z
z_studio/enformer-NPU
Model Introduction
Files & versions
Pull Requests
Discussion
Analysis

MultiMolecule/multimolecule-enformer on Ascend NPU

昇腾 NPU 适配说明:本文档记录 multimolecule/enformer(DeepMind Enformer 的 MultiMolecule 非官方实现)在昇腾 910B NPU 上的部署与验证过程。推理引擎为 torch_npu(multimolecule + transformers 在 NPU 上完成前向),已在双卡 Ascend 910B 上完整跑通,完成 NPU↔CPU fp32 数值对齐与双卡一致性验证,并包含 147 组测试用例完整输出(见第 5 节)。

1. 模型简介

  • 模型来源: multimolecule/enformer (HuggingFace),为 DeepMind Enformer 的 MultiMolecule 非官方实现,MultiMolecule 团队确认其与原始实现产生相同的中间表示1。
  • 任务类型: 基因组覆盖轨迹预测(regulatory-track prediction)(非文本生成):输入约 197 kb 的 DNA 序列窗口(196,608 bp,碱基 A/C/G/T/N),输出 896 个 bin × 5313 条人源基因组覆盖轨迹(ENCODE / FANTOM5 / GTEx CAGE 等实验的覆盖信号,每个 bin 汇总 128 bp)。用于从序列端到端预测染色质状态、转录因子结合、基因表达等调控信号。
  • 模型架构: 卷积主干(conv stem + attention pooling)+ Transformer 主干 + 逐点输出头:
    • 卷积主干:stem 卷积(kernel 15)+ 残差卷积块 + attention pooling,经 7 次 2× 下采样(128 bp/bin),将 196,608 bp → 1536 个 bin,通道数 768 → 1536;
    • Transformer 主干:11 层 EnformerBlock(每层为相对位置注意力 + 前馈子层,hidden=1536, 8 头, head=64),使用 Transformer-XL 风格相对位置编码(预计算 gamma 基);
    • 输出头:中心裁剪保留 896 个 bin → pointwise head(hidden 3072,quick_gelu)→ 物种线性投影(human 5313 轨迹)→ softplus 激活(覆盖值非负)。
  • 关键结论: 本模型是基因组调控轨迹预测 Transformer,非 LLM 生成模型,输入输出均为数值张量、无文本 token 生成。昇腾推理唯一适用且已验证的引擎是 torch_npu(multimolecule + transformers 在 NPU 上运行);vllm-ascend / sglang 面向 LLM 推理,不适用于本模型,详见第 6 节。
  • 模型规格:
    • 输入:196,608 bp DNA(A/C/G/T/N,需为 128 的倍数且 ≥114,688;本权重因预计算 gamma 位置基要求固定 196,608 bp)
    • 下采样:2 ** 7 = 128 bp/bin
    • 输出:(batch_size, 896, 5313) 非负覆盖值(human head 5313 条轨迹;mouse head 为 1643 条)
    • 参数量:246.18 M(约 0.99 GB fp32 权重)
    • 精度:支持 fp32 / fp16 / bf16(fp32 为基线;bf16 与 fp32 最大差异 2.35(TERT),多数基因 < 1;fp16 最大差异达 42,数值不稳定,见第 5 节实测)
  • 训练数据: ENCODE、FANTOM5、GTEx CAGE、ChIP-seq、DNase-seq 等基因组覆盖实验1
  • License: AGPL-3.0
  • 适配状态: SUCCESS
  • 适配时间: 2026-08-22

2. 验证环境

组件版本
操作系统HCE (aarch64, Linux 5.10)
Python3.11.14
CANN8.5.1
NPUAscend 910B(Ascend910_9362 ×2,64GB HBM)
torch2.9.0
torch-npu2.9.0.post1
transformers5.9.0(venv 内,覆盖系统 4.57.6)
multimolecule0.2.1
numpy1.26.4
tokenizers0.22.2
huggingface-hub1.28.0
safetensors0.7.0

说明:vllm 0.18.0 / vllm-ascend 0.18.0 在本机已安装,但不适用于本模型 (详见第 6 节);本适配唯一可用且已验证的昇腾推理引擎为 torch_npu。

3. 环境依赖与安装

3.1 创建虚拟环境(本适配已创建 ./venv,可跳过)

# 在本目录内创建 venv(继承系统已装好的 torch / torch_npu,避免重复安装大包)
python3 -m venv --system-site-packages venv && source venv/bin/activate

若系统 Python 已具备 torch / torch-npu / numpy,也可跳过 venv 直接使用。 本模型需安装 multimolecule + transformers==5.9.0(详见 3.2)。

3.2 安装依赖(清华 / 阿里国内镜像源,二选一)

# 在 venv 中安装(--no-deps 避免版本冲突;torch / torch-npu 由系统提供)
pip install --no-deps -r requirements.txt \
    -i https://pypi.tuna.tsinghua.edu.cn/simple --trusted-host pypi.tuna.tsinghua.edu.cn
#   或
pip install --no-deps -r requirements.txt \
    -i https://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com

说明:--no-deps 跳过依赖解析、仅安装 requirements.txt 中显式列出的包。 torch / torch-npu 请使用系统预装版本(昇腾官方 wheel 仓库,与 CANN 配套), 勿从 PyPI 镜像安装(镜像上的 torch 为 CPU/GPU 构建,不与 torch_npu 匹配)。 ⚠️ transformers 必须为 5.9.0(本模型 config.json 标注 transformers_version: 5.9.0, 且 multimolecule 0.2.1 依赖 transformers.initialization 等 5.x API);系统预装的 transformers 4.57.6 会报 ImportError: cannot import name 'initialization', 需在 venv 内显式安装 5.9.0 覆盖。

3.3 模型权重

# 权重已下载至(config.json + model.safetensors + tokenizer_config.json + vocab.txt)
ls /data/models/multimolecule/enformer/
# config.json  model.safetensors(989MB)  pytorch_model.bin  tokenizer_config.json  vocab.txt

4. 分步推理操作流程

4.1 列出全部内置测试用例(共 147 组)

./venv/bin/python inference.py --list-cases

4.2 默认推理(NPU float32,TP53 基础预测)

./venv/bin/python inference.py

4.3 运行指定测试用例

# 单个用例
./venv/bin/python inference.py --case 1

# 多个用例
./venv/bin/python inference.py --case 1,2,3

# 区间用例
./venv/bin/python inference.py --case 1-13

4.4 自定义输入

# 输入自定义 DNA 序列(自动平铺至 196608 bp)
./venv/bin/python inference.py --sequence ACTGACTGACGGCCCGAAATTTGGGCCC

# 选择设备(npu:0 / npu:1 / cpu)与精度(fp32/fp16/bf16)
./venv/bin/python inference.py --case 14 --device npu:0 --dtype fp16

4.5 全量回归与保存结果

# 依次运行全部 147 组用例,并保存完整转录
./venv/bin/python inference.py --all --output test_transcript.txt

# 自定义序列推理结果保存为 JSON
./venv/bin/python inference.py --sequence ACTGACTGACGGCCCGAAATTTGGGCCC --output result.json

5. 测试用例与输出结果(147 组,NPU 实测)

下表与代码块为本模型在 Ascend NPU(npu:0,fp32) 上逐组运行的完整输出(147 组)。每组均可通过 ./venv/bin/python inference.py --case <N> 复现,全量复现命令为 ./venv/bin/python inference.py --all --output test_transcript.txt,转录文件 test_transcript.txt 已随仓库提供,可逐行复核。所有输出形状均为 (1, 896, 5313)(batch × 896 bin × 5313 条人源覆盖轨迹)12。

5.0 用例清单(147 组,按子节分组)

子节用例编号内容组数
5.11–13单基因基础预测(fp32,npu:0,13 组)13
5.214–26fp16 推理数值稳定性(13 组)13
5.327–39bf16 推理数值稳定性(13 组)13
5.440–52npu:1 双卡一致性(13 组)13
5.553–54CPU vs NPU 精度一致性(2 组)2
5.655–58批量推理 batch=2/4/8/13(4 组)4
5.759–66序列组成分析(8 组)8
5.867–70TP53 变异效应(1/2/5/10 bp 替换,4 组)4
5.971–73TP53 N 掩码(中心 1/10/50 kb → N,3 组)3
5.1074–75反向互补对比(2 组)2
5.1176–83边界条件(8 组)8
5.1284–85确定性验证(2 组)2
5.1386–89性能基准(4 组)4
5.1490–95输出结构与统计(6 组)6
5.1596–108每基因 Top-10 轨迹深度分析(13 组)13
5.16109–121每基因中心 10 kb N 掩码响应(13 组)13
5.17122–134每基因中心 1 bp 变异响应(13 组)13
5.18135–147每基因 batch=4 批内一致性(13 组)13

调用约定:

# 运行单个用例 / 多个用例 / 区间用例 / 全部用例
./venv/bin/python inference.py --case 1
./venv/bin/python inference.py --case 1,2,3
./venv/bin/python inference.py --case 1-13
./venv/bin/python inference.py --all --output test_transcript.txt

5.1 单基因基础预测(fp32,npu:0,13 组)

用例 1:TP53 基础预测(全窗口 196608 bp, fp32, 肿瘤蛋白 p53)

./venv/bin/python inference.py --case 1
[INFO] 描述:将 TP53(肿瘤蛋白 p53)基因序列平铺至 196608 bp,验证基础推理正确性
[INFO] 输入:TP53(肿瘤蛋白 p53),原始长度 184,GC 62.5%,平铺至 196608 bp
[INFO] 输出形状: (1, 896, 5313),dtype=torch.float32,耗时 0.4839s
[INFO] Top-5 tracks(按 bin 最大值):
[INFO]        human_track_1105    33.1237
[INFO]        human_track_3888    22.2648
[INFO]        human_track_3822    15.5769
[INFO]        human_track_3279    15.3225
[INFO]        human_track_4286    13.6021
[INFO] Top-5 tracks(按 bin 均值):
[INFO]        human_track_1105    32.0163
[INFO]        human_track_3888    21.5210
[INFO]        human_track_3822    15.1654
[INFO]        human_track_3279    14.7551
[INFO]        human_track_4286    13.0999

用例 2:BRCA1 基础预测(全窗口 196608 bp, fp32, 乳腺癌易感基因 1)

./venv/bin/python inference.py --case 2
[INFO] 描述:将 BRCA1(乳腺癌易感基因 1)基因序列平铺至 196608 bp,验证基础推理正确性
[INFO] 输入:BRCA1(乳腺癌易感基因 1),原始长度 99,GC 37.4%,平铺至 196608 bp
[INFO] 输出形状: (1, 896, 5313),dtype=torch.float32,耗时 0.1394s
[INFO] Top-5 tracks(按 bin 最大值):
[INFO]        human_track_3986    10.5648
[INFO]        human_track_2547    9.5127
[INFO]        human_track_2938    8.3649
[INFO]        human_track_3208    8.0275
[INFO]        human_track_1909    7.7321
[INFO] Top-5 tracks(按 bin 均值):
[INFO]        human_track_3986    10.1995
[INFO]        human_track_2547    9.1720
[INFO]        human_track_2938    7.8954
[INFO]        human_track_3208    7.7346
[INFO]        human_track_1909    7.4381

用例 3:HBB 基础预测(全窗口 196608 bp, fp32, 血红蛋白 β 亚基)

./venv/bin/python inference.py --case 3
[INFO] 描述:将 HBB(血红蛋白 β 亚基)基因序列平铺至 196608 bp,验证基础推理正确性
[INFO] 输入:HBB(血红蛋白 β 亚基),原始长度 142,GC 54.2%,平铺至 196608 bp
[INFO] 输出形状: (1, 896, 5313),dtype=torch.float32,耗时 0.1390s
[INFO] Top-5 tracks(按 bin 最大值):
[INFO]        human_track_3340    9.8504
[INFO]        human_track_2653    8.3196
[INFO]        human_track_3135    7.9066
[INFO]        human_track_3306    7.2377
[INFO]        human_track_3986    6.8263
[INFO] Top-5 tracks(按 bin 均值):
[INFO]        human_track_3340    9.4202
[INFO]        human_track_2653    7.6769
[INFO]        human_track_3135    7.4274
[INFO]        human_track_3306    6.8530
[INFO]        human_track_2333    6.3301

用例 4:CFTR 基础预测(全窗口 196608 bp, fp32, 囊性纤维化跨膜传导调节因子)

./venv/bin/python inference.py --case 4
[INFO] 描述:将 CFTR(囊性纤维化跨膜传导调节因子)基因序列平铺至 196608 bp,验证基础推理正确性
[INFO] 输入:CFTR(囊性纤维化跨膜传导调节因子),原始长度 192,GC 38.5%,平铺至 196608 bp
[INFO] 输出形状: (1, 896, 5313),dtype=torch.float32,耗时 0.1392s
[INFO] Top-5 tracks(按 bin 最大值):
[INFO]        human_track_4691    26.1857
[INFO]        human_track_5231    14.2888
[INFO]        human_track_1149    13.8449
[INFO]        human_track_4714    10.8041
[INFO]        human_track_3537    9.2062
[INFO] Top-5 tracks(按 bin 均值):
[INFO]        human_track_4691    23.8510
[INFO]        human_track_1149    13.6843
[INFO]        human_track_5231    12.3127
[INFO]        human_track_4714    9.9553
[INFO]        human_track_3537    9.0991

用例 5:TERT 基础预测(全窗口 196608 bp, fp32, 端粒酶逆转录酶)

./venv/bin/python inference.py --case 5
[INFO] 描述:将 TERT(端粒酶逆转录酶)基因序列平铺至 196608 bp,验证基础推理正确性
[INFO] 输入:TERT(端粒酶逆转录酶),原始长度 331,GC 78.2%,平铺至 196608 bp
[INFO] 输出形状: (1, 896, 5313),dtype=torch.float32,耗时 0.1392s
[INFO] Top-5 tracks(按 bin 最大值):
[INFO]        human_track_961     114.1556
[INFO]        human_track_1379    91.1152
[INFO]        human_track_3744    87.3320
[INFO]        human_track_958     86.9981
[INFO]        human_track_3485    86.1099
[INFO] Top-5 tracks(按 bin 均值):
[INFO]        human_track_961     95.4370
[INFO]        human_track_1379    79.7173
[INFO]        human_track_3485    76.7683
[INFO]        human_track_2090    74.5016
[INFO]        human_track_3744    71.9639

用例 6:KRAS 基础预测(全窗口 196608 bp, fp32, KRAS 原癌基因)

