YYPGD/aparent
Model Introduction
Files & versions
Pull Requests
Discussion
Analysis

aparent 昇腾NPU适配

1. 模型简介

aparent 是 Multimolecule 项目发布的 APARENT 模型(HF),一种面向多聚腺苷酸化(Alternative Polyadenylation, APA)信号预测的轻量深度卷积网络(APARENT 的原始版本)。它对固定的 205 nt polyA 信号窗口(核心六聚体如 AAUAAA 位于第 70 位,0-indexed)输出 206 维逐位置切割位点分布 logits(205 个输入位置 + 1 个"窗口内无切割"桶),softmax 后即为聚腺苷酸化切割概率分布;同时通过 AparentForSequencePrediction 头回归 isoform proportion(sigmoid 后为各异构体比例),可应用于 3'UTR 注释、变异切割效应打分等任务。

项值
参数量~1.2M(权重约 5MB)
架构AparentForSequencePrediction(2 层卷积 encoder:96/128 通道 + 512/256 全连接 + 回归头)
输入长度固定 205 nt 窗口(核心六聚体在第 70 位)
输出isoform proportion logits (batch, 1);基座模型另有 (batch, 206) 切割分布 logits
任务类型序列级回归/分布预测(生物信息/APA 切割位点预测)

2. 环境依赖

依赖版本说明
Python3.10+推荐 3.11
torch>=2.0CPU/NPU 均可
torch_npu与 CANN 配套昇腾NPU支持
multimolecule==0.2.1含 RnaTokenizer 与 Aparent 实现
transformers==5.15.1multimolecule 上游依赖(5.x 系列)
numpy / matplotlib / safetensors-数据处理与绘图

依赖安装到独立目录(不污染共享环境):

pip install --target /mnt/workspace/aparent/libs \
    -i https://pypi.tuna.tsinghua.edu.cn/simple \
    "multimolecule==0.2.1" "transformers==5.15.1" safetensors numpy matplotlib

模型权重:/home/developer/models/aparent

3. 推理步骤

3.1 环境准备

确认权重与依赖就位后,脚本会自动将 /mnt/workspace/aparent/libs 与仓库目录加入 PYTHONPATH,无需手动设置。可用 npu-smi info 检查 NPU 设备状态。

3.2 运行推理

python3 inference.py --model_path /home/developer/models/aparent

脚本内置示例 polyA 信号序列(A*70 + AAUAAA + A*129,共 205 nt),只传 --model_path 即可跑通;设备自动选择(优先 NPU,不可用回退 CUDA/CPU),执行切割位点分布与 isoform proportion 推理并打印耗时(耗时/elapsed 字段),结果图保存至 assets/model_result.png。

3.3 推理参数说明

参数类型默认值说明
--model_pathstr/home/developer/models/aparent模型权重目录
--seq_lenint205输入序列长度(APARENT 固定窗口,≥76)
--devicestr自动 (npu > cuda > cpu)指定推理设备
--outputstrassets/model_result.png结果图保存路径

4. 测试样例及输出结果

输入为内置的示例 polyA 信号序列(A×70 + AAUAAA + A×129,共 205 nt,核心六聚体位于第 70 位),经 RnaTokenizer 编码后做 206 维切割位点分布与 isoform proportion 预测。NPU 实测输出示例:

[INFO] device = npu
[INFO] model_path = /home/developer/models/aparent
[INFO] 模型加载完成 load_time=1.20s
[INFO] 推理完成 耗时/elapsed=0.05s (seq_len=205, device=npu)
[INFO] 输入形状: (1, 205), isoform 输出形状: (1, 1)
[INFO] isoform_proportion(sigmoid) = 0.2736
[INFO] 切割分布维度: 206, 最可能切割位置: 73 (cleavage_73), 概率=0.0825; no_cleavage 概率=0.0082
[RESULT] status=ok device=npu 耗时/elapsed=...s

结果截图见 assets/model_result.png。

5. Agent适配截图

5.1 Agent适配全过程截图

见 assets/agent_workflow.png。

5.2 NPU设备调用截图

见 assets/npu_device_call.png。

5.3 模型适配结果截图

见 assets/model_result.png。

6. 注意事项

  • 设备自动选择顺序为 NPU → CUDA → CPU,NPU 不可用时自动回退,保证脚本可移植;
  • 输入张量必须 float32(NPU 不支持 float64 算子),脚本已强制转换;
  • 注意力使用原生 eager/sdpa 实现,勿启用 flash_attention_2(本模型为纯卷积结构);
  • 输入长度约束:APARENT 使用固定 205 nt 窗口,核心六聚体(如 AAUAAA)应位于第 70 位(0-indexed);RnaTokenizer 编码后输入形状为 (1, 205),基座模型内部 one-hot 编码后输出 206 维切割分布(205 位置 + no_cleavage 桶);
  • AparentForSequencePrediction 输出 isoform proportion logit(1 维),sigmoid 后才是比例;逐位置切割分布需取其基座 model.model 输出的 cleavage_logits 并 softmax;
  • transformers 需 5.x(multimolecule==0.2.1 依赖 5.x API),与系统预装 4.49 不兼容,务必走 libs 隔离目录且 PYTHONPATH 优先;
  • libs 目录中不要安装 torch(使用共享环境的 torch + torch_npu,避免 ABI 不匹配);共享环境的 torchaudio 与 torch ABI 不匹配会导致 transformers 5.x 误导入失败,脚本已内置 stub 兜底(在 libs 下生成空 torchaudio 模块),不影响推理;
  • 依赖通过 pip install --target 隔离安装到 /mnt/workspace/aparent/libs,勿直接装入共享环境。