TxGemma API er en samling af open source-maskinlæringsmodeller designet til at generere forudsigelser, klassifikationer eller tekst baseret på terapeutisk-relaterede data.
Funktioner i TxGemma
TxGemma er en samling af AI-modeller finjusteret fra Googles Gemma-arkitektur, specielt skræddersyet til terapeutiske applikationer. Nøglefunktioner omfatter:
- Specialiseret træning: TxGemma-modeller trænes på cirka 7 millioner eksempler, der er relevante for terapeutiske opgaver, hvilket gør dem i stand til at forudsige egenskaber af terapeutiske enheder gennem hele lægemiddelopdagelsesprocessen.
- Modelvarianter: Suiten omfatter modeller af varierende størrelse – 2 milliarder (2B), 9 milliarder (9B) og 27 milliarder (27B) parametre – for at imødekomme forskellige beregningsressourcer og applikationsbehov.
- Forudsig og chatversioner: Hver modelstørrelse tilbyder en 'forudsig'-version til specifikke opgaver som toksicitetsforudsigelse og en 'chat'-version til samtaledataanalyse, hvilket letter komplekse forespørgsler og diskussioner med flere vendinger.
Ydeevnemålinger for TxGemma
Ydeevnen af disse modeller er blevet nøje evalueret på tværs af forskellige terapeutiske opgaver:
- Benchmarking: 27B-forudsigelsesversionen demonstrerer overlegen ydeevne, overgår eller matcher tidligere avancerede modeller på 64 ud af 66 opgaver og overgår specialiserede modeller på 26 opgaver.
- Opgavens alsidighed: Det udmærker sig ved klassificering (f.eks. forudsigelse af blod-hjernebarriere-permeabilitet), regression (f.eks. estimering af lægemiddelbindingsaffinitet) og genereringsopgaver (f.eks. udledning af reaktantsæt fra reaktionsprodukter).
Tekniske specifikationer
Arkitekturen og træningsmetoderne er afgørende for dens evner:
- Fundamentmodel: Bygget på Googles Gemma-arkitektur udnytter TxGemma transformatormodeller, der kun er dekoder, optimeret til tekstgenereringsopgaver.
- Træningsdata: Modellerne er finjusteret ved hjælp af et mangfoldigt datasæt med 7 millioner terapeutiske eksempler, hvilket forbedrer deres forudsigelige nøjagtighed i lægemiddeludviklingssammenhænge.
- Beregningseffektivitet: Designet til at balancere ydeevne med beregningsmæssige krav, TxGemma-modeller er tilgængelige for forskere med forskellige ressourcer.
Udvikling fra Tx-LLM til TxGemma
Disse modeller repræsenterer en udvikling fra deres forgænger, Tx-LLM:
- Forbedret tilgængelighed: Mens Tx-LLM vakte betydelig interesse, tilbyder TxGemma åbne modeller i praktiske skalaer, hvilket letter en bredere anvendelse og tilpasning.
- Forbedret ydeevne: TxGemma-modeller udviser forbedrede forudsigelsesevner, der konkurrerer med specialiserede modeller på tværs af adskillige terapeutiske opgaver.
Fordele ved TxGemma
Vedtagelsen af disse modeller i terapeutisk udvikling giver flere fordele:
- Accelereret lægemiddelopdagelse: Ved nøjagtigt at forudsige egenskaber af terapeutiske enheder kan TxGemma reducere tiden og omkostningerne forbundet med at bringe nye terapier på markedet.
- Open Source tilgængelighed: Som åbne modeller giver TxGemma forskere mulighed for at finjustere og tilpasse modellerne til specifikke datasæt og opgaver, hvilket fremmer innovation og samarbejde.
- Alsidighed: Tilgængeligheden af modeller i forskellige størrelser og versioner muliggør anvendelse på tværs af et spektrum af opgaver, fra prædiktiv analyse til samtaledataanalyse.
Tekniske indikatorer
Teknisk ydeevne understreges af flere indikatorer:
- Parameter Effektivitet: På trods af at de varierer i størrelse, opretholder alle TxGemma-modeller en balance mellem kompleksitet og beregningseffektivitet, hvilket sikrer tilgængelighed for brugere med forskellige ressourcekapaciteter.
- Instruktion Tuning: 'chat'-versionerne inkorporerer generelle instruktionsjusteringsdata, der gør dem i stand til at forklare ræsonnementer og deltage i komplekse diskussioner, og derved forbedre fortolkningen.
Applikationsscenarier
Alsidigheden giver mulighed for anvendelse på tværs af forskellige stadier af terapeutisk udvikling:
- Målidentifikation: Assistere med at udpege lovende biologiske mål for nye terapier.
- Forudsigelse af lægemiddelegenskaber: Evaluering af potentiel sikkerhed, effektivitet og biotilgængelighed af lægemiddelkandidater.
- Forudsigelse af udfald af kliniske forsøg: Foregribe potentielle resultater af kliniske forsøg, medvirke til bedre forsøgsdesign og ressourceallokering.
Tips til brug
For at maksimere fordelene:
- Finjustering: Brug den medfølgende Colab-notebook til at finjustere TxGemma-modeller med proprietære data, hvilket forbedrer den forudsigelige nøjagtighed til specifikke applikationer.
- Integration med Agentic Systems: Inkorporer TxGemma i agentsystemer som Agentic-Tx for at tackle komplekse forskningsproblemer i flere trin ved at udnytte dets ræsonnementevner sammen med andre værktøjer.
- Optimale prøveudtagningsparametre: Når du bruger det til tekstgenerering, skal du konfigurere prøvetagningsparametre korrekt (f.eks. temperatur: 1.0, top-k: 64, top-p: 0.95).
Se også Grok 3 API
Konklusion
Google AI udgav disse modeller med den hensigt at forbedre vores verden og øge effektiviteten. De er mere end bare værktøjer; de hjælper med at fremme udvikling på tværs af brancher, sprog og etik.
Kunstig intelligens åbner døren til nye horisonter. Men når vi træffer valg i forbindelse med sådanne teknologier, bør vi altid søge sikkerhed først. Brug af Google AI-fordele vil hjælpe os med at bygge alle AI-projekter ansvarligt.
Sådan kalder du TxGemma API fra CometAPI
1.Log på til cometapi.com. Hvis du ikke er vores bruger endnu, bedes du registrere dig først.
2.Få adgangslegitimations-API-nøglen af grænsefladen. Klik på "Tilføj token" ved API-tokenet i det personlige center, få token-nøglen: sk-xxxxx og send.
-
Hent webadressen til dette websted: https://api.cometapi.com/
-
Vælg TxGemma for at sende API-anmodningen og indstil anmodningens brødtekst. Anmodningsmetoden og anmodningsorganet er hentet fra vores hjemmeside API dok. Vores hjemmeside giver også Apifox-test for din bekvemmelighed.
-
Bearbejd API-svaret for at få det genererede svar. Efter at have sendt API-anmodningen, vil du modtage et JSON-objekt, der indeholder den genererede fuldførelse.