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)。
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。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)2 ** 7 = 128 bp/bin(batch_size, 896, 5313) 非负覆盖值(human head 5313 条轨迹;mouse head 为 1643 条)| 组件 | 版本 |
|---|---|
| 操作系统 | HCE (aarch64, Linux 5.10) |
| Python | 3.11.14 |
| CANN | 8.5.1 |
| NPU | Ascend 910B(Ascend910_9362 ×2,64GB HBM) |
| torch | 2.9.0 |
| torch-npu | 2.9.0.post1 |
| transformers | 5.9.0(venv 内,覆盖系统 4.57.6) |
| multimolecule | 0.2.1 |
| numpy | 1.26.4 |
| tokenizers | 0.22.2 |
| huggingface-hub | 1.28.0 |
| safetensors | 0.7.0 |
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。
./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)。
# 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。
# 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./venv/bin/python inference.py --list-cases./venv/bin/python inference.py# 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# 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# 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。
| 子节 | 用例编号 | 内容 | 组数 |
|---|---|---|---|
| 5.1 | 1–13 | 单基因基础预测(fp32,npu:0,13 组) | 13 |
| 5.2 | 14–26 | fp16 推理数值稳定性(13 组) | 13 |
| 5.3 | 27–39 | bf16 推理数值稳定性(13 组) | 13 |
| 5.4 | 40–52 | npu:1 双卡一致性(13 组) | 13 |
| 5.5 | 53–54 | CPU vs NPU 精度一致性(2 组) | 2 |
| 5.6 | 55–58 | 批量推理 batch=2/4/8/13(4 组) | 4 |
| 5.7 | 59–66 | 序列组成分析(8 组) | 8 |
| 5.8 | 67–70 | TP53 变异效应(1/2/5/10 bp 替换,4 组) | 4 |
| 5.9 | 71–73 | TP53 N 掩码(中心 1/10/50 kb → N,3 组) | 3 |
| 5.10 | 74–75 | 反向互补对比(2 组) | 2 |
| 5.11 | 76–83 | 边界条件(8 组) | 8 |
| 5.12 | 84–85 | 确定性验证(2 组) | 2 |
| 5.13 | 86–89 | 性能基准(4 组) | 4 |
| 5.14 | 90–95 | 输出结构与统计(6 组) | 6 |
| 5.15 | 96–108 | 每基因 Top-10 轨迹深度分析(13 组) | 13 |
| 5.16 | 109–121 | 每基因中心 10 kb N 掩码响应(13 组) | 13 |
| 5.17 | 122–134 | 每基因中心 1 bp 变异响应(13 组) | 13 |
| 5.18 | 135–147 | 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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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)./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)./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)./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./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./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./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./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./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./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./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./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./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./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)./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)./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./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./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./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)./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./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]./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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./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']./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']./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']./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']./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']./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']./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']./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']./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']./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']./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']./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']./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']本模型不适用 vllm-ascend 或 sglang 推理引擎。 原因如下:
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。
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。
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-ascend | sglang |
|---|---|---|---|
| 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) | ❌ | ❌ |
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 140.3 | 20 次采样,吞吐 ≈ 7.2 seq/s |
| 批量=13(fp32,npu:0) | 平均 1768.7 ms | 5 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。
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。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。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。--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。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。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)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)/data/models/multimolecule/enformer/
├── config.json
├── model.safetensors (989 MB)
├── pytorch_model.bin
├── tokenizer_config.json
├── vocab.txt
└── README.md贡献者: z_studio | 赛道: 模型适配赛道
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
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
昇腾社区, "pytorch — torch_npu 昇腾适配插件", https://gitee.com/ascend/pytorch ↩