./venv/bin/python inference.py --case 6
[INFO] 描述:将 KRAS(KRAS 原癌基因)基因序列平铺至 196608 bp,验证基础推理正确性
[INFO] 输入:KRAS(KRAS 原癌基因),原始长度 122,GC 42.6%,平铺至 196608 bp
[INFO] 输出形状: (1, 896, 5313),dtype=torch.float32,耗时 0.1393s
[INFO] Top-5 tracks(按 bin 最大值):
[INFO]        human_track_3986    8.2657
[INFO]        human_track_2547    7.5028
[INFO]        human_track_3841    6.3169
[INFO]        human_track_3208    5.6792
[INFO]        human_track_2189    5.6233
[INFO] Top-5 tracks(按 bin 均值):
[INFO]        human_track_3986    7.0776
[INFO]        human_track_2547    6.3860
[INFO]        human_track_3841    5.2978
[INFO]        human_track_2189    4.8124
[INFO]        human_track_3208    4.7622

用例 7:PRNP 基础预测(全窗口 196608 bp, fp32, 朊蛋白)

./venv/bin/python inference.py --case 7
[INFO] 描述:将 PRNP(朊蛋白)基因序列平铺至 196608 bp,验证基础推理正确性
[INFO] 输入:PRNP(朊蛋白),原始长度 66,GC 59.1%,平铺至 196608 bp
[INFO] 输出形状: (1, 896, 5313),dtype=torch.float32,耗时 0.1392s
[INFO] Top-5 tracks(按 bin 最大值):
[INFO]        human_track_3135    10.1776
[INFO]        human_track_2653    9.6411
[INFO]        human_track_3986    9.0071
[INFO]        human_track_3208    8.5087
[INFO]        human_track_3544    7.6504
[INFO] Top-5 tracks(按 bin 均值):
[INFO]        human_track_3135    8.4241
[INFO]        human_track_3986    7.3944
[INFO]        human_track_2653    7.3678
[INFO]        human_track_3208    7.1681
[INFO]        human_track_3544    6.4962

用例 8:IL10 基础预测(全窗口 196608 bp, fp32, 白细胞介素 10)

./venv/bin/python inference.py --case 8
[INFO] 描述:将 IL10(白细胞介素 10)基因序列平铺至 196608 bp,验证基础推理正确性
[INFO] 输入:IL10(白细胞介素 10),原始长度 54,GC 63.0%,平铺至 196608 bp
[INFO] 输出形状: (1, 896, 5313),dtype=torch.float32,耗时 0.1394s
[INFO] Top-5 tracks(按 bin 最大值):
[INFO]        human_track_2653    3.1209
[INFO]        human_track_3135    2.4320
[INFO]        human_track_3544    2.0846
[INFO]        human_track_3217    2.0282
[INFO]        human_track_3036    1.3118
[INFO] Top-5 tracks(按 bin 均值):
[INFO]        human_track_2653    2.9062
[INFO]        human_track_3135    2.2695
[INFO]        human_track_3544    1.9391
[INFO]        human_track_3217    1.8919
[INFO]        human_track_3036    1.2030

用例 9:EBOLA_GP 基础预测(全窗口 196608 bp, fp32, 扎伊尔埃博拉病毒 GP)

./venv/bin/python inference.py --case 9
[INFO] 描述:将 EBOLA_GP(扎伊尔埃博拉病毒 GP)基因序列平铺至 196608 bp,验证基础推理正确性
[INFO] 输入:EBOLA_GP(扎伊尔埃博拉病毒 GP),原始长度 306,GC 36.9%,平铺至 196608 bp
[INFO] 输出形状: (1, 896, 5313),dtype=torch.float32,耗时 0.1389s
[INFO] Top-5 tracks(按 bin 最大值):
[INFO]        human_track_1844    26.9712
[INFO]        human_track_1499    23.2618
[INFO]        human_track_4194    19.4008
[INFO]        human_track_3330    17.6592
[INFO]        human_track_3312    15.5452
[INFO] Top-5 tracks(按 bin 均值):
[INFO]        human_track_1844    23.9628
[INFO]        human_track_1499    21.4733
[INFO]        human_track_4194    17.9669
[INFO]        human_track_3330    16.5746
[INFO]        human_track_3312    14.4635

用例 10:SARS_S 基础预测(全窗口 196608 bp, fp32, SARS 冠状病毒 S 蛋白)

./venv/bin/python inference.py --case 10
[INFO] 描述:将 SARS_S(SARS 冠状病毒 S 蛋白)基因序列平铺至 196608 bp,验证基础推理正确性
[INFO] 输入:SARS_S(SARS 冠状病毒 S 蛋白),原始长度 495,GC 34.7%,平铺至 196608 bp
[INFO] 输出形状: (1, 896, 5313),dtype=torch.float32,耗时 0.1388s
[INFO] Top-5 tracks(按 bin 最大值):
[INFO]        human_track_3544    5.9739
[INFO]        human_track_2797    5.9484
[INFO]        human_track_4435    5.2280
[INFO]        human_track_3986    5.1024
[INFO]        human_track_2416    5.0879
[INFO] Top-5 tracks(按 bin 均值):
[INFO]        human_track_2797    5.5590
[INFO]        human_track_3544    5.2528
[INFO]        human_track_2990    4.7235
[INFO]        human_track_2416    4.6962
[INFO]        human_track_2127    4.6908

用例 11:INS 基础预测(全窗口 196608 bp, fp32, 胰岛素)

./venv/bin/python inference.py --case 11
[INFO] 描述:将 INS(胰岛素)基因序列平铺至 196608 bp,验证基础推理正确性
[INFO] 输入:INS(胰岛素),原始长度 333,GC 64.6%,平铺至 196608 bp
[INFO] 输出形状: (1, 896, 5313),dtype=torch.float32,耗时 0.1392s
[INFO] Top-5 tracks(按 bin 最大值):
[INFO]        human_track_2135    24.2776
[INFO]        human_track_1912    10.7718
[INFO]        human_track_2375    10.7255
[INFO]        human_track_3636    10.2969
[INFO]        human_track_2386    9.8947
[INFO] Top-5 tracks(按 bin 均值):
[INFO]        human_track_2135    23.3333
[INFO]        human_track_1912    10.3208
[INFO]        human_track_3636    9.9230
[INFO]        human_track_2375    9.6448
[INFO]        human_track_2171    9.2727

用例 12:CDKN2A 基础预测(全窗口 196608 bp, fp32, 细胞周期蛋白依赖性激酶抑制剂 2A)

./venv/bin/python inference.py --case 12
[INFO] 描述:将 CDKN2A(细胞周期蛋白依赖性激酶抑制剂 2A)基因序列平铺至 196608 bp,验证基础推理正确性
[INFO] 输入:CDKN2A(细胞周期蛋白依赖性激酶抑制剂 2A),原始长度 471,GC 72.0%,平铺至 196608 bp
[INFO] 输出形状: (1, 896, 5313),dtype=torch.float32,耗时 0.1391s
[INFO] Top-5 tracks(按 bin 最大值):
[INFO]        human_track_1105    29.6555
[INFO]        human_track_2331    28.8689
[INFO]        human_track_3279    23.7162
[INFO]        human_track_3449    21.0563
[INFO]        human_track_3888    17.6339
[INFO] Top-5 tracks(按 bin 均值):
[INFO]        human_track_2331    24.9058
[INFO]        human_track_1105    24.4038
[INFO]        human_track_3279    20.6201
[INFO]        human_track_3449    18.5990
[INFO]        human_track_3888    14.6526

用例 13:HPV16_E6 基础预测(全窗口 196608 bp, fp32, 人乳头瘤病毒 16 型 E6 蛋白)

./venv/bin/python inference.py --case 13
[INFO] 描述:将 HPV16_E6(人乳头瘤病毒 16 型 E6 蛋白)基因序列平铺至 196608 bp,验证基础推理正确性
[INFO] 输入:HPV16_E6(人乳头瘤病毒 16 型 E6 蛋白),原始长度 477,GC 37.5%,平铺至 196608 bp
[INFO] 输出形状: (1, 896, 5313),dtype=torch.float32,耗时 0.1395s
[INFO] Top-5 tracks(按 bin 最大值):
[INFO]        human_track_2541    6.8897
[INFO]        human_track_3340    6.7379
[INFO]        human_track_1395    6.6644
[INFO]        human_track_3798    6.2172
[INFO]        human_track_1616    5.9151
[INFO] Top-5 tracks(按 bin 均值):
[INFO]        human_track_1395    6.0680
[INFO]        human_track_3798    5.6953
[INFO]        human_track_2541    5.5886
[INFO]        human_track_3340    4.3142
[INFO]        human_track_3375    3.7933

5.2 fp16 推理数值稳定性(13 组)

用例 14:TP53 fp16 推理(肿瘤蛋白 p53)

./venv/bin/python inference.py --case 14
[INFO] 描述:以 fp16 精度推理 TP53,验证半精度数值稳定性
[INFO] 输入:TP53(肿瘤蛋白 p53)
[INFO] 输出形状: (1, 896, 5313),dtype=fp16,耗时 0.1430s
[INFO] fp16 vs fp32 最大绝对差异: 13.122665
[INFO] Top-3 tracks(fp16,按 bin 最大值):
[INFO]        human_track_1105    20.0469
[INFO]        human_track_3888    17.9844
[INFO]        human_track_3822    12.3281

用例 15:BRCA1 fp16 推理(乳腺癌易感基因 1)

./venv/bin/python inference.py --case 15
[INFO] 描述:以 fp16 精度推理 BRCA1,验证半精度数值稳定性
[INFO] 输入:BRCA1(乳腺癌易感基因 1)
[INFO] 输出形状: (1, 896, 5313),dtype=fp16,耗时 0.0981s
[INFO] fp16 vs fp32 最大绝对差异: 6.187168
[INFO] Top-3 tracks(fp16,按 bin 最大值):
[INFO]        human_track_3986    8.5156
[INFO]        human_track_2547    7.6562
[INFO]        human_track_3208    6.5859

用例 16:HBB fp16 推理(血红蛋白 β 亚基)

./venv/bin/python inference.py --case 16
[INFO] 描述:以 fp16 精度推理 HBB,验证半精度数值稳定性
[INFO] 输入:HBB(血红蛋白 β 亚基)
[INFO] 输出形状: (1, 896, 5313),dtype=fp16,耗时 0.0978s
[INFO] fp16 vs fp32 最大绝对差异: 3.324278
[INFO] Top-3 tracks(fp16,按 bin 最大值):
[INFO]        human_track_2189    7.3008
[INFO]        human_track_2333    7.2383
[INFO]        human_track_3340    7.0000

用例 17:CFTR fp16 推理(囊性纤维化跨膜传导调节因子)

./venv/bin/python inference.py --case 17
[INFO] 描述:以 fp16 精度推理 CFTR,验证半精度数值稳定性
[INFO] 输入:CFTR(囊性纤维化跨膜传导调节因子)
[INFO] 输出形状: (1, 896, 5313),dtype=fp16,耗时 0.0974s
[INFO] fp16 vs fp32 最大绝对差异: 7.013166
[INFO] Top-3 tracks(fp16,按 bin 最大值):
[INFO]        human_track_4691    19.2188
[INFO]        human_track_1149    10.0859
[INFO]        human_track_5231    9.7656

用例 18:TERT fp16 推理(端粒酶逆转录酶)

./venv/bin/python inference.py --case 18
[INFO] 描述:以 fp16 精度推理 TERT,验证半精度数值稳定性
[INFO] 输入:TERT(端粒酶逆转录酶)
[INFO] 输出形状: (1, 896, 5313),dtype=fp16,耗时 0.0972s
[INFO] fp16 vs fp32 最大绝对差异: 42.432182
[INFO] Top-3 tracks(fp16,按 bin 最大值):
[INFO]        human_track_961     99.0625
[INFO]        human_track_958     76.8750
[INFO]        human_track_1379    70.1875

用例 19:KRAS fp16 推理(KRAS 原癌基因)

./venv/bin/python inference.py --case 19
[INFO] 描述:以 fp16 精度推理 KRAS,验证半精度数值稳定性
[INFO] 输入:KRAS(KRAS 原癌基因)
[INFO] 输出形状: (1, 896, 5313),dtype=fp16,耗时 0.0973s
[INFO] fp16 vs fp32 最大绝对差异: 2.375782
[INFO] Top-3 tracks(fp16,按 bin 最大值):
[INFO]        human_track_2189    6.8125
[INFO]        human_track_3986    6.7031
[INFO]        human_track_3841    6.3672

用例 20:PRNP fp16 推理(朊蛋白)

./venv/bin/python inference.py --case 20
[INFO] 描述:以 fp16 精度推理 PRNP,验证半精度数值稳定性
[INFO] 输入:PRNP(朊蛋白)
[INFO] 输出形状: (1, 896, 5313),dtype=fp16,耗时 0.0973s
[INFO] fp16 vs fp32 最大绝对差异: 3.108740
[INFO] Top-3 tracks(fp16,按 bin 最大值):
[INFO]        human_track_3135    7.8438
[INFO]        human_track_2653    7.7266
[INFO]        human_track_3544    6.1680

用例 21:IL10 fp16 推理(白细胞介素 10)

./venv/bin/python inference.py --case 21
[INFO] 描述:以 fp16 精度推理 IL10,验证半精度数值稳定性
[INFO] 输入:IL10(白细胞介素 10)
[INFO] 输出形状: (1, 896, 5313),dtype=fp16,耗时 0.0972s
[INFO] fp16 vs fp32 最大绝对差异: 0.685256
[INFO] Top-3 tracks(fp16,按 bin 最大值):
[INFO]        human_track_2653    3.2852
[INFO]        human_track_3135    2.5273
[INFO]        human_track_3217    1.6523

用例 22:EBOLA_GP fp16 推理(扎伊尔埃博拉病毒 GP)

./venv/bin/python inference.py --case 22
[INFO] 描述:以 fp16 精度推理 EBOLA_GP,验证半精度数值稳定性
[INFO] 输入:EBOLA_GP(扎伊尔埃博拉病毒 GP)
[INFO] 输出形状: (1, 896, 5313),dtype=fp16,耗时 0.0978s
[INFO] fp16 vs fp32 最大绝对差异: 6.724395
[INFO] Top-3 tracks(fp16,按 bin 最大值):
[INFO]        human_track_1844    24.0625
[INFO]        human_track_1499    17.3750
[INFO]        human_track_4194    14.5312

用例 23:SARS_S fp16 推理(SARS 冠状病毒 S 蛋白)

./venv/bin/python inference.py --case 23
[INFO] 描述:以 fp16 精度推理 SARS_S,验证半精度数值稳定性
[INFO] 输入:SARS_S(SARS 冠状病毒 S 蛋白)
[INFO] 输出形状: (1, 896, 5313),dtype=fp16,耗时 0.0977s
[INFO] fp16 vs fp32 最大绝对差异: 1.493187
[INFO] Top-3 tracks(fp16,按 bin 最大值):
[INFO]        human_track_3179    5.0195
[INFO]        human_track_2797    4.9648
[INFO]        human_track_2127    4.8242

用例 24:INS fp16 推理(胰岛素)

