TxGemma

TxGemma se décline en 2B, 9B et 27B paramètres, tous dérivés de Gemma 2. Le modèle 2B tient sur un seul GPU pour des expériences rapides, tandis que les tailles supérieures prennent en charge les tâches plus difficiles et les usages conversationnels. Vous pouvez commencer petit, valider le flux de travail puis monter en puissance sans changer d'outil.

Chaque taille inclut une version Predict conçue pour les tâches de propriétés fixes et, en 9B et 27B, une version Chat qui commente ses réponses. Les modèles Predict obtiennent les meilleurs chiffres sur des benchmarks précis, et les Chat vous laissent poser des questions de suivi et lire le raisonnement. Google précise que les versions conversationnelles échangent un peu de précision brute contre cette souplesse.

TxGemma lit les petites molécules, les protéines, les acides nucléiques, les maladies et les lignées cellulaires, plutôt que de se spécialiser dans un seul type de données. Cette étendue fait qu'un même modèle touche plusieurs étapes de la découverte, de l'identification de cibles à l'interaction médicament-cible et à la prédiction de résultats cliniques, sans que vous ayez à monter un prédicteur distinct pour chacune.

Google a affiné les modèles avec des données d'instructions issues du Therapeutics Data Commons, une collection ouverte de benchmarks et de jeux de données pour le développement de médicaments. Selon Google, les modèles Predict de TxGemma dépassent ou égalent les modèles généraux de pointe sur 64 des 66 tâches TDC, et dépassent ou égalent les modèles spécialisés sur 50 d'entre elles, un résultat en face-à-face que vous pouvez vérifier vous-même sur les benchmarks publics.

Affiner TxGemma pour une tâche donnée demande moins de données d'entraînement qu'un affinage de Gemma 2 de base pour le même travail. Pour les équipes qui travaillent avec des essais maison ou des endpoints rares où les données étiquetées manquent, cet écart peut décider si un projet est réalisable.

Vous pouvez télécharger les poids depuis Hugging Face et les exécuter sur votre propre GPU, ou déployer TxGemma comme endpoint HTTPS géré sur Vertex AI via Model Garden. Les exécutions locales conviennent à l'expérimentation et aux données sensibles, et Vertex AI couvre les charges de production, y compris les tâches de prédiction par lots sur de grands jeux de données.

TxGemma sert de base pré-entraînée que vous pouvez adapter à vos propres tâches thérapeutiques, avec un notebook d'affinage fourni par Google pour démarrer. Comme les modèles sont ouverts, vous gardez la main sur l'endroit où vivent vos données et sur l'usage du modèle, ce qui compte quand les données sont privées.