z
zzstudio/optimus5prime-NPU
模型介绍
文件和版本
Pull Requests
讨论
分析

Optimus 5-Prime（multimolecule/optimus5prime）昇腾 NPU 部署

在昇腾 NPU（Ascend 910B）上部署 MultiMolecule 提供的 Optimus 5-Prime 预训练模型 （面向人类 5'UTR 的平均核糖体装载量 MRL 回归模型，1D 卷积网络）。该方案通过 torch_npu 推理引擎 将模型部署至 Ascend 910B 进行前向推理，针对固定 50 nt 的 5'UTR RNA 序列预测标准化 平均核糖体装载量（MRL）分数。部署过程已完成 114 组测试用例，并附上全部真实输出结果。

1. 模型简介

  • 适配状态: SUCCESS
  • 适配时间: 2026-08-22

Optimus 5-Prime（Human 5' UTR design and variant effect prediction from a massively parallel translation assay， Nature Biotechnology 2019）是由 Paul J. Sample 等人提出的 5'UTR 平均核糖体装载量预测模型。 它以固定 50 nt 的人类 5'UTR RNA 序列作为输入，预测对应序列的标准化平均核糖体装载量 （MRL）标量，即用于表征核糖体装载水平（翻译效率）的代理指标。该模型为纯前馈 1D 卷积网络， 不含 attention，也不采用自回归解码：

属性值
输入固定 50 nt 的 5'UTR RNA 序列（one-hot 编码为 5 个通道）
编码A/C/G/U 四通道 one-hot；N 为全零通道（卷积第 5 个通道权重为 0）
主干3 层 Conv1d（120 个通道，kernel=8，padding="same"，ReLU，conv_dropout=0.0）
展平按 Keras Flatten 顺序（length, channels）展平 → 50×120=6000
全连接Linear 6000→40（ReLU，dense_dropout=0.2）
回归头Linear 40→1（无激活函数，用于回归任务）
参数量0.48M
输出标准化 MRL 分数 (batch, 1)；ΔMRL = 变异序列 MRL − 参考序列 MRL
权重文件model.safetensors / pytorch_model.bin（约 1.9MB）
许可证AGPL-3.0

变异效应：该模型为单序列回归模型。分别对参考 5'UTR 和变异 5'UTR 执行推理后， 计算二者 MRL 的差值（ΔMRL），即可评估变异对翻译效率的影响（ΔMRL > 0 表示提升，ΔMRL < 0 表示降低）。

⚠️ Optimus 5-Prime 属于非自回归回归模型（无 token 生成，无 attention）， vLLM-Ascend / sglang 无法托管，故采用 torch_npu 推理引擎完成 NPU 前向推理。

2. 目录结构

optimus5prime-NPU/
├── inference.py          # 推理脚本（env / predict / batch / pooler / variant /
│                         #   loss / padding / benchmark / compare / dtype / device 共 11 种模式）
├── optimus5prime_model.py # 模型代码（multimolecule 移植，兼容 transformers 4.57.6）
├── generate_tests.py      # 114 组测试用例生成器（命令 + 真实输出 → docs_test_cases.md）
├── docs_test_cases.md     # 114 组完整测试用例及输出结果（第 9 节）
├── build_readme.py        # 部署文档生成器（本文档）
├── README.md              # 本文档
├── requirements.txt       # 环境依赖清单
├── venv/                  # 运行环境（python3 -m venv --system-site-packages venv）
└── assets/                # 素材目录
    └── .placeholder       # 空占位文件

3. 环境依赖

组件版本
操作系统Linux aarch64（openEuler / HCE）
昇腾 NPUAscend 910B × 2（Ascend910_9362）
CANN8.5.1（V100R001C25SPC002B220）
Python3.11.14
PyTorch2.9.0+cpu（昇腾本地编译，算子运行于 NPU）
torch_npu2.9.0.post1+gitee7ba04
transformers4.57.6
safetensors0.7.0
numpy1.26.4
tokenizers0.22.2

完整依赖见 requirements.txt。

4. 模型下载

Optimus 5-Prime 模型已下载至 /data/models/multimolecule/optimus5prime （包含 config.json / model.safetensors / pytorch_model.bin / tokenizer_config.json / vocab.txt）。

如需自行下载，可参考（HF 走 hf-mirror 镜像）：

HF_ENDPOINT=https://hf-mirror.com huggingface-cli download   multimolecule/optimus5prime   --local-dir /data/models/multimolecule/optimus5prime

模型路径可通过环境变量覆盖：

环境变量默认值说明
OPTIMUS5PRIME_MODEL_PATH/data/models/multimolecule/optimus5prime模型目录

5. 部署与推理

5.0 环境激活（venv，可选）

项目已提供 venv/（复用系统级 torch / torch_npu / CANN），激活后即可运行：

cd optimus5prime-NPU
source venv/bin/activate
python inference.py --mode env       # 环境自检
# 如未使用 venv，直接用系统 python3 亦可（本项目脚本在系统 python 下验证通过）

5.1 环境自检

python3 inference.py --mode env

输出示例（实测）：NPU 可用，2 张 Ascend910_9362 就绪，模型权重已就位，快速前向自检通过 ✅。

5.2 单序列 MRL 预测（核心推理）

python3 inference.py --mode predict --sequence UAGCUUAUCAGACUGAUGUUGA --seq-name "microRNA 21"

指定设备 / 精度：

python3 inference.py --mode predict --sequence UAGCUUAUCAGACUGAUGUUGA     --device npu:0 --dtype float32

5.3 批处理推理

python3 inference.py --mode batch     --sequences "UAGCUUAUCAGACUGAUGUUGA,UGAGAACUGAAUUCCAUGGGUU"

5.4 变异效应预测（ΔMRL）

# 参考序列 vs 单碱基变异序列（模型卡示例）
python3 inference.py --mode variant     --ref  GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC     --alt  GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGAUAGC

5.5 获取 pre-regression 的共享表示（pooler_output）

python3 inference.py --mode pooler --sequence UAGCUUAUCAGACUGAUGUUGA

5.6 其他模式

命令说明
python3 inference.py --mode loss --labels self基于自洽标签的 MSE 损失
python3 inference.py --mode loss --labels random --seed 42基于随机标签的 MSE 损失
python3 inference.py --mode padding序列长度、填充、N/T 及大小写处理验证
python3 inference.py --mode benchmark --batch 8不同序列长度与 batch 的前向基准测试
python3 inference.py --mode compareNPU 与 CPU 输出一致性
python3 inference.py --mode dtypefloat32 / bfloat16 / float16 精度对比
python3 inference.py --mode devicenpu:0 / npu:1 / cpu 设备间对比

5.7 参数说明

参数默认值说明
--modepredict运行模式（共 11 种）
--sequenceUAGCUUAUCAGACUGAUGUUGA输入 RNA 序列
--sequences无批量序列（以逗号分隔）
--seq-namesequence序列名称，用于输出标注
--seq-names无批量序列名称（以逗号分隔）
--ref / --alt模型卡示例variant 的参考序列与变异序列
--devicenpu:0推理设备（npu:0 / npu:1 / cpu）
--dtypefloat32推理精度（float32 / bfloat16 / float16）
--batch1benchmark 模式的 batch size
--lengths[16,32,50,64,96,128,256]benchmark 模式的序列长度列表
--labelsselfloss 模式的标签类型（self / random）
--seed7随机种子
--compactFalse紧凑输出：每个用例输出一行关键结果（用于批量测试）