./venv/bin/python inference.py --case 24
[INFO] 描述:以 fp16 精度推理 INS,验证半精度数值稳定性
[INFO] 输入:INS(胰岛素)
[INFO] 输出形状: (1, 896, 5313),dtype=fp16,耗时 0.0980s
[INFO] fp16 vs fp32 最大绝对差异: 6.342099
[INFO] Top-3 tracks(fp16,按 bin 最大值):
[INFO]        human_track_2135    18.9844
[INFO]        human_track_3563    9.1875
[INFO]        human_track_2533    8.7031

用例 25:CDKN2A fp16 推理(细胞周期蛋白依赖性激酶抑制剂 2A)

./venv/bin/python inference.py --case 25
[INFO] 描述:以 fp16 精度推理 CDKN2A,验证半精度数值稳定性
[INFO] 输入:CDKN2A(细胞周期蛋白依赖性激酶抑制剂 2A)
[INFO] 输出形状: (1, 896, 5313),dtype=fp16,耗时 0.0980s
[INFO] fp16 vs fp32 最大绝对差异: 16.840002
[INFO] Top-3 tracks(fp16,按 bin 最大值):
[INFO]        human_track_1105    14.7734
[INFO]        human_track_3279    13.0938
[INFO]        human_track_3449    12.8750

用例 26:HPV16_E6 fp16 推理(人乳头瘤病毒 16 型 E6 蛋白)

./venv/bin/python inference.py --case 26
[INFO] 描述:以 fp16 精度推理 HPV16_E6,验证半精度数值稳定性
[INFO] 输入:HPV16_E6(人乳头瘤病毒 16 型 E6 蛋白)
[INFO] 输出形状: (1, 896, 5313),dtype=fp16,耗时 0.0976s
[INFO] fp16 vs fp32 最大绝对差异: 2.659454
[INFO] Top-3 tracks(fp16,按 bin 最大值):
[INFO]        human_track_2541    6.8984
[INFO]        human_track_3340    6.4102
[INFO]        human_track_1616    5.6875

5.3 bf16 推理数值稳定性(13 组)

用例 27:TP53 bf16 推理(肿瘤蛋白 p53)

./venv/bin/python inference.py --case 27
[INFO] 描述:以 bf16 精度推理 TP53,验证 bf16 数值稳定性
[INFO] 输入:TP53(肿瘤蛋白 p53)
[INFO] 输出形状: (1, 896, 5313),dtype=bf16,耗时 0.1501s
[INFO] bf16 vs fp32 最大绝对差异: 0.439651
[INFO] Top-3 tracks(bf16,按 bin 最大值):
[INFO]        human_track_1105    33.2500
[INFO]        human_track_3888    22.5000
[INFO]        human_track_3822    15.7500

用例 28:BRCA1 bf16 推理(乳腺癌易感基因 1)

./venv/bin/python inference.py --case 28
[INFO] 描述:以 bf16 精度推理 BRCA1,验证 bf16 数值稳定性
[INFO] 输入:BRCA1(乳腺癌易感基因 1)
[INFO] 输出形状: (1, 896, 5313),dtype=bf16,耗时 0.1105s
[INFO] bf16 vs fp32 最大绝对差异: 0.264210
[INFO] Top-3 tracks(bf16,按 bin 最大值):
[INFO]        human_track_3986    10.5625
[INFO]        human_track_2547    9.5000
[INFO]        human_track_2938    8.4375

用例 29:HBB bf16 推理(血红蛋白 β 亚基)

./venv/bin/python inference.py --case 29
[INFO] 描述:以 bf16 精度推理 HBB,验证 bf16 数值稳定性
[INFO] 输入:HBB(血红蛋白 β 亚基)
[INFO] 输出形状: (1, 896, 5313),dtype=bf16,耗时 0.1094s
[INFO] bf16 vs fp32 最大绝对差异: 0.240109
[INFO] Top-3 tracks(bf16,按 bin 最大值):
[INFO]        human_track_3340    9.8125
[INFO]        human_track_2653    8.3125
[INFO]        human_track_3135    7.9062

用例 30:CFTR bf16 推理(囊性纤维化跨膜传导调节因子)

./venv/bin/python inference.py --case 30
[INFO] 描述:以 bf16 精度推理 CFTR,验证 bf16 数值稳定性
[INFO] 输入:CFTR(囊性纤维化跨膜传导调节因子)
[INFO] 输出形状: (1, 896, 5313),dtype=bf16,耗时 0.1091s
[INFO] bf16 vs fp32 最大绝对差异: 0.695797
[INFO] Top-3 tracks(bf16,按 bin 最大值):
[INFO]        human_track_4691    26.3750
[INFO]        human_track_5231    14.3750
[INFO]        human_track_1149    13.9375

用例 31:TERT bf16 推理(端粒酶逆转录酶)

./venv/bin/python inference.py --case 31
[INFO] 描述:以 bf16 精度推理 TERT,验证 bf16 数值稳定性
[INFO] 输入:TERT(端粒酶逆转录酶)
[INFO] 输出形状: (1, 896, 5313),dtype=bf16,耗时 0.1091s
[INFO] bf16 vs fp32 最大绝对差异: 2.349541
[INFO] Top-3 tracks(bf16,按 bin 最大值):
[INFO]        human_track_961     114.5000
[INFO]        human_track_1379    91.0000
[INFO]        human_track_3744    88.0000

用例 32:KRAS bf16 推理(KRAS 原癌基因)

./venv/bin/python inference.py --case 32
[INFO] 描述:以 bf16 精度推理 KRAS,验证 bf16 数值稳定性
[INFO] 输入:KRAS(KRAS 原癌基因)
[INFO] 输出形状: (1, 896, 5313),dtype=bf16,耗时 0.1095s
[INFO] bf16 vs fp32 最大绝对差异: 0.266737
[INFO] Top-3 tracks(bf16,按 bin 最大值):
[INFO]        human_track_3986    8.2500
[INFO]        human_track_2547    7.4688
[INFO]        human_track_3841    6.2500

用例 33:PRNP bf16 推理(朊蛋白)

./venv/bin/python inference.py --case 33
[INFO] 描述:以 bf16 精度推理 PRNP,验证 bf16 数值稳定性
[INFO] 输入:PRNP(朊蛋白)
[INFO] 输出形状: (1, 896, 5313),dtype=bf16,耗时 0.1093s
[INFO] bf16 vs fp32 最大绝对差异: 0.285540
[INFO] Top-3 tracks(bf16,按 bin 最大值):
[INFO]        human_track_3135    10.1875
[INFO]        human_track_2653    9.6875
[INFO]        human_track_3986    8.9375

用例 34:IL10 bf16 推理(白细胞介素 10)

./venv/bin/python inference.py --case 34
[INFO] 描述:以 bf16 精度推理 IL10,验证 bf16 数值稳定性
[INFO] 输入:IL10(白细胞介素 10)
[INFO] 输出形状: (1, 896, 5313),dtype=bf16,耗时 0.1098s
[INFO] bf16 vs fp32 最大绝对差异: 0.204419
[INFO] Top-3 tracks(bf16,按 bin 最大值):
[INFO]        human_track_2653    3.1406
[INFO]        human_track_3135    2.4844
[INFO]        human_track_3544    2.0938

用例 35:EBOLA_GP bf16 推理(扎伊尔埃博拉病毒 GP)

./venv/bin/python inference.py --case 35
[INFO] 描述:以 bf16 精度推理 EBOLA_GP,验证 bf16 数值稳定性
[INFO] 输入:EBOLA_GP(扎伊尔埃博拉病毒 GP)
[INFO] 输出形状: (1, 896, 5313),dtype=bf16,耗时 0.1114s
[INFO] bf16 vs fp32 最大绝对差异: 0.659294
[INFO] Top-3 tracks(bf16,按 bin 最大值):
[INFO]        human_track_1844    27.3750
[INFO]        human_track_1499    23.3750
[INFO]        human_track_4194    19.5000

用例 36:SARS_S bf16 推理(SARS 冠状病毒 S 蛋白)

./venv/bin/python inference.py --case 36
[INFO] 描述:以 bf16 精度推理 SARS_S,验证 bf16 数值稳定性
[INFO] 输入:SARS_S(SARS 冠状病毒 S 蛋白)
[INFO] 输出形状: (1, 896, 5313),dtype=bf16,耗时 0.1112s
[INFO] bf16 vs fp32 最大绝对差异: 0.167092
[INFO] Top-3 tracks(bf16,按 bin 最大值):
[INFO]        human_track_3544    6.0312
[INFO]        human_track_2797    5.9375
[INFO]        human_track_4435    5.2188

用例 37:INS bf16 推理(胰岛素)

./venv/bin/python inference.py --case 37
[INFO] 描述:以 bf16 精度推理 INS,验证 bf16 数值稳定性
[INFO] 输入:INS(胰岛素)
[INFO] 输出形状: (1, 896, 5313),dtype=bf16,耗时 0.1097s
[INFO] bf16 vs fp32 最大绝对差异: 0.427555
[INFO] Top-3 tracks(bf16,按 bin 最大值):
[INFO]        human_track_2135    24.5000
[INFO]        human_track_1912    10.8750
[INFO]        human_track_2375    10.6875

用例 38:CDKN2A bf16 推理(细胞周期蛋白依赖性激酶抑制剂 2A)

./venv/bin/python inference.py --case 38
[INFO] 描述:以 bf16 精度推理 CDKN2A,验证 bf16 数值稳定性
[INFO] 输入:CDKN2A(细胞周期蛋白依赖性激酶抑制剂 2A)
[INFO] 输出形状: (1, 896, 5313),dtype=bf16,耗时 0.1096s
[INFO] bf16 vs fp32 最大绝对差异: 0.794081
[INFO] Top-3 tracks(bf16,按 bin 最大值):
[INFO]        human_track_1105    29.3750
[INFO]        human_track_2331    29.0000
[INFO]        human_track_3279    23.6250

用例 39:HPV16_E6 bf16 推理(人乳头瘤病毒 16 型 E6 蛋白)

./venv/bin/python inference.py --case 39
[INFO] 描述:以 bf16 精度推理 HPV16_E6,验证 bf16 数值稳定性
[INFO] 输入:HPV16_E6(人乳头瘤病毒 16 型 E6 蛋白)
[INFO] 输出形状: (1, 896, 5313),dtype=bf16,耗时 0.1096s
[INFO] bf16 vs fp32 最大绝对差异: 0.151193
[INFO] Top-3 tracks(bf16,按 bin 最大值):
[INFO]        human_track_2541    6.8750
[INFO]        human_track_3340    6.7500
[INFO]        human_track_1395    6.6875

5.4 npu:1 双卡一致性(13 组)

用例 40:TP53 npu:1 双卡一致性(肿瘤蛋白 p53)

./venv/bin/python inference.py --case 40
[INFO] 描述:在 npu:1 上推理 TP53,验证双卡结果一致性
[INFO] 输入:TP53(肿瘤蛋白 p53),npu:1 推理,耗时 0.2986s
[INFO] 输出形状: (1, 896, 5313)
[INFO] npu:1 vs npu:0 最大绝对差异: 0.00000000
[INFO] Top-3 tracks(npu:1,按 bin 最大值):
[INFO]        human_track_1105    33.1237
[INFO]        human_track_3888    22.2648
[INFO]        human_track_3822    15.5769

用例 41:BRCA1 npu:1 双卡一致性(乳腺癌易感基因 1)

./venv/bin/python inference.py --case 41
[INFO] 描述:在 npu:1 上推理 BRCA1,验证双卡结果一致性
[INFO] 输入:BRCA1(乳腺癌易感基因 1),npu:1 推理,耗时 0.1392s
[INFO] 输出形状: (1, 896, 5313)
[INFO] npu:1 vs npu:0 最大绝对差异: 0.00000000
[INFO] Top-3 tracks(npu:1,按 bin 最大值):
[INFO]        human_track_3986    10.5648
[INFO]        human_track_2547    9.5127
[INFO]        human_track_2938    8.3649

用例 42:HBB npu:1 双卡一致性(血红蛋白 β 亚基)

./venv/bin/python inference.py --case 42
[INFO] 描述:在 npu:1 上推理 HBB,验证双卡结果一致性
[INFO] 输入:HBB(血红蛋白 β 亚基),npu:1 推理,耗时 0.1401s
[INFO] 输出形状: (1, 896, 5313)
[INFO] npu:1 vs npu:0 最大绝对差异: 0.00000000
[INFO] Top-3 tracks(npu:1,按 bin 最大值):
[INFO]        human_track_3340    9.8504
[INFO]        human_track_2653    8.3196
[INFO]        human_track_3135    7.9066

用例 43:CFTR npu:1 双卡一致性(囊性纤维化跨膜传导调节因子)

./venv/bin/python inference.py --case 43
[INFO] 描述:在 npu:1 上推理 CFTR,验证双卡结果一致性
[INFO] 输入:CFTR(囊性纤维化跨膜传导调节因子),npu:1 推理,耗时 0.1400s
[INFO] 输出形状: (1, 896, 5313)
[INFO] npu:1 vs npu:0 最大绝对差异: 0.00000000
[INFO] Top-3 tracks(npu:1,按 bin 最大值):
[INFO]        human_track_4691    26.1857
[INFO]        human_track_5231    14.2888
[INFO]        human_track_1149    13.8449

用例 44:TERT npu:1 双卡一致性(端粒酶逆转录酶)

./venv/bin/python inference.py --case 44
[INFO] 描述:在 npu:1 上推理 TERT,验证双卡结果一致性
[INFO] 输入:TERT(端粒酶逆转录酶),npu:1 推理,耗时 0.1400s
[INFO] 输出形状: (1, 896, 5313)
[INFO] npu:1 vs npu:0 最大绝对差异: 0.00000000
[INFO] Top-3 tracks(npu:1,按 bin 最大值):
[INFO]        human_track_961     114.1556
[INFO]        human_track_1379    91.1152
[INFO]        human_track_3744    87.3320

用例 45:KRAS npu:1 双卡一致性(KRAS 原癌基因)

./venv/bin/python inference.py --case 45
[INFO] 描述:在 npu:1 上推理 KRAS,验证双卡结果一致性
[INFO] 输入:KRAS(KRAS 原癌基因),npu:1 推理,耗时 0.1400s
[INFO] 输出形状: (1, 896, 5313)
[INFO] npu:1 vs npu:0 最大绝对差异: 0.00000000
[INFO] Top-3 tracks(npu:1,按 bin 最大值):
[INFO]        human_track_3986    8.2657
[INFO]        human_track_2547    7.5028
[INFO]        human_track_3841    6.3169

用例 46:PRNP npu:1 双卡一致性(朊蛋白)

