Ce projet propose une solution pour la détection de séquences OGM dans l'ADN en utilisant des modèles de langage génomiques. Dans notre cas, Nucleotide Transformers.
cette approche réside dans sa capacité à être entraînée sur un PC aux caractéristiques modestes grâce aux techniques de Parameter-Efficient Fine-Tuning (PEFT) comme LoRA et la quantification 4-bit.
✓ Modèle Génomique : Utilisation de Nucleotide-Transformer-v2 (InstaDeep). ✓ Optimisation Low-Resource : Entraînement possible sur GPU grand public . ✓ Génération In-Silico : Pipeline d'assemblage de séquences synthétiques (Promoteurs, Gènes BT, Terminateurs). ✓ Métriques de Précision : Focus sur le F1-Score et le Rappel pour minimiser les faux négatifs.
Ce projet propose une solution pour la détection de séquences OGM dans l'ADN en utilisant des modèles de langage génomiques. Dans notre cas, Nucleotide Transformers.
cette approche réside dans sa capacité à être entraînée sur un PC aux caractéristiques modestes grâce aux techniques de Parameter-Efficient Fine-Tuning (PEFT) comme LoRA et la quantification 4-bit.
✓ Modèle Génomique : Utilisation de Nucleotide-Transformer-v2 (InstaDeep). ✓ Optimisation Low-Resource : Entraînement possible sur GPU grand public . ✓ Génération In-Silico : Pipeline d'assemblage de séquences synthétiques (Promoteurs, Gènes BT, Terminateurs). ✓ Métriques de Précision : Focus sur le F1-Score et le Rappel pour minimiser les faux négatifs.
