File size: 3,514 Bytes
5a798cc 32f8cf2 820a0dd 69463c7 7424b84 820a0dd 5a798cc 1baae24 7424b84 ce0f331 7424b84 ce0f331 7424b84 1baae24 7424b84 69463c7 1baae24 4749da3 32f8cf2 4749da3 32f8cf2 4749da3 5b7b502 32f8cf2 4749da3 5b7b502 199e65d 5b7b502 1baae24 5b7b502 32f8cf2 199e65d 7424b84 32f8cf2 5b7b502 32f8cf2 199e65d 32f8cf2 5b7b502 32f8cf2 4749da3 5a798cc 32f8cf2 5b7b502 32f8cf2 5b7b502 165628b 5a798cc 32f8cf2 5b7b502 32f8cf2 5b7b502 32f8cf2 5a798cc 32f8cf2 5a798cc 32f8cf2 5a798cc 50560b1 5a798cc |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 |
import gradio as gr
import torch
from transformers import pipeline
import time
from functools import wraps
import sys
import multimolecule # Importar para registrar los modelos de multimolecule
# Decorador para medir el tiempo de ejecuci贸n
def medir_tiempo(func):
@wraps(func)
def wrapper(*args, **kwargs):
inicio = time.time()
resultado = func(*args, **kwargs)
fin = time.time()
tiempo_transcurrido = fin - inicio
print(f"Tiempo de ejecuci贸n de '{func.__name__}': {tiempo_transcurrido:.2f} segundos")
return resultado
return wrapper
# Verificar si CUDA est谩 disponible para el modelo principal
device = 0 if torch.cuda.is_available() else -1
if device == -1:
print("Advertencia: CUDA no est谩 disponible. Se usar谩 la CPU, lo que puede ser lento.")
# Cargar el pipeline de Fill-Mask
try:
print("Cargando el pipeline de Fill-Mask...")
fill_mask = pipeline('fill-mask', model='multimolecule/mrnafm', device=device)
except Exception as e:
print(f"Error al cargar el pipeline de Fill-Mask: {e}")
sys.exit(1)
@medir_tiempo
def predecir_fill_mask(secuencias):
"""
Funci贸n que realiza una predicci贸n de Fill-Mask para las secuencias de ARN proporcionadas.
"""
try:
if not secuencias.strip():
return "Por favor, ingresa una o m谩s secuencias de ARN v谩lidas con <mask> para predecir."
# Separar las secuencias por l铆neas y eliminar espacios vac铆os
secuencias_lista = [seq.strip().upper() for seq in secuencias.strip().split('\n') if seq.strip()]
resultados = []
for seq in secuencias_lista:
# Asegurarse de que la secuencia contenga al menos un <mask>
if "<MASK>" not in seq and "<mask>" not in seq:
resultados.append(f"Secuencia sin token <mask>: {seq}. Agrega <mask> donde desees predecir.")
continue
# Realizar la predicci贸n de Fill-Mask
predictions = fill_mask(seq)
# Formatear las predicciones
pred_str = ""
for pred in predictions:
pred_str += f"Predicci贸n: {pred['sequence']}, Score: {pred['score']:.4f}\n"
resultados.append(f"Secuencia: {seq}\n{pred_str}")
return "\n\n".join(resultados)
except Exception as e:
print(f"Error durante la predicci贸n: {e}")
return f"Error al realizar la predicci贸n: {e}"
# Definir la interfaz de Gradio
titulo = "OmniGenome: Predicci贸n de Fill-Mask para Secuencias de ARN"
descripcion = (
"Ingresa una o m谩s secuencias de ARN (una por l铆nea) con un token <mask> donde deseas realizar la predicci贸n."
" El modelo utilizado es mRNA-FM de MultiMolecule, un modelo pre-entrenado de lenguaje para secuencias de ARN."
)
iface = gr.Interface(
fn=predecir_fill_mask,
inputs=gr.Textbox(
lines=10,
placeholder="Escribe tus secuencias de ARN aqu铆, una por l铆nea, incluyendo <mask> donde desees predecir...",
label="Secuencias de ARN con <mask>"
),
outputs=gr.Textbox(label="Predicciones de Fill-Mask"),
title=titulo,
description=descripcion,
examples=[
[
"AUGGCUACUUU<mask>G",
"GCGCGAU<mask>CGACGUAGCUAGC"
],
[
"AUAUGCGGUAUCGU<mask>GUA",
"GGAUACGUGAU<mask>GCUAGCAGU"
]
],
cache_examples=False,
allow_flagging="never"
)
# Ejecutar la interfaz
if __name__ == "__main__":
iface.launch()
|