ChromBPNet（multimolecule/chrombpnet）在昇腾 NPU 上的适配

1. 简介

模型来源：multimolecule/chrombpnet（Kundaje 实验室 ChromBPNet，ENCODE 染色质可及性）
参数量：约 6.61M（6,609,156）
模型任务：从 2114 bp DNA 窗口预测中心 1000 bp 的碱基分辨率染色质可及性轨迹（regulatory-profile / base-resolution chromatin accessibility，ATAC-seq / DNase-seq）
模型架构：双子网 BPNet 拓扑膨胀残差卷积神经网络（bias 子网 + accessibility 子网）
适配状态：成功
适配时间：2026-08-19

ChromBPNet（Brenton et al. / Kundaje 实验室，ENCODE project）是 bias-corrected 的碱基分辨率染色质可及性预测模型：内部组合两个 BPNet 风格的膨胀残差卷积子网——

bias 子网：捕获 Tn5 / DNase 酶切偏置（enzyme cleavage bias）；
accessibility 子网：学习偏置校正后的真实可及性信号。

输入固定 2114 bp 的 DNA 窗口，输出中心 1000 bp 的每碱基可及性轨迹（期望切计数，expected counts per base），是 ATAC-seq / DNase-seq 足迹分析、染色质开放性定量的经典模型。

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（Ascend910_9362，本机 2 卡，演示以单卡运行）

3. 模型结构

ChromBPNet 将可及性任务因子化为两个终端分支（内部对用户透明地组合 bias 与 accessibility 两个子网）：

profile 分支：逐位点多项分布 logits，形状 (batch, profile_length, num_labels)；
count 分支：每任务/每链一个标量 log 总计数，形状 (batch, num_labels)。

最终可及性轨迹由 postprocess 合成：track = softmax(profile_logits, dim=1) * exp(count_logits)。

配置项	值
模型类型	ChromBpNetForProfilePrediction
输入窗口	固定 2114 bp（短序列双侧补 N / 长序列中心裁剪）
输出轨迹	中心 1000 bp（profile pos i ↔ 输入 offset 557 + i）
子网 1	accessibility：hidden 512，stem k21 + 8 层膨胀残差（k3，dilation 2^i）
子网 2	bias：hidden 128，stem k21 + 4 层膨胀残差（k3，dilation 2^i）
任务数	num_tasks=1，num_strands=1（单链可及性信号）
词表	A/C/G/T/N（DnaTokenizer，pad_token=N）
参数量	6,609,156
权重	model.safetensors（26.4MB，float32）

输入为 DNA 序列（DnaTokenizer 按 ACGTN 编码，pad=N），输出为可及性轨迹（期望每碱基切计数，非负）与 log 总计数。轨迹 = softmax(profile) × exp(count)，由 model.postprocess() 直接合成，无需额外后处理。

4. 昇腾 NPU 适配要点

#	适配点	说明
1	非 LLM，不走 vLLM-Ascend	ChromBPNet 是基因组功能预测 CNN（碱基分辨率回归，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 26.4MB），峰值 HBM 仅约 48MB
4	输入窗口规整	模型要求 2114 bp 窗口才能产出完整 1000 bp 轨迹；脚本自动将短序列双侧补 N、长序列中心裁剪到 2114 bp
5	输出语义	直接使用 `model.postprocess()` 合成可及性轨迹（softmax(profile)×exp(count)），输出即期望每碱基切计数，非负，无需 softmax / 归一化等额外后处理

模型验证：在昇腾 NPU 上对模型卡 TP53 演示序列（184 bp，补 N 到 2114 bp）推理，输出 count_logits = 5.912、轨迹总量 369.54、峰值信号 10.208；与 CPU 推理结果 余弦相似度 1.0（max abs diff < 0.004，纯浮点噪声），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
git clone https://ai.gitcode.com/hf_mirrors/multimolecule/chrombpnet.git
# （仓库权重为 Git LFS，需 git-lfs pull 或经 LFS batch API 下载 model.safetensors，26.4MB）

# 方式二：HuggingFace 镜像（hf-mirror.com）
HF_ENDPOINT=https://hf-mirror.com python3 -c "from huggingface_hub import snapshot_download; snapshot_download('multimolecule/chrombpnet', local_dir='chrombpnet')"

# 方式三：multimolecule 直接加载（会自动下载）
python3 -c "from multimolecule import ChromBpNetForProfilePrediction, DnaTokenizer; \
tok = DnaTokenizer.from_pretrained('multimolecule/chrombpnet'); \
m = ChromBpNetForProfilePrediction.from_pretrained('multimolecule/chrombpnet')"

5.3 命令行推理

# 缺省：使用模型卡内置演示序列（TP53 启动子，184 bp）
python3 inference.py \
    --model-path ./chrombpnet \
    --device npu:0

# 传入自定义 DNA 序列（短序列自动双侧补 N，长序列自动中心裁剪到 2114 bp）
python3 inference.py \
    --model-path ./chrombpnet --device npu:0 \
    --sequence "ACTCCCCTGCCCTCAACAAGAT..."

