные расстояния и ориентации для выравненных позиций, плюс собираются дополнительные фичи (скоры выравнивания, вероятности HHsearch и т.д.).
MSA обрабатывается аналогом MSA трансформера с axial attention. Для колоночного внимания используется архитектура Performer (https://t.me/gonzo_ML/404), уменьшающая требования к памяти с O(LM^2) до O(LM), где L — длина выравнивания, а M — число последовательностей. Для внимания по строкам берут модифицированный вариант зашаренного внимания, уменьшающий вклад невыравненных участков с помощью обучаемого зависящего от позиции веса (это называется soft-tied attention).
Парные фичи (2D) обновляются по сигналу из фич MSA с использованием axial attention также с Performer’ом. MSA фичи в свою очередь обновляются на основе информации, закодированной в парных фичах (и эта идея взята из AlphaFold2).
Далее задействован графовый трансформер архитектуры UniMP (https://arxiv.org/abs/2009.03509), он до сих пор довольно высоко висит в лидерборде Open Graph Benchmark (https://ogb.stanford.edu/). На вход ему прилетает полносвязный граф, где узлы это аминокислоты белка, MSA фичи дают эмбеддинги узлов, а парные фичи — эмбеддинги рёбер. Этот трансформер выдаёт (через 4 слоя графовых слоёв и один слой линейной трансформации) на выходе начальные координаты бэкбона белка для 3D трека.
Затем подключается хитрый SE(3)-трансформер (https://arxiv.org/abs/2006.10503), который эквивариантен относительно трёхмерных вращений и перемещений . Он уточняет xyz координаты на основе обновлённых MSA и парных фич.
bioRxiv
Accurate prediction of protein structures and interactions using a 3-track network
DeepMind presented remarkably accurate protein structure predictions at the CASP14 conference. We explored network architectures incorporating related ideas and obtained the best performance with a 3-track network in which information at the 1D sequence level…
--------------
Ликбез:
эквивариантность — это когда результат функции от трансформированного входа соответствует трансформированному результату от нетрансформированного входа, или f(T(x))=T(f(x))
инвариантность — это когда результат функции от трансформированного входа такой же, как и от нетрансформированного, или f(T(x))=f(x)
Если кому интересно подробнее про это на примере свёрток, то вот неплохой разбор на кошечках: https://www.doc.ic.ac.uk/~bkainz/teaching/DL/notes/equivariance.pdf
--------------
И далее, карты внимания, полученные из 3D структур, используются для обновления фич MSA через хитрое внимание с маской (так что внимание смотрит только на близлежащие в пространстве атомы, это делается с четырьмя порогами в 8, 12, 16 и 20 ангстрем).
Есть много коммуникации между разными треками в системе, порядок этой коммуникации важен, авторы пробовали два разных варианта и один оказался явно лучше другого.
Модель получилась большая и за раз способна обрабатывать небольшие кусочки белков (кропы) по 260 аминокислот. Для получения финального предсказания авторы комбинируют и усредняют 1D фичи и 2D расстояния и ориентацию для кропов, а затем используют два подхода для генерации финальной 3D структуры. В первом подходе предсказанные расстояния между аминокислотами и ориентации отправляются в pyRosetta для генерации всех атомов; во втором 1D и 2D фичи отправляются в ещё один SE(3)-трансформер, который обучается выдавать 3D координаты. Первая сеть требует меньше памяти: 8Gb RTX2080 для инференса, но зато больше CPU для pyRosetta. Вторая требует 24Gb TITAN RTX.
Всего в модели 130М параметров, 8 2-track блоков, 5 3-track блока. Обучали 4 недели на 8 V100 32Gb. Модель называется RoseTTAFold.
Качества AlphaFold2 авторы не добились, но отчасти возможно это в силу разных мощностей — в случае AlphaFold2 предсказания для одиночных белков считались сутками на нескольких GPU, а здесь делаются за один forward-pass сетки и требуют порядка 10 минут на RTX2080 (плюс 1.5 часа на поиск шаблонов и MSA на входе).
Такая вот сложная система и чудо инженерной мысли.
