Pangolin（Zeng & Li, 2022，原实现 tkzeng/Pangolin， 由 MultiMolecule 团队复现并发布）输入经过独热编码的核苷酸序列，对每个位置预测 一个剪接位点评分以及每个组织的剪接位点使用评分。Pangolin 通常用于对参考序列与 替代序列分别评分并计算其差值，从而评估遗传变异对剪接的影响（splice-variant-effect）。
| 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） |
Pangolin 是 1D 扩张残差 CNN：Conv1d(5→32, k=1) 嵌入 → 4 个扩张残差 stage（每个 stage 4 个 block，kernel/dilation: 11/1、11/4、21/10、41/25）→ 共享 skip 连接 → per-tissue 预测头。每个组织有 3 个 ensemble 成员，输出取平均。
| 配置项 | 值 |
|---|---|
| 模型类型 | PangolinModel |
| 输入 | 可变长前体 mRNA 序列（RnaTokenizer，词表 A/C/G/U/N，T 自动转 U） |
| 上下文窗口 | 10000 nt（context=10000，两侧各填充 context//2=5000 个零） |
| 隐藏层 | 32（hidden_size=32，hidden_act=relu，BatchNorm1d） |
| 扩张残差 stage | 4 × 4 blocks（kernel_size/dilation: 11/1、11/4、21/10、41/25，padding=same） |
| 集成 | num_ensemble=3（每组织 3 个成员取平均） |
| 组织 | num_tissues=4（heart、liver、brain、testis） |
| 输出通道 | 12 = 4 组织 × 3 通道（2 个 softmax 剪接位点评分 + 1 个 sigmoid 使用） |
| 词表 | 5（A/C/G/U/N，pad/unk=N=4，RnaTokenizer） |
| 参数量 | 8,364,828（8.365M） |
| 权重格式 | float32（model.safetensors 约 33.9MB） |
输出通道顺序：heart_no_splice, heart_splice_site, heart_usage, liver_no_splice, liver_splice_site, liver_usage, brain_no_splice, brain_splice_site, brain_usage, testis_no_splice, testis_splice_site, testis_usage（probabilities 形状
(batch, seq_len, 12)）。
| # | 适配点 | 说明 |
|---|---|---|
| 1 | 非 LLM，不走 vLLM-Ascend | Pangolin 是判别式 CNN（pre-mRNA → 剪接评分，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 33.9MB），无需量化 |
| 4 | 上下文填充 | 嵌入层在序列两侧各填充 context//2=5000 个零，最长单次输入约 10000 nt；超过 10000 nt 的长序列由脚本按 stride=500 滑窗打分并重叠取平均 |
| 5 | one-hot 嵌入 | 模型内部用 F.one_hot 将 token 投影为 (batch, seq_len, vocab=5) 通道；在 NPU 上仅告警 "internal format"（输出正常），无需修补 |
| 6 | T→U 转换 | RnaTokenizer 默认 replace_T_with_U=true，DNA 序列中的 T 自动转为 U 后送入模型 |
| 7 | 变体效应评估 | 内置 --ref-seq / --alt-seq / --pos 变体模式与 POST /v1/variant 端点，计算替代序列相对参考序列在目标位置的 Δsplice_site、Δusage |
模型验证: 在昇腾 NPU 上对模型卡内置演示序列 AGCAGUCAUUAUGGCGAA（18 nt）
推理，输出 12 通道剪接评分（每位置 softmax 通道和=1、usage∈[0,1]），
heart 组织 Top 剪接位点 pos 17 score=0.0670、usage=0.0468，行为符合预期。
首次推理（含算子编译）约 1.2 s。
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（权重为 Git LFS，需 git-lfs pull 或经 LFS batch API 下载）
git clone https://gitcode.com/hf_mirrors/multimolecule/pangolin.git
# 方式二：HuggingFace 镜像（hf-mirror.com）+ huggingface_hub 下载真实权重
git clone --depth 1 https://hf-mirror.com/multimolecule/pangolin.git
HF_ENDPOINT=https://hf-mirror.com python3 -c "
from huggingface_hub import hf_hub_download
hf_hub_download(repo_id='multimolecule/pangolin', filename='model.safetensors',
local_dir='./pangolin')
"
# 方式三：multimolecule 直接加载（会自动下载，需可访问 HF）
python -c "from multimolecule import RnaTokenizer, PangolinModel; \
tok = RnaTokenizer.from_pretrained('multimolecule/pangolin'); \