6. 实测结果（Ascend 910B，单卡）

场景输入标准化 MRL备注
microRNA 21 5'UTRUAGCUUAUCAGACUGAUGUUGA（22 nt，pad 至 50）-0.109189模型卡中的 ncRNA 示例
microRNA 146a 5'UTRUGAGAACUGAAUUCCAUGGGUU（22 nt）-0.099806模型卡中的 ncRNA 示例
参考序列（50 nt）GGGACAUA...AGCUAGC（模型卡示例）1.254144作为基准的参考序列
单碱基变异 A→U参考位置 46 C→A1.263130（Δ=+0.008986）变异效应
5' 端 3 nt 替换CAG + 参考[3:]1.272771（Δ=+0.018627）变异效应
空输入（全零通道）``（0 nt）0.793978N 通道权重为 0，等效于全零输入
全 N 序列N×500.793978与空输入结果一致（通道 4 权重为 0）
  • 单序列前向耗时约为 1 ms（模型参数 0.48M，预热后）；包含首次 NPU 算子图编译时约 0.2 s。
  • 短序列会在右侧补零至 50 nt；超长序列会截断为前 50 nt；T 会替换为 U；大小写不敏感；非法字符映射为 N。
  • 浮点精度对比（microRNA 21）：float32 -0.109189 / bfloat16 -0.108887 / float16 -0.109131， 三种精度下结果一致，均可在 NPU 上正常运行。

7. 精度评测（NPU 与 CPU 一致性，本机实测）

序列NPU MRLCPU MRL绝对差
microRNA 21-0.109189-0.1091672.25e-05
microRNA 146a-0.099806-0.0997792.70e-05
参考 50 nt1.2541441.2541232.15e-05
microRNA 1550.1210520.1210681.67e-05
全 N0.7939760.7939696.52e-06

说明：NPU 与 CPU 前向在 float32 下逐元素一致（绝对差 < 3e-5，为浮点舍入差异）， 证明模型权重加载与 NPU 算子计算正确。完整对比见第 9 节用例 080–085。

8. 完整输入输出示例（microRNA 21）

以 microRNA 21 的 5'UTR 为例，完整运行 MRL 预测：

$ python3 inference.py --mode predict --sequence UAGCUUAUCAGACUGAUGUUGA --seq-name "microRNA 21" --compact

[predict] 名称=microRNA 21 序列=UAGCUUAUCAGACUGAUGUUGA 长度=22 设备=npu:0 精度=float32 MRL=-0.109189 耗时=0.001s

输出说明：

  • [predict] MRL：模型预测的标准化平均核糖体装载量分数，数值越高，表示该 5'UTR 的翻译效率越高。
  • 长度：输入序列长度（< 50 时自动在右侧补零，> 50 时截断为前 50）。

9. 完整测试用例（114 组，附真实输出）

所有用例均在昇腾 NPU（Ascend 910B）上实测执行，命令与输出一一对应。 按 11 个大类组织，共 114 组 ≥ 114 组。

9.1 用例清单

类别编号说明数量
A001–002环境自检（双卡 / 指定可见卡）2
B003–032单序列 MRL 预测（真实序列 × 设备 × 精度 × 合成序列）30
C033–041批处理推理（batch 2–8，不同长度混合）9
D042–057变异效应 ΔMRL（单碱基 / 多碱基 / indel / 含 N）16
E058–063pooler_output 的预回归共享表示6
F064–073序列长度 / 填充 / N / T / 大小写 / 非法字符处理10
G074–079不同推理精度对比（float32 / bfloat16 / float16）6
H080–085NPU 与 CPU 输出一致性6
I086–093序列长度 × batch 前向基准8
J094–099MSE 损失计算（自洽 / 随机标签）6
K100–103不同推理设备对比（npu:0 / npu:1 / cpu）4
L104–114合成序列与极端输入（全 A/C/G/U、极短、空、poly）11

9.2 完整用例与输出

用例 001（A）— 环境自检（双卡 NPU）

python3 inference.py --mode env --compact

输出：

[env] python=3.11.14 torch=2.9.0+cpu torch_npu=2.9.0.post1+gitee7ba04 NPU可用=True 设备数=2 设备0=Ascend910_9362 权重OK=True 前向OK=True MRL=-0.1092

用例 002（A）— 环境自检（仅可见 NPU 设备 1）

ASCEND_RT_VISIBLE_DEVICES=1 python3 inference.py --mode env --compact

输出：

[env] python=3.11.14 torch=2.9.0+cpu torch_npu=2.9.0.post1+gitee7ba04 NPU可用=True 设备数=1 设备0=Ascend910_9362 权重OK=True 前向OK=True MRL=-0.1092

用例 003（B）— MRL 预测 microRNA 21（L=22）

python3 inference.py --mode predict --seq-name "microRNA 21" --sequence UAGCUUAUCAGACUGAUGUUGA --compact

输出：

[predict] 名称=microRNA 21 序列=UAGCUUAUCAGACUGAUGUUGA 长度=22 设备=npu:0 精度=float32 MRL=-0.109189 耗时=0.001s

用例 004（B）— MRL 预测 microRNA 146a（L=22）

python3 inference.py --mode predict --seq-name "microRNA 146a" --sequence UGAGAACUGAAUUCCAUGGGUU --compact

输出：

[predict] 名称=microRNA 146a 序列=UGAGAACUGAAUUCCAUGGGUU 长度=22 设备=npu:0 精度=float32 MRL=-0.099806 耗时=0.001s

用例 005（B）— MRL 预测 microRNA 155（L=24）

python3 inference.py --mode predict --seq-name "microRNA 155" --sequence UUAAUGCUAAUCGUGAUAGGGGUU --compact

输出：

[predict] 名称=microRNA 155 序列=UUAAUGCUAAUCGUGAUAGGGGUU 长度=24 设备=npu:0 精度=float32 MRL=0.121052 耗时=0.001s

用例 006（B）— MRL 预测 HIV-1 TAR-WT（L=57）

python3 inference.py --mode predict --seq-name "HIV-1 TAR-WT" --sequence GGUCUCUCUGGUUAGACCAGAUCUGAGCCUGGGAGCUCUCUGGCUAACUAGGGAACC --compact

输出：

[predict] 名称=HIV-1 TAR-WT 序列=GGUCUCUCUGGUUAGACCAGAUCUGAGCCUGGGAGCUCUCUGGCUAACUAGGGAACC 长度=57 设备=npu:0 精度=float32 MRL=0.753697 耗时=0.001s

用例 007（B）— MRL 预测 vault RNA 2-1（L=108）

python3 inference.py --mode predict --seq-name "vault RNA 2-1" --sequence CGGGUCGGAGUUAGCUCAAGCGGUUACCUCCUCAUGCCGGACUUUCUAUCUGUCCAUCUCUGUGCUGGGGUUCGAGACCCGCGGGUGCUUACUGACCCUUUUAUGCAA --compact

输出：

[predict] 名称=vault RNA 2-1 序列=CGGGUCGGAGUUAGCUCAAGCGGUUACCUCCUCAUGCCGGACUUUCUAUCUGUCCAUCUCUGUGCUGGGGUUCGAGACCCGCGGGUGCUUACUGACCCUUUUAUGCAA 长度=108 设备=npu:0 精度=float32 MRL=-1.009857 耗时=0.001s

