APARENT（multimolecule/aparent）在昇腾 NPU 上的适配

1. 简介

模型来源: multimolecule/aparent（gitcode 镜像: hf_mirrors/multimolecule/aparent）
参数量: 6.426M（6,426,418）
模型任务: 人 3'UTR 可变多聚腺苷酸化（Alternative Polyadenylation, APA） 预测
模型架构: 一维卷积神经网络（1D CNN：2 层 Conv1D + MaxPool → 展平 → 2 层全连接），双输出头
适配状态: 成功
适配时间: 2026-08-19

APARENT（Linder, Bogard et al., Cell 2019，APolyA REgression NeT）是 MultiMolecule 团队对 johli/aparent 的非官方复现实现。模型在 350 余万条随机化 3'UTR polyA 信号的 HEK293 高通量 mini-gene reporter（MPRA）数据上训练，输入固定 205 nt 的 3'UTR/polyA 序列，联合输出：

APA isoform proportion（isoform_proportion）：可变多聚腺苷酸化异构体比例，即近端 polyA 位点（proximal PAS）的使用比例（sigmoid，0~1）；
positional cleavage distribution（cleavage_distribution）：206 维位置切割分布（softmax），对应 205 个序列位置 + 1 个远端（distal/library bias）槽位。

APARENT 主要用于评估遗传变异对 APA 调控的影响、以及设计新的多聚腺苷酸化信号。

2. 验证环境

组件	版本
torch	2.9.0
torch-npu	2.9.0.post1
transformers	5.9.0
multimolecule	0.2.1
fastapi	0.123.10
CANN	8.5.1
NPU	Ascend 910（64GB HBM）

3. 模型结构

APARENT 将 205 nt 3'UTR/polyA 序列按 A/C/G/U/N one-hot 编码（streamline 词表，5 通道， U 自动转 T、N 作为 pad）送入 1D 卷积栈，池化展平后经 2 层全连接得到共享表示，再接两个输出头（isoform decoder + cleavage decoder）。关键配置：

配置项	值
模型类型	AparentForSequencePrediction
输入窗口	固定 205 nt 3'UTR/polyA 序列（嵌入层自动补齐/裁剪到 205 nt）
卷积层	2 层（Conv1d 96@k8、Conv1d 128@k6）+ MaxPool1d(2) + ReLU
全连接层	2 层（512 → 256，dropout 0.1）
输出头	isoform_decoder（1 维，sigmoid）+ cleavage_decoder（206 维，softmax）
词表	A/C/G/U/N（RnaTokenizer，vocab_size=5，T 自动转 U，pad=N）
参数量	6,426,418
权重大小	model.safetensors 约 25.7MB（float32）

输出语义：

isoform_proportion = sigmoid(isoform_logits) ∈ [0,1]，越大代表近端 polyA 位点使用比例越高；
cleavage_distribution = softmax(cleavage_logits)，206 维；前 205 维对应窗口内各位置的切割概率，末维为远端（distal/library bias）槽位——切割峰位在窗口内表示存在明确的内源 polyA 切割位点，峰位在 205 表示切割发生在远端。

4. 昇腾 NPU 适配要点

#	适配点	说明
1	非 LLM，不走 vLLM-Ascend	APARENT 是 3'UTR/polyA 序列回归 CNN（非自回归生成），vLLM / vllm-ascend 无法直接服务；采用 multimolecule + torch_npu + FastAPI 方案在昇腾 NPU 上推理
2	依赖版本约束	multimolecule 0.2.1 依赖 `transformers.initialization`，需要 transformers>=5.0（本仓库固定 5.9.0，与 config.json 的 `transformers_version` 一致）；这会与 vllm 0.18（要求 transformers<5）冲突，但本模型不使用 vLLM，无影响
3	推理设备	通过 `torch_npu` 注册 npu 后端，模型 `.to("npu:0")` 在昇腾 910 上计算；权重为 float32（约 25.7MB），峰值 HBM 约 170MB
4	定长输入自适应	嵌入层内部强制补齐/裁剪到固定 205 nt（短序列右补零、长序列取前 205 nt）；脚本放开 tokenizer 的 `model_max_length` 以支持任意长度输入，>205 nt 提供滑窗扫描模式
5	双输出头一次前向	isoform 与 cleavage 两个头共用骨干网络一次前向（访问 `model.model` 骨干网，同时取回 `isoform_logits` 与 `cleavage_logits`），避免重复计算
6	输出后处理	isoform 头 `sigmoid`（回归概率）；cleavage 头 `softmax`（206 维位置分布）

模型验证：在昇腾 NPU 上对内置演示序列（205 nt 3'UTR/polyA 窗口，第 65~70 位含经典 polyA 信号 AAUAAA、下游 ~25 nt 处含 U 富集元件）推理：

isoform proportion = 0.5242（近端 polyA 位点使用比例较高）；
cleavage 峰 = 84（对应窗口内第 85 位，位于 AAUAAA 下游 ~~20 nt，符合 polyA 切割位点位于信号下游 10~~30 nt 的生物学规律），distal 概率 = 0.1873；
将 AAUAAA 突变为 AAAAAA 破坏 polyA 信号后，isoform 降至 0.2882、 cleavage 峰从窗口内位置移回 distal 槽位（205），行为符合预期。

5. 快速开始

5.1 安装依赖

pip install -r requirements.txt

若 vLLM-Ascend 环境已存在（transformers<5），建议使用独立 venv 安装本仓库依赖，避免与 multimolecule 所需的 transformers 5.9.0 冲突。

