DeepSTARR（multimolecule/deepstarr）在昇腾 NPU 上的适配

1. 简介

模型来源：multimolecule/deepstarr（de Almeida et al., Nature Genetics 2022）
参数量：约 0.62M（624,514）
模型任务：从 249 bp DNA 增强子序列定量预测增强子活性（regulatory-activity / enhancer activity）
模型架构：深度一维卷积神经网络（1D CNN：4 个 Conv1D+BN+ReLU+MaxPool 块 → 展平 → 2 层全连接回归头，输出 2 个连续活性值）
适配状态：成功
适配时间：2026-08-19

DeepSTARR（de Almeida et al., 2022）在果蝇 Drosophila melanogaster S2 细胞的 UMI-STARR-seq 增强子活性数据上训练，输入固定 249 bp 的增强子 DNA 窗口，输出 2 个连续回归值：

developmental（Dev）：发育型增强子活性（log2 enrichment over input）
housekeeping（Hk）：管家型增强子活性（log2 enrichment over input）

是增强子序列 → 定量活性回归的经典模型，可用于增强子预测与合成增强子设计。

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

DeepSTARR 将 249 bp DNA 序列按 A/C/G/T/N one-hot 编码（5 通道）后送入 1D 卷积栈，逐块 MaxPool 降采样，展平后经 2 层全连接回归 2 个增强子活性分数。关键配置：

配置项	值
模型类型	DeepStarrForSequencePrediction
输入窗口	固定 249 bp（嵌入层强校验，短序列双侧补 N / 长序列中心裁剪）
卷积层	4 层（Conv1d 256@k7、60@k3、60@k5、120@k3）+ BatchNorm + ReLU
池化层	MaxPool1d(2)，每个卷积块后各一次
全连接层	2 层（256 → 256）
输出	2 个连续值：developmental / housekeeping 增强子活性
词表	A/C/G/T/N（DnaTokenizer，U 自动转 T，pad=N）
参数量	624,514
计算量	FLOPs 21.03M / MACs 10.26M

输入为增强子 DNA 序列（DnaTokenizer 按 A/C/G/T/N 编码，0-4），输出为两个 log2 富集度活性分数（原始 logits，无需 softmax / 后处理），数值越大代表该增强子在该转录程序下的活性越强。

4. 昇腾 NPU 适配要点

#	适配点	说明
1	非 LLM，不走 vLLM-Ascend	DeepSTARR 是基因组功能预测 CNN（回归任务，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 2.4MB），峰值 HBM 约 146MB
4	定长输入强校验	模型嵌入层 `_check_input_length` 要求输入恰好 `input_length=249` bp；脚本自动将短序列双侧补 N、长序列中心裁剪到 249 bp（N 即 pad_token=4）
5	输出语义	两个 logits 即为 developmental / housekeeping 增强子活性（log2 enrichment over input），直接输出，无需 softmax / 归一化

模型验证：在昇腾 NPU 上对 249 bp 确定性合成增强子 DNA（seed=42）推理，输出 developmental = 0.099269、housekeeping = -0.228793；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。

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://gitcode.com/hf_mirrors/multimolecule/deepstarr.git
# （仓库权重为 Git LFS，需 git-lfs pull 或经 LFS batch API 下载 model.safetensors，2.4MB）

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

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

5.3 命令行推理

# 缺省：自动生成 249 bp 确定性合成增强子 DNA（seed=42）做演示
python3 inference.py \
    --model-path ./deepstarr \
    --device npu:0

# 传入自定义增强子序列（短序列自动双侧补 N，长序列自动中心裁剪到 249 bp）
python3 inference.py \
    --model-path ./deepstarr --device npu:0 \
    --sequence "ACTCCCCTGCCCTCAACAAGAT..."

# 从 FASTA / 纯文本文件读取
python3 inference.py \
    --model-path ./deepstarr --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 ./deepstarr \
    --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

# 增强子活性预测（sequence 缺省时按 seed 生成演示序列）
curl -X POST http://127.0.0.1:8016/v1/predict \
    -H "Content-Type: application/json" \
    -d '{"seed": 42}'

# 传入自定义增强子序列
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（演示序列，昇腾 NPU）：

[demo] 未提供序列，自动生成 249 bp 确定性合成增强子 DNA（seed=42）
模型路径: /opt/atomgit/models/deepstarr
设备:     npu:0
原始序列: 249 bp（模型要求定长 249 bp，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 7.3s，参数量 0.625M

推理耗时: 179.75 ms
输出: 增强子活性预测（log2 enrichment over input）
  developmental = 0.099269（发育型增强子活性）
  housekeeping  = -0.228793（管家型增强子活性）
  input_bp      = 249 bp | raw_bp = 249 bp

SUCCESS

服务化推理返回（POST /v1/predict，演示序列）：

{
  "developmental": 0.099269,
  "housekeeping": -0.228793,
  "input_bp": 249,
  "raw_bp": 249,
  "channels": ["developmental", "housekeeping"],
  "output": "enhancer activity (log2 enrichment over input)",
  "inference_ms": 184.33
}

真实增强子示例（人源 TP53 区域 184 bp 序列，自动补 N 到 249 bp）：

{
  "developmental": 0.596969,
  "housekeeping": -0.285269,
  "input_bp": 249,
  "raw_bp": 184,
  "channels": ["developmental", "housekeeping"],
  "output": "enhancer activity (log2 enrichment over input)",
  "inference_ms": 3.95
}

首次推理含算子编译约 180 ms；预热后单次推理约 1.5 ~ 4 ms。

7. 环境检查

NPU 设备调用

服务健康检查返回：

{
  "status": "ok",
  "model": "multimolecule/deepstarr",
  "device": "npu:0",
  "npu": {"available": true, "device_count": 2, "name": "Ascend910_9362"}
}

模型信息（GET /v1/models）：

{
  "object": "list",
  "data": [
    {
      "id": "deepstarr",
      "task": "regulatory-activity",
      "library_name": "multimolecule",
      "params": 624514,
      "sequence_length": 249,
      "num_labels": 2,
      "pipeline_tag": "tabular-regression"
    }
  ]
}

峰值 HBM 占用约 146MB（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://gitcode.com/hf_mirrors/multimolecule/deepstarr.git
# （下载 LFS 权重 model.safetensors，2.4MB，sha256 23e37aff...7f867531）

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

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