Просится сравнение с AlphaFold2 (ну насколько мы про него можем говорить до опубликования всех деталей). AlphaFold2 прогоняет информацию (вроде более-менее ту же) через 2-track модель, и затем уже отправляет обработанные данные в 3D эквивариантную сеть, напрямую работающую с координатами. AlphaFold2 обучается end-to-end, сигнал от лосс-функции на предсказание координат проходит через весь этот набор SE(3)-эквивариантных слоёв до самого начала. Авторы текущей работы попробовали тоже собрать 2-track сеть, но добавление третьего трека с SE(3)-трансформерами улучшило качество предсказаний. Так что может и AlphaFold2 есть куда улучшить.
Есть ещё экспериментальная биологическая часть, когда попытались применить RoseTTAFold к белкам неизвестной структуры и что-то про них поняли, но за этим отсылаю к статье.
Ликбез:
эквивариантность — это когда результат функции от трансформированного входа соответствует трансформированному результату от нетрансформированного входа, или f(T(x))=T(f(x))
инвариантность — это когда результат функции от трансформированного входа такой же, как и от нетрансформированного, или f(T(x))=f(x)
Если кому интересно подробнее про это на примере свёрток, то вот неплохой разбор на кошечках: https://www.doc.ic.ac.uk/~bkainz/teaching/DL/notes/equivariance.pdf
--------------
И далее, карты внимания, полученные из 3D структур, используются для обновления фич MSA через хитрое внимание с маской (так что внимание смотрит только на близлежащие в пространстве атомы, это делается с четырьмя порогами в 8, 12, 16 и 20 ангстрем).
Есть много коммуникации между разными треками в системе, порядок этой коммуникации важен, авторы пробовали два разных варианта и один оказался явно лучше другого.
Модель получилась большая и за раз способна обрабатывать небольшие кусочки белков (кропы) по 260 аминокислот. Для получения финального предсказания авторы комбинируют и усредняют 1D фичи и 2D расстояния и ориентацию для кропов, а затем используют два подхода для генерации финальной 3D структуры. В первом подходе предсказанные расстояния между аминокислотами и ориентации отправляются в pyRosetta для генерации всех атомов; во втором 1D и 2D фичи отправляются в ещё один SE(3)-трансформер, который обучается выдавать 3D координаты. Первая сеть требует меньше памяти: 8Gb RTX2080 для инференса, но зато больше CPU для pyRosetta. Вторая требует 24Gb TITAN RTX.
Всего в модели 130М параметров, 8 2-track блоков, 5 3-track блока. Обучали 4 недели на 8 V100 32Gb. Модель называется RoseTTAFold.
Качества AlphaFold2 авторы не добились, но отчасти возможно это в силу разных мощностей — в случае AlphaFold2 предсказания для одиночных белков считались сутками на нескольких GPU, а здесь делаются за один forward-pass сетки и требуют порядка 10 минут на RTX2080 (плюс 1.5 часа на поиск шаблонов и MSA на входе).
Такая вот сложная система и чудо инженерной мысли.
Просится сравнение с AlphaFold2 (ну насколько мы про него можем говорить до опубликования всех деталей). AlphaFold2 прогоняет информацию (вроде более-менее ту же) через 2-track модель, и затем уже отправляет обработанные данные в 3D эквивариантную сеть, напрямую работающую с координатами. AlphaFold2 обучается end-to-end, сигнал от лосс-функции на предсказание координат проходит через весь этот набор SE(3)-эквивариантных слоёв до самого начала. Авторы текущей работы попробовали тоже собрать 2-track сеть, но добавление третьего трека с SE(3)-трансформерами улучшило качество предсказаний. Так что может и AlphaFold2 есть куда улучшить.
Есть ещё экспериментальная биологическая часть, когда попытались применить RoseTTAFold к белкам неизвестной структуры и что-то про них поняли, но за этим отсылаю к статье.
Пир духа.
