same 填充，ReLU）→ Flatten → 40 维 Dense 瓶颈 → 标量回归头OptMRL（Korbel, Eroshok & Ohler, 2023，非官方实现见 ohlerlab/mlcis） 以 CDS 上游紧邻的 50 nt 5'UTR 窗口 为输入，输出一个标量 mean ribosome load（MRL） 分数——一种由多聚核糖体图谱（polysome profiling） 衍生的翻译效率代理指标，数值越大代表翻译效率越高。模型先在约 26 万个随机 5'UTR 报告子上预训练，再在约 2 万个内源人类 5'UTR 上微调。
| 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 |
| numpy | 1.26.4 |
| CANN | 8.5.1 |
| NPU | Ascend 910（Ascend910_9362，64GB HBM） |
OptMRL 为序列级回归 CNN：3 层 Conv1D（120 滤波器、kernel size 8、same
填充、ReLU）对 one-hot 编码的 50 nt 窗口做局部特征提取，展平后经 40 维
Dense 瓶颈（ReLU + dropout），最后输出单个标量回归分数。
| 配置项 | 值 |
|---|---|
| 模型类型 | OptMrlForSequencePrediction |
| 输入窗口 | 50 nt（CDS 上游 5'UTR） |
| 卷积层数 / 卷积核 | 3 / 120 × kernel 8（same padding） |
| 隐藏层（瓶颈） | 40（Dense + ReLU + dropout 0.2） |
| 输出 | 单个标量 mean-ribosome-load（MRL） |
| 输出头 | 回归头（无激活函数，直接输出 logits） |
| 词表 | A/C/G/U/N（RnaTokenizer，T 自动转 U） |
| 参数量 | 475,641（0.4756M） |
输入为 RNA（RnaTokenizer 按 A/C/G/U/N 编码，DNA 中的 T 自动转为 U），
输出为标量 MRL 预测值。模型对不足 50 nt 的序列右补齐、对超过 50 nt 的
序列截断到前 50 nt（等价于取 5' 端窗口）。
| # | 适配点 | 说明 |
|---|---|---|
| 1 | 非 LLM，不走 vLLM-Ascend | OptMRL 是 5'UTR 翻译效率回归 CNN（序列 → 标量，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 1.9MB），无需量化 |
| 4 | one-hot 嵌入 | 模型内部用 F.one_hot 将 token 投影为 (batch, vocab=5, 50)；在 NPU 上仅告警 "internal format"（输出正常），无需修补 |
| 5 | 滑窗打分 | 固定 50 nt 窗口，序列 ≤ 50 nt 单窗打分（模型自动补齐/截断）；> 50 nt 按 stride 滑窗批量打分，返回逐位置 MRL 谱与 Top 高翻译效率窗口 |
模型验证: 在昇腾 NPU 上对 NRAS 5'UTR（131 nt）滑窗扫描，共 82 个窗口、 推理约 184 ms，MRL 谱均值 -0.2267、最大 0.9769（pos 70）；单个 50 nt 窗口推理约 180 ms，输出结构与官方实现一致，行为符合预期。
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。
# 方式一：GitCode 镜像
git clone https://ai.gitcode.com/hf_mirrors/multimolecule/optmrl.git
# （仓库权重为 Git LFS，需 git-lfs pull 或经 LFS batch API 下载 model.safetensors，约 1.9MB）
# 方式二：HuggingFace 镜像（hf-mirror.com）
git clone https://hf-mirror.com/multimolecule/optmrl
# 方式三：multimolecule 直接加载（会自动下载）
python -c "from multimolecule import OptMrlForSequencePrediction, RnaTokenizer; \
tok = RnaTokenizer.from_pretrained('multimolecule/optmrl'); \
m = OptMrlForSequencePrediction.from_pretrained('multimolecule/optmrl')"# 缺省：使用模型卡内置 5'UTR 演示序列（NRAS, 131 nt）自动滑窗扫描
python3 inference.py \
--model-path ./optmrl \