用例 008（B）— MRL 预测 interleukin 10 mRNA（L=54）

python3 inference.py --mode predict --seq-name "interleukin 10 mRNA" --sequence AUGCACAGCUCAGCACUGCUCUGUUGCCUGGUCCUCCUGACUGGGGUGAGGGCC --compact

输出：

[predict] 名称=interleukin 10 mRNA 序列=AUGCACAGCUCAGCACUGCUCUGUUGCCUGGUCCUCCUGACUGGGGUGAGGGCC 长度=54 设备=npu:0 精度=float32 MRL=-0.415402 耗时=0.001s

用例 009（B）— MRL 预测朊蛋白 mRNA（L=66）

python3 inference.py --mode predict --seq-name "prion protein mRNA" --sequence AUGGCGAACCUUGGCUGCUGGAUGCUGGUUCUCUUUGUGGCCACAUGGAGUGACCUGGGCCUCUGC --compact

输出：

[predict] 名称=prion protein mRNA 序列=AUGGCGAACCUUGGCUGCUGGAUGCUGGUUCUCUUUGUGGCCACAUGGAGUGACCUGGGCCUCUGC 长度=66 设备=npu:0 精度=float32 MRL=-1.271092 耗时=0.001s

用例 010（B）— MRL 预测胰岛素 mRNA（L=333）

python3 inference.py --mode predict --seq-name "insulin mRNA" --sequence AUGGCCCUGUGGAUGCGCCUCCUGCCCCUGCUGGCGCUGCUGGCCCUCUGGGGACCUGACCCAGCCGCAGCCUUUGUGAACCAACACCUGUGCGGCUCACACCUGGUGGAAGCUCUCUACCUAGUGUGCGGGGAACGAGGCUUCUUCUACACACCCAAGACCCGCCGGGAGGCAGAGGACCUGCAGGUGGGGCAGGUGGAGCUGGGCGGGGGCCCUGGUGCAGGCAGCCUGCAGCCCUUGGCCCUGGAGGGGUCCCUGCAGAAGCGUGGCAUUGUGGAACAAUGCUGUACCAGCAUCUGCUCCCUCUACCAGCUGGAGAACUACUGCAACUAG --compact

输出：

[predict] 名称=insulin mRNA 序列=AUGGCCCUGUGGAUGCGCCUCCUGCCCCUGCUGGCGCUGCUGGCCCUCUGGGGACCUGACCCAGCCGCAGCCUUUGUGAACCAACACCUGUGCGGCUCACACCUGGUGGAAGCUCUCUACCUAGUGUGCGGGGAACGAGGCUUCUUCUACACACCCAAGACCCGCCGGGAGGCAGAGGACCUGCAGGUGGGGCAGGUGGAGCUGGGCGGGGGCCCUGGUGCAGGCAGCCUGCAGCCCUUGGCCCUGGAGGGGUCCCUGCAGAAGCGUGGCAUUGUGGAACAAUGCUGUACCAGCAUCUGCUCCCUCUACCAGCUGGAGAACUACUGCAACUAG 长度=333 设备=npu:0 精度=float32 MRL=-1.446203 耗时=0.001s

用例 011（B）— MRL 预测 NRAS 5'UTR（L=131）

python3 inference.py --mode predict --seq-name "NRAS 5'UTR" --sequence GGGGCCGGAAGUGCCGCUCCUUGGUGGGGGCUGUUCAUGGCGGUUCCGGGGUCUCCAACAUUUUUCCCGGCUGUGGUCCUAAAUCUGUCCAAAGCAGAGGCAGUGGAGCUUGAGGUUCUUGCUGGUGUGAA --compact

输出：

[predict] 名称=NRAS 5'UTR 序列=GGGGCCGGAAGUGCCGCUCCUUGGUGGGGGCUGUUCAUGGCGGUUCCGGGGUCUCCAACAUUUUUCCCGGCUGUGGUCCUAAAUCUGUCCAAAGCAGAGGCAGUGGAGCUUGAGGUUCUUGCUGGUGUGAA 长度=131 设备=npu:0 精度=float32 MRL=-1.308528 耗时=0.001s

用例 012（B）— MRL 预测 amyloid beta 5'UTR（L=150）

python3 inference.py --mode predict --seq-name "amyloid beta 5'UTR" --sequence GUCAGUUUCCUCGGCAGCGGUAGGCGAGAGCACGCGGAGGAGCGUGCGCGGGGGCCCCGGGAGACGGCGGCGGUGGCGGCGCGGGCAGAGCAAGGACGCGGCGGAUCCCACUCGCACAGCAGCGCACUCGGUGCCCCGCGCAGGGUCGCG --compact

输出：

[predict] 名称=amyloid beta 5'UTR 序列=GUCAGUUUCCUCGGCAGCGGUAGGCGAGAGCACGCGGAGGAGCGUGCGCGGGGGCCCCGGGAGACGGCGGCGGUGGCGGCGCGGGCAGAGCAAGGACGCGGCGGAUCCCACUCGCACAGCAGCGCACUCGGUGCCCCGCGCAGGGUCGCG 长度=150 设备=npu:0 精度=float32 MRL=0.482783 耗时=0.001s

用例 013（B）— MRL 预测 RUNX1 5'UTR（L=194）

python3 inference.py --mode predict --seq-name "RUNX1 5'UTR" --sequence ACUUCUUUGGGCCUCAUAAACAACCACAGAACCACAAGUUGGGUAGCCUGGCAGUGUCAGAAGUCUGAACCCAGCAUAGUGGUCAGCAGGCAGGACGAAUCACACUGAAUGCAAACCACAGGGUUUCGCAGCGUGGUAAAAGAAAUCAUUGAGUCCCCCGCCUUCAGAAGAGGGUGCAUUUUCAGGAGGAAGCG --compact

输出：

[predict] 名称=RUNX1 5'UTR 序列=ACUUCUUUGGGCCUCAUAAACAACCACAGAACCACAAGUUGGGUAGCCUGGCAGUGUCAGAAGUCUGAACCCAGCAUAGUGGUCAGCAGGCAGGACGAAUCACACUGAAUGCAAACCACAGGGUUUCGCAGCGUGGUAAAAGAAAUCAUUGAGUCCCCCGCCUUCAGAAGAGGGUGCAUUUUCAGGAGGAAGCG 长度=194 设备=npu:0 精度=float32 MRL=0.740996 耗时=0.001s

用例 014（B）— MRL 预测 FMR1 5'UTR（L=261）

python3 inference.py --mode predict --seq-name "FMR1 5'UTR" --sequence CUCAGUCAGGCGCUCAGCUCCGUUUCGGUUUCACUUCCGGUGGAGGGCCGCCUCUGAGCGGGCGGCGGGCCGACGGCGAGCGCGGGCGGCGGCGGUGACGGAGGCGCCGCUGCCAGGGGGCGUGCGGCAGCGCGGCGGCGGCGGCGGCGGCGGCGGCGGCGGAGGCGGCGGCGGCGGCGGCGGCGGCGGCGGCUGGGCCUCGAGCGCCCGCAGCCCACCUCUCGGGGGCGGGCUCCCGGCGCUAGCAGGGCUGAAGAGAAG --compact

