PuSH - Publikationsserver des Helmholtz Zentrums München

Export: TXT Text RIS Endnote (RIS) BIB BibTeX
Su, J.* ; Li, Z.* ; Tao, T.* ; Han, C.* ; He, Y.* ; Dai, F.* ; Yuan, Q.* ; Gao, Y.* ; Si, T.* ; Zhang, X.* ; Zhou, Y.* ; Shan, J.* ; Zhou, X.* ; Chang, X.* ; Jiang, S.* ; Ma, D.* ; Steinegger, M.* ; Ovchinnikov, S.* ; Yuan, F.* ; The OPMC (Heinzinger, M.)

Democratizing protein language model training, sharing and collaboration.

Nat. Biotechnol., DOI: 10.1038/s41587-025-02859-7 (2025)
Verlagsversion Forschungsdaten DOI PMC
Open Access Green möglich sobald Postprint bei der ZB eingereicht worden ist.
Training and deploying large-scale protein language models typically requires deep machine learning expertise-a barrier for researchers outside this field. SaprotHub overcomes this challenge by offering an intuitive platform that facilitates training and prediction as well as storage and sharing of models. Here we provide the ColabSaprot framework built on Google Colab, which potentially powers hundreds of protein training and prediction applications, enabling researchers to collaboratively build and share customized models.
Impact Factor
Scopus SNIP
Altmetric
41.700
0.000
Tags
Anmerkungen
Besondere Publikation
Auf Hompepage verbergern

Zusatzinfos bearbeiten
Eigene Tags bearbeiten
Privat
Eigene Anmerkung bearbeiten
Privat
Auf Publikationslisten für
Homepage nicht anzeigen
Als besondere Publikation
markieren
Publikationstyp Artikel: Journalartikel
Dokumenttyp Wissenschaftlicher Artikel
Sprache englisch
Veröffentlichungsjahr 2025
HGF-Berichtsjahr 2025
ISSN (print) / ISBN 1087-0156
e-ISSN 1546-1696
Zeitschrift Nature Biotechnology
Verlag Nature Publishing Group
Verlagsort New York, NY
Begutachtungsstatus Peer reviewed
Institut(e) Institute of Computational Biology (ICB)
POF Topic(s) 30205 - Bioengineering and Digital Health
Forschungsfeld(er) Enabling and Novel Technologies
PSP-Element(e) G-503800-010
DOI 10.1038/s41587-025-02859-7
PubMed ID 41136773
Erfassungsdatum 2025-10-28
[➜Korrektur melden]