scbasset-npu:用户可以直接在昇腾 NPU 上部署 scBasset 模型服务，对 DNA 序列进行染色质可及性预测，支持单窗打分、长序列滑窗扫描和变体效应分析，并提供 FastAPI 服务化接口，实现高效、便捷的推理。【此简介由AI生成】 - AtomGit AI社区

scbasset（multimolecule/scbasset）在昇腾 NPU 上的适配

1. 简介

模型来源: multimolecule/scbasset（gitcode 镜像: hf_mirrors/multimolecule/scbasset）
参数量: 4.586M（4,585,978）
模型任务: 从单细胞 ATAC-seq DNA peak 序列预测每个细胞的染色质可及性（chromatin accessibility）
模型架构: 序列级 1D 卷积神经网络（stem conv → 6 层 reducing tower → pointwise conv → dense bottleneck → 每细胞嵌入层）
适配状态: 成功
适配时间: 2026-08-19

scBasset（Yuan & Kelley, Nature Methods 2022，官方实现见 calico/scBasset，由 MultiMolecule 团队复现并发布）以固定长度 1344 bp 的 DNA peak 窗口为输入，输出 2034 个细胞（Buenrostro2018 造血单细胞 ATAC-seq atlas）各自的可及性 logit，经 sigmoid 即每细胞开放概率。模型是逐细胞二分类（open/closed）任务， 非自回归 LLM，不走 vLLM-Ascend，采用 multimolecule + torch_npu + FastAPI 方案在昇腾 NPU 上服务化推理。

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
numpy	1.26.4
CANN	8.5.1
NPU	Ascend 910（Ascend910_9362，64GB HBM）

3. 模型结构

scBasset 为判别式序列 CNN：Conv1D(288, kernel=17, pool=3, GELU) → Conv1D(288→323→363→407→456→512, kernel=5, pool=2) × 6 → Conv1D(256, kernel=1) → Dense(32, BN) → 每细胞嵌入层。输入经 one-hot 投影为 (batch, vocab=5, 1344) 通道，模型将序列维度在 dense bottleneck 中折叠为 32 维细胞嵌入，最后经共享预测头输出 2034 维 per-cell 可及性 logits。

配置项	值
模型类型	ScBassetForSequencePrediction
输入窗口	固定 1344 bp DNA peak 窗口
卷积层数 / 卷积核	8 / stem 17、tower 5、pointwise 1
池化	stem MaxPool(3)，tower MaxPool(2)
激活函数	quick_gelu（GELU 的 sigmoid 近似）
Dense bottleneck	32（隐藏维）
输出	2034 维 per-cell 可及性 logits（Buenrostro2018 造血 atlas，每细胞二分类）
输出头	SequencePredictionHead（无激活函数，problem_type=binary）
词表	DNA streamline 5 token（DnaTokenizer，A/C/G/T/N，pad=“N”）
参数量	4,585,978（4.586M）

输入为 DNA（DnaTokenizer，streamline 词表 5：A/C/G/T/N，DNA 的 T 保持 T）。模型要求定长 1344 bp 输入，嵌入层会严格校验长度；不足 1344 bp 时以 pad token N 右补齐，滑窗扫描时每个窗口恰好 1344 bp。词表与 a2zchromatin 等 IUPAC 16 token 模型不同，不可混用。

4. 昇腾 NPU 适配要点

#	适配点	说明
1	非 LLM，不走 vLLM-Ascend	scBasset 是判别式 CNN（1344 bp DNA → 2034 维 per-cell 可及性 logits，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（model.safetensors 约 17.5MB），无需量化
4	定长 1344 bp	嵌入层 `_check_sequence_length` 严格校验输入长度，不足 1344 bp 必须以 pad token `N` 补齐、超过则滑窗切分，否则直接抛 ValueError
5	streamline 词表	模型 vocab_size=5（A/C/G/T/N），`DnaTokenizer.from_pretrained` 从 checkpoint 读取 `model_max_length=1344`，pad/unk 均为 `N`(id=4)；真实 `N` 碱基在窗内保留、padding 位由 attention_mask 置零
6	one-hot 嵌入	模型内部用 `F.one_hot` 将 token 投影为 `(batch, vocab=5, 1344)` 通道；在 NPU 上仅告警 "internal format"（输出正常），无需修补
7	滑窗扫描	长序列（> 1344 bp）按 stride 滑窗批量打分，返回逐位置平均可及性谱与 Top 候选开放区域
8	后处理	`model.postprocess(outputs)` 即 sigmoid(logits)，勿再套其他激活；每细胞二分类阈值 P≥0.5 视为开放

模型验证: 在昇腾 NPU 上对模型卡内置 TP53 启动子演示序列（184 bp，补 1344）推理，2034 个细胞 P(可及性) 均值 0.031、无细胞达开放阈值，Top 细胞 cell 1224 P=0.493；对 2000 bp 长序列 stride=200 滑窗扫描共 4 个窗口、热推理约 6 ms/窗， CPU/NPU 最大绝对偏差 2.08e-04（Top 细胞完全一致）。热推理单窗口约 5 ms （首次推理含算子编译约 188 ms）。

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/scbasset.git
# （仓库权重为 Git LFS，需 git-lfs pull 或经 LFS batch API 下载 model.safetensors，约 17.5MB）

