Waypoint: Modelos de Fundação de Microbioma Aberto da Outpost Bio

Visão Geral

A Outpost Bio disponibilizou três artefatos sob a licença Apache 2.0, descritos em Treloar et al., bioRxiv 2026.05.02.722381:

A ideia unificadora: uma amostra de microbioma é uma frase. Cada táxon é um token, os tokens são ordenados por z-score de abundância decrescente, e o modelo é treinado com previsão do próximo token. Um checkpoint pré-treinado então fornece embeddings em nível de amostra ou um backbone de fine-tuning para tarefas de predição.

Tudo é controlado por uma única CLI, waypoint, com cinco subcomandos: prepare-dataset, embed, finetune, benchmark, pretrain.

Quando usar

• Incorporar perfis taxonômicos 16S/shotgun em vetores de tamanho fixo para clustering, visualização ou um classificador downstream.
• Fazer fine-tuning de um checkpoint Waypoint para prever um fenótipo, tratamento ou leitura contínua a partir da composição da comunidade.
• Pontuar seu próprio modelo de microbioma no Compass com um protocolo explicitamente registrado.
• Pré-treinar um modelo de linguagem taxonômica no Atlas ou em seu próprio corpus.
• Converter a saída do profiler (MetaPhlAn, Kraken2/Bracken, QIIME 2, MGnify TSVs) para o formato de entrada que essas ferramentas esperam.

Para conjuntos de dados rotulados pequenos, comece com uma linha de base de random forest e validação agrupada. O crossover de tamanho de amostra do artigo é um resultado empírico de seus experimentos, não um corte universal para usar embeddings ou uma garantia de desempenho em um novo estudo.

Configuração

pip install "waypoint-bio==1.0.2" "transformers==4.57.6" "peft==0.18.1" "huggingface-hub<1"

A revisão de 2026-10-01 verificou a roda publicada, o main do GitHub f45eee6d07a480bfc90f84ab8082bbc969dec15d (1.0.4) e os metadados atuais do Hub. Testes nativos pequenos de CPU/tokenizador usaram Python 3.12, Torch 2.14.1, Transformers 4.57.6, PEFT 0.18.1 e pandas 3.0.6; nenhum peso pré-treinado ou linha com acesso restrito foi baixado. O pacote deixa as dependências ilimitadas: Transformers 5 remove seu argumento logging_dir de pré-treinamento. Mantenha um ambiente compatível separado.

Limitações upstream: o TaxonomicTokenizer.save_pretrained() local levanta NotImplementedError em ambas as versões revisadas, bloqueando pretrain antes do treinamento e export finetune ao usar esse tokenizador local. A versão 1.0.2 lançada não mescla adaptadores LoRA ou grava logs de treinamento; o GitHub 1.0.4 faz. Veja references/upstream-review.md antes do treinamento. Os exemplos de treinamento abaixo são modelos verificados na origem, não execuções científicas completas.

Atlas, Compass e todos os checkpoints Waypoint são restritos. O acesso é aprovado automaticamente, mas você deve clicar uma vez por repositório e, em seguida, autenticar:

1. Solicite acesso em cada página de repositório que você precisar: Waypoint-6m, Waypoint-45m, Waypoint-170m, Atlas, Compass.

2. Autentique localmente:

   hf auth login          # or: export HF_TOKEN=hf_...
   

Para erros 401/403, verifique a validade do token, o escopo de leitura e a aprovação para o repositório específico. O carregador de tokenizador executa código do repositório com trust_remote_code=True. Revise esse código e fixe um commit imutável do Hub. A CLI upstream não possui --revision; baixe um snapshot revisado e passe seu caminho local para que o modelo, o tokenizador e as estatísticas de ordenação compartilhem uma revisão (veja references/python-api.md).

O formato de dados waypoint

Tudo, exceto prepare-dataset, consome formato waypoint: um .parquet / .csv / .tsv cujas linhas são amostras, com duas colunas de lista alinhadas mais quaisquer colunas de rótulo que você precisar.

…