./venv/bin/python inference.py --case 46
[INFO] 描述:在 npu:1 上推理 PRNP,验证双卡结果一致性
[INFO] 输入:PRNP(朊蛋白),npu:1 推理,耗时 0.1396s
[INFO] 输出形状: (1, 896, 5313)
[INFO] npu:1 vs npu:0 最大绝对差异: 0.00000000
[INFO] Top-3 tracks(npu:1,按 bin 最大值):
[INFO]        human_track_3135    10.1776
[INFO]        human_track_2653    9.6411
[INFO]        human_track_3986    9.0071

用例 47:IL10 npu:1 双卡一致性(白细胞介素 10)

./venv/bin/python inference.py --case 47
[INFO] 描述:在 npu:1 上推理 IL10,验证双卡结果一致性
[INFO] 输入:IL10(白细胞介素 10),npu:1 推理,耗时 0.1393s
[INFO] 输出形状: (1, 896, 5313)
[INFO] npu:1 vs npu:0 最大绝对差异: 0.00000000
[INFO] Top-3 tracks(npu:1,按 bin 最大值):
[INFO]        human_track_2653    3.1209
[INFO]        human_track_3135    2.4320
[INFO]        human_track_3544    2.0846

用例 48:EBOLA_GP npu:1 双卡一致性(扎伊尔埃博拉病毒 GP)

./venv/bin/python inference.py --case 48
[INFO] 描述:在 npu:1 上推理 EBOLA_GP,验证双卡结果一致性
[INFO] 输入:EBOLA_GP(扎伊尔埃博拉病毒 GP),npu:1 推理,耗时 0.1398s
[INFO] 输出形状: (1, 896, 5313)
[INFO] npu:1 vs npu:0 最大绝对差异: 0.00000000
[INFO] Top-3 tracks(npu:1,按 bin 最大值):
[INFO]        human_track_1844    26.9712
[INFO]        human_track_1499    23.2618
[INFO]        human_track_4194    19.4008

用例 49:SARS_S npu:1 双卡一致性(SARS 冠状病毒 S 蛋白)

./venv/bin/python inference.py --case 49
[INFO] 描述:在 npu:1 上推理 SARS_S,验证双卡结果一致性
[INFO] 输入:SARS_S(SARS 冠状病毒 S 蛋白),npu:1 推理,耗时 0.1399s
[INFO] 输出形状: (1, 896, 5313)
[INFO] npu:1 vs npu:0 最大绝对差异: 0.00000000
[INFO] Top-3 tracks(npu:1,按 bin 最大值):
[INFO]        human_track_3544    5.9739
[INFO]        human_track_2797    5.9484
[INFO]        human_track_4435    5.2280

用例 50:INS npu:1 双卡一致性(胰岛素)

./venv/bin/python inference.py --case 50
[INFO] 描述:在 npu:1 上推理 INS,验证双卡结果一致性
[INFO] 输入:INS(胰岛素),npu:1 推理,耗时 0.1400s
[INFO] 输出形状: (1, 896, 5313)
[INFO] npu:1 vs npu:0 最大绝对差异: 0.00000000
[INFO] Top-3 tracks(npu:1,按 bin 最大值):
[INFO]        human_track_2135    24.2776
[INFO]        human_track_1912    10.7718
[INFO]        human_track_2375    10.7255

用例 51:CDKN2A npu:1 双卡一致性(细胞周期蛋白依赖性激酶抑制剂 2A)

./venv/bin/python inference.py --case 51
[INFO] 描述:在 npu:1 上推理 CDKN2A,验证双卡结果一致性
[INFO] 输入:CDKN2A(细胞周期蛋白依赖性激酶抑制剂 2A),npu:1 推理,耗时 0.1398s
[INFO] 输出形状: (1, 896, 5313)
[INFO] npu:1 vs npu:0 最大绝对差异: 0.00000000
[INFO] Top-3 tracks(npu:1,按 bin 最大值):
[INFO]        human_track_1105    29.6555
[INFO]        human_track_2331    28.8689
[INFO]        human_track_3279    23.7162

用例 52:HPV16_E6 npu:1 双卡一致性(人乳头瘤病毒 16 型 E6 蛋白)

./venv/bin/python inference.py --case 52
[INFO] 描述:在 npu:1 上推理 HPV16_E6,验证双卡结果一致性
[INFO] 输入:HPV16_E6(人乳头瘤病毒 16 型 E6 蛋白),npu:1 推理,耗时 0.1395s
[INFO] 输出形状: (1, 896, 5313)
[INFO] npu:1 vs npu:0 最大绝对差异: 0.00000000
[INFO] Top-3 tracks(npu:1,按 bin 最大值):
[INFO]        human_track_2541    6.8897
[INFO]        human_track_3340    6.7379
[INFO]        human_track_1395    6.6644

5.5 CPU vs NPU 精度一致性(2 组)

用例 53:TP53 CPU vs NPU 一致性(肿瘤蛋白 p53)

./venv/bin/python inference.py --case 53
[INFO] 描述:在 CPU 上推理 TP53 并与 NPU 结果对比,验证精度一致性
[INFO] 输入:TP53(肿瘤蛋白 p53),CPU 推理,耗时 80.2s(NPU 约 0.15s)
[INFO] 输出形状: (1, 896, 5313)
[INFO] CPU vs NPU 最大绝对差异: 0.01869202
[INFO] Top-3 tracks(CPU,按 bin 最大值):
[INFO]        human_track_1105    33.1218
[INFO]        human_track_3888    22.2606
[INFO]        human_track_3822    15.5744

用例 54:HBB CPU vs NPU 一致性(血红蛋白 β 亚基)

./venv/bin/python inference.py --case 54
[INFO] 描述:在 CPU 上推理 HBB 并与 NPU 结果对比,验证精度一致性
[INFO] 输入:HBB(血红蛋白 β 亚基),CPU 推理,耗时 80.5s(NPU 约 0.15s)
[INFO] 输出形状: (1, 896, 5313)
[INFO] CPU vs NPU 最大绝对差异: 0.00958705
[INFO] Top-3 tracks(CPU,按 bin 最大值):
[INFO]        human_track_3340    9.8506
[INFO]        human_track_2653    8.3241
[INFO]        human_track_3135    7.9071

5.6 批量推理 batch=2/4/8/13(4 组)

用例 55:批量推理 批量=2

./venv/bin/python inference.py --case 55
[INFO] 描述:对 2 条基因序列构成 batch=2 进行一次前向,验证批量推理
[INFO] 输入批次:TP53, HBB(batch=2),输入形状 (2, 196608)
[INFO] 输出形状: (2, 896, 5313),耗时 0.4858s
[INFO] batch 首样本 Top-1 track(按 bin 最大值): human_track_1105 = 33.1237

用例 56:批量推理 批量=4

./venv/bin/python inference.py --case 56
[INFO] 描述:对 4 条基因序列构成 batch=4 进行一次前向,验证批量推理
[INFO] 输入批次:TP53, HBB, CFTR, TERT(batch=4),输入形状 (4, 196608)
[INFO] 输出形状: (4, 896, 5313),耗时 1.0718s
[INFO] batch 首样本 Top-1 track(按 bin 最大值): human_track_1105 = 33.1237

用例 57:批量推理 批量=8

./venv/bin/python inference.py --case 57
[INFO] 描述:对 8 条基因序列构成 batch=8 进行一次前向,验证批量推理
[INFO] 输入批次:TP53, HBB, CFTR, TERT, KRAS, PRNP, IL10, INS(batch=8),输入形状 (8, 196608)
[INFO] 输出形状: (8, 896, 5313),耗时 2.2003s
[INFO] batch 首样本 Top-1 track(按 bin 最大值): human_track_1105 = 33.1237

用例 58:批量推理 批量=13(全部基因)

./venv/bin/python inference.py --case 58
[INFO] 描述:对 13 条基因序列构成 batch=13 进行一次前向,验证批量推理
[INFO] 输入批次:TP53, BRCA1, HBB, CFTR, TERT, KRAS, PRNP, IL10, EBOLA_GP, SARS_S, INS, CDKN2A, HPV16_E6(batch=13),输入形状 (13, 196608)
[INFO] 输出形状: (13, 896, 5313),耗时 6.9178s
[INFO] batch 首样本 Top-1 track(按 bin 最大值): human_track_1105 = 33.1237

5.7 序列组成分析(8 组)

用例 59:序列组成:均匀随机 DNA(seed=42)

./venv/bin/python inference.py --case 59
[INFO] 描述:对 均匀随机 DNA(seed=42) 序列(196608 bp)进行推理,分析组成对预测的影响
[INFO] 序列:均匀随机 DNA(seed=42),长度 196608 bp,GC 含量 50.2%
[INFO] 输出形状: (1, 896, 5313),耗时 0.1392s
[INFO] 覆盖均值 0.5524,覆盖最大值 57.4807
[INFO] Top-3 tracks(按 bin 最大值):
[INFO]        human_track_4648    57.4807
[INFO]        human_track_1105    42.9715
[INFO]        human_track_4649    41.8391

用例 60:序列组成:均匀随机 DNA(seed=2026)

./venv/bin/python inference.py --case 60
[INFO] 描述:对 均匀随机 DNA(seed=2026) 序列(196608 bp)进行推理,分析组成对预测的影响
[INFO] 序列:均匀随机 DNA(seed=2026),长度 196608 bp,GC 含量 50.0%
[INFO] 输出形状: (1, 896, 5313),耗时 0.1392s
[INFO] 覆盖均值 0.5463,覆盖最大值 71.5535
[INFO] Top-3 tracks(按 bin 最大值):
[INFO]        human_track_4648    71.5535
[INFO]        human_track_4647    66.4458
[INFO]        human_track_1324    50.9139

用例 61:序列组成:GC 富集(GC≈90%)

./venv/bin/python inference.py --case 61
[INFO] 描述:对 GC 富集(GC≈90%) 序列(196608 bp)进行推理,分析组成对预测的影响
[INFO] 序列:GC 富集(GC≈90%),长度 196608 bp,GC 含量 100.0%
[INFO] 输出形状: (1, 896, 5313),耗时 0.1389s
[INFO] 覆盖均值 0.0548,覆盖最大值 1.4936
[INFO] Top-3 tracks(按 bin 最大值):
[INFO]        human_track_971     1.4936
[INFO]        human_track_2043    1.3209
[INFO]        human_track_4325    1.3053

用例 62:序列组成:AT 富集(AT≈90%)

./venv/bin/python inference.py --case 62
[INFO] 描述:对 AT 富集(AT≈90%) 序列(196608 bp)进行推理,分析组成对预测的影响
[INFO] 序列:AT 富集(AT≈90%),长度 196608 bp,GC 含量 0.0%
[INFO] 输出形状: (1, 896, 5313),耗时 0.1392s
[INFO] 覆盖均值 0.0752,覆盖最大值 5.9079
[INFO] Top-3 tracks(按 bin 最大值):
[INFO]        human_track_3478    5.9079
[INFO]        human_track_3280    5.6595
[INFO]        human_track_1099    5.1782

用例 63:序列组成:poly-A 重复

./venv/bin/python inference.py --case 63
[INFO] 描述:对 poly-A 重复 序列(196608 bp)进行推理,分析组成对预测的影响
[INFO] 序列:poly-A 重复,长度 196608 bp,GC 含量 0.0%
[INFO] 输出形状: (1, 896, 5313),耗时 0.1391s
[INFO] 覆盖均值 0.0502,覆盖最大值 15.4271
[INFO] Top-3 tracks(按 bin 最大值):
[INFO]        human_track_1246    15.4271
[INFO]        human_track_3661    7.6246
[INFO]        human_track_4167    7.3296

用例 64:序列组成:ACGT 周期性重复

./venv/bin/python inference.py --case 64
[INFO] 描述:对 ACGT 周期性重复 序列(196608 bp)进行推理,分析组成对预测的影响
[INFO] 序列:ACGT 周期性重复,长度 196608 bp,GC 含量 50.0%
[INFO] 输出形状: (1, 896, 5313),耗时 0.1391s
[INFO] 覆盖均值 0.0136,覆盖最大值 2.7088
[INFO] Top-3 tracks(按 bin 最大值):
[INFO]        human_track_680     2.7088
[INFO]        human_track_2090    1.5055
[INFO]        human_track_681     1.4123

用例 65:序列组成:CpG 岛样(CG 二核苷酸重复)

./venv/bin/python inference.py --case 65
[INFO] 描述:对 CpG 岛样(CG 二核苷酸重复) 序列(196608 bp)进行推理,分析组成对预测的影响
[INFO] 序列:CpG 岛样(CG 二核苷酸重复),长度 196608 bp,GC 含量 100.0%
[INFO] 输出形状: (1, 896, 5313),耗时 0.1389s
[INFO] 覆盖均值 0.0293,覆盖最大值 5.9601
[INFO] Top-3 tracks(按 bin 最大值):
[INFO]        human_track_2090    5.9601
[INFO]        human_track_4325    0.8928
[INFO]        human_track_4408    0.5619

用例 66:序列组成:低复杂度双核苷酸重复(AT)

./venv/bin/python inference.py --case 66
[INFO] 描述:对 低复杂度双核苷酸重复(AT) 序列(196608 bp)进行推理,分析组成对预测的影响
[INFO] 序列:低复杂度双核苷酸重复(AT),长度 196608 bp,GC 含量 0.0%
[INFO] 输出形状: (1, 896, 5313),耗时 0.1397s
[INFO] 覆盖均值 0.0068,覆盖最大值 0.4940
[INFO] Top-3 tracks(按 bin 最大值):
[INFO]        human_track_4673    0.4940
[INFO]        human_track_4325    0.4876
[INFO]        human_track_2157    0.3800

5.8 TP53 变异效应(1/2/5/10 bp 替换,4 组)

用例 67:TP53 变异效应:1 bp 替换

./venv/bin/python inference.py --case 67
[INFO] 描述:在 TP53 序列中心区域引入 1 bp 单碱基替换,量化覆盖轨迹变化
[INFO] 序列:TP53 参考 vs 1 bp 变异(seed=11,中心区域),耗时 0.1393s
[INFO] 最大绝对差异: 1.103062,平均差异: 0.00033474,|Δ|>0.1 的 bin 数: 20/896
[INFO] 参考序列 Top-3 tracks:
[INFO]        human_track_1105    33.1237
[INFO]        human_track_3888    22.2648
[INFO]        human_track_3822    15.5769
[INFO] 变异序列 Top-3 tracks:
[INFO]        human_track_1105    33.1699
[INFO]        human_track_3888    22.2781
[INFO]        human_track_3822    15.5910