# 从 FASTA / 纯文本文件读取
python3 inference.py \
    --model-path ./chrombpnet --device npu:0 --sequence-file ./sequence.fa

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 ./chrombpnet \
    --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

# 可及性轨迹预测（sequence 缺省时使用 TP53 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 DNA 序列
curl -X POST http://127.0.0.1:8016/v1/predict \
    -H "Content-Type: application/json" \
    -d '{"sequence": "ACTCCCCTGCCCTCAACAAGAT..."}'

6. 推理结果

模型推理结果

命令行推理输出（TP53 演示序列，昇腾 NPU）：

[demo] 未提供序列，使用模型卡内置演示序列（TP53 启动子，184 bp）
模型路径: /opt/atomgit/models/chrombpnet
设备:     npu:0
原始序列: 184 bp（模型要求 2114 bp 窗口，短序列补 N / 长序列中心裁剪）
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 7.6s，参数量 6.609M

推理耗时: 247.02 ms
输出: 碱基分辨率染色质可及性预测（中心 1000 bp，期望每碱基切计数）
  count_logits = 5.912246（log 总计数）
  total_count  = 369.5353（信号总量）
  profile      = 1000 bp 轨迹，max=10.20824, mean=0.369535
  峰值位点     = profile pos 452 ↔ 输入 offset 1009
  Top 可及位点:
    profile pos  452 | input offset 1009 | signal 10.2082
    profile pos  536 | input offset 1093 | signal 9.5046
    profile pos  462 | input offset 1019 | signal 8.3601
    profile pos  520 | input offset 1077 | signal 8.0890
    profile pos  562 | input offset 1119 | signal 7.8053
  input_bp     = 2114 bp | raw_bp = 184 bp

SUCCESS

服务化推理返回（POST /v1/predict，TP53 演示序列，节选）：

{
  "count_logits": 5.912246,
  "total_count": 369.5353,
  "profile_length": 1000,
  "profile_offset": 557,
  "track": [0.000978, 0.000892, ...],
  "track_max": 10.20824,
  "track_mean": 0.369535,
  "track_argmax": 452,
  "top_peaks": [
    {"pos": 452, "value": 10.2082, "input_offset": 1009},
    {"pos": 536, "value": 9.5046, "input_offset": 1093},
    {"pos": 462, "value": 8.3601, "input_offset": 1019}
  ],
  "input_bp": 2114,
  "raw_bp": 184,
  "channels": ["signal"],
  "output": "base-resolution chromatin accessibility (expected counts per base)",
  "inference_ms": 247.0
}

真实长序列示例（3200 bp 输入，自动中心裁剪到 2114 bp）：

{
  "count_logits": 8.859937,
  "total_count": 7043.1914,
  "track_max": 14.065506,
  "track_argmax": 1,
  "raw_bp": 3200,
  "input_bp": 2114,
  "inference_ms": 262.3
}

首次推理含算子编译约 250 ms；预热后单次推理约 2.5 ~ 13 ms。

7. 环境检查

NPU 设备调用

服务健康检查返回：

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

本机共 2 张 Ascend910，演示以 ASCEND_RT_VISIBLE_DEVICES=0 限定单卡，故 device_count=1。

模型信息（GET /v1/models）：

{
  "object": "list",
  "data": [
    {
      "id": "chrombpnet",
      "task": "regulatory-profile",
      "library_name": "multimolecule",
      "params": 6609156,
      "sequence_length": 2114,
      "profile_length": 1000,
      "num_labels": 1,
      "pipeline_tag": "tabular-regression"
    }
  ]
}

峰值 HBM 占用约 48MB（torch.npu.max_memory_allocated 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://ai.gitcode.com/hf_mirrors/multimolecule/chrombpnet.git
# （下载 LFS 权重 model.safetensors，26.4MB）

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

# 3. 服务化推理
python3 inference.py --serve --model-path ./chrombpnet \
    --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