DeepSEA（Zhou & Troyanskaya, 2015）在 ENCODE 数据上训练，输入固定 1000 bp 的人类基因组 DNA 窗口，对 919 个染色质特征分别输出一个结合/开放概率 （0~1，多标签二分类，sigmoid）。它是基因组功能预测的经典基座模型，可用于预测 任意基因组位置的染色质状态：转录因子结合、DNase I 超敏位点、组蛋白修饰。
| 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） |
DeepSEA 将 1000 bp DNA 序列按 A/C/G/T one-hot 编码（4 通道，N 作为 pad 编码为零向量） 送入 1D 卷积栈，逐块 MaxPool 降采样，展平后经全连接层回归 919 个染色质特征 概率。关键配置：
| 配置项 | 值 |
|---|---|
| 模型类型 | DeepSeaForSequencePrediction |
| 输入窗口 | 固定 1000 bp（嵌入层强校验，短序列双侧补 N / 长序列中心裁剪） |
| 卷积层 | 3 层（Conv1d 320@k8、480@k8、960@k8）+ ReLU + Dropout(0.2,0.2,0.5) |
| 池化层 | MaxPool1d（4、4、1） |
| 全连接层 | 1 层（FC 925，含 Dropout(0.5)） |
| 特征平均 | reverse_complement_average=True：自动对反向互补链做概率平均（模型内部处理，外部无需操作） |
| 输出 | 919 个染色质特征概率（多标签二分类，sigmoid） |
| 词表 | A/C/G/T（DnaTokenizer，U 自动转 T，pad=N；vocab_size=4） |
| 参数量 | 52,843,400 |
| 权重大小 | model.safetensors 约 202MB（float32） |
输入为 DNA 序列（DnaTokenizer 按 A/C/G/T 编码，0-3；N 为 pad_token_id=0，编码为
零向量），输出为 919 个 0~1 概率（原始 logits 经 sigmoid 映射，与模型
postprocess 一致，无需额外归一化）。每个通道对应一个染色质特征（TF 结合/
DNase 可及性/组蛋白修饰）；config id2label 为 null 时命名为 chromatin_0~
chromatin_918。概率 > 0.5 判定该染色质特征在该序列窗口处活跃/结合。
| # | 适配点 | 说明 |
|---|---|---|
| 1 | 非 LLM，不走 vLLM-Ascend | DeepSEA 是基因组功能预测 CNN（多标签二分类，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 202MB） |
| 4 | 定长输入强校验 | 模型要求 sequence_length=1000 bp；脚本自动将短序列双侧补 N、长序列中心裁剪到 1000 bp（N 即 pad_token，编码为零向量） |
| 5 | 反向互补平均 | 模型配置 reverse_complement_average=True，forward 内部自动对输入序列与其反向互补链各推理一次，将两侧 sigmoid 概率取平均（clamp 到 [1e-7, 1-1e-7]）再 logit 还原为 logits，无需外部额外处理 |
| 6 | 输出语义 | 919 个 logits 经 sigmoid 映射为染色质特征概率（多标签二分类），直接输出；active_tracks 统计概率 > 0.5 的活跃/结合通道数 |
模型验证：在昇腾 NPU 上对 1000 bp 确定性合成 DNA（seed=42）推理，输出
max_prob = 0.993376（chromatin_860）、active_tracks = 5；与 CPU 推理结果
余弦相似度 1.0（max abs diff < 0.001，纯浮点噪声），行为符合预期。
pip install -r requirements.txt模型权重可从以下任一来源获取：
# 方式一：从 gitcode 镜像（推荐）
git clone https://gitcode.com/hf_mirrors/multimolecule/deepsea.git /opt/atomgit/models/deepsea
# 方式二：从 HuggingFace 直接下载
from multimolecule import DeepSeaForSequencePrediction, DnaTokenizer
model = DeepSeaForSequencePrediction.from_pretrained('multimolecule/deepsea')
tokenizer = DnaTokenizer.from_pretrained('multimolecule/deepsea')# 默认演示（1000 bp 随机合成 DNA）
python3 inference.py --model-path /opt/atomgit/models/deepsea --device npu:0
# 自定义序列
python3 inference.py --model-path /opt/atomgit/models/deepsea \
--sequence ACGTACGT...（1000 bp） \
--device npu:0
# 从 FASTA 文件读取
python3 inference.py --model-path /opt/atomgit/models/deepsea \
--sequence-file ./example.fa \
--device npu:0 --top-k 10python3 inference.py --serve --model-path /opt/atomgit/models/deepsea \
--port 8000 --device npu:0服务化推理暴露的 HTTP 端点：
| 端点 | 方法 | 说明 |
|---|---|---|
/health | GET | 健康检查（返回 NPU 设备信息与模型状态） |
/v1/models | GET | 模型信息（模型 ID、任务、标签数、参数量、输入长度） |
/v1/predict | POST | 染色质特征预测 |
请求示例：
curl -X POST http://localhost:8000/v1/predict \
-H "Content-Type: application/json" \
-d '{"sequence": "ACGT..."}'| 指标 | 值 |
|---|---|
| 模型加载时间 | |
| 首次推理延迟 | ~632ms（含算子编译） |
| 预热后推理延迟 | ~2.38ms |
| CPU vs NPU 余弦相似度 | 1.0 |
| 进程峰值内存 | ~1.7GB（含权重+图内存） |
| HBM 峰值使用 | ~1.8GB |
使用模型默认的 1000 bp 确定性合成 DNA（seed=42）演示，输出 top-5 染色质特征：
| 排名 | 通道 | 概率 | 说明 |
|---|---|---|---|
| 1 | chromatin_860 | 0.993 | 对应 ENCODE 特征 |
| 2 | chromatin_814 | 0.859 | 对应 ENCODE 特征 |
| 3 | chromatin_305 | 0.843 | 对应 ENCODE 特征 |
| 4 | chromatin_657 | 0.841 | 对应 ENCODE 特征 |
| 5 | chromatin_897 | 0.784 | 对应 ENCODE 特征 |
reverse_complement_average=True，forward
内部自动完成，第三方调用无需额外处理。--port 8010 指定其他端口。