输出：

[predict] 名称=FMR1 5'UTR 序列=CUCAGUCAGGCGCUCAGCUCCGUUUCGGUUUCACUUCCGGUGGAGGGCCGCCUCUGAGCGGGCGGCGGGCCGACGGCGAGCGCGGGCGGCGGCGGUGACGGAGGCGCCGCUGCCAGGGGGCGUGCGGCAGCGCGGCGGCGGCGGCGGCGGCGGCGGCGGCGGAGGCGGCGGCGGCGGCGGCGGCGGCGGCGGCUGGGCCUCGAGCGCCCGCAGCCCACCUCUCGGGGGCGGGCUCCCGGCGCUAGCAGGGCUGAAGAGAAG 长度=261 设备=npu:0 精度=float32 MRL=0.427745 耗时=0.001s

用例 015（B）— MRL 预测 MYC 5'UTR（L=363）

python3 inference.py --mode predict --seq-name "MYC 5'UTR" --sequence AACUCGCUGUAGUAAUUCCAGCGAGAGGCAGAGGGAGCGAGCGGGCGGCCGGCUAGGGUGGAAGAGCCGGGCGAGCAGAGCUGCGCUGCGGGCGUCCUGGGAAGGGAGAUCCGGAGCGAAUAGGGGGCUUCGCCUCUGGCCCAGCCCUCCCGCUGAUCCCCCAGCCAGCGGUCCGCAACCCUUGCCGCAUCCACGAAACUUUGCCCAUAGCAGCGGGCGGGCACUUUGCACUGGAACUUACAACACCCGAGCAAGGACGCGACUCUCCCGACGCGGGGAGGCUAUUCUGCCCAUUUGGGGACACUUCCCCGCCGCUGCCAGGACCCGCUUCUCUGAAAGGCUCUCCUUGCAGCUGCUUAGACG --compact

输出：

[predict] 名称=MYC 5'UTR 序列=AACUCGCUGUAGUAAUUCCAGCGAGAGGCAGAGGGAGCGAGCGGGCGGCCGGCUAGGGUGGAAGAGCCGGGCGAGCAGAGCUGCGCUGCGGGCGUCCUGGGAAGGGAGAUCCGGAGCGAAUAGGGGGCUUCGCCUCUGGCCCAGCCCUCCCGCUGAUCCCCCAGCCAGCGGUCCGCAACCCUUGCCGCAUCCACGAAACUUUGCCCAUAGCAGCGGGCGGGCACUUUGCACUGGAACUUACAACACCCGAGCAAGGACGCGACUCUCCCGACGCGGGGAGGCUAUUCUGCCCAUUUGGGGACACUUCCCCGCCGCUGCCAGGACCCGCUUCUCUGAAAGGCUCUCCUUGCAGCUGCUUAGACG 长度=363 设备=npu:0 精度=float32 MRL=0.542048 耗时=0.001s

用例 016（B）— MRL 预测 ATF4 5'UTR（L=282）

python3 inference.py --mode predict --seq-name "ATF4 5'UTR" --sequence CAUUUCUACUUUGCCCGCCCACAGAUGUAGUUUUCUCUGCGCGUGUGCGUUUUCCCUCCUCCCCGCCCUCAGGGUCCACGGCCACCAUGGCGUAUUAGGGGCAGCAGUGCCUGCGGCAGCAUUGGCCUUUGCAGCGGCGGCAGCAGCACCAGGCUCUGCAGCGGCAACCCCCAGCGGCUUAAGCCAUGGCGCUUCUCACGGCAUUCAGCAGCAGCGUUGCUGUAACCGACAAAGACACCUUCGAAUUAAGCACAUUCCUCGAUUCCAGCAAAGCACCGCAAC --compact

输出：

[predict] 名称=ATF4 5'UTR 序列=CAUUUCUACUUUGCCCGCCCACAGAUGUAGUUUUCUCUGCGCGUGUGCGUUUUCCCUCCUCCCCGCCCUCAGGGUCCACGGCCACCAUGGCGUAUUAGGGGCAGCAGUGCCUGCGGCAGCAUUGGCCUUUGCAGCGGCGGCAGCAGCACCAGGCUCUGCAGCGGCAACCCCCAGCGGCUUAAGCCAUGGCGCUUCUCACGGCAUUCAGCAGCAGCGUUGCUGUAACCGACAAAGACACCUUCGAAUUAAGCACAUUCCUCGAUUCCAGCAAAGCACCGCAAC 长度=282 设备=npu:0 精度=float32 MRL=-0.795356 耗时=0.001s

用例 017（B）— MRL 预测 GPI p137 3'UTR（L=300）

python3 inference.py --mode predict --seq-name "GPI p137 3'UTR" --sequence UUUUUAAAAGGAAAAGAUACCAAAUGCCUGCUGCUACCACCCUUUUCAAUUGCUAUGUUUUGAAAGGCACCAGUAUGUGUUUUAGAUUGAUUUAAAUGUUUCAUUUAAAUCACGGACAGUAGUUUCAGUUCUGAUGGUAUAAGCAAAACAAAUAAAACGUUUAUAAAAGUUGUAUCUUGAAACACUGGUGUUCAACAGCUAGCAGCUUAUGUGAUUCACCCCAUGCCACGUUAGUGUCACAAAUUUUAUGGUUUAUCUCCAGCAACAUUUCUCUAGUACUUGCACUUAUUAUCUGAAUUC --compact

输出：

[predict] 名称=GPI p137 3'UTR 序列=UUUUUAAAAGGAAAAGAUACCAAAUGCCUGCUGCUACCACCCUUUUCAAUUGCUAUGUUUUGAAAGGCACCAGUAUGUGUUUUAGAUUGAUUUAAAUGUUUCAUUUAAAUCACGGACAGUAGUUUCAGUUCUGAUGGUAUAAGCAAAACAAAUAAAACGUUUAUAAAAGUUGUAUCUUGAAACACUGGUGUUCAACAGCUAGCAGCUUAUGUGAUUCACCCCAUGCCACGUUAGUGUCACAAAUUUUAUGGUUUAUCUCCAGCAACAUUUCUCUAGUACUUGCACUUAUUAUCUGAAUUC 长度=300 设备=npu:0 精度=float32 MRL=0.954142 耗时=0.001s

用例 018（B）— MRL 预测 NPM1 3'UTR（L=335）

python3 inference.py --mode predict --seq-name "NPM1 3'UTR" --sequence GAAAAUAGUUUAAACAAUUUGUUAAAAAAUUUUCCGUCUUAUUUCAUUUCUGUAACAGUUGAUAUCUGGCUGUCCUUUUUAUAAUGCAGAGUGAGAACUUUCCCUACCGUGUUUGAUAAAUGUUGUCCAGGUUCUAUUGCCAAGAAUGUGUUGUCCAAAAUGCCUGUUUAGUUUUUAAAGAUGGAACUCCACCCUUUGCUUGGUUUUAAGUAUGUAUGGAAUGUUAUGAUAGGACAUAGUAGUAGCGGUGGUCAGACAUGGAAAUGGUGGGGAGACAAAAAUAUACAUGUGAAAUAAAACUCAGUAUUUUAAUAAAGUAGCACGGUUUCUAUUGA --compact

