Xpresso（Agarwal et al., 2020）输入一段以转录起始位点（TSS）为中心、约 10,500 bp 的启动子 DNA 窗口，叠加 6 维 mRNA 半衰期转录本特征 （RNA half-life、UTR 长度等，源自基因注释），输出单个标量——稳态 mRNA 表达量的 log 尺度预测值，是启动子序列 → 基因表达量回归的经典模型。
| 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） |
Xpresso 将 10.5 kb 启动子窗口按 A/C/G/T/N one-hot 编码后送入 1D 卷积栈，逐级 最大池化降采样，展平后与 6 维转录本特征拼接，经全连接层回归单个表达量标量。 关键配置：
| 配置项 | 值 |
|---|---|
| 模型类型 | XpressoForSequencePrediction |
| 输入窗口 | 10,500 bp（以 TSS 为中心，短序列右补零 / 长序列中心裁剪） |
| 卷积层 | 2 层（Conv1d 128@k6、32@k9）+ MaxPool1d(30, 10) |
| 激活函数 | ReLU |
| 转录本特征 | 6 维（num_features=6，必须传入） |
| 全连接层 | 64 → 2（SequencePredictionHead → 1） |
| 输出 | 1 个标量：稳态 mRNA 表达量（log 尺度） |
| 词表 | A/C/G/T/N（DnaTokenizer，U 自动转 T） |
| 参数量 | 113,125 |
输入为启动子 DNA 序列（DnaTokenizer 按 A/C/G/T/N 编码），输出为单个标量
log 表达量（exp 还原后为线性尺度相对丰度），数值越大代表该启动子驱动表达
的能力越强。
| # | 适配点 | 说明 |
|---|---|---|
| 1 | 非 LLM，不走 vLLM-Ascend | Xpresso 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（仅约 453KB），计算量小 |
| 4 | features 张量 | 模型 num_features=6，forward 必须传 features 张量（shape (batch, 6)）；脚本缺省全 0（演示用），可通过 CLI / API 传入真实基因注释特征 |
| 5 | 序列预处理 | 短序列由模型内部右补零、长序列中心裁剪到 input_length=10500；DnaTokenizer 直接编码 A/C/G/T/N，U 自动转 T |
模型验证：在昇腾 NPU 上对 10,500 bp 的确定性合成启动子 DNA（seed=42， features 全 0）推理，输出单个标量 expression_log = -0.450962，单次推理约 312 ms（首轮含算子编译约 320 ms，预热后单次约 5 ms），输出结构与官方一致 （log 尺度标量回归），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://gitcode.com/hf_mirrors/multimolecule/xpresso.git
# （仓库权重为 Git LFS，需 git-lfs pull 或经 LFS batch API 下载 model.safetensors，453KB）
# 方式二：HuggingFace 镜像（hf-mirror.com）
git clone https://hf-mirror.com/multimolecule/xpresso
# 方式三：multimolecule 直接加载（会自动下载）
python -c "from multimolecule import XpressoForSequencePrediction, DnaTokenizer; \
tok = DnaTokenizer.from_pretrained('multimolecule/xpresso'); \
m = XpressoForSequencePrediction.from_pretrained('multimolecule/xpresso')"# 缺省：自动生成 10500 bp 确定性合成启动子 DNA（seed=42）、features 全 0 做演示
python3 inference.py \
--model-path ./xpresso \
--device npu:0
# 传入自定义启动子序列（短序列自动右补零，长序列自动中心裁剪）
python3 inference.py \
--model-path ./xpresso --device npu:0 \
--sequence "ACTCCCCTGCCCTCAACAAGAT...（10500 bp 内）"
# 传入 6 维转录本特征（RNA half-life 等，真实预测建议提供）
python3 inference.py \
--model-path ./xpresso --device npu:0 \
--sequence "ACTCCC..." --features "4.2,1200,100,11,2500,6.5"
# 从 FASTA / 纯文本文件读取
python3 inference.py \
--model-path ./xpresso --device npu:0 --sequence-file ./sequence.fa# 启动服务（默认 0.0.0.0:8000，此处演示用 127.0.0.1:8015）
export ASCEND_RT_VISIBLE_DEVICES=0
