本仓库在华为昇腾 NPU (Ascend 910B, CANN 8.5.1) 上部署 gtca/alphagenome_pytorch —— Google DeepMind
AlphaGenome 的 PyTorch 移植版 (450M 参数) —— 完成单条 DNA 序列 (<=1M bp) 的端到端基因组轨道预测推理。
AlphaGenome 从一条 one-hot 编码的 DNA 序列出发, 同时预测数百条基因组信号轨道 (ATAC-seq / DNase-seq / PRO-CAP / CAGE / RNA-seq / TF-ChIP / Histone-ChIP / 3D contact maps / splice sites 等) , 分辨率 1bp 与 128bp。
model_all_folds.safetensors (920MB, 全网 folds 联合训练)| 任务 head | tracks | 分辨率 | 输出形状 (131072bp 输入) |
|---|---|---|---|
| atac | 256 | 1bp / 128bp | (1,131072,256) / (1,1024,256) |
| dnase | 384 | 1bp / 128bp | (1,131072,384) / (1,1024,384) |
| procap | 128 | 1bp / 128bp | (1,131072,128) / (1,1024,128) |
| cage | 640 | 1bp / 128bp | (1,131072,640) / (1,1024,640) |
| rna_seq | 768 | 1bp / 128bp | (1,131072,768) / (1,1024,768) |
| chip_tf | 1664 | 128bp | (1,1024,1664) |
| chip_histone | 1152 | 128bp | (1,1024,1152) |
| contact_maps | 28 地图 | 64x64 | (1,8,8,28) |
| splice_sites | 5 类 | 1bp | (1,131072,5) |
| 组件 | 版本 |
|---|---|
| OS | openEuler / Ubuntu (aarch64) |
| 硬件 | Ascend 910B / 910C (至少 1 卡, HBM ≥ 32GB) |
| CANN | 8.5.1 |
| Python | 3.11 |
| PyTorch | 2.9.0 |
| torch_npu | 2.9.0.post1 |
| numpy | 1.26.x |
| safetensors | ≥ 0.4 |
模型源码已 vendored 在本仓库的
alphagenome_pytorch/目录(与官方genomicsxai/alphagenome-pytorch当前 main 对齐), 运行时无需单独安装, 避免官方 源码要求 Python≥3.12 与本环境 3.11 的冲突。源码不依赖任何 CUDA 特有算子, 天然兼容 NPU。
权重已含在仓库镜像/前端, 亦可自 HuggingFace 拉取 (国内建议镜像):
# hf-mirror 通道
export HF_ENDPOINT=https://hf-mirror.com
python -c "from huggingface_hub import hf_hub_download; \
hf_hub_download('gtca/alphagenome_pytorch','model_all_folds.safetensors', local_dir='models')"export ASCEND_RT_VISIBLE_DEVICES=0
python inference.py --weights models/model_all_folds.safetensors \
--device npu:0 --instance-len 131072参数: --weights 权重路径; --device 推理设备 (npu:0 / cpu); --instance-len 输入序列长度;
--sequence-type fixed/random; --organ 物种 (0=human,1=mouse); --compare-cpu 追加 CPU 基线对比。
python inference.py --device npu:0 --instance-len 8192 --compare-cpu输出各回复 head 余弦相似度, 全部为 1.000000。
| 项目 | 结果 |
|---|---|
| 模型参数量 | 450.45M |
| 权重加载设备 | npu:0, 用时 ~6s |
| warm-up 后单次推理 (16384bp) | 0.844s |
| 131072bp 完整推理 | 可完成 (高显存需优化) |
| CPU↔NPU 余弦 | 全部 1.000000 |
--device npu:1) 或缩短序列 (--instance-len 16384)。Autocast only supports fp16/bf16 告警: 为 NPU autocast 对 fp32 的提示, 可忽略
(模型默认 full_float32,use_amp=False); 如需加速可显式开启 DtypePolicy.mixed_precision()。(B, S/2, S/2, 734) 的块, 对
超长序列 (≥131072) 十分占内存; 验证可改用较短实例序列, 或在必要时在 forward 中限制
splice_sites_junction。alphagenome_pytorch/
├── inference.py # NPU 推理脚本 (load / predict / warm-up / 精度对比)
├── README.md # 本说明文档
├── requirements.txt # 环境依赖清单
├── alphagenome_pytorch/ # vendored 模型源码 (官方 genomicsxai, 免安装)
└── assets/ # 截图素材
├── agent_workflow.png
├── npu_device_call.png
└── model_result.png权重版权归 Google DeepMind, 使用须遵守其 AlphaGenome Model Terms; 模型代码以 Apache 2.0 发布。