В Nature за 15 июля статья DeepMind про AlphaFold2:
https://www.nature.com/articles/d41586-021-01968-y
https://www.nature.com/articles/s41586-021-03819-2
Код выложен на гитхаб:
https://github.com/deepmind/alphafold
В Science за 15 июля статья про RoseTTAFold (писали про неё недавно, https://t.me/gonzo_ML/642):
https://www.science.org/doi/abs/10.1126/science.abj8754
Этот код уже был на гитхабе ранее, когда мы про эту модель писали:
https://github.com/RosettaCommons/RoseTTAFold
В Nature за 15 июля статья DeepMind про AlphaFold2:
https://www.nature.com/articles/d41586-021-01968-y
https://www.nature.com/articles/s41586-021-03819-2
Код выложен на гитхаб:
https://github.com/deepmind/alphafold
В Science за 15 июля статья про RoseTTAFold (писали про неё недавно, https://t.me/gonzo_ML/642):
https://www.science.org/doi/abs/10.1126/science.abj8754
Этот код уже был на гитхабе ранее, когда мы про эту модель писали:
https://github.com/RosettaCommons/RoseTTAFold
Nature
DeepMind’s AI for protein structure is coming to the masses
Nature - Machine-learning systems from the company and from a rival academic group are now open source and freely accessible.
Highly accurate protein structure prediction with AlphaFold
John Jumper, Richard Evans, Alexander Pritzel, Tim Green, Michael Figurnov, Olaf Ronneberger, Kathryn Tunyasuvunakool, Russ Bates, Augustin Žídek, Anna Potapenko, Alex Bridgland, Clemens Meyer, Simon A. A. Kohl, Andrew J. Ballard, Andrew Cowie, Bernardino Romera-Paredes, Stanislav Nikolov, Rishub Jain, Jonas Adler, Trevor Back, Stig Petersen, David Reiman, Ellen Clancy, Michal Zielinski, Martin Steinegger, Michalina Pacholska, Tamas Berghammer, Sebastian Bodenstein, David Silver, Oriol Vinyals, Andrew W. Senior, Koray Kavukcuoglu, Pushmeet Kohli & Demis Hassabis
Статья: https://www.nature.com/articles/s41586-021-03819-2
Модель: https://github.com/deepmind/alphafold
Ну вот наконец и AlphaFold2. В статье и на гитхабе новая система называется просто AlphaFold, а под названием AlphaFold2 она фигурировала на соревновании CASP14. Новая система является совершенно другой системой по сравнению со старой AlphaFold, участвовавшей на CASP13, так что будьте внимательны и не путайте.
Итак, собственно, какова структура этой системы.
На вход системы поступает последовательность аминокислот белка. Для этой последовательности ищутся эволюционные родственники и генерируется множественное выравнивание (MSA, про него мы несколько раз писали в предыдущих постах о похожих моделях). Также в базе структур белков (с 3D координатами атомов) ищутся гомологичные структуры (если есть), и они тоже поступают на вход.
Сама сеть AlphaFold напрямую предсказывает 3D координаты всех тяжёлых атомов (углероды, азоты) по входным данным.
Сеть состоит из двух частей.
Сначала ствол сети обрабатывает входы с помощью последовательности (аж 48 штук, каждый со своими весами) новых блоков под названием Evoformer (хитрый вариант трансформера). Evoformer выдаёт на выходе тензор с обработанным MSA (размера N_seq*N_res, где N_seq — число последовательностей в MSA, а N_res — число аминокислот) и тензор (размера N_res*N_res) с репрезентацией пар аминокислотных остатков.
За стволом сети следует структурный модуль (structure module), генерирующий вращения и смещения для каждого из аминокислотных остатков (инициализируются они identity вращениями и позициями в начале координат) с помощью 8 слоёв с расшаренными весами.
И структурный модуль, и вся сеть целиком итеративно улучшает свои предсказания, подавая их себе же на вход. Этот процесс называется в работе “recycling”, он выполняется трижды, и существенно повышает качество результата.
Главная хитрость Evoformer’а в обмене информацией между репрезентациями MSA и пар аминокислот, образующих по сути отдельные стримы обработки данных.
Для обработки MSA используется вариант axial attention с чередующимся вниманием по строкам и по столбцам, причём оно gated через сигмоиду. Также есть transition layer, который по сути двуслойный MLP.
Стрим для обработки репрезентаций пар аминокислот по сути представляет собой графовый трансформер, узлами графа выступают соседние аминокислоты, а операции обновления репрезентаций работают над треугольниками аминокислот (следствие из интуиции относительно необходимости соблюдения неравенства треугольника для расстояний между аминокислотами). Две основные операции там это triangle multiplicative update и triangle self-attention.