5.2 下载模型权重

# 方式一：GitCode 镜像（用户提供的权重来源）
git clone https://ai.gitcode.com/hf_mirrors/multimolecule/aparent.git
# （仓库权重为 Git LFS，需 git-lfs pull 或经 LFS batch API 下载 model.safetensors，25.7MB）

# 方式二：HuggingFace 镜像（hf-mirror.com）
git clone https://hf-mirror.com/multimolecule/aparent

# 方式三：multimolecule 直接加载（会自动下载）
python -c "from multimolecule import AparentForSequencePrediction, RnaTokenizer; \
tok = RnaTokenizer.from_pretrained('multimolecule/aparent'); \
m = AparentForSequencePrediction.from_pretrained('multimolecule/aparent')"

5.3 命令行推理

# 缺省：使用内置演示序列（205 nt 3'UTR/polyA 窗口，含经典 AAUAAA polyA 信号）
python3 inference.py \
    --model-path /opt/atomgit/models/aparent \
    --device npu:0

# 传入自定义 3'UTR 序列（≤205 nt 单窗打分；DNA 输入 T 自动转 U）
python3 inference.py \
    --model-path /opt/atomgit/models/aparent --device npu:0 \
    --sequence "TTATAAATAAAATATGTA"

# 从 FASTA / 纯文本文件读取（>205 nt 自动滑窗扫描，寻找最强 polyA 信号区域）
python3 inference.py \
    --model-path /opt/atomgit/models/aparent --device npu:0 \
    --sequence-file ./example_3utr.fa --stride 1 --top-windows 5

5.4 服务化推理（FastAPI）

# 启动服务（默认 0.0.0.0:8000，此处演示用 127.0.0.1:8016）
export ASCEND_RT_VISIBLE_DEVICES=0
python3 inference.py --serve \
    --model-path /opt/atomgit/models/aparent \
    --device npu:0 \
    --host 127.0.0.1 --port 8016

调用示例：

# 健康检查
curl http://127.0.0.1:8016/health

# 模型信息
curl http://127.0.0.1:8016/v1/models

# APA 预测（sequence 缺省时使用内置演示序列）
curl -X POST http://127.0.0.1:8016/v1/predict \
    -H "Content-Type: application/json" \
    -d '{}'

# 传入自定义 3'UTR 序列
curl -X POST http://127.0.0.1:8016/v1/predict \
    -H "Content-Type: application/json" \
    -d '{"sequence": "TTATAAATAAAATATGTA"}'

# 长序列滑窗扫描（stride=50，返回 isoform 谱与 Top 高 APA 窗口）
curl -X POST http://127.0.0.1:8016/v1/predict \
    -H "Content-Type: application/json" \
    -d '{"sequence": "<500nt 3UTR>", "stride": 50, "top_windows": 3}'

6. 推理结果

模型推理结果

命令行推理输出（内置演示序列，昇腾 NPU）：

[demo] 未提供序列，使用内置演示序列（205 nt 3'UTR/polyA 窗口，含经典 AAUAAA polyA 信号）
模型路径: /opt/atomgit/models/aparent
设备:     npu:0
序列长度: 205 nt（模型固定窗口 205 nt）
正在加载模型（首次加载会编译算子，可能较慢）...
模型加载完成，耗时 7.2s，参数量 6.4264M

推理耗时: 195.6 ms
窗口长度: 205 nt（3'UTR/polyA 窗口，嵌入层自动补齐/裁剪）
APA isoform proportion: 0.5242（近端 polyA 位点使用比例）
cleavage 峰: 84 (position 85 in the 205 nt window) | distal 概率: 0.1873

SUCCESS

服务化推理返回（POST /v1/predict，内置演示序列）：

{
  "model": "multimolecule/aparent",
  "sequence": "UAAGCCACGCUUGUGAUGACAUGUCGGUAGGUGCCCACAAUGA...",
  "length": 205,
  "mode": "single",
  "window": 205,
  "stride": 1,
  "inference_ms": 200.54,
  "isoform_proportion": 0.5242,
  "cleavage_distribution": [0.0, 0.0, ..., 0.18727],
  "cleavage_peak": 84,
  "cleavage_peak_label": "position 85 in the 205 nt window",
  "distal_probability": 0.1873
}

首次推理含算子编译约 195 ms；预热后单次推理约 3 ~ 6 ms （500 nt 长序列 stride=50 滑窗批量推理 6 个窗口共 5.6 ms）。

7. 环境检查

NPU 设备调用

服务健康检查返回：

{
  "status": "ok",
  "model": "multimolecule/aparent",
  "device": "npu:0",
  "npu": {"available": true, "device_count": 1, "name": "Ascend910_9362"}
}

模型信息（GET /v1/models）：

{
  "object": "list",
  "data": [
    {
      "id": "aparent",
      "task": "alternative-polyadenylation",
      "library_name": "multimolecule",
      "params": 6426418,
      "window": 205,
      "num_isoform_labels": 1,
      "num_cleavage_labels": 206,
      "problem_type": "regression",
      "pipeline_tag": "tabular-regression"
    }
  ]
}

峰值 HBM 占用约 170MB（npu-smi 实测，进程内存）。

Agent 工作流

8. 复现步骤

# 1. 环境准备（依赖 + 权重）
pip install -r requirements.txt
git clone https://hf-mirror.com/multimolecule/aparent
# （下载 LFS 权重 model.safetensors，25.7MB）

# 2. 命令行推理
python3 inference.py --model-path ./aparent --device npu:0

# 3. 服务化推理
python3 inference.py --serve --model-path ./aparent \
    --device npu:0 --host 127.0.0.1 --port 8016
curl http://127.0.0.1:8016/health

贡献者: liuhongwei-2026 | 赛道: 模型适配赛道