TaxoFormer: Hierarchical Transformer for Predicting the Full Taxonomic Lineage of Protein Sequences
El artículo presenta TaxoFormer, una arquitectura Transformer jerárquica que utiliza un esquema de tokenización estructurado para representar sin pérdida el masivo árbol filogenético de NCBI, permitiendo que un modelo generativo simple prediga con precisión linajes taxonómicos de proteínas completos y aprenda representaciones filogenéticas significativas a partir de 188 millones de secuencias.