По репрезентациям MSA считается outer product между всеми позициями попарно и добавляется к соответствующим репрезентациям пар. Так происходит регулярный обмен между стримом MSA и стримом парных фич.
Структурный модуль работает с репрезентацией бэкбона белка, используя прилетающие на вход репрезентации пар и оригинальную последовательность белка из MSA. Структура бэкбона представлена N_res независимыми вращениями и трансляциями каждой конкретной аминокислоты относительно глобального фрейма. Это называется “residue gas” (как бы независимо плавающие аминокислотные остатки, которые мы пытаемся ориентировать в пространстве).
John Jumper, Richard Evans, Alexander Pritzel, Tim Green, Michael Figurnov, Olaf Ronneberger, Kathryn Tunyasuvunakool, Russ Bates, Augustin Žídek, Anna Potapenko, Alex Bridgland, Clemens Meyer, Simon A. A. Kohl, Andrew J. Ballard, Andrew Cowie, Bernardino Romera-Paredes, Stanislav Nikolov, Rishub Jain, Jonas Adler, Trevor Back, Stig Petersen, David Reiman, Ellen Clancy, Michal Zielinski, Martin Steinegger, Michalina Pacholska, Tamas Berghammer, Sebastian Bodenstein, David Silver, Oriol Vinyals, Andrew W. Senior, Koray Kavukcuoglu, Pushmeet Kohli & Demis Hassabis
Статья: https://www.nature.com/articles/s41586-021-03819-2
Модель: https://github.com/deepmind/alphafold
Ну вот наконец и AlphaFold2. В статье и на гитхабе новая система называется просто AlphaFold, а под названием AlphaFold2 она фигурировала на соревновании CASP14. Новая система является совершенно другой системой по сравнению со старой AlphaFold, участвовавшей на CASP13, так что будьте внимательны и не путайте.
Итак, собственно, какова структура этой системы.
На вход системы поступает последовательность аминокислот белка. Для этой последовательности ищутся эволюционные родственники и генерируется множественное выравнивание (MSA, про него мы несколько раз писали в предыдущих постах о похожих моделях). Также в базе структур белков (с 3D координатами атомов) ищутся гомологичные структуры (если есть), и они тоже поступают на вход.
Сама сеть AlphaFold напрямую предсказывает 3D координаты всех тяжёлых атомов (углероды, азоты) по входным данным.
Сеть состоит из двух частей.
Сначала ствол сети обрабатывает входы с помощью последовательности (аж 48 штук, каждый со своими весами) новых блоков под названием Evoformer (хитрый вариант трансформера). Evoformer выдаёт на выходе тензор с обработанным MSA (размера N_seq*N_res, где N_seq — число последовательностей в MSA, а N_res — число аминокислот) и тензор (размера N_res*N_res) с репрезентацией пар аминокислотных остатков.
За стволом сети следует структурный модуль (structure module), генерирующий вращения и смещения для каждого из аминокислотных остатков (инициализируются они identity вращениями и позициями в начале координат) с помощью 8 слоёв с расшаренными весами.
И структурный модуль, и вся сеть целиком итеративно улучшает свои предсказания, подавая их себе же на вход. Этот процесс называется в работе “recycling”, он выполняется трижды, и существенно повышает качество результата.
Главная хитрость Evoformer’а в обмене информацией между репрезентациями MSA и пар аминокислот, образующих по сути отдельные стримы обработки данных.
Для обработки MSA используется вариант axial attention с чередующимся вниманием по строкам и по столбцам, причём оно gated через сигмоиду. Также есть transition layer, который по сути двуслойный MLP.
Стрим для обработки репрезентаций пар аминокислот по сути представляет собой графовый трансформер, узлами графа выступают соседние аминокислоты, а операции обновления репрезентаций работают над треугольниками аминокислот (следствие из интуиции относительно необходимости соблюдения неравенства треугольника для расстояний между аминокислотами). Две основные операции там это triangle multiplicative update и triangle self-attention.
По репрезентациям MSA считается outer product между всеми позициями попарно и добавляется к соответствующим репрезентациям пар. Так происходит регулярный обмен между стримом MSA и стримом парных фич.
