ProGen：面向蛋白质工程的语言建模

一套用于蛋白质工程与设计的开源项目及模型。

许可证

我们的代码和模型采用 BSD-3 许可证。详情请参阅 LICENSE.txt 文件。

伦理考量

预测蛋白质序列的适应度，并捕捉天然蛋白质的分布以用于生成式任务，可能成为蛋白质设计的强大工具。若我们的技术或其未来版本被广泛采用，则需谨慎对待这些设计样本的最终应用场景及其下游影响，以确保其应用安全、正向且符合伦理。对于任何领域的项目，在项目启动、实验优化和部署阶段都应建立有效的监督机制，以保障安全使用，并限制潜在的有害后果。

ProGen 快速上手指南

ProGen 是一套用于蛋白质工程与设计的开源项目模型套件，基于语言建模技术生成和优化蛋白质序列。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux (推荐 Ubuntu 20.04+) 或 macOS。Windows 用户建议使用 WSL2。
• Python 版本：Python 3.8 或更高版本。
• 硬件要求：推荐使用带有 CUDA 支持的 NVIDIA GPU 进行模型推理和训练（显存建议 16GB+），CPU 模式仅适用于小规模测试。
• 前置依赖：
  • pip (包管理工具)
  • git (代码版本控制)

国内加速建议：安装 Python 依赖时，推荐使用清华或阿里镜像源以提升下载速度。 临时使用命令：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple <package_name>

安装步骤

1. 克隆仓库 从 GitHub 获取 ProGen 源代码：

   git clone https://github.com/salesforce/progen.git
   cd progen
   

2. 创建虚拟环境 建议隔离项目依赖：

   python -m venv venv
   source venv/bin/activate  # Windows 用户使用: venv\Scripts\activate
   

3. 安装依赖 使用国内镜像源安装所需库：

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

   (注：如果仓库根目录无 requirements.txt，请根据具体子项目目录安装，通常涉及 torch, transformers, fairseq 等核心库)

4. 下载预训练模型 根据文档指示下载对应的检查点文件（Checkpoints），并将其放置在项目指定的 models/ 目录下。

基本使用

以下是最简单的 Python 脚本示例，展示如何加载预训练模型并生成蛋白质序列。

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

# 1. 加载分词器和模型 (替换为本地模型路径)
model_path = "./models/progen-base" 
tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(model_path)

# 将模型移至 GPU (如果可用)
device = "cuda" if torch.cuda.is_available() else "cpu"
model.to(device)

# 2. 准备输入提示 (Prompt)
# 例如：基于某个已知蛋白片段进行生成
input_prompt = "<cls> MKTIIALSYIFCLVFADYKDDDDK" 
inputs = tokenizer.encode(input_prompt, return_tensors="pt").to(device)

# 3. 生成序列
with torch.no_grad():
    outputs = model.generate(
        inputs,
        max_length=512,
        temperature=0.7,
        top_p=0.9,
        do_sample=True
    )

# 4. 解码并输出结果
generated_sequence = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(generated_sequence)

伦理与安全提示：本工具生成的蛋白质序列具有潜在的双用途风险。请务必在受控环境下使用，严格遵守生物安全规范，确保应用场景符合伦理标准，避免用于制造有害生物制剂。