用例 68:TP53 变异效应:2 bp 替换

./venv/bin/python inference.py --case 68
[INFO] 描述:在 TP53 序列中心区域引入 2 bp 单碱基替换,量化覆盖轨迹变化
[INFO] 序列:TP53 参考 vs 2 bp 变异(seed=11,中心区域),耗时 0.1397s
[INFO] 最大绝对差异: 1.045684,平均差异: 0.00039984,|Δ|>0.1 的 bin 数: 40/896
[INFO] 参考序列 Top-3 tracks:
[INFO]        human_track_1105    33.1237
[INFO]        human_track_3888    22.2648
[INFO]        human_track_3822    15.5769
[INFO] 变异序列 Top-3 tracks:
[INFO]        human_track_1105    33.3508
[INFO]        human_track_3888    22.4112
[INFO]        human_track_3822    15.7020

用例 69:TP53 变异效应:5 bp 替换

./venv/bin/python inference.py --case 69
[INFO] 描述:在 TP53 序列中心区域引入 5 bp 单碱基替换,量化覆盖轨迹变化
[INFO] 序列:TP53 参考 vs 5 bp 变异(seed=11,中心区域),耗时 0.1397s
[INFO] 最大绝对差异: 2.884716,平均差异: 0.00044613,|Δ|>0.1 的 bin 数: 35/896
[INFO] 参考序列 Top-3 tracks:
[INFO]        human_track_1105    33.1237
[INFO]        human_track_3888    22.2648
[INFO]        human_track_3822    15.5769
[INFO] 变异序列 Top-3 tracks:
[INFO]        human_track_1105    33.2496
[INFO]        human_track_3888    22.2966
[INFO]        human_track_3822    15.6087

用例 70:TP53 变异效应:10 bp 替换

./venv/bin/python inference.py --case 70
[INFO] 描述:在 TP53 序列中心区域引入 10 bp 单碱基替换,量化覆盖轨迹变化
[INFO] 序列:TP53 参考 vs 10 bp 变异(seed=11,中心区域),耗时 0.1400s
[INFO] 最大绝对差异: 1.396895,平均差异: 0.00063428,|Δ|>0.1 的 bin 数: 34/896
[INFO] 参考序列 Top-3 tracks:
[INFO]        human_track_1105    33.1237
[INFO]        human_track_3888    22.2648
[INFO]        human_track_3822    15.5769
[INFO] 变异序列 Top-3 tracks:
[INFO]        human_track_1105    33.2648
[INFO]        human_track_3888    22.2995
[INFO]        human_track_3822    15.7050

5.9 TP53 N 掩码(中心 1/10/50 kb → N,3 组)

用例 71:TP53 N 掩码:中心 1 kb → N

./venv/bin/python inference.py --case 71
[INFO] 描述:将 TP53 序列中心 1 kb 替换为 N,分析覆盖轨迹响应
[INFO] 序列:TP53,将中心 1 kb 掩码为 N,耗时 0.1400s
[INFO] 最大绝对差异: 32.903385,平均差异: 0.05084987
[INFO] 掩码区域覆盖均值: 1.0641(参考 1.0722)

用例 72:TP53 N 掩码:中心 10 kb → N

./venv/bin/python inference.py --case 72
[INFO] 描述:将 TP53 序列中心 10 kb 替换为 N,分析覆盖轨迹响应
[INFO] 序列:TP53,将中心 10 kb 掩码为 N,耗时 0.1395s
[INFO] 最大绝对差异: 33.039532,平均差异: 0.23475048
[INFO] 掩码区域覆盖均值: 0.9161(参考 1.0722)

用例 73:TP53 N 掩码:中心 50 kb → N

./venv/bin/python inference.py --case 73
[INFO] 描述:将 TP53 序列中心 50 kb 替换为 N,分析覆盖轨迹响应
[INFO] 序列:TP53,将中心 50 kb 掩码为 N,耗时 0.1396s
[INFO] 最大绝对差异: 33.037724,平均差异: 0.56432396
[INFO] 掩码区域覆盖均值: 0.6052(参考 1.0722)

5.10 反向互补对比(2 组)

用例 74:TP53 反向互补对比

./venv/bin/python inference.py --case 74
[INFO] 描述:验证序列方向敏感性(DNA 链具有方向性)
[INFO] 序列:TP53(肿瘤蛋白 p53)正向 vs 反向互补,耗时 0.1397s
[INFO] 正/反向互补最大绝对差异: 13.968536
[INFO] 正向 Top-3 tracks:
[INFO]        human_track_1105    33.1237
[INFO]        human_track_3888    22.2648
[INFO]        human_track_3822    15.5769
[INFO] 反向互补 Top-3 tracks:
[INFO]        human_track_1105    21.1967
[INFO]        human_track_3888    17.5843
[INFO]        human_track_3822    11.8025

用例 75:HBB 反向互补对比

./venv/bin/python inference.py --case 75
[INFO] 描述:验证序列方向敏感性(DNA 链具有方向性)
[INFO] 序列:HBB(血红蛋白 β 亚基)正向 vs 反向互补,耗时 0.1394s
[INFO] 正/反向互补最大绝对差异: 2.260090
[INFO] 正向 Top-3 tracks:
[INFO]        human_track_3340    9.8504
[INFO]        human_track_2653    8.3196
[INFO]        human_track_3135    7.9066
[INFO] 反向互补 Top-3 tracks:
[INFO]        human_track_3340    8.7318
[INFO]        human_track_2653    8.1483
[INFO]        human_track_3135    7.8288

5.11 边界条件(8 组)

用例 76:边界条件:空序列

./venv/bin/python inference.py --case 76
[INFO] 描述:测试 空序列 作为输入时脚本的自动处理与推理
[INFO] 输入:empty,空序列 → 自动回退为单碱基 N 后平铺,耗时 0.1393s
[INFO] 清洗后序列长度: 1 → 平铺至 196608 bp,GC 0.0%
[INFO] 输出形状: (1, 896, 5313)
[INFO] Top-3 tracks(按 bin 最大值):
[INFO]        human_track_1553    7.8079
[INFO]        human_track_4004    4.4198
[INFO]        human_track_3724    3.7426

用例 77:边界条件:单碱基序列

./venv/bin/python inference.py --case 77
[INFO] 描述:测试 单碱基序列 作为输入时脚本的自动处理与推理
[INFO] 输入:single,单碱基序列 → 平铺至 196608 bp,耗时 0.1394s
[INFO] 清洗后序列长度: 1 → 平铺至 196608 bp,GC 0.0%
[INFO] 输出形状: (1, 896, 5313)
[INFO] Top-3 tracks(按 bin 最大值):
[INFO]        human_track_1246    15.4271
[INFO]        human_track_3661    7.6246
[INFO]        human_track_4167    7.3296

用例 78:边界条件:短序列(3 bp)

./venv/bin/python inference.py --case 78
[INFO] 描述:测试 短序列(3 bp) 作为输入时脚本的自动处理与推理
[INFO] 输入:short,短序列(3 bp)→ 平铺至 196608 bp,耗时 0.1398s
[INFO] 清洗后序列长度: 3 → 平铺至 196608 bp,GC 33.3%
[INFO] 输出形状: (1, 896, 5313)
[INFO] Top-3 tracks(按 bin 最大值):
[INFO]        human_track_4215    55.5811
[INFO]        human_track_3364    53.3200
[INFO]        human_track_1801    43.3464

用例 79:边界条件:含非法字符

./venv/bin/python inference.py --case 79
[INFO] 描述:测试 含非法字符 作为输入时脚本的自动处理与推理
[INFO] 输入:invalid,含非法字符 X/Y/Z → 按 N 处理(tokenizer 未识别字符),耗时 0.1400s
[INFO] 清洗后序列长度: 208 → 平铺至 196608 bp,GC 1.9%
[INFO] 输出形状: (1, 896, 5313)
[INFO] Top-3 tracks(按 bin 最大值):
[INFO]        human_track_1246    17.2610
[INFO]        human_track_1767    10.9756
[INFO]        human_track_3661    8.5051

用例 80:边界条件:全 N 序列

./venv/bin/python inference.py --case 80
[INFO] 描述:测试 全 N 序列 作为输入时脚本的自动处理与推理
[INFO] 输入:alln,全 N 序列 → 平铺至 196608 bp,耗时 0.1397s
[INFO] 清洗后序列长度: 1024 → 平铺至 196608 bp,GC 0.0%
[INFO] 输出形状: (1, 896, 5313)
[INFO] Top-3 tracks(按 bin 最大值):
[INFO]        human_track_1553    7.8079
[INFO]        human_track_4004    4.4198
[INFO]        human_track_3724    3.7426

用例 81:边界条件:小写序列

./venv/bin/python inference.py --case 81
[INFO] 描述:测试 小写序列 作为输入时脚本的自动处理与推理
[INFO] 输入:lower,小写序列 → 自动转大写,耗时 0.1405s
[INFO] 清洗后序列长度: 21 → 平铺至 196608 bp,GC 76.2%
[INFO] 输出形状: (1, 896, 5313)
[INFO] Top-3 tracks(按 bin 最大值):
[INFO]        human_track_4325    0.6523
[INFO]        human_track_2631    0.5284
[INFO]        human_track_674     0.4671

用例 82:边界条件:RNA 序列(U→T)

./venv/bin/python inference.py --case 82
[INFO] 描述:测试 RNA 序列(U→T) 作为输入时脚本的自动处理与推理
[INFO] 输入:ut,含 U(RNA)→ 替换 U 为 T,耗时 0.1400s
[INFO] 清洗后序列长度: 30000 → 平铺至 196608 bp,GC 60.0%
[INFO] 输出形状: (1, 896, 5313)
[INFO] Top-3 tracks(按 bin 最大值):
[INFO]        human_track_4215    5.1833
[INFO]        human_track_3364    5.1723
[INFO]        human_track_3544    4.9837

用例 83:边界条件:含空白字符序列

./venv/bin/python inference.py --case 83
[INFO] 描述:测试 含空白字符序列 作为输入时脚本的自动处理与推理
[INFO] 输入:ws,含空白字符 → strip 后平铺,耗时 0.1400s
[INFO] 清洗后序列长度: 12008 → 平铺至 196608 bp,GC 33.3%
[INFO] 输出形状: (1, 896, 5313)
[INFO] Top-3 tracks(按 bin 最大值):
[INFO]        human_track_3280    2.8490
[INFO]        human_track_2652    2.6920
[INFO]        human_track_823     2.1334

5.12 确定性验证(2 组)

用例 84:确定性:相同输入两次前向(fp32, npu:0)

./venv/bin/python inference.py --case 84
[INFO] 描述:验证相同输入下推理结果完全确定(无随机性)
[INFO] 序列:TP53,相同输入两次前向,耗时 0.1398s
[INFO] 两次前向最大绝对差异: 0.0000000000(1 = 完全一致)
[INFO] 输出形状: (1, 896, 5313)

用例 85:确定性:相同输入在不同进程/种子下(fp32)

./venv/bin/python inference.py --case 85
[INFO] 描述:验证推理不依赖随机种子(eval 模式无 dropout)
[INFO] 序列:TP53,相同输入(固定种子),耗时 0.1398s
[INFO] 两次前向最大绝对差异: 0.0000000000(1 = 完全一致)
[INFO] 输出形状: (1, 896, 5313)

5.13 性能基准(4 组)

用例 86:性能基准:单序列延迟

./venv/bin/python inference.py --case 86
[INFO] 描述:统计单条 196608 bp 序列的推理延迟
[INFO] 单序列延迟(196608 bp, fp32, npu:0,20 次):
[INFO]   平均 139.9 ms | 最小 139.4 ms | 最大 140.3 ms
[INFO]   吞吐 ≈ 7.2 seq/s

用例 87:性能基准:批量延迟

./venv/bin/python inference.py --case 87
[INFO] 描述:统计 batch=13 的推理延迟
[INFO] 批量=13 延迟(fp32, npu:0,5 次):
[INFO]   平均 1768.7 ms | 吞吐 ≈ 7.3 seq/s

用例 88:性能基准:综合吞吐

./venv/bin/python inference.py --case 88
[INFO] 描述:统计批量推理综合吞吐(seq/s)
[INFO] 批量=13 × 10 次(共 130 条序列)耗时 17.81s
[INFO] 综合吞吐 ≈ 7.3 seq/s

用例 89:性能基准:NPU 显存占用

./venv/bin/python inference.py --case 89
[INFO] 描述:统计推理后 NPU 显存占用
[INFO] NPU 显存(推理后): allocated=2.01 GB, reserved=52.02 GB
[INFO] 模型参数量: 246.18 M(fp32 ≈ 0.98 GB)

5.14 输出结构与统计(6 组)

用例 90:输出结构:形状与轨迹命名

./venv/bin/python inference.py --case 90
[INFO] 描述:验证输出形状 (1,896,5313) 与轨迹名
[INFO] 输入: (1, 196608) int64 → 输出 logits: (1, 896, 5313) | coverage: (1, 896, 5313)
[INFO] logits dtype=torch.float32 (设备 npu:0) | 轨迹数: 5313 | 首条轨迹名: human_track_0 | 末条: human_track_5312

用例 91:输出结构:非负性(softplus)

./venv/bin/python inference.py --case 91
[INFO] 描述:验证 coverage 非负、logits 可负
[INFO] logits(softplus 前)负值比例: 39.46%(允许负值)
[INFO] coverage(softplus 后)负值比例: 0.000000%(应为 0)
[INFO] coverage 数值范围: [0.0016, 33.1237]

用例 92:输出结构:局部性(128 bp/bin)

./venv/bin/python inference.py --case 92
[INFO] 描述:验证单 bin 变异主要影响局部输出
[INFO] 将 TP53 中心 128 bp(1 个 bin)掩码为 N:
[INFO]   最大差异 bin = 448(对应 0~895 区间,中心≈447),|Δ|>0.5 的 bin 数 = 91/896
[INFO]   结论:变异主要影响局部 bin,体现 128 bp/bin 的分辨率与局部性

用例 93:输出结构:稀疏度

./venv/bin/python inference.py --case 93
[INFO] 描述:统计 coverage 正值比例与每 bin 覆盖分布
[INFO] TP53 coverage 正值比例(896×5313): 100.00%
[INFO] 每 bin 平均覆盖: 最大 1.0852 | 最小 1.0531 | 平均 1.0722

用例 94:输出结构:轨迹数值分布

./venv/bin/python inference.py --case 94
[INFO] 描述:统计指定轨迹在 896 个 bin 上的数值分布
[INFO]   human_track_0: min=0.1792 max=0.1936 mean=0.1859 std=0.0034
[INFO]   human_track_100: min=0.0444 max=0.0478 mean=0.0458 std=0.0009
[INFO]   human_track_1000: min=0.7919 max=0.8480 mean=0.8206 std=0.0131
[INFO]   human_track_5000: min=0.0052 max=0.0086 mean=0.0073 std=0.0010

用例 95:输出结构:batch 一致性

./venv/bin/python inference.py --case 95
[INFO] 描述:验证 batch=1 与 batch=2 结果一致
[INFO] batch=1 vs batch=2 中相同序列的最大绝对差异: 0.0006198883
[INFO] batch=2 内两条相同序列的最大绝对差异: 0.0005054474