输出：

[predict] 名称=NPM1 3'UTR 序列=GAAAAUAGUUUAAACAAUUUGUUAAAAAAUUUUCCGUCUUAUUUCAUUUCUGUAACAGUUGAUAUCUGGCUGUCCUUUUUAUAAUGCAGAGUGAGAACUUUCCCUACCGUGUUUGAUAAAUGUUGUCCAGGUUCUAUUGCCAAGAAUGUGUUGUCCAAAAUGCCUGUUUAGUUUUUAAAGAUGGAACUCCACCCUUUGCUUGGUUUUAAGUAUGUAUGGAAUGUUAUGAUAGGACAUAGUAGUAGCGGUGGUCAGACAUGGAAAUGGUGGGGAGACAAAAAUAUACAUGUGAAAUAAAACUCAGUAUUUUAAUAAAGUAGCACGGUUUCUAUUGA 长度=335 设备=npu:0 精度=float32 MRL=0.824072 耗时=0.001s

用例 019（B）— MRL 预测 telomerase RNA（L=451）

python3 inference.py --mode predict --seq-name "telomerase RNA" --sequence GGGUUGCGGAGGGUGGGCCUGGGAGGGGUGGUGGCCAUUUUUUGUCUAACCCUAACUGAGAAGGGCGUAGGCGCCGUGCUUUUGCUCCCCGCGCGCUGUUUUUCUCGCUGACUUUCAGCGGGCGGAAAAGCCUCGGCCUGCCGCCUUCCACCGUUCAUUCUAGAGCAAACAAAAAAUGUCAGCUGCUGGCCCGUUCGCCCCUCCCGGGGACCUGCGGCGGGUCGCCUGCCCAGCCCCCGAACCCCGCCUGGAGGCCGCGGUCGGCCCGGGGCUUCUCCGGAGGCACCCACUGCCACCGCGAAGAGUUGGGCUCUGUCAGCCGCGGGUCUCUCGGGGGCGAGGGCGAGGUUCAGGCCUUUCAGGCCGCAGGAAGAGGAACGGAGCGAGUCCCCGCGCGCGGCGCGAUUCCCUGAGCUGUGGGACGUGCACCCAGGACUCGGCUCACACAUGC --compact

输出：

[predict] 名称=telomerase RNA 序列=GGGUUGCGGAGGGUGGGCCUGGGAGGGGUGGUGGCCAUUUUUUGUCUAACCCUAACUGAGAAGGGCGUAGGCGCCGUGCUUUUGCUCCCCGCGCGCUGUUUUUCUCGCUGACUUUCAGCGGGCGGAAAAGCCUCGGCCUGCCGCCUUCCACCGUUCAUUCUAGAGCAAACAAAAAAUGUCAGCUGCUGGCCCGUUCGCCCCUCCCGGGGACCUGCGGCGGGUCGCCUGCCCAGCCCCCGAACCCCGCCUGGAGGCCGCGGUCGGCCCGGGGCUUCUCCGGAGGCACCCACUGCCACCGCGAAGAGUUGGGCUCUGUCAGCCGCGGGUCUCUCGGGGGCGAGGGCGAGGUUCAGGCCUUUCAGGCCGCAGGAAGAGGAACGGAGCGAGUCCCCGCGCGCGGCGCGAUUCCCUGAGCUGUGGGACGUGCACCCAGGACUCGGCUCACACAUGC 长度=451 设备=npu:0 精度=float32 MRL=0.096651 耗时=0.001s

用例 020（B）— MRL 对 7SK snRNA 的预测（L=332）

python3 inference.py --mode predict --seq-name "7SK snRNA" --sequence GGAUGUGAGGGCGAUCUGGCUGCGACAUCUGUCACCCCAUUGAUCGCCAGGGUUGAUUCGGCUGAUCUGGCUGGCUAGGCGGGUGUCCCCUUCCUCCCUCACCGCUCCAUGUGCGUCCCUCCCGAAGCUGCGCGCUCGGUCGAAGAGGACGACCAUCCCCGAUAGAGGAGGACCGGUCUUCGGUCAAGGGUAUACGAGUAGCUGCGCUCCCCUGCUAGAACCUCCAAACAAGCUCUCAAGGUCCAUUUGUAGGAGAACGUAGGGUAGUCAAGCUUCCAAGACUCCAGACACAUCCAAAUGAGGCGCUGCAUGUGGCAGUCUGCCUUUCUUUU --compact

输出：

[predict] 名称=7SK snRNA 序列=GGAUGUGAGGGCGAUCUGGCUGCGACAUCUGUCACCCCAUUGAUCGCCAGGGUUGAUUCGGCUGAUCUGGCUGGCUAGGCGGGUGUCCCCUUCCUCCCUCACCGCUCCAUGUGCGUCCCUCCCGAAGCUGCGCGCUCGGUCGAAGAGGACGACCAUCCCCGAUAGAGGAGGACCGGUCUUCGGUCAAGGGUAUACGAGUAGCUGCGCUCCCCUGCUAGAACCUCCAAACAAGCUCUCAAGGUCCAUUUGUAGGAGAACGUAGGGUAGUCAAGCUUCCAAGACUCCAGACACAUCCAAAUGAGGCGCUGCAUGUGGCAGUCUGCCUUUCUUUU 长度=332 设备=npu:0 精度=float32 MRL=-0.990503 耗时=0.001s

用例 021（B）— MRL 预测 brain cytoplasmic RNA 1（L=200）

python3 inference.py --mode predict --seq-name "brain cytoplasmic RNA 1" --sequence GGCCGGGCGCGGUGGCUCACGCCUGUAAUCCCAGCUCUCAGGGAGGCUAAGAGGCGGGAGGAUAGCUUGAGCCCAGGAGUUCGAGACCUGCCUGGGCAAUAUAGCGAGACCCCGUUCUCCAGAAAAAGGAAAAAAAAAAACAAAAGACAAAAAAAAAAUAAGCGUAACUUCCCUCAAAGCAACAACCCCCCCCCCCCUUU --compact

输出：

[predict] 名称=brain cytoplasmic RNA 1 序列=GGCCGGGCGCGGUGGCUCACGCCUGUAAUCCCAGCUCUCAGGGAGGCUAAGAGGCGGGAGGAUAGCUUGAGCCCAGGAGUUCGAGACCUGCCUGGGCAAUAUAGCGAGACCCCGUUCUCCAGAAAAAGGAAAAAAAAAAACAAAAGACAAAAAAAAAAUAAGCGUAACUUCCCUCAAAGCAACAACCCCCCCCCCCCUUU 长度=200 设备=npu:0 精度=float32 MRL=0.288587 耗时=0.001s

用例 022（B）— MRL 预测 microRNA 21 × 设备 npu:0

python3 inference.py --mode predict --sequence UAGCUUAUCAGACUGAUGUUGA --device npu:0 --compact

输出：

[predict] 名称=microRNA 21 序列=UAGCUUAUCAGACUGAUGUUGA 长度=22 设备=npu:0 精度=float32 MRL=-0.109189 耗时=0.001s

用例 023（B）— MRL 预测 microRNA 21 × 设备 npu:1

python3 inference.py --mode predict --sequence UAGCUUAUCAGACUGAUGUUGA --device npu:1 --compact

输出：

[predict] 名称=microRNA 21 序列=UAGCUUAUCAGACUGAUGUUGA 长度=22 设备=npu:1 精度=float32 MRL=-0.109189 耗时=0.018s

用例 024（B）— MRL 预测 microRNA 21 × 设备 cpu

python3 inference.py --mode predict --sequence UAGCUUAUCAGACUGAUGUUGA --device cpu --compact

输出：

[predict] 名称=microRNA 21 序列=UAGCUUAUCAGACUGAUGUUGA 长度=22 设备=cpu 精度=float32 MRL=-0.109167 耗时=0.003s