m = PangolinModel.from_pretrained('multimolecule/pangolin')"# 缺省：使用模型卡内置演示序列（AGCAGUCAUUAUGGCGAA, 18 nt）打分
python3 inference.py --model-path ./pangolin --device npu:0
# 单条序列打分（≤ 10000 nt 单次打分，> 10000 nt 自动滑窗）
python3 inference.py --model-path ./pangolin --device npu:0 \
--sequence "AGCAGUCAUUAUGGCGAAACGU"
# 从 FASTA 文件读取序列
python3 inference.py --model-path ./pangolin --device npu:0 \
--sequence-file ./example.fa --stride 500
# 变体效应评估（ref/alt 等长，pos 为 0-based 变异位置）
python3 inference.py --model-path ./pangolin --device npu:0 \
--ref-seq "AGCAGUCAUUAUGGCGAA" --alt-seq "AGCAGUCAUUAUGGCGAG" --pos 17# 启动服务（默认 0.0.0.0:8000，此处演示用 127.0.0.1:8014）
export ASCEND_RT_VISIBLE_DEVICES=0
python3 inference.py --serve \
--model-path ./pangolin \
--device npu:0 \
--host 127.0.0.1 --port 8014调用示例：
# 健康检查
curl http://127.0.0.1:8014/health
# 模型信息
curl http://127.0.0.1:8014/v1/models
# 剪接位点评分预测（sequence 缺省时使用模型卡演示序列）
curl -X POST http://127.0.0.1:8014/v1/predict \
-H "Content-Type: application/json" \
-d '{"top_sites": 3}'
# 变体效应评估
curl -X POST http://127.0.0.1:8014/v1/variant \
-H "Content-Type: application/json" \
-d '{"ref": "AGCAGUCAUUAUGGCGAA", "alt": "AGCAGUCAUUAUGGCGAG", "pos": 17}'
命令行推理输出（演示序列 18 nt，昇腾 NPU）：
[demo] 未提供序列，使用模型卡内置演示序列（18 nt）
模型加载完成，耗时 8.9s，参数量 8.3648M
推理耗时: 1235.0 ms（首次含算子编译）
输出通道 (12): heart_no_splice, heart_splice_site, heart_usage, liver_no_splice,
liver_splice_site, liver_usage, brain_no_splice, brain_splice_site, brain_usage,
testis_no_splice, testis_splice_site, testis_usage
窗口长度: 10000 nt（滑窗时窗口=10000, stride=500）
各组织 Top 剪接位点（splice_site 评分最高位置）:
heart : pos 17 score=0.0670 usage=0.0468; pos 16 score=0.0603 usage=0.0420; pos 2 score=0.0537 usage=0.0364
liver : pos 17 score=0.0790 usage=0.0250; pos 0 score=0.0734 usage=0.0272; pos 16 score=0.0730 usage=0.0250
brain : pos 17 score=0.0670 usage=0.0268; pos 16 score=0.0565 usage=0.0193; pos 0 score=0.0543 usage=0.0230
testis: pos 17 score=0.0700 usage=0.0155; pos 2 score=0.0618 usage=0.0153; pos 0 score=0.0561 usage=0.0094
SUCCESS说明：模型在跨物种（人、恒河猴、大鼠、小鼠）RNA-seq 剪接位点使用数据上训练， 上述人工序列为模型卡内置的演示序列，输出为模型对该序列的真实预测， 不代表具体生物学结论。
服务健康检查返回：
{
"status": "ok",
"model": "multimolecule/pangolin",
"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 --depth 1 https://hf-mirror.com/multimolecule/pangolin.git
HF_ENDPOINT=https://hf-mirror.com python3 -c "
from huggingface_hub import hf_hub_download
hf_hub_download(repo_id='multimolecule/pangolin', filename='model.safetensors',
local_dir='./pangolin')
"
# 2. 命令行推理
python3 inference.py --model-path ./pangolin --device npu:0
# 3. 服务化推理
python3 inference.py --serve --model-path ./pangolin \
--device npu:0 --host 127.0.0.1 --port 8014
curl http://127.0.0.1:8014/health贡献者: liuhongwei-2026 | 赛道: 模型适配赛道