Структурный модуль работает с репрезентацией бэкбона белка, используя прилетающие на вход репрезентации пар и оригинальную последовательность белка из MSA. Структура бэкбона представлена N_res независимыми вращениями и трансляциями каждой конкретной аминокислоты относительно глобального фрейма. Это называется “residue gas” (как бы независимо плавающие аминокислотные остатки, которые мы пытаемся ориентировать в пространстве).
Репрезентации этого residue gas итеративно обновляются в два этапа. Сначала специальный оператор внимания под названием Invariant Point Attention (IPA) обновляет N_res активаций сети (одиночных абстрактных репрезентаций, которые изначально прилетели из стека Evorofmer’ов) и вроде как эта операция эквивариантная (но судя по абляциям IPA, и без этого норм). Затем обновляется бэкбон белка (предсказываются вращения и трансляции). И затем мелкий резнет предсказывает все (почти) торсионные углы. Из них, так понимаю, определяются уже позиции атомов. Здесь используется урезанный вариант FAPE loss (Frame-aligned point error), штрафующий за промахи в предсказании координат C_alpha атомов.
FAPE loss также является основным лоссом для обучения сети, в полном варианте он считается по всем атомам бэкбона и боковой цепи. Кроме него в сети используются разные другие дополнительные лоссы, например, BERT-подобный лосс для замаскированных элементов MSA, кросс-энтропийный лосс на распределение расстояний, и другие. В целом самое мясо находится в Supplementary Information файле, за всеми деталями надо туда.
На выходе модель также выдаёт confidence scores для каждой отдельной аминокислоты, и это используется при инференсе — прогоняется 5 обученных моделей (с различными seed) и для каждой цели выбирается наиболее уверенная модель.
Ещё из интересного, при обучении модели используется само-дистилляция. Обученная сеть используется для предсказания структур дополнительных 350К различных последовательностей из Uniclust30, из этого датасета отфильтровываются предсказания с высокой степенью уверенности, и затем та же самая архитектура обучается с нуля на смеси оригинальных данных из PDB (25%) и этого нового датасета (75%) с различными аугментациями (сабсэмплинг MSA). Это позволяет использовать кучу неразмеченных данных и существенно повышает качество.
Обучалось всё на 128 TPUv3 с батчем 128 (то есть по одной последовательности на каждом TPU) на кропах по 256 аминокислот. Потом файнтюнили на кусочках по 384 аминокислоты. Ушла неделя на обучение и ещё 4 дня на файнтюнинг.
По скорости инференса заявлено на V100 4.8 минуты для белка длиной 256 аминокислот, 9.2 минуты для 384 и 18 часов для 2500. Это типа быстрее, чем было на CASP14, потому что заюзали XLA. После CASP14 показали также, что ансамблирование сетей не очень много добавляет, зато без него всё в 8 раз быстрее.
В общем всё интересно, достойно отдельного более глубокого рассмотрения и подробного сравнения с RoseTTAFold.
FAPE loss также является основным лоссом для обучения сети, в полном варианте он считается по всем атомам бэкбона и боковой цепи. Кроме него в сети используются разные другие дополнительные лоссы, например, BERT-подобный лосс для замаскированных элементов MSA, кросс-энтропийный лосс на распределение расстояний, и другие. В целом самое мясо находится в Supplementary Information файле, за всеми деталями надо туда.
На выходе модель также выдаёт confidence scores для каждой отдельной аминокислоты, и это используется при инференсе — прогоняется 5 обученных моделей (с различными seed) и для каждой цели выбирается наиболее уверенная модель.
Ещё из интересного, при обучении модели используется само-дистилляция. Обученная сеть используется для предсказания структур дополнительных 350К различных последовательностей из Uniclust30, из этого датасета отфильтровываются предсказания с высокой степенью уверенности, и затем та же самая архитектура обучается с нуля на смеси оригинальных данных из PDB (25%) и этого нового датасета (75%) с различными аугментациями (сабсэмплинг MSA). Это позволяет использовать кучу неразмеченных данных и существенно повышает качество.
Обучалось всё на 128 TPUv3 с батчем 128 (то есть по одной последовательности на каждом TPU) на кропах по 256 аминокислот. Потом файнтюнили на кусочках по 384 аминокислоты. Ушла неделя на обучение и ещё 4 дня на файнтюнинг.