用例 025（B）— MRL 预测 microRNA 21 × float32 精度

python3 inference.py --mode predict --sequence UAGCUUAUCAGACUGAUGUUGA --dtype float32 --compact

输出：

[predict] 名称=microRNA 21 序列=UAGCUUAUCAGACUGAUGUUGA 长度=22 设备=npu:0 精度=float32 MRL=-0.109189 耗时=0.001s

用例 026（B）— MRL 预测 microRNA 21 × bfloat16 精度

python3 inference.py --mode predict --sequence UAGCUUAUCAGACUGAUGUUGA --dtype bfloat16 --compact

输出：

[predict] 名称=microRNA 21 序列=UAGCUUAUCAGACUGAUGUUGA 长度=22 设备=npu:0 精度=bfloat16 MRL=-0.108887 耗时=0.041s

用例 027（B）— MRL 预测 microRNA 21，精度为 float16

python3 inference.py --mode predict --sequence UAGCUUAUCAGACUGAUGUUGA --dtype float16 --compact

输出：

[predict] 名称=microRNA 21 序列=UAGCUUAUCAGACUGAUGUUGA 长度=22 设备=npu:0 精度=float16 MRL=-0.109131 耗时=0.036s

用例 028（B）— MRL 预测 syn16（L=16 合成序列）

python3 inference.py --mode predict --seq-name "syn16" --sequence CUAAUCUCUAACAUCA --compact

输出：

[predict] 名称=syn16 序列=CUAAUCUCUAACAUCA 长度=16 设备=npu:0 精度=float32 MRL=0.776408 耗时=0.001s

用例 029（B）— MRL 预测 syn32（L=32 合成序列）

python3 inference.py --mode predict --seq-name "syn32" --sequence AUCAGUGUAUGCUUCUUUGAAACUUGAGUUUG --compact

输出：

[predict] 名称=syn32 序列=AUCAGUGUAUGCUUCUUUGAAACUUGAGUUUG 长度=32 设备=npu:0 精度=float32 MRL=0.803762 耗时=0.001s

用例 030（B）— MRL 对 syn48 的预测（L=48 合成序列）

python3 inference.py --mode predict --seq-name "syn48" --sequence GACUAAACCUGUCCGCUGAAACUGAGCGGGGUACUGCAGCCGAUGUAU --compact

输出：

[predict] 名称=syn48 序列=GACUAAACCUGUCCGCUGAAACUGAGCGGGGUACUGCAGCCGAUGUAU 长度=48 设备=npu:0 精度=float32 MRL=-0.227817 耗时=0.001s

用例 031（B）— MRL 预测 syn64（L=64 合成序列）

python3 inference.py --mode predict --seq-name "syn64" --sequence GGUCCAUAGCGAUCGUUCAAGAGGGAUAUCCCGCGAGGCGACGGUAAUGCCAGCAUGUUGUCUG --compact

输出：

[predict] 名称=syn64 序列=GGUCCAUAGCGAUCGUUCAAGAGGGAUAUCCCGCGAGGCGACGGUAAUGCCAGCAUGUUGUCUG 长度=64 设备=npu:0 精度=float32 MRL=-0.871905 耗时=0.001s

用例 032（B）— MRL 预测 syn80（L=80 的合成序列）

python3 inference.py --mode predict --seq-name "syn80" --sequence UGUCGGACAAUGUAGAUAUCCUAUACUCUGAGCGGCCGCCGCGUAGCGAAAGACUUUGAGCUUGCCUAACGGUUUACUUU --compact

输出：

[predict] 名称=syn80 序列=UGUCGGACAAUGUAGAUAUCCUAUACUCUGAGCGGCCGCCGCGUAGCGAAAGACUUUGAGCUUGCCUAACGGUUUACUUU 长度=80 设备=npu:0 精度=float32 MRL=-1.007995 耗时=0.001s

用例 033（C）— 批量处理 2 条序列（microRNA 21 + 146a）

python3 inference.py --mode batch --sequences UAGCUUAUCAGACUGAUGUUGA,UGAGAACUGAAUUCCAUGGGUU --compact

输出：

[batch] batch=2 设备=npu:0 精度=float32 logits=(2, 1) MRL=['-0.109189', '-0.099806'] 耗时=0.002s
[batch] 序列0: microRNA 21 L=22 MRL=-0.109189
[batch] 序列1: microRNA 146a L=22 MRL=-0.099806

用例 034（C）— 批处理 3 条序列

python3 inference.py --mode batch --sequences UAGCUUAUCAGACUGAUGUUGA,UGAGAACUGAAUUCCAUGGGUU,UUAAUGCUAAUCGUGAUAGGGGUU --compact

输出：

[batch] batch=3 设备=npu:0 精度=float32 logits=(3, 1) MRL=['-0.109189', '-0.099806', '0.121052'] 耗时=0.002s
[batch] 序列0: seq0 L=22 MRL=-0.109189
[batch] 序列1: seq1 L=22 MRL=-0.099806
[batch] 序列2: seq2 L=24 MRL=0.121052

用例 035（C）— 批处理 4 条序列（含 50nt）

python3 inference.py --mode batch --sequences UAGCUUAUCAGACUGAUGUUGA,UGAGAACUGAAUUCCAUGGGUU,GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC,AUCAGUGUAUGCUUCUUUGAAACUUGAGUUUG --compact

输出：

[batch] batch=4 设备=npu:0 精度=float32 logits=(4, 1) MRL=['-0.109189', '-0.099806', '1.254144', '0.803762'] 耗时=0.002s
[batch] 序列0: seq0 L=22 MRL=-0.109189
[batch] 序列1: seq1 L=22 MRL=-0.099806
[batch] 序列2: seq2 L=50 MRL=1.254144
[batch] 序列3: seq3 L=32 MRL=0.803762

用例 036（C）— 批处理 5 条序列（含 64nt 超长序列）

python3 inference.py --mode batch --sequences UAGCUUAUCAGACUGAUGUUGA,GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC,AUCAGUGUAUGCUUCUUUGAAACUUGAGUUUG,GGUCCAUAGCGAUCGUUCAAGAGGGAUAUCCCGCGAGGCGACGGUAAUGCCAGCAUGUUGUCUG,GCUAGCUGAGCCUCCGUCAGACAGAAUUGCCGUCGGUCCCACGAGUGUUCAAUCCGGGUACGGGUGUCUCGUGCUCAAGUUAUACAGACUCUCCUGCCAA --compact

输出：

[batch] batch=5 设备=npu:0 精度=float32 logits=(5, 1) MRL=['-0.109189', '1.254144', '0.803762', '-0.871905', '0.483292'] 耗时=0.041s
[batch] 序列0: seq0 L=22 MRL=-0.109189
[batch] 序列1: seq1 L=50 MRL=1.254144
[batch] 序列2: seq2 L=32 MRL=0.803762
[batch] 序列3: seq3 L=64 MRL=-0.871905
[batch] 序列4: seq4 L=100 MRL=0.483292

用例 037（C）— 批处理 8 条序列

python3 inference.py --mode batch --sequences UAGCUUAUCAGACUGAUGUUGA,GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC,CUAAUCUCUAACAUCA,AUCAGUGUAUGCUUCUUUGAAACUUGAGUUUG,GACUAAACCUGUCCGCUGAAACUGAGCGGGGUACUGCAGCCGAUGUAU,GGUCCAUAGCGAUCGUUCAAGAGGGAUAUCCCGCGAGGCGACGGUAAUGCCAGCAUGUUGUCUG,UGUCGGACAAUGUAGAUAUCCUAUACUCUGAGCGGCCGCCGCGUAGCGAAAGACUUUGAGCUUGCCUAACGGUUUACUUU,GCUAGCUGAGCCUCCGUCAGACAGAAUUGCCGUCGGUCCCACGAGUGUUCAAUCCGGGUACGGGUGUCUCGUGCUCAAGUUAUACAGACUCUCCUGCCAA --compact