python3 inference.py --serve \
--model-path ./xpresso \
--device npu:0 \
--host 127.0.0.1 --port 8015调用示例：
# 健康检查
curl http://127.0.0.1:8015/health
# 模型信息
curl http://127.0.0.1:8015/v1/models
# 表达量预测（sequence/features 缺省时按 seed 生成演示序列、features 全 0）
curl -X POST http://127.0.0.1:8015/v1/predict \
-H "Content-Type: application/json" \
-d '{"seed": 42}'
# 传入自定义启动子序列 + 6 维特征
curl -X POST http://127.0.0.1:8015/v1/predict \
-H "Content-Type: application/json" \
-d '{"sequence": "ACTCCCCTGCCCTCAACAAGAT...", "features": [1.0, 500, 50, 5, 1000, 3.0]}'
命令行推理输出（演示序列，昇腾 NPU）：
[demo] 未提供序列，自动生成 10500 bp 确定性合成启动子 DNA（seed=42）
[demo] 未提供转录本特征（features），默认全 0（真实预测建议提供基因注释特征）
模型路径: /opt/atomgit/models/xpresso
设备: npu:0
序列长度: 10500 bp（模型要求 10500 bp 启动子窗口，短序列右补零/长序列中心裁剪）
特征: [0.0, 0.0, 0.0, 0.0, 0.0, 0.0]
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 7.7s，参数量 0.113M
推理耗时: 311.9 ms
输出: 稳态 mRNA 表达量预测（log 尺度）
expression_log = -0.450962
expression_linear = 0.637015（exp 还原的相对丰度）
window_bp = 10500 bp | features = [0.0, 0.0, 0.0, 0.0, 0.0, 0.0]
SUCCESS服务化推理返回（POST /v1/predict，演示序列）：
{
"expression_log": -0.450962,
"expression_linear": 0.637015,
"window_bp": 10500,
"num_features": 6,
"features": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0],
"output": "mRNA steady-state expression (log scale)",
"inference_ms": 318.1
}自定义启动子 + 特征示例（TP53 启动子，features=[1.0, 500, 50, 5, 1000, 3.0]）：
{
"expression_log": 7.677862,
"expression_linear": 2159.99609,
"window_bp": 10500,
"num_features": 6,
"features": [1.0, 500.0, 50.0, 5.0, 1000.0, 3.0],
"output": "mRNA steady-state expression (log scale)",
"inference_ms": 4.39
}
服务健康检查返回：
{
"status": "ok",
"model": "multimolecule/xpresso",
"device": "npu:0",
"npu": {"available": true, "device_count": 1, "name": "Ascend910_9362"}
}模型信息（GET /v1/models）：
{
"object": "list",
"data": [
{
"id": "xpresso",
"task": "regulatory-activity",
"library_name": "multimolecule",
"params": 113125,
"num_features": 6,
"sequence_length": 10500,
"num_labels": 1,
"pipeline_tag": "tabular-regression"
}
]
}
# 1. 环境准备（依赖 + 权重）
pip install -r requirements.txt
git clone https://gitcode.com/hf_mirrors/multimolecule/xpresso.git
# （下载 LFS 权重 model.safetensors，453KB，sha256 校验 938fe3e4...6fee99d3590b）
# 2. 命令行推理
python3 inference.py --model-path ./xpresso --device npu:0
# 3. 服务化推理
python3 inference.py --serve --model-path ./xpresso \
--device npu:0 --host 127.0.0.1 --port 8015
curl http://127.0.0.1:8015/health贡献者: liuhongwei-2026 | 赛道: 模型适配赛道