По скорости инференса заявлено на V100 4.8 минуты для белка длиной 256 аминокислот, 9.2 минуты для 384 и 18 часов для 2500. Это типа быстрее, чем было на CASP14, потому что заюзали XLA. После CASP14 показали также, что ансамблирование сетей не очень много добавляет, зато без него всё в 8 раз быстрее.
В общем всё интересно, достойно отдельного более глубокого рассмотрения и подробного сравнения с RoseTTAFold.
[OpenAI DALL·E] Zero-Shot Text-to-Image Generation
Aditya Ramesh, Mikhail Pavlov, Gabriel Goh, Scott Gray, Chelsea Voss, Alec Radford, Mark Chen, Ilya Sutskever
Статья: https://arxiv.org/abs/2102.12092
Пост в блоге: https://openai.com/blog/dall-e/
Код (официальный, но неполный): https://github.com/openai/dall-e
Код (неофициальный, но более полный): https://github.com/lucidrains/DALLE-pytorch
Обученная модель от Сбера: https://github.com/sberbank-ai/ru-dalle
В последнее время появилось много мультимодальных трансформеров, и хочется их поразбирать. Нельзя обойти при этом наиболее известные модели, одна из которых — DALL·E от OpenAI.
DALL·E прошумел уже довольно давно, в самом начале года, но статья и все детали реализации стали доступны не сразу (в официальной репе так вообще лежит только обученный dVAE, который лишь часть от DALL·E).
Собственно, что такое DALL·E? Это декодер трансформера, который авторегрессионно умеет генерить изображения, “продолжая” заданное текстовое описание и, возможно, начальную часть изображения.
В оригинальном посте было заявлено, что это 12-миллиардная версия GPT-3, обученная на парах картинок и их описаний, но реальность сильно сложнее.
Начать стоит с того, что процесс обучения двухэтапный. На первом этапе обучается дискретный VAE (dVAE), сжимающий входную картинку 256*256 в картиночные токены на сетке 32*32, принимающие 8192 возможных значения каждый (то есть размер словаря). Это нужно для того, чтобы уменьшить количество токенов, с которыми должен дальше оперировать трансформер, и даёт уменьшение размера контекста в 192 раза. Часть высокочастотного сигнала в изображении при этом, ожидаемо, теряется, мелкие детали становятся плохо- или неразличимы, но в целом качество восстановления картинки после такого dVAE вполне достойно. Именно отсюда получается та самая своеобразная гладкость генеримых DALL·E картинок и проблемы с мелкими деталями, соответственно не для любого типа изображений DALL·E подходит, либо же процесс требует переобучения dVAE на более специальные кейсы. В dVAE никаких трансформеров нет, это свёрточный резнет.
Второй этап — это собственно трансформер. 256 кодирующих текст BPE-токенов (словарь размера 16384) конкатенируются с 1024 картиночными токенами, полученными от dVAE, и эта последовательность авторегрессионно продолжается. Сам трансформер это 64-слойный sparse transformer от тех же OpenAI (https://arxiv.org/abs/1904.10509). Он хитрый, в нём три типа шаблонов внимания: 1) text-to-text классический masked механизм как в авторегрессионных языковых моделях по типу GPT, где текущий токен не имеет права заглядывать в будущие токены; 2) image-to-text, где каждый токен изображения смотрит на все токены текста; и 3) image-to-image, где используются паттерны из sparse transformer с вниманием по строкам, столбцам и более хитрыми свёрточными шаблонами, которые применяются только в последнем self-attention слое. При этом все три типа заведены в одну единственную операцию внимания, потому что это работало лучше, чем три отдельные операции.
Авторы сначала экспериментировали на маленькой модели в 1.2B параметров и датасете в 3.3M пар картинка-текст, а потом отскейлили это на 12B модель и датасет в 250M пар (который пришлось собрать). Собственно этот скейлинг и составляет главные идейную и техническую часть работы. Идейно — показать, что обученная на большом датасете модель большого размера демонстрирует интересное поведение, а технически — заставить всё это работать, потому что вылезает много инженерных челленджей, не проявляющихся на меньших масштабах.