输出：

[batch] batch=8 设备=npu:0 精度=float32 logits=(8, 1) MRL=['-0.109189', '1.254144', '0.776408', '0.803762', '-0.227817', '-0.871905', '-1.007995', '0.483292'] 耗时=0.002s
[batch] 序列0: seq0 L=22 MRL=-0.109189
[batch] 序列1: seq1 L=50 MRL=1.254144
[batch] 序列2: seq2 L=16 MRL=0.776408
[batch] 序列3: seq3 L=32 MRL=0.803762
[batch] 序列4: seq4 L=48 MRL=-0.227817
[batch] 序列5: seq5 L=64 MRL=-0.871905
[batch] 序列6: seq6 L=80 MRL=-1.007995
[batch] 序列7: seq7 L=100 MRL=0.483292

用例 038（C）— 批量处理 4 条不同长度序列（22/48/50/100）

python3 inference.py --mode batch --sequences UAGCUUAUCAGACUGAUGUUGA,GACUAAACCUGUCCGCUGAAACUGAGCGGGGUACUGCAGCCGAUGUAU,GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC,GCUAGCUGAGCCUCCGUCAGACAGAAUUGCCGUCGGUCCCACGAGUGUUCAAUCCGGGUACGGGUGUCUCGUGCUCAAGUUAUACAGACUCUCCUGCCAA --compact

输出：

[batch] batch=4 设备=npu:0 精度=float32 logits=(4, 1) MRL=['-0.109189', '-0.227817', '1.254144', '0.483292'] 耗时=0.001s
[batch] 序列0: seq0 L=22 MRL=-0.109189
[batch] 序列1: seq1 L=48 MRL=-0.227817
[batch] 序列2: seq2 L=50 MRL=1.254144
[batch] 序列3: seq3 L=100 MRL=0.483292

用例 039（C）— 批处理 × 设备 npu:1

python3 inference.py --mode batch --sequences UAGCUUAUCAGACUGAUGUUGA,GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --device npu:1 --compact

输出：

[batch] batch=2 设备=npu:1 精度=float32 logits=(2, 1) MRL=['-0.109189', '1.254144'] 耗时=0.002s
[batch] 序列0: microRNA 21 L=22 MRL=-0.109189
[batch] 序列1: ref50 L=50 MRL=1.254144

用例 040（C）— 批处理 × 精度 bfloat16

python3 inference.py --mode batch --sequences UAGCUUAUCAGACUGAUGUUGA,GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --dtype bfloat16 --compact

输出：

[batch] batch=2 设备=npu:0 精度=bfloat16 logits=(2, 1) MRL=['-0.108887', '1.257812'] 耗时=0.002s
[batch] 序列0: microRNA 21 L=22 MRL=-0.108887
[batch] 序列1: ref50 L=50 MRL=1.257812

用例 041（C）— 批处理 × 精度 float16

python3 inference.py --mode batch --sequences UAGCUUAUCAGACUGAUGUUGA,GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --dtype float16 --compact

输出：

[batch] batch=2 设备=npu:0 精度=float16 logits=(2, 1) MRL=['-0.109131', '1.253906'] 耗时=0.002s
[batch] 序列0: microRNA 21 L=22 MRL=-0.109131
[batch] 序列1: ref50 L=50 MRL=1.253906

用例 042（D）— 参考→单碱基 A→U

python3 inference.py --mode variant --ref GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --alt GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGAUAGC --compact

输出：

[variant] 参考=GGGACAUAGCUAGCUAGCUA... MRL=1.254144 变异=GGGACAUAGCUAGCUAGCUA... MRL=1.263130 ΔMRL=+0.008986 位点=C46A 设备=npu:0 耗时=0.001s

用例 043（D）— 参考 → 单碱基，位置 1，A→C

python3 inference.py --mode variant --ref GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --alt CGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --compact

输出：

[variant] 参考=GGGACAUAGCUAGCUAGCUA... MRL=1.254144 变异=CGGACAUAGCUAGCUAGCUA... MRL=1.254517 ΔMRL=+0.000373 位点=G1C 设备=npu:0 耗时=0.001s

用例 044（D）— 参考→单碱基 第25位 G→A

python3 inference.py --mode variant --ref GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --alt GGGACAUAGCUAGCUAGCUAGCUAACUAGCUAGCUAGCUAGCUAGCUAGC --compact

输出：

[variant] 参考=GGGACAUAGCUAGCUAGCUA... MRL=1.254144 变异=GGGACAUAGCUAGCUAGCUA... MRL=1.260146 ΔMRL=+0.006002 位点=G25A 设备=npu:0 耗时=0.001s

用例 045（D）— 参考 → 单碱基，位置 50：C→U

python3 inference.py --mode variant --ref GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --alt GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGU --compact

输出：

[variant] 参考=GGGACAUAGCUAGCUAGCUA... MRL=1.254144 变异=GGGACAUAGCUAGCUAGCUA... MRL=1.294376 ΔMRL=+0.040232 位点=C50U 设备=npu:0 耗时=0.001s

用例 046（D）— 参考→双碱基 位点1&2

python3 inference.py --mode variant --ref GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --alt UCGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --compact

输出：

[variant] 参考=GGGACAUAGCUAGCUAGCUA... MRL=1.254144 变异=UCGACAUAGCUAGCUAGCUA... MRL=1.248113 ΔMRL=-0.006031 位点=G2C 设备=npu:0 耗时=0.001s

用例 047（D）— 参考→双碱基 位置25&26

python3 inference.py --mode variant --ref GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --alt GGGACAUAGCUAGCUAGCUAGCUAUCUAGCUAGCUAGCUAGCUAGCUAGC --compact

输出：

[variant] 参考=GGGACAUAGCUAGCUAGCUA... MRL=1.254144 变异=GGGACAUAGCUAGCUAGCUA... MRL=1.257336 ΔMRL=+0.003192 位点=G25U 设备=npu:0 耗时=0.001s

用例 048（D）— 参考→三联碱基 位置24-26

python3 inference.py --mode variant --ref GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --alt GGGACAUAGCUAGCUAGCUAGCUUGAUAGCUAGCUAGCUAGCUAGCUAGC --compact

输出：

[variant] 参考=GGGACAUAGCUAGCUAGCUA... MRL=1.254144 变异=GGGACAUAGCUAGCUAGCUA... MRL=1.233964 ΔMRL=-0.020180 位点=C26A 设备=npu:0 耗时=0.001s

用例 049（D）— 参考→UTR 末端 3 nt 替换

python3 inference.py --mode variant --ref GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --alt GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAUG --compact

输出：

[variant] 参考=GGGACAUAGCUAGCUAGCUA... MRL=1.254144 变异=GGGACAUAGCUAGCUAGCUA... MRL=1.384033 ΔMRL=+0.129889 位点=C50G 设备=npu:0 耗时=0.001s

用例 050（D）— 参考→UTR 5' 端 3nt 替换

python3 inference.py --mode variant --ref GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --alt CAGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --compact