5.15 每基因 Top-10 轨迹深度分析(13 组)

用例 96:TP53 Top-10 轨迹深度分析(肿瘤蛋白 p53)

./venv/bin/python inference.py --case 96
[INFO] 描述:对 TP53 输出 5313 条轨迹进行 Top-10 排序分析
[INFO] 输入:TP53(肿瘤蛋白 p53),耗时 0.1396s
[INFO] Top-10 tracks(按 bin 最大值):
[INFO]        human_track_1105    33.1237
[INFO]        human_track_3888    22.2648
[INFO]        human_track_3822    15.5769
[INFO]        human_track_3279    15.3225
[INFO]        human_track_4286    13.6021
[INFO]        human_track_3449    13.5401
[INFO]        human_track_2189    13.3448
[INFO]        human_track_2831    12.3780
[INFO]        human_track_2688    10.9686
[INFO]        human_track_3036    10.3971
[INFO] Top-10 tracks(按 bin 均值):
[INFO]        human_track_1105    32.0163
[INFO]        human_track_3888    21.5210
[INFO]        human_track_3822    15.1654
[INFO]        human_track_3279    14.7551
[INFO]        human_track_4286    13.0999
[INFO]        human_track_3449    13.0725
[INFO]        human_track_2189    12.8798
[INFO]        human_track_2831    12.0498
[INFO]        human_track_2688    10.6384
[INFO]        human_track_3036    10.1514

用例 97:BRCA1 Top-10 轨迹深度分析(乳腺癌易感基因 1)

./venv/bin/python inference.py --case 97
[INFO] 描述:对 BRCA1 输出 5313 条轨迹进行 Top-10 排序分析
[INFO] 输入:BRCA1(乳腺癌易感基因 1),耗时 0.1396s
[INFO] Top-10 tracks(按 bin 最大值):
[INFO]        human_track_3986    10.5648
[INFO]        human_track_2547    9.5127
[INFO]        human_track_2938    8.3649
[INFO]        human_track_3208    8.0275
[INFO]        human_track_1909    7.7321
[INFO]        human_track_2223    7.2423
[INFO]        human_track_2592    7.1388
[INFO]        human_track_2208    7.0159
[INFO]        human_track_2649    6.7039
[INFO]        human_track_2959    6.5422
[INFO] Top-10 tracks(按 bin 均值):
[INFO]        human_track_3986    10.1995
[INFO]        human_track_2547    9.1720
[INFO]        human_track_2938    7.8954
[INFO]        human_track_3208    7.7346
[INFO]        human_track_1909    7.4381
[INFO]        human_track_2223    6.9974
[INFO]        human_track_2592    6.9592
[INFO]        human_track_2208    6.7428
[INFO]        human_track_2649    6.4486
[INFO]        human_track_2959    6.3412

用例 98:HBB Top-10 轨迹深度分析(血红蛋白 β 亚基)

./venv/bin/python inference.py --case 98
[INFO] 描述:对 HBB 输出 5313 条轨迹进行 Top-10 排序分析
[INFO] 输入:HBB(血红蛋白 β 亚基),耗时 0.1397s
[INFO] Top-10 tracks(按 bin 最大值):
[INFO]        human_track_3340    9.8504
[INFO]        human_track_2653    8.3196
[INFO]        human_track_3135    7.9066
[INFO]        human_track_3306    7.2377
[INFO]        human_track_3986    6.8263
[INFO]        human_track_2333    6.6481
[INFO]        human_track_4116    6.3881
[INFO]        human_track_3544    6.3486
[INFO]        human_track_2831    6.2605
[INFO]        human_track_3698    6.2133
[INFO] Top-10 tracks(按 bin 均值):
[INFO]        human_track_3340    9.4202
[INFO]        human_track_2653    7.6769
[INFO]        human_track_3135    7.4274
[INFO]        human_track_3306    6.8530
[INFO]        human_track_2333    6.3301
[INFO]        human_track_3986    6.3294
[INFO]        human_track_3544    6.0104
[INFO]        human_track_4116    5.8233
[INFO]        human_track_2541    5.8108
[INFO]        human_track_2831    5.7190

用例 99:CFTR Top-10 轨迹深度分析(囊性纤维化跨膜传导调节因子)

./venv/bin/python inference.py --case 99
[INFO] 描述:对 CFTR 输出 5313 条轨迹进行 Top-10 排序分析
[INFO] 输入:CFTR(囊性纤维化跨膜传导调节因子),耗时 0.1393s
[INFO] Top-10 tracks(按 bin 最大值):
[INFO]        human_track_4691    26.1857
[INFO]        human_track_5231    14.2888
[INFO]        human_track_1149    13.8449
[INFO]        human_track_4714    10.8041
[INFO]        human_track_3537    9.2062
[INFO]        human_track_3986    8.8201
[INFO]        human_track_1146    8.8192
[INFO]        human_track_2547    8.8071
[INFO]        human_track_5174    7.3189
[INFO]        human_track_1909    7.3186
[INFO] Top-10 tracks(按 bin 均值):
[INFO]        human_track_4691    23.8510
[INFO]        human_track_1149    13.6843
[INFO]        human_track_5231    12.3127
[INFO]        human_track_4714    9.9553
[INFO]        human_track_3537    9.0991
[INFO]        human_track_1146    8.7195
[INFO]        human_track_2547    8.6601
[INFO]        human_track_3986    8.6130
[INFO]        human_track_1909    7.1788
[INFO]        human_track_2127    7.1340

用例 100:TERT Top-10 轨迹深度分析(端粒酶逆转录酶)

./venv/bin/python inference.py --case 100
[INFO] 描述:对 TERT 输出 5313 条轨迹进行 Top-10 排序分析
[INFO] 输入:TERT(端粒酶逆转录酶),耗时 0.1399s
[INFO] Top-10 tracks(按 bin 最大值):
[INFO]        human_track_961     114.1556
[INFO]        human_track_1379    91.1152
[INFO]        human_track_3744    87.3320
[INFO]        human_track_958     86.9981
[INFO]        human_track_3485    86.1099
[INFO]        human_track_2090    82.0940
[INFO]        human_track_1332    80.0853
[INFO]        human_track_3854    73.0982
[INFO]        human_track_2644    70.5026
[INFO]        human_track_2331    68.6481
[INFO] Top-10 tracks(按 bin 均值):
[INFO]        human_track_961     95.4370
[INFO]        human_track_1379    79.7173
[INFO]        human_track_3485    76.7683
[INFO]        human_track_2090    74.5016
[INFO]        human_track_3744    71.9639
[INFO]        human_track_958     71.7537
[INFO]        human_track_3854    67.5135
[INFO]        human_track_1332    65.3108
[INFO]        human_track_2644    65.1728
[INFO]        human_track_2331    56.3977

用例 101:KRAS Top-10 轨迹深度分析(KRAS 原癌基因)

./venv/bin/python inference.py --case 101
[INFO] 描述:对 KRAS 输出 5313 条轨迹进行 Top-10 排序分析
[INFO] 输入:KRAS(KRAS 原癌基因),耗时 0.1388s
[INFO] Top-10 tracks(按 bin 最大值):
[INFO]        human_track_3986    8.2657
[INFO]        human_track_2547    7.5028
[INFO]        human_track_3841    6.3169
[INFO]        human_track_3208    5.6792
[INFO]        human_track_2189    5.6233
[INFO]        human_track_1909    5.2355
[INFO]        human_track_2016    4.5138
[INFO]        human_track_4116    4.4922
[INFO]        human_track_2127    4.4783
[INFO]        human_track_2653    4.4319
[INFO] Top-10 tracks(按 bin 均值):
[INFO]        human_track_3986    7.0776
[INFO]        human_track_2547    6.3860
[INFO]        human_track_3841    5.2978
[INFO]        human_track_2189    4.8124
[INFO]        human_track_3208    4.7622
[INFO]        human_track_1909    4.3340
[INFO]        human_track_2016    3.6542
[INFO]        human_track_2127    3.6080
[INFO]        human_track_3232    3.4988
[INFO]        human_track_3544    3.4849

用例 102:PRNP Top-10 轨迹深度分析(朊蛋白)

./venv/bin/python inference.py --case 102
[INFO] 描述:对 PRNP 输出 5313 条轨迹进行 Top-10 排序分析
[INFO] 输入:PRNP(朊蛋白),耗时 0.1392s
[INFO] Top-10 tracks(按 bin 最大值):
[INFO]        human_track_3135    10.1776
[INFO]        human_track_2653    9.6411
[INFO]        human_track_3986    9.0071
[INFO]        human_track_3208    8.5087
[INFO]        human_track_3544    7.6504
[INFO]        human_track_2649    6.3642
[INFO]        human_track_2547    6.0880
[INFO]        human_track_3232    5.6473
[INFO]        human_track_3217    5.5425
[INFO]        human_track_3036    5.1041
[INFO] Top-10 tracks(按 bin 均值):
[INFO]        human_track_3135    8.4241
[INFO]        human_track_3986    7.3944
[INFO]        human_track_2653    7.3678
[INFO]        human_track_3208    7.1681
[INFO]        human_track_3544    6.4962
[INFO]        human_track_2649    5.3454
[INFO]        human_track_2547    4.9299
[INFO]        human_track_3217    4.6502
[INFO]        human_track_3232    4.6159
[INFO]        human_track_3036    4.2150

用例 103:IL10 Top-10 轨迹深度分析(白细胞介素 10)

./venv/bin/python inference.py --case 103
[INFO] 描述:对 IL10 输出 5313 条轨迹进行 Top-10 排序分析
[INFO] 输入:IL10(白细胞介素 10),耗时 0.1392s
[INFO] Top-10 tracks(按 bin 最大值):
[INFO]        human_track_2653    3.1209
[INFO]        human_track_3135    2.4320
[INFO]        human_track_3544    2.0846
[INFO]        human_track_3217    2.0282
[INFO]        human_track_3036    1.3118
[INFO]        human_track_3986    1.2497
[INFO]        human_track_4169    1.1506
[INFO]        human_track_3208    1.0981
[INFO]        human_track_2944    1.0256
[INFO]        human_track_1912    0.9796
[INFO] Top-10 tracks(按 bin 均值):
[INFO]        human_track_2653    2.9062
[INFO]        human_track_3135    2.2695
[INFO]        human_track_3544    1.9391
[INFO]        human_track_3217    1.8919
[INFO]        human_track_3036    1.2030
[INFO]        human_track_3986    1.1137
[INFO]        human_track_4169    1.0469
[INFO]        human_track_3208    1.0019
[INFO]        human_track_2944    0.9434
[INFO]        human_track_674     0.9289

用例 104:EBOLA_GP Top-10 轨迹深度分析(扎伊尔埃博拉病毒 GP)

./venv/bin/python inference.py --case 104
[INFO] 描述:对 EBOLA_GP 输出 5313 条轨迹进行 Top-10 排序分析
[INFO] 输入:EBOLA_GP(扎伊尔埃博拉病毒 GP),耗时 0.1391s
[INFO] Top-10 tracks(按 bin 最大值):
[INFO]        human_track_1844    26.9712
[INFO]        human_track_1499    23.2618
[INFO]        human_track_4194    19.4008
[INFO]        human_track_3330    17.6592
[INFO]        human_track_3312    15.5452
[INFO]        human_track_3925    15.4487
[INFO]        human_track_3328    15.0916
[INFO]        human_track_1492    14.1577
[INFO]        human_track_3864    11.5962
[INFO]        human_track_4649    11.3309
[INFO] Top-10 tracks(按 bin 均值):
[INFO]        human_track_1844    23.9628
[INFO]        human_track_1499    21.4733
[INFO]        human_track_4194    17.9669
[INFO]        human_track_3330    16.5746
[INFO]        human_track_3312    14.4635
[INFO]        human_track_3925    14.0545
[INFO]        human_track_1492    13.3972
[INFO]        human_track_3328    13.2984
[INFO]        human_track_2623    10.6081
[INFO]        human_track_3864    10.2203

用例 105:SARS_S Top-10 轨迹深度分析(SARS 冠状病毒 S 蛋白)

./venv/bin/python inference.py --case 105
[INFO] 描述:对 SARS_S 输出 5313 条轨迹进行 Top-10 排序分析
[INFO] 输入:SARS_S(SARS 冠状病毒 S 蛋白),耗时 0.1391s
[INFO] Top-10 tracks(按 bin 最大值):
[INFO]        human_track_3544    5.9739
[INFO]        human_track_2797    5.9484
[INFO]        human_track_4435    5.2280
[INFO]        human_track_3986    5.1024
[INFO]        human_track_2416    5.0879
[INFO]        human_track_2990    5.0788
[INFO]        human_track_2127    5.0025
[INFO]        human_track_3179    4.9311
[INFO]        human_track_2653    4.9105
[INFO]        human_track_2547    4.8498
[INFO] Top-10 tracks(按 bin 均值):
[INFO]        human_track_2797    5.5590
[INFO]        human_track_3544    5.2528
[INFO]        human_track_2990    4.7235
[INFO]        human_track_2416    4.6962
[INFO]        human_track_2127    4.6908
[INFO]        human_track_4435    4.6546
[INFO]        human_track_3179    4.5122
[INFO]        human_track_3986    4.4050
[INFO]        human_track_2547    4.3483
[INFO]        human_track_2026    4.3466

用例 106:INS Top-10 轨迹深度分析(胰岛素)

./venv/bin/python inference.py --case 106
[INFO] 描述:对 INS 输出 5313 条轨迹进行 Top-10 排序分析
[INFO] 输入:INS(胰岛素),耗时 0.1390s
[INFO] Top-10 tracks(按 bin 最大值):
[INFO]        human_track_2135    24.2776
[INFO]        human_track_1912    10.7718
[INFO]        human_track_2375    10.7255
[INFO]        human_track_3636    10.2969
[INFO]        human_track_2386    9.8947
[INFO]        human_track_2171    9.6771
[INFO]        human_track_1873    9.5127
[INFO]        human_track_3563    9.3828
[INFO]        human_track_2533    9.2485
[INFO]        human_track_2653    8.7105
[INFO] Top-10 tracks(按 bin 均值):
[INFO]        human_track_2135    23.3333
[INFO]        human_track_1912    10.3208
[INFO]        human_track_3636    9.9230
[INFO]        human_track_2375    9.6448
[INFO]        human_track_2171    9.2727
[INFO]        human_track_1873    9.0782
[INFO]        human_track_2386    8.9946
[INFO]        human_track_3563    8.8973
[INFO]        human_track_2533    8.6638
[INFO]        human_track_2653    8.0290

用例 107:CDKN2A Top-10 轨迹深度分析(细胞周期蛋白依赖性激酶抑制剂 2A)