По признанию авторов, самая сложная часть проекта была в том, чтобы обучить большую модель на 16-битных числах (вместо обычных 32-битных). Было много всяких нестабильностей, поэтому авторы придумали хитрые методы масштабирования градиентов для защиты от underflow. Другой челлендж — распределённое обучение, где использовался тонко настроенный вариант PowerSGD. За этими (на самом деле важными, если хотите повторить) техническими деталями обращайтесь в Appendix.
Aditya Ramesh, Mikhail Pavlov, Gabriel Goh, Scott Gray, Chelsea Voss, Alec Radford, Mark Chen, Ilya Sutskever
Статья: https://arxiv.org/abs/2102.12092
Пост в блоге: https://openai.com/blog/dall-e/
Код (официальный, но неполный): https://github.com/openai/dall-e
Код (неофициальный, но более полный): https://github.com/lucidrains/DALLE-pytorch
Обученная модель от Сбера: https://github.com/sberbank-ai/ru-dalle
В последнее время появилось много мультимодальных трансформеров, и хочется их поразбирать. Нельзя обойти при этом наиболее известные модели, одна из которых — DALL·E от OpenAI.
DALL·E прошумел уже довольно давно, в самом начале года, но статья и все детали реализации стали доступны не сразу (в официальной репе так вообще лежит только обученный dVAE, который лишь часть от DALL·E).
Собственно, что такое DALL·E? Это декодер трансформера, который авторегрессионно умеет генерить изображения, “продолжая” заданное текстовое описание и, возможно, начальную часть изображения.
В оригинальном посте было заявлено, что это 12-миллиардная версия GPT-3, обученная на парах картинок и их описаний, но реальность сильно сложнее.
Начать стоит с того, что процесс обучения двухэтапный. На первом этапе обучается дискретный VAE (dVAE), сжимающий входную картинку 256*256 в картиночные токены на сетке 32*32, принимающие 8192 возможных значения каждый (то есть размер словаря). Это нужно для того, чтобы уменьшить количество токенов, с которыми должен дальше оперировать трансформер, и даёт уменьшение размера контекста в 192 раза. Часть высокочастотного сигнала в изображении при этом, ожидаемо, теряется, мелкие детали становятся плохо- или неразличимы, но в целом качество восстановления картинки после такого dVAE вполне достойно. Именно отсюда получается та самая своеобразная гладкость генеримых DALL·E картинок и проблемы с мелкими деталями, соответственно не для любого типа изображений DALL·E подходит, либо же процесс требует переобучения dVAE на более специальные кейсы. В dVAE никаких трансформеров нет, это свёрточный резнет.
Второй этап — это собственно трансформер. 256 кодирующих текст BPE-токенов (словарь размера 16384) конкатенируются с 1024 картиночными токенами, полученными от dVAE, и эта последовательность авторегрессионно продолжается. Сам трансформер это 64-слойный sparse transformer от тех же OpenAI (https://arxiv.org/abs/1904.10509). Он хитрый, в нём три типа шаблонов внимания: 1) text-to-text классический masked механизм как в авторегрессионных языковых моделях по типу GPT, где текущий токен не имеет права заглядывать в будущие токены; 2) image-to-text, где каждый токен изображения смотрит на все токены текста; и 3) image-to-image, где используются паттерны из sparse transformer с вниманием по строкам, столбцам и более хитрыми свёрточными шаблонами, которые применяются только в последнем self-attention слое. При этом все три типа заведены в одну единственную операцию внимания, потому что это работало лучше, чем три отдельные операции.
Авторы сначала экспериментировали на маленькой модели в 1.2B параметров и датасете в 3.3M пар картинка-текст, а потом отскейлили это на 12B модель и датасет в 250M пар (который пришлось собрать). Собственно этот скейлинг и составляет главные идейную и техническую часть работы. Идейно — показать, что обученная на большом датасете модель большого размера демонстрирует интересное поведение, а технически — заставить всё это работать, потому что вылезает много инженерных челленджей, не проявляющихся на меньших масштабах.
По признанию авторов, самая сложная часть проекта была в том, чтобы обучить большую модель на 16-битных числах (вместо обычных 32-битных). Было много всяких нестабильностей, поэтому авторы придумали хитрые методы масштабирования градиентов для защиты от underflow. Другой челлендж — распределённое обучение, где использовался тонко настроенный вариант PowerSGD. За этими (на самом деле важными, если хотите повторить) техническими деталями обращайтесь в Appendix.
