| 组件 | 版本 |
|---|---|
| torch | 2.9.0 |
| torch-npu | 2.9.0.post1 |
| transformers | 5.9.0 |
| multimolecule | 0.2.1 |
| CANN | 8.5.1 |
| NPU | Ascend 910(64GB HBM) |
DeepCpG-DNA 是 DeepCpG 联合模型的 DNA 子模块,对 CpG 位点两侧的 DNA 序列窗口做 1D 卷积特征提取:
| 组件 | 配置 | 说明 |
|---|---|---|
| One-hot 嵌入 | vocab=5(A/C/G/T/N) | F.one_hot 生成 (batch, 5, 1001) 输入(N 为全零通道) |
| Conv 块 1 | Conv1d(5→128, k=11) + ReLU + MaxPool(k=4) | valid 卷积池化 |
| Conv 块 2 | Conv1d(128→256, k=3) + ReLU + MaxPool(k=2) | 第二层卷积块 |
| Dense 瓶颈 | Linear(→128) | Keras channels-last 展平 + 稠密投影 |
| 分类头 | Linear(128→25) | 每输出对应一个单细胞(HCC),logit 经 sigmoid 得甲基化概率 |
DeepCpG-DNA 是判别式(discriminative)卷积编码器模型(序列预测/分类),不是自回归文本生成模型。vLLM-Ascend 面向自回归文本生成架构(Qwen/Llama 等),无法加载此类模型;本适配通过
multimolecule+torch_npu直接在昇腾 NPU 上运行,并用 FastAPI 提供 OpenAI 兼容的服务化推理。
p ≥ 0.5 判定为甲基化| # | 要点 | 说明 |
|---|---|---|
| 1 | 服务化方案 | 模型为卷积判别模型,vLLM-Ascend 不支持;采用 multimolecule 加载 + torch_npu 映射到 NPU AICore + FastAPI OpenAI 兼容服务(/v1/models、/v1/predict、/v1/chat/completions、/v1/health) |
| 2 | 全标准算子 | F.one_hot / Conv1d / ReLU / MaxPool1d / Linear / Sigmoid 均为标准 PyTorch 算子,无 CUDA-only 依赖,torch_npu 直接映射到昇腾 NPU,无需源码改动 |
| 3 | fp32 精度 | 权重以 config 原生 fp32 加载,避免 bf16/fp16 精度损失;CNN 仅约 4.1M 参数,HBM 占用约 0.66GB |
| 4 | 本地加载 | from_pretrained(local_files_only=True) 加载权重与 DnaTokenizer,离线不联网 |
| 5 | 定长输入 | 模型要求恰好 1001 bp;脚本 normalize_sequence 自动对短序列补 'N'(全零通道)、对长序列裁剪 |
| 6 | 精度评测 | CPU fp32 参考 vs NPU fp32 输出余弦相似度 = 1.0,--benchmark 一键验证 |
# 配置华为镜像源(可选,加速下载)
export PIP_INDEX_URL=https://repo.huaweicloud.com/repository/pypi/simple/
pip install -r requirements.txt注意:
multimolecule顶层会 importdatasets/danling/chanfig/matplotlib/torchmetrics,requirements.txt 已一并列出,请勿只装multimolecule本体。
# 方式一:GitCode 镜像(推荐)
git clone https://ai.gitcode.com/hf_mirrors/multimolecule/deepcpgdna-hou2016-hcc.git
# 方式二:Hugging Face
git clone https://huggingface.co/multimolecule/deepcpgdna-hou2016-hcc权重文件为 Git LFS 管理(model.safetensors,约 16MB),克隆后需 git lfs pull 或按 LFS 指示下载。
python3 inference.py \
--model-path ./deepcpgdna-hou2016-hcc \
--device npu:0 \
--seq "ACTCCCCTGCCCTCAACAAGATGTTTTGCCAACTGGCCAAGACCTGCCCTGTGCAGCTGTGGGTTGATTCCACACCCCCGCCCGGCACCCGCGTCCGCGCCATGGCCATCTACAAGCAGTCACAGCACATGACGGAGGTTGTGAGGCGCTGCCCCCACCATGAGCGCTGCTCAGATAGCGATGG"python3 inference.py --benchmark \
--model-path ./deepcpgdna-hou2016-hcc \
--device npu:0 --n-runs 20 --output report.jsonexport ASCEND_RT_VISIBLE_DEVICES=0
python3 inference.py --serve \
--model-path ./deepcpgdna-hou2016-hcc \
--port 8000 --device npu:0验证服务:
# 列出模型(OpenAI 兼容)
curl http://127.0.0.1:8000/v1/models
# 甲基化预测
curl http://127.0.0.1:8000/v1/predict -H 'Content-Type: application/json' \
-d '{"sequence": "ACTCCCCTGCCCTCAACAAGATGT..."}'
# OpenAI 兼容对话包装
curl http://127.0.0.1:8000/v1/chat/completions -H 'Content-Type: application/json' \
-d '{"messages":[{"role":"user","content":"ACTCCCCTGCCCTCAACAAGATGT..."}]}'
# 健康检查(含 NPU 可用性)
curl http://127.0.0.1:8000/v1/health

# 1. 环境准备(依赖 + 权重)
pip install -r requirements.txt
git clone https://ai.gitcode.com/hf_mirrors/multimolecule/deepcpgdna-hou2016-hcc.git
# 2. 单次推理(验证 NPU 输出)
python3 inference.py --model-path ./deepcpgdna-hou2016-hcc --device npu:0
# 3. 精度/性能基准
python3 inference.py --benchmark --model-path ./deepcpgdna-hou2016-hcc --device npu:0
# 4. 服务化推理
python3 inference.py --serve --model-path ./deepcpgdna-hou2016-hcc --port 8000 --device npu:0
curl http://127.0.0.1:8000/v1/health
curl http://127.0.0.1:8000/v1/predict -H 'Content-Type: application/json' -d '{"sequence":"ACGT..."}'贡献者: liuhongwei-2026 | 赛道: 模型适配赛道