./venv/bin/python inference.py --case 107
[INFO] 描述:对 CDKN2A 输出 5313 条轨迹进行 Top-10 排序分析
[INFO] 输入:CDKN2A(细胞周期蛋白依赖性激酶抑制剂 2A),耗时 0.1403s
[INFO] Top-10 tracks(按 bin 最大值):
[INFO]        human_track_1105    29.6555
[INFO]        human_track_2331    28.8689
[INFO]        human_track_3279    23.7162
[INFO]        human_track_3449    21.0563
[INFO]        human_track_3888    17.6339
[INFO]        human_track_1924    15.5073
[INFO]        human_track_1873    14.4505
[INFO]        human_track_2189    13.9160
[INFO]        human_track_3822    13.3751
[INFO]        human_track_3544    13.3621
[INFO] Top-10 tracks(按 bin 均值):
[INFO]        human_track_2331    24.9058
[INFO]        human_track_1105    24.4038
[INFO]        human_track_3279    20.6201
[INFO]        human_track_3449    18.5990
[INFO]        human_track_3888    14.6526
[INFO]        human_track_1924    12.8057
[INFO]        human_track_3217    11.9918
[INFO]        human_track_3544    11.8473
[INFO]        human_track_1873    11.8003
[INFO]        human_track_3036    11.7356

用例 108:HPV16_E6 Top-10 轨迹深度分析(人乳头瘤病毒 16 型 E6 蛋白)

./venv/bin/python inference.py --case 108
[INFO] 描述:对 HPV16_E6 输出 5313 条轨迹进行 Top-10 排序分析
[INFO] 输入:HPV16_E6(人乳头瘤病毒 16 型 E6 蛋白),耗时 0.1404s
[INFO] Top-10 tracks(按 bin 最大值):
[INFO]        human_track_2541    6.8897
[INFO]        human_track_3340    6.7379
[INFO]        human_track_1395    6.6644
[INFO]        human_track_3798    6.2172
[INFO]        human_track_1616    5.9151
[INFO]        human_track_3306    5.2726
[INFO]        human_track_3036    5.2622
[INFO]        human_track_3375    5.0424
[INFO]        human_track_1105    4.9380
[INFO]        human_track_828     4.4471
[INFO] Top-10 tracks(按 bin 均值):
[INFO]        human_track_1395    6.0680
[INFO]        human_track_3798    5.6953
[INFO]        human_track_2541    5.5886
[INFO]        human_track_3340    4.3142
[INFO]        human_track_3375    3.7933
[INFO]        human_track_3505    3.6286
[INFO]        human_track_3036    3.5855
[INFO]        human_track_2990    3.5633
[INFO]        human_track_1616    3.5038
[INFO]        human_track_828     3.4223

5.16 每基因中心 10 kb N 掩码响应(13 组)

用例 109:TP53 中心 10 kb N 掩码响应(肿瘤蛋白 p53)

./venv/bin/python inference.py --case 109
[INFO] 描述:掩码 TP53 中心 10 kb 为 N,量化覆盖响应
[INFO] 序列:TP53(肿瘤蛋白 p53),中心 10 kb → N,耗时 0.1425s
[INFO] 最大绝对差异: 33.039532,平均差异: 0.23475048

用例 110:BRCA1 中心 10 kb N 掩码响应(乳腺癌易感基因 1)

./venv/bin/python inference.py --case 110
[INFO] 描述:掩码 BRCA1 中心 10 kb 为 N,量化覆盖响应
[INFO] 序列:BRCA1(乳腺癌易感基因 1),中心 10 kb → N,耗时 0.1402s
[INFO] 最大绝对差异: 9.886828,平均差异: 0.14281167

用例 111:HBB 中心 10 kb N 掩码响应(血红蛋白 β 亚基)

./venv/bin/python inference.py --case 111
[INFO] 描述:掩码 HBB 中心 10 kb 为 N,量化覆盖响应
[INFO] 序列:HBB(血红蛋白 β 亚基),中心 10 kb → N,耗时 0.1397s
[INFO] 最大绝对差异: 9.812819,平均差异: 0.15761629

用例 112:CFTR 中心 10 kb N 掩码响应(囊性纤维化跨膜传导调节因子)

./venv/bin/python inference.py --case 112
[INFO] 描述:掩码 CFTR 中心 10 kb 为 N,量化覆盖响应
[INFO] 序列:CFTR(囊性纤维化跨膜传导调节因子),中心 10 kb → N,耗时 0.1399s
[INFO] 最大绝对差异: 25.946707,平均差异: 0.24975982

用例 113:TERT 中心 10 kb N 掩码响应(端粒酶逆转录酶)

./venv/bin/python inference.py --case 113
[INFO] 描述:掩码 TERT 中心 10 kb 为 N,量化覆盖响应
[INFO] 序列:TERT(端粒酶逆转录酶),中心 10 kb → N,耗时 0.1399s
[INFO] 最大绝对差异: 114.054695,平均差异: 0.75531679

用例 114:KRAS 中心 10 kb N 掩码响应(KRAS 原癌基因)

./venv/bin/python inference.py --case 114
[INFO] 描述:掩码 KRAS 中心 10 kb 为 N,量化覆盖响应
[INFO] 序列:KRAS(KRAS 原癌基因),中心 10 kb → N,耗时 0.1402s
[INFO] 最大绝对差异: 8.609274,平均差异: 0.07058316

用例 115:PRNP 中心 10 kb N 掩码响应(朊蛋白)

./venv/bin/python inference.py --case 115
[INFO] 描述:掩码 PRNP 中心 10 kb 为 N,量化覆盖响应
[INFO] 序列:PRNP(朊蛋白),中心 10 kb → N,耗时 0.1398s
[INFO] 最大绝对差异: 9.943531,平均差异: 0.08858462

用例 116:IL10 中心 10 kb N 掩码响应(白细胞介素 10)

./venv/bin/python inference.py --case 116
[INFO] 描述:掩码 IL10 中心 10 kb 为 N,量化覆盖响应
[INFO] 序列:IL10(白细胞介素 10),中心 10 kb → N,耗时 0.1394s
[INFO] 最大绝对差异: 3.503384,平均差异: 0.02346866

用例 117:EBOLA_GP 中心 10 kb N 掩码响应(扎伊尔埃博拉病毒 GP)

./venv/bin/python inference.py --case 117
[INFO] 描述:掩码 EBOLA_GP 中心 10 kb 为 N,量化覆盖响应
[INFO] 序列:EBOLA_GP(扎伊尔埃博拉病毒 GP),中心 10 kb → N,耗时 0.1396s
[INFO] 最大绝对差异: 26.350821,平均差异: 0.17538190

用例 118:SARS_S 中心 10 kb N 掩码响应(SARS 冠状病毒 S 蛋白)

./venv/bin/python inference.py --case 118
[INFO] 描述:掩码 SARS_S 中心 10 kb 为 N,量化覆盖响应
[INFO] 序列:SARS_S(SARS 冠状病毒 S 蛋白),中心 10 kb → N,耗时 0.1399s
[INFO] 最大绝对差异: 5.820589,平均差异: 0.15564117

用例 119:INS 中心 10 kb N 掩码响应(胰岛素)

./venv/bin/python inference.py --case 119
[INFO] 描述:掩码 INS 中心 10 kb 为 N,量化覆盖响应
[INFO] 序列:INS(胰岛素),中心 10 kb → N,耗时 0.1397s
[INFO] 最大绝对差异: 24.114985,平均差异: 0.22410446

用例 120:CDKN2A 中心 10 kb N 掩码响应(细胞周期蛋白依赖性激酶抑制剂 2A)

./venv/bin/python inference.py --case 120
[INFO] 描述:掩码 CDKN2A 中心 10 kb 为 N,量化覆盖响应
[INFO] 序列:CDKN2A(细胞周期蛋白依赖性激酶抑制剂 2A),中心 10 kb → N,耗时 0.1401s
[INFO] 最大绝对差异: 29.093452,平均差异: 0.30348226

用例 121:HPV16_E6 中心 10 kb N 掩码响应(人乳头瘤病毒 16 型 E6 蛋白)

./venv/bin/python inference.py --case 121
[INFO] 描述:掩码 HPV16_E6 中心 10 kb 为 N,量化覆盖响应
[INFO] 序列:HPV16_E6(人乳头瘤病毒 16 型 E6 蛋白),中心 10 kb → N,耗时 0.1400s
[INFO] 最大绝对差异: 9.044572,平均差异: 0.13650003

5.17 每基因中心 1 bp 变异响应(13 组)

用例 122:TP53 中心 1 bp 变异响应(肿瘤蛋白 p53)

./venv/bin/python inference.py --case 122
[INFO] 描述:在 TP53 中心引入 1 bp 替换,量化覆盖响应
[INFO] 序列:TP53(肿瘤蛋白 p53),中心 1 bp 替换,耗时 0.1400s
[INFO] 最大绝对差异: 0.942842,平均差异: 0.00026997

用例 123:BRCA1 中心 1 bp 变异响应(乳腺癌易感基因 1)

./venv/bin/python inference.py --case 123
[INFO] 描述:在 BRCA1 中心引入 1 bp 替换,量化覆盖响应
[INFO] 序列:BRCA1(乳腺癌易感基因 1),中心 1 bp 替换,耗时 0.1402s
[INFO] 最大绝对差异: 1.460710,平均差异: 0.00028145

用例 124:HBB 中心 1 bp 变异响应(血红蛋白 β 亚基)

./venv/bin/python inference.py --case 124
[INFO] 描述:在 HBB 中心引入 1 bp 替换,量化覆盖响应
[INFO] 序列:HBB(血红蛋白 β 亚基),中心 1 bp 替换,耗时 0.1398s
[INFO] 最大绝对差异: 0.737292,平均差异: 0.00034220

用例 125:CFTR 中心 1 bp 变异响应(囊性纤维化跨膜传导调节因子)

./venv/bin/python inference.py --case 125
[INFO] 描述:在 CFTR 中心引入 1 bp 替换,量化覆盖响应
[INFO] 序列:CFTR(囊性纤维化跨膜传导调节因子),中心 1 bp 替换,耗时 0.1388s
[INFO] 最大绝对差异: 1.015379,平均差异: 0.00013834

用例 126:TERT 中心 1 bp 变异响应(端粒酶逆转录酶)

./venv/bin/python inference.py --case 126
[INFO] 描述:在 TERT 中心引入 1 bp 替换,量化覆盖响应
[INFO] 序列:TERT(端粒酶逆转录酶),中心 1 bp 替换,耗时 0.1395s
[INFO] 最大绝对差异: 5.281040,平均差异: 0.00145347

用例 127:KRAS 中心 1 bp 变异响应(KRAS 原癌基因)

./venv/bin/python inference.py --case 127
[INFO] 描述:在 KRAS 中心引入 1 bp 替换,量化覆盖响应
[INFO] 序列:KRAS(KRAS 原癌基因),中心 1 bp 替换,耗时 0.1393s
[INFO] 最大绝对差异: 0.439950,平均差异: 0.00023023

用例 128:PRNP 中心 1 bp 变异响应(朊蛋白)

./venv/bin/python inference.py --case 128
[INFO] 描述:在 PRNP 中心引入 1 bp 替换,量化覆盖响应
[INFO] 序列:PRNP(朊蛋白),中心 1 bp 替换,耗时 0.1393s
[INFO] 最大绝对差异: 0.761171,平均差异: 0.00009821

用例 129:IL10 中心 1 bp 变异响应(白细胞介素 10)

./venv/bin/python inference.py --case 129
[INFO] 描述:在 IL10 中心引入 1 bp 替换,量化覆盖响应
[INFO] 序列:IL10(白细胞介素 10),中心 1 bp 替换,耗时 0.1393s
[INFO] 最大绝对差异: 0.297861,平均差异: 0.00003000

用例 130:EBOLA_GP 中心 1 bp 变异响应(扎伊尔埃博拉病毒 GP)

./venv/bin/python inference.py --case 130
[INFO] 描述:在 EBOLA_GP 中心引入 1 bp 替换,量化覆盖响应
[INFO] 序列:EBOLA_GP(扎伊尔埃博拉病毒 GP),中心 1 bp 替换,耗时 0.1401s
[INFO] 最大绝对差异: 0.594456,平均差异: 0.00010083

用例 131:SARS_S 中心 1 bp 变异响应(SARS 冠状病毒 S 蛋白)

./venv/bin/python inference.py --case 131
[INFO] 描述:在 SARS_S 中心引入 1 bp 替换,量化覆盖响应
[INFO] 序列:SARS_S(SARS 冠状病毒 S 蛋白),中心 1 bp 替换,耗时 0.1399s
[INFO] 最大绝对差异: 0.424532,平均差异: 0.00014880

用例 132:INS 中心 1 bp 变异响应(胰岛素)

./venv/bin/python inference.py --case 132
[INFO] 描述:在 INS 中心引入 1 bp 替换,量化覆盖响应
[INFO] 序列:INS(胰岛素),中心 1 bp 替换,耗时 0.1399s
[INFO] 最大绝对差异: 0.386089,平均差异: 0.00012394

用例 133:CDKN2A 中心 1 bp 变异响应(细胞周期蛋白依赖性激酶抑制剂 2A)

./venv/bin/python inference.py --case 133
[INFO] 描述:在 CDKN2A 中心引入 1 bp 替换,量化覆盖响应
[INFO] 序列:CDKN2A(细胞周期蛋白依赖性激酶抑制剂 2A),中心 1 bp 替换,耗时 0.1401s
[INFO] 最大绝对差异: 5.876921,平均差异: 0.00054926

用例 134:HPV16_E6 中心 1 bp 变异响应(人乳头瘤病毒 16 型 E6 蛋白)

./venv/bin/python inference.py --case 134
[INFO] 描述:在 HPV16_E6 中心引入 1 bp 替换,量化覆盖响应
[INFO] 序列:HPV16_E6(人乳头瘤病毒 16 型 E6 蛋白),中心 1 bp 替换,耗时 0.1401s
[INFO] 最大绝对差异: 0.483716,平均差异: 0.00015268

5.18 每基因 batch=4 批内一致性(13 组)

用例 135:TP53 batch=4 批内一致性(肿瘤蛋白 p53)

./venv/bin/python inference.py --case 135
[INFO] 描述:验证 batch=4(相同序列 4 份)推理结果逐行一致
[INFO] 序列:TP53(肿瘤蛋白 p53),batch=4(4 份相同序列),耗时 0.5364s
[INFO] 输出形状: (4, 896, 5313)
[INFO] 各行与首行最大绝对差异: ['0.0000000000', '0.0005006790', '0.0006370544', '0.0006179810']

用例 136:BRCA1 batch=4 批内一致性(乳腺癌易感基因 1)