Openai
DALL·E: Creating images from text
We’ve trained a neural network called DALL·E that creates images from text captions for a wide range of concepts expressible in natural language.
Сэмплы генерились хитро, генерилось несколько кандидатов (например 32, но иногда и вплоть до 512!), которые далее отправлялись в специальную ранжирующую контрастивную модель, дающую характеризующий качество матчинга скор каждой паре текст+сгенерённое изображение. Эта модель была специально обучена под данную задачу и является важным компонентом для получения хороших результатов. Такой автоматизированный cherry-picking. Эта хитрая модель, собственно, CLIP (https://arxiv.org/abs/2103.00020), про который расскажем отдельно.
Результаты красивы. Модель неплохо генерализует и выдаёт довольно экзотические картинки, которые вряд ли могли быть в исходных датасетах. Типа “маленького ёжика в рождественском свитере, выгуливающего собаку”. Косячит она тоже забавно. Тут лучше смотреть, чем описывать, так что велкам внутрь статьи и ещё более велкам в пост, где картинок много и можно попробовать свои варианты изменений (из заранее заданных). Впрочем, эту часть многие скорее всего в январе как раз и посмотрели.
Код для репликации совершенно недостаточен потому что 1) не выложен полностью даже код моделей, есть только dVAE; 2) напрочь отсутствует часть про обучение, в которой миллион тонкостей (и не факт, кстати, что прям все они отражены в статье). Попытка репликации в репозитории lucidrains выглядит более полной.
Есть ещё попытка собрать что-то похожее от энтузиастов FLAX/JAX (https://moocaholic.medium.com/jax-a13e83f49897), но модель там маленькая (а именно в скейлинге и был смысл) и немного иной архитектуры (seq2seq часть там другая, вместо декодера sparse transformer вставили полный encoder-decoder BART, но он не sparse): https://wandb.ai/dalle-mini/dalle-mini/reports/DALL-E-mini--Vmlldzo4NjIxODA
UPD: Сбер обучил русскоязычные модели DALLE на 1.3B (XL) и 12B (XXL) параметров. Модель XL выложена на гитхабе: https://github.com/sberbank-ai/ru-dalle и доступна в Huggingface Transformers: https://huggingface.co/sberbank-ai/rudalle-Malevich, демо доступно на сайте https://rudalle.ru/
Результаты красивы. Модель неплохо генерализует и выдаёт довольно экзотические картинки, которые вряд ли могли быть в исходных датасетах. Типа “маленького ёжика в рождественском свитере, выгуливающего собаку”. Косячит она тоже забавно. Тут лучше смотреть, чем описывать, так что велкам внутрь статьи и ещё более велкам в пост, где картинок много и можно попробовать свои варианты изменений (из заранее заданных). Впрочем, эту часть многие скорее всего в январе как раз и посмотрели.
Код для репликации совершенно недостаточен потому что 1) не выложен полностью даже код моделей, есть только dVAE; 2) напрочь отсутствует часть про обучение, в которой миллион тонкостей (и не факт, кстати, что прям все они отражены в статье). Попытка репликации в репозитории lucidrains выглядит более полной.
Есть ещё попытка собрать что-то похожее от энтузиастов FLAX/JAX (https://moocaholic.medium.com/jax-a13e83f49897), но модель там маленькая (а именно в скейлинге и был смысл) и немного иной архитектуры (seq2seq часть там другая, вместо декодера sparse transformer вставили полный encoder-decoder BART, но он не sparse): https://wandb.ai/dalle-mini/dalle-mini/reports/DALL-E-mini--Vmlldzo4NjIxODA
UPD: Сбер обучил русскоязычные модели DALLE на 1.3B (XL) и 12B (XXL) параметров. Модель XL выложена на гитхабе: https://github.com/sberbank-ai/ru-dalle и доступна в Huggingface Transformers: https://huggingface.co/sberbank-ai/rudalle-Malevich, демо доступно на сайте https://rudalle.ru/
Medium
JAX
JAX by Google Research is getting more and more popular. Deepmind recently announced they are using JAX to accelerate their research and…