--device npu:0 --top-windows 3
# 单窗打分（≤ 50 nt，模型自动补齐到 50 nt）
python3 inference.py \
--model-path ./optmrl --device npu:0 \
--sequence "GGGGCCGGAAGUGCCGCUCCUUGGUGGGGGCUGUUCAUGGCGGUUCCGG"
# 长序列滑窗扫描（> 50 nt，默认 stride=1）
python3 inference.py \
--model-path ./optmrl --device npu:0 --sequence-file ./example_5utr.fa# 启动服务（默认 0.0.0.0:8000，此处演示用 127.0.0.1:8011）
export ASCEND_RT_VISIBLE_DEVICES=0
python3 inference.py --serve \
--model-path ./optmrl \
--device npu:0 \
--host 127.0.0.1 --port 8011调用示例：
# 健康检查
curl http://127.0.0.1:8011/health
# 模型信息
curl http://127.0.0.1:8011/v1/models
# MRL 预测（sequence 缺省时使用 NRAS 5'UTR 演示序列）
curl -X POST http://127.0.0.1:8011/v1/predict \
-H "Content-Type: application/json" \
-d '{"top_windows": 3}'
# 单窗预测（≤ 50 nt）
curl -X POST http://127.0.0.1:8011/v1/predict \
-H "Content-Type: application/json" \
-d '{"sequence": "GGGGCCGGAAGUGCCGCUCCUUGGUGGGGGCUGUUCAUGGCGGUUCCGG"}'
命令行推理输出（NRAS 5'UTR 演示序列，昇腾 NPU）：
[demo] 未提供序列，使用模型卡内置 5'UTR 演示序列（NRAS, 131 nt）
模型加载完成，耗时 7.6s，参数量 0.4756M
滑窗扫描: 窗口=50 nt, stride=1, 共 82 个位置, 推理耗时 184.4 ms
MRL 谱均值: -0.2267 | 最大值: 0.9769 @ pos 70
Top 3 高翻译效率窗口（MRL 最高）:
#1 pos 70 MRL=0.9769
#2 pos 51 MRL=0.9651
#3 pos 39 MRL=0.8835服务化推理返回（POST /v1/predict，滑窗扫描）：
{
"sequence": "GGGGCCGGAAGUGCCGCUCCUUGGUGGGGGCUGUUCAUGGCGGUUCCGGGGUCUCCAACAUUUUUCCCGGCUGUGGUCCUAAAUCUGUCCAAAGCAGAGGCAGUGGAGCUUGAGGUUCUUGCUGGUGUGAA",
"length": 131,
"mode": "scan",
"window": 50,
"stride": 1,
"mrl_mean": -0.2267,
"mrl_max": 0.9769,
"inference_ms": 190.0,
"top_windows": [
{"rank": 1, "pos": 70, "mrl": 0.9769},
{"rank": 2, "pos": 51, "mrl": 0.9651},
{"rank": 3, "pos": 39, "mrl": 0.8835}
]
}
服务健康检查返回：
{
"status": "ok",
"model": "multimolecule/optmrl",
"device": "npu:0",
"npu": {"available": true, "device_count": 1, "name": "Ascend910_9362"}
}
# 1. 环境准备（依赖 + 权重）
pip install -r requirements.txt
git clone https://ai.gitcode.com/hf_mirrors/multimolecule/optmrl.git
# （下载 LFS 权重 model.safetensors，约 1.9MB）
# 2. 命令行推理
python3 inference.py --model-path ./optmrl --device npu:0 --top-windows 3
# 3. 服务化推理
python3 inference.py --serve --model-path ./optmrl \
--device npu:0 --host 127.0.0.1 --port 8011
curl http://127.0.0.1:8011/health贡献者: liuhongwei-2026 | 赛道: 模型适配赛道