./venv/bin/python inference.py --case 136
[INFO] 描述:验证 batch=4(相同序列 4 份)推理结果逐行一致
[INFO] 序列:BRCA1(乳腺癌易感基因 1),batch=4(4 份相同序列),耗时 0.5364s
[INFO] 输出形状: (4, 896, 5313)
[INFO] 各行与首行最大绝对差异: ['0.0000000000', '0.0005683899', '0.0005683899', '0.0005693436']

用例 137:HBB batch=4 批内一致性(血红蛋白 β 亚基)

./venv/bin/python inference.py --case 137
[INFO] 描述:验证 batch=4(相同序列 4 份)推理结果逐行一致
[INFO] 序列:HBB(血红蛋白 β 亚基),batch=4(4 份相同序列),耗时 0.5369s
[INFO] 输出形状: (4, 896, 5313)
[INFO] 各行与首行最大绝对差异: ['0.0000000000', '0.0004525185', '0.0007266998', '0.0007295609']

用例 138:CFTR batch=4 批内一致性(囊性纤维化跨膜传导调节因子)

./venv/bin/python inference.py --case 138
[INFO] 描述:验证 batch=4(相同序列 4 份)推理结果逐行一致
[INFO] 序列:CFTR(囊性纤维化跨膜传导调节因子),batch=4(4 份相同序列),耗时 0.5370s
[INFO] 输出形状: (4, 896, 5313)
[INFO] 各行与首行最大绝对差异: ['0.0000000000', '0.0027484894', '0.0029430389', '0.0029392242']

用例 139:TERT batch=4 批内一致性(端粒酶逆转录酶)

./venv/bin/python inference.py --case 139
[INFO] 描述:验证 batch=4(相同序列 4 份)推理结果逐行一致
[INFO] 序列:TERT(端粒酶逆转录酶),batch=4(4 份相同序列),耗时 0.5371s
[INFO] 输出形状: (4, 896, 5313)
[INFO] 各行与首行最大绝对差异: ['0.0000000000', '0.0026226044', '0.0060119629', '0.0026206970']

用例 140:KRAS batch=4 批内一致性(KRAS 原癌基因)

./venv/bin/python inference.py --case 140
[INFO] 描述:验证 batch=4(相同序列 4 份)推理结果逐行一致
[INFO] 序列:KRAS(KRAS 原癌基因),batch=4(4 份相同序列),耗时 0.5368s
[INFO] 输出形状: (4, 896, 5313)
[INFO] 各行与首行最大绝对差异: ['0.0000000000', '0.0004534721', '0.0004544258', '0.0002367496']

用例 141:PRNP batch=4 批内一致性(朊蛋白)

./venv/bin/python inference.py --case 141
[INFO] 描述:验证 batch=4(相同序列 4 份)推理结果逐行一致
[INFO] 序列:PRNP(朊蛋白),batch=4(4 份相同序列),耗时 0.5370s
[INFO] 输出形状: (4, 896, 5313)
[INFO] 各行与首行最大绝对差异: ['0.0000000000', '0.0004024506', '0.0002460480', '0.0002646446']

用例 142:IL10 batch=4 批内一致性(白细胞介素 10)

./venv/bin/python inference.py --case 142
[INFO] 描述:验证 batch=4(相同序列 4 份)推理结果逐行一致
[INFO] 序列:IL10(白细胞介素 10),batch=4(4 份相同序列),耗时 0.5367s
[INFO] 输出形状: (4, 896, 5313)
[INFO] 各行与首行最大绝对差异: ['0.0000000000', '0.0004363060', '0.0004365444', '0.0002899170']

用例 143:EBOLA_GP batch=4 批内一致性(扎伊尔埃博拉病毒 GP)

./venv/bin/python inference.py --case 143
[INFO] 描述:验证 batch=4(相同序列 4 份)推理结果逐行一致
[INFO] 序列:EBOLA_GP(扎伊尔埃博拉病毒 GP),batch=4(4 份相同序列),耗时 0.5371s
[INFO] 输出形状: (4, 896, 5313)
[INFO] 各行与首行最大绝对差异: ['0.0000000000', '0.0024576187', '0.0022234917', '0.0013790131']

用例 144:SARS_S batch=4 批内一致性(SARS 冠状病毒 S 蛋白)

./venv/bin/python inference.py --case 144
[INFO] 描述:验证 batch=4(相同序列 4 份)推理结果逐行一致
[INFO] 序列:SARS_S(SARS 冠状病毒 S 蛋白),batch=4(4 份相同序列),耗时 0.5369s
[INFO] 输出形状: (4, 896, 5313)
[INFO] 各行与首行最大绝对差异: ['0.0000000000', '0.0003203154', '0.0003169775', '0.0003166795']

用例 145:INS batch=4 批内一致性(胰岛素)

./venv/bin/python inference.py --case 145
[INFO] 描述:验证 batch=4(相同序列 4 份)推理结果逐行一致
[INFO] 序列:INS(胰岛素),batch=4(4 份相同序列),耗时 0.5373s
[INFO] 输出形状: (4, 896, 5313)
[INFO] 各行与首行最大绝对差异: ['0.0000000000', '0.0007176399', '0.0008544922', '0.0028796196']

用例 146:CDKN2A batch=4 批内一致性(细胞周期蛋白依赖性激酶抑制剂 2A)

./venv/bin/python inference.py --case 146
[INFO] 描述:验证 batch=4(相同序列 4 份)推理结果逐行一致
[INFO] 序列:CDKN2A(细胞周期蛋白依赖性激酶抑制剂 2A),batch=4(4 份相同序列),耗时 0.5370s
[INFO] 输出形状: (4, 896, 5313)
[INFO] 各行与首行最大绝对差异: ['0.0000000000', '0.0011520386', '0.0033226013', '0.0010776520']

用例 147:HPV16_E6 batch=4 批内一致性(人乳头瘤病毒 16 型 E6 蛋白)

./venv/bin/python inference.py --case 147
[INFO] 描述:验证 batch=4(相同序列 4 份)推理结果逐行一致
[INFO] 序列:HPV16_E6(人乳头瘤病毒 16 型 E6 蛋白),batch=4(4 份相同序列),耗时 0.5368s
[INFO] 输出形状: (4, 896, 5313)
[INFO] 各行与首行最大绝对差异: ['0.0000000000', '0.0003571510', '0.0003607273', '0.0003561974']

6. 昇腾推理引擎说明

本模型不适用 vllm-ascend 或 sglang 推理引擎。 原因如下:

  1. 模型架构非 LLM:本模型是 Enformer Transformer(conv stem + 11 层 Transformer + 逐点输出头),做单次前向的基因组覆盖轨迹预测,不是自回归语言模型。vllm-ascend / sglang 的模型注册表、PagedAttention、KV cache、tokenizer/vocab、解码循环等机制均 不适用于此类「固定长度输入 → 一次性输出数值张量」的模型。

  2. 推理模式非生成式:本模型接受固定 196,608 bp 的 DNA 窗口,一次前向输出 (batch, 896, 5313) 覆盖轨迹,无需逐 token 生成,也不存在 KV-cache / 解码分支。

  3. 唯一可用且已验证的引擎:torch_npu。

    import torch
    import torch_npu                            # 注册 npu 后端与算子
    from multimolecule import EnformerForTokenPrediction
    from transformers import AutoConfig, AutoTokenizer
    
    model = EnformerForTokenPrediction.from_pretrained(
        "/data/models/multimolecule/enformer",
        config=AutoConfig.from_pretrained("/data/models/multimolecule/enformer"),
        trust_remote_code=False,
    ).to("npu:0").eval()
    input_ids = AutoTokenizer.from_pretrained("/data/models/multimolecule/enformer")(
        "ACGT" * 49152, return_tensors="pt"
    )["input_ids"].to("npu:0")
    with torch.no_grad():
        out = model(input_ids)                  # input_ids: (1, 196608) int64
    coverage = model.postprocess(out)           # coverage: (1, 896, 5313) 非负覆盖值

    数值对齐:在相同输入上,npu:0 与 npu:1 双卡输出 max abs diff = 0.00000000 (第 5.4 节),npu:0 与 CPU fp32 参考输出 max abs diff ≈ 1.9e-2(TP53 = 0.0187、 HBB = 0.0096,第 5.5 节,覆盖值量级最高 ~33,相对误差 < 0.1%),证明昇腾 NPU 数值计算 与官方实现一致、多卡确定性完全一致,适配正确12。

特性torch_npu(本适配)vllm-ascendsglang
模型加载 ✅支持(safetensors 官方权重)❌ 无对应架构❌ 无对应架构
NPU 推理 ✅已验证(Ascend 910B ×2)❌ 不适用❌ 不适用
批量推理 ✅支持(batch=2/4/8/13,第 5.6 节)❌❌
多卡一致性 ✅npu:0 ↔ npu:1 max diff = 0(第 5.4 节)❌❌
fp16 / bf16 推理 ✅支持(第 5.2 / 5.3 节)❌❌
精度验证 ✅NPU↔CPU max diff ≈ 1.9e-2(第 5.5 节)❌❌

7. 性能参考

测试条件:单卡 Ascend 910B(Ascend910_9362,64 GB HBM),seq_len=196608,fp32, 预热后计时(第 5.13 节用例 86~89 实测)。

场景实测值说明
单序列(196608 bp,fp32,npu:0)平均 139.9 ms,最小 139.4,最大 140.320 次采样,吞吐 ≈ 7.2 seq/s
批量=13(fp32,npu:0)平均 1768.7 ms5 次采样,吞吐 ≈ 7.3 seq/s
批量=13 × 10 次(130 条)17.81 s综合吞吐 ≈ 7.3 seq/s
NPU 显存(推理后)allocated 2.01 GB,reserved 52.02 GB用例 89 实测;模型 fp32 权重 ≈ 0.98 GB
模型参数量246.18 M(fp32 ≈ 0.98 GB)用例 89 实测

结论:本模型单条 196608 bp 序列稳态推理约 140 ms,吞吐 ≈ 7.2 seq/s; batch 加大到 13 后吞吐仍约 7.3 seq/s(未能线性扩展),原因是模型为显存带宽 / 算子 密集型长序列 Transformer,单卡前向已接近带宽瓶颈。首条推理(含模型加载、算子初始化 /图捕获)约 0.5~1 s,属一次性开销;模型仅 246.18 M 参数,单卡 64 GB HBM 绰绰有余3。

8. 注意事项与常见问题

  1. 固定输入长度 196,608 bp:本权重使用预计算 gamma 位置基 (use_precomputed_gamma_basis: true),位置编码仅支持 196,608 bp 全窗口。脚本对任意 长度输入自动平铺(tile_seq)到 196,608 bp(不足则循环补齐、超出则截断), 与模型卡「输入需为 128 的倍数」的要求兼容1。
  2. transformers 版本必须为 5.9.0:本模型 config.json 标注 transformers_version: 5.9.0, 且 multimolecule==0.2.1 依赖 transformers.initialization 等 5.x API;系统预装的 transformers 4.57.6 会报 ImportError: cannot import name 'initialization',需在 venv 内显式安装 5.9.0 覆盖。详见第 3.2 节。
  3. 精度选择:fp32 为官方权重精度与基线;bf16 与 fp32 最大差异 ≤ 2.35(TERT 最大,多数 基因 < 1,第 5.3 节),半精度下可接受;fp16 与 fp32 最大差异可达 42.4(第 5.2 节), 数值明显不稳定,推荐 fp32 或 bf16,避免使用 fp16。
  4. 序列组成对预测的影响:GC/AT 富集、poly-A 等低复杂度序列会显著改变覆盖轨迹 (第 5.7 节);序列中的 N(掩码)会压低中心区域覆盖(第 5.9 / 5.16 节);1 bp 变异即可 引起可检测的轨迹变化(第 5.8 / 5.17 节)——这些均符合调控基因组学的生物学预期。
  5. 确定性:eval 模式 + 固定权重下,相同输入两次前向 max abs diff = 0.0000000000 (第 5.12 节),推理完全确定,可放心用于科学计算流水线。
  6. 设备切换:单机含 2 张逻辑卡(Phy-ID 0 / 1),可用 --device npu:1 切换;两卡结果 完全一致(第 5.4 节)。若同时跑其他任务,请用 npu-smi info 确认卡空闲。
  7. torch_npu 运行日志噪音:脚本已通过 warnings.filterwarnings 屏蔽 Ascend 目录属主 告警;首次前向时 stderr 可能打印 path string is NULL 等无害环境提示,不影响 stdout 结果与推理正确性。

9. 附录

9.1 输出结构说明

输入: (batch, 196608) int64  ->  token id 0/1/2/3/4 分别对应 A/C/G/T/N
卷积主干:  stem Conv(k=15) -> 7× 残差卷积块 + attention pooling(128 bp/bin 下采样)
           196,608 bp / 128 = 1536 bin(宽)+ 两侧 3 bin 上下文 => 1539 bin
Transformer 主干:  11 层 EnformerBlock(相对位置注意力 + 前馈,hidden 1536, 8 头)
中心裁剪:   1539 -> 896 bin(TARGET_LENGTH=896)
输出头:     pointwise head(hidden 3072, quick_gelu)-> Linear -> 5313 轨迹
激活:       softplus(输出非负覆盖值)
最终输出:   (batch, 896, 5313) float32(human head 5313 条轨迹;mouse head 为 1643 条)

9.2 文件结构

enformer-NPU/
├── inference.py          # 推理脚本(torch_npu → Ascend NPU,147 组内置用例)
├── README.md             # 本文件(含 147 组完整测试用例 + 输出)
├── requirements.txt      # 依赖包列表(含国内镜像安装说明)
├── build_readme.py       # 从 test_transcript.txt 生成 README 第 5 节
├── _build_readme_part1.md# README 第 1~4 节源文本(build_readme.py 引用)
├── test_transcript.txt   # 147 组用例全量运行转录(`--all --output` 产物)
├── assets/               # 资源目录
│   └── .gitkeep
└── venv/                 # Python 虚拟环境(--system-site-packages 复用系统 torch/torch_npu)

9.3 模型数据目录结构参考

/data/models/multimolecule/enformer/
├── config.json
├── model.safetensors    (989 MB)
├── pytorch_model.bin
├── tokenizer_config.json
├── vocab.txt
└── README.md

10. 参考文献


贡献者: z_studio | 赛道: 模型适配赛道

Footnotes

  1. Avsec, Ž. et al., "Effective gene expression prediction from sequence by integrating long-range interactions", Nature Methods, 2021, doi:10.1038/s41592-021-01252-x — Enformer 原论文(conv tower + Transformer、896 bin、5313 human tracks、softplus)。 ↩ ↩2 ↩3 ↩4 ↩5

  2. MultiMolecule, "multimolecule/enformer", HuggingFace Model Hub, https://huggingface.co/multimolecule/enformer — MultiMolecule 非官方实现,中间表示与原版一致。 ↩ ↩2

  3. 昇腾社区, "pytorch — torch_npu 昇腾适配插件", https://gitee.com/ascend/pytorch ↩