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

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

5.3 命令行推理

# 缺省：使用模型卡内置演示序列（TP53 启动子, 184 bp）单窗打分
python3 inference.py \
    --model-path ./scbasset \
    --device npu:0

# 单窗打分（≤ 1344 bp，右补 "N" 到 1344 bp）
python3 inference.py \
    --model-path ./scbasset --device npu:0 \
    --sequence "ACTCCCCTGCCCTCAACAAGATGTTTTGCCAACTGGCCAAGACCTGC"

# 长序列滑窗扫描（> 1344 bp，默认 stride=200）
python3 inference.py \
    --model-path ./scbasset --device npu:0 \
    --sequence-file ./example_1344bp.fa --stride 200 --top-windows 3

5.4 服务化推理（FastAPI）

# 启动服务（默认 0.0.0.0:8000，此处演示用 127.0.0.1:8001）
export ASCEND_RT_VISIBLE_DEVICES=0
python3 inference.py --serve \
    --model-path ./scbasset \
    --device npu:0 \
    --host 127.0.0.1 --port 8001

调用示例：

# 健康检查
curl http://127.0.0.1:8001/health

# 模型信息
curl http://127.0.0.1:8001/v1/models

# 染色质可及性预测（sequence 缺省时使用 TP53 启动子演示序列）
curl -X POST http://127.0.0.1:8001/v1/predict \
    -H "Content-Type: application/json" \
    -d '{"top_cells": 5}'

# 返回全部 2034 个细胞的 P(可及性)
curl -X POST http://127.0.0.1:8001/v1/predict \
    -H "Content-Type: application/json" \
    -d '{"include_probs": true}'

# 同长 ref/alt 序列的可及性差异（每细胞 delta）
curl -X POST http://127.0.0.1:8001/v1/variant-effect \
    -H "Content-Type: application/json" \
    -d '{"ref": "ACTCCCCTGCCCTCAACAAGATGTTTTGCCAACTGGCCAAGACCTGC", \
         "alt": "CCTCCCCTGCCCTCAACAAGATGTTTTGCCAACTGGCCAAGACCTGC"}'

6. 推理结果

模型推理结果

命令行推理输出（TP53 启动子演示序列，昇腾 NPU）：

[demo] 未提供序列，使用模型卡内置演示序列（TP53 启动子, 184 bp）
模型加载完成，耗时 8.0s，参数量 4.5860M，细胞数 2034

推理耗时: 187.8 ms（首次含算子编译；热推理约 5 ms）
窗口长度: 1344 bp（固定 1344 bp DNA peak 窗口）
细胞数:   2034（Buenrostro2018 造血单细胞 ATAC-seq atlas）
P(可及性) 均值:   0.031
P(可及性) 中位数: 0.0187
开放细胞 (P≥0.5): 0 (0.0%)
Top 10 高可及性细胞:
  #1  cell  1224  P(可及性)=0.4932
  #2  cell   770  P(可及性)=0.4470
  #3  cell  1189  P(可及性)=0.4054
  #4  cell   489  P(可及性)=0.3486
  #5  cell  1868  P(可及性)=0.3448
  #6  cell  1225  P(可及性)=0.3295
  #7  cell  1300  P(可及性)=0.3275
  #8  cell   728  P(可及性)=0.3229
  #9  cell  1668  P(可及性)=0.3089
  #10  cell  1681  P(可及性)=0.2954

SUCCESS

滑窗扫描输出（2000 bp 长序列，stride=200，昇腾 NPU）：

滑窗扫描: 窗口=1344 bp, stride=200, 共 4 个位置, 推理耗时 24.5 ms
平均可及性谱 均值: 0.2441 | 最大值: 0.2441 @ pos 600
Top 3 候选开放区域（平均可及性最高）:
  #1  pos    600  mean_accessibility=0.2441
  #2  pos    400  mean_accessibility=0.2441
  #3  pos    200  mean_accessibility=0.2441

服务化推理返回（POST /v1/predict，单窗）：

{
  "sequence": "ACTCCCCTGCCCTCAACAAGATGTTTTGCCAACTGGCCAAGACCTGCCCTGTGCAGCTGTGGGTTGATTCCACACCCCCGCCCGGCACCCGCGTCCGCGCCATGGCCATCTACAAGCAGTCACAGCACATGACGGAGGTTGTGAGGCGCTGCCCCCACCATGAGCGCTGCTCAGATAGCGATGG",
  "length": 184,
  "mode": "single",
  "window": 1344,
  "stride": 200,
  "num_cells": 2034,
  "inference_ms": 183.71,
  "prob_mean": 0.031,
  "prob_median": 0.0187,
  "open_cells": 0,
  "open_ratio": 0.0,
  "top_cells": [
    {"rank": 1, "cell": 1224, "accessibility": 0.4932},
    {"rank": 2, "cell": 770, "accessibility": 0.447},
    {"rank": 3, "cell": 1189, "accessibility": 0.4054}
  ]
}

说明：模型在 Buenrostro2018 造血单细胞 ATAC-seq 数据上训练，细胞数 2034 为该数据集的细胞嵌入层维度（dataset-specific）。上述人工序列为模型卡内置的基因演示序列，输出为模型对该窗口的真实预测，不代表物种生物学结论。

7. 环境检查

NPU 设备调用

服务健康检查返回：

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

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/scbasset.git
# （下载 LFS 权重 model.safetensors，约 17.5MB）

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

# 3. 服务化推理
python3 inference.py --serve --model-path ./scbasset \
    --device npu:0 --host 127.0.0.1 --port 8001
curl http://127.0.0.1:8001/health

贡献者: liuhongwei-2026 | 赛道: 模型适配赛道