输出：

[variant] 参考=GGGACAUAGCUAGCUAGCUA... MRL=1.254144 变异=CAGACAUAGCUAGCUAGCUA... MRL=1.272771 ΔMRL=+0.018627 位点=G2A 设备=npu:0 耗时=0.001s

用例 051（D）— 参考→删除 位置25

python3 inference.py --mode variant --ref GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --alt GGGACAUAGCUAGCUAGCUAGCUACUAGCUAGCUAGCUAGCUAGCUAGC --compact

输出：

[variant] 参考=GGGACAUAGCUAGCUAGCUA... MRL=1.254144 变异=GGGACAUAGCUAGCUAGCUA... MRL=1.198563 ΔMRL=-0.055580 位点=N/A 设备=npu:0 耗时=0.001s

用例 052（D）— 参考 → 在位置 25 插入 U

python3 inference.py --mode variant --ref GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --alt GGGACAUAGCUAGCUAGCUAGCUAGUCUAGCUAGCUAGCUAGCUAGCUAGC --compact

输出：

[variant] 参考=GGGACAUAGCUAGCUAGCUA... MRL=1.254144 变异=GGGACAUAGCUAGCUAGCUA... MRL=1.134567 ΔMRL=-0.119576 位点=N/A 设备=npu:0 耗时=0.001s

用例 053（D）— 参考序列→全序列 A→U 替换（短序列）

python3 inference.py --mode variant --ref UAGCUUAUCAGACUGAUGUUGA --alt UUGCUUUUCUGUCUGUUGUUGU --compact

输出：

[variant] 参考=UAGCUUAUCAGACUGAUGUU... MRL=-0.109189 变异=UUGCUUUUCUGUCUGUUGUU... MRL=1.112855 ΔMRL=+1.222045 位点=A22U 设备=npu:0 耗时=0.001s

用例 054（D）— microRNA 21 → 互补变异

python3 inference.py --mode variant --ref UAGCUUAUCAGACUGAUGUUGA --alt UUGCUUUUCUGUCUGUUGUUGU --compact

输出：

[variant] 参考=UAGCUUAUCAGACUGAUGUU... MRL=-0.109189 变异=UUGCUUUUCUGUCUGUUGUU... MRL=1.112855 ΔMRL=+1.222045 位点=A22U 设备=npu:0 耗时=0.001s

用例 055（D）— 参考→含 N 变异 位置 10

python3 inference.py --mode variant --ref GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --alt GGGACAUAGNUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --compact

输出：

[variant] 参考=GGGACAUAGCUAGCUAGCUA... MRL=1.254144 变异=GGGACAUAGNUAGCUAGCUA... MRL=1.250373 ΔMRL=-0.003771 位点=C10N 设备=npu:0 耗时=0.001s

用例 056（D）— 变异效应 × 设备 npu:1

python3 inference.py --mode variant --ref GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --alt GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGAUAGC --device npu:1 --compact

输出：

[variant] 参考=GGGACAUAGCUAGCUAGCUA... MRL=1.254144 变异=GGGACAUAGCUAGCUAGCUA... MRL=1.263130 ΔMRL=+0.008986 位点=C46A 设备=npu:1 耗时=0.001s

用例 057（D）— 变异效应 × bfloat16 精度

python3 inference.py --mode variant --ref GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --alt GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGAUAGC --dtype bfloat16 --compact

输出：

[variant] 参考=GGGACAUAGCUAGCUAGCUA... MRL=1.257812 变异=GGGACAUAGCUAGCUAGCUA... MRL=1.265625 ΔMRL=+0.007812 位点=C46A 设备=npu:0 耗时=0.001s

用例 058（E）— pooler_output microRNA 21

python3 inference.py --mode pooler --seq-name "microRNA 21" --sequence UAGCUUAUCAGACUGAUGUUGA --compact

输出：

[pooler] 名称=microRNA 21 长度=22 设备=npu:0 精度=float32 pooler_dim=40 耗时=0.001s
[pooler] 前8维: [0.0, 0.0, 0.0, 0.165016, 0.480091, 0.0, 0.0, 0.02055]
[pooler] 统计: min=0.000000 max=0.681726 mean=0.119085
[pooler] MRL(decoder): -0.109189

用例 059（E）— pooler_output 参考 50nt

python3 inference.py --mode pooler --seq-name "参考 50nt" --sequence GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --compact

输出：

[pooler] 名称=参考 50nt 长度=50 设备=npu:0 精度=float32 pooler_dim=40 耗时=0.001s
[pooler] 前8维: [0.0, 0.219238, 0.0, 0.085501, 1.839782, 0.020066, 0.0, 0.0]
[pooler] 统计: min=0.000000 max=3.574111 mean=0.324593
[pooler] MRL(decoder): 1.254144

用例 060（E）— pooler_output 合成 syn48

python3 inference.py --mode pooler --seq-name "合成 syn48" --sequence GACUAAACCUGUCCGCUGAAACUGAGCGGGGUACUGCAGCCGAUGUAU --compact

输出：

[pooler] 名称=合成 syn48 长度=48 设备=npu:0 精度=float32 pooler_dim=40 耗时=0.001s
[pooler] 前8维: [0.0, 0.320115, 0.0, 0.377636, 0.0, 0.0, 0.0, 0.134791]
[pooler] 统计: min=0.000000 max=0.436301 mean=0.096577
[pooler] MRL(decoder): -0.227817

用例 061（E）— pooler_output × bfloat16 精度

python3 inference.py --mode pooler --sequence UAGCUUAUCAGACUGAUGUUGA --dtype bfloat16 --compact

输出：

[pooler] 名称=microRNA 21 长度=22 设备=npu:0 精度=bfloat16 pooler_dim=40 耗时=0.001s
[pooler] 前8维: [0.0, 0.0, 0.0, 0.164062, 0.480469, 0.0, 0.0, 0.019897]
[pooler] 统计: min=0.000000 max=0.683594 mean=0.119044
[pooler] MRL(decoder): -0.108887

用例 062（E）— pooler_output × 设备 npu:1

python3 inference.py --mode pooler --sequence UAGCUUAUCAGACUGAUGUUGA --device npu:1 --compact

输出：

[pooler] 名称=microRNA 21 长度=22 设备=npu:1 精度=float32 pooler_dim=40 耗时=0.001s
[pooler] 前8维: [0.0, 0.0, 0.0, 0.165016, 0.480091, 0.0, 0.0, 0.02055]
[pooler] 统计: min=0.000000 max=0.681726 mean=0.119085
[pooler] MRL(decoder): -0.109189

用例 063（E）— pooler_output 合成 syn100（超长截断）

python3 inference.py --mode pooler --sequence GCUAGCUGAGCCUCCGUCAGACAGAAUUGCCGUCGGUCCCACGAGUGUUCAAUCCGGGUACGGGUGUCUCGUGCUCAAGUUAUACAGACUCUCCUGCCAA --seq-name syn100 --compact

输出：

[pooler] 名称=syn100 长度=100 设备=npu:0 精度=float32 pooler_dim=40 耗时=0.001s
[pooler] 前8维: [0.0, 0.470241, 0.0, 0.0, 0.618496, 0.0, 0.0, 0.0]
[pooler] 统计: min=0.000000 max=0.877107 mean=0.161018
[pooler] MRL(decoder): 0.483292

用例 064（F）— 默认长度扫描（以50nt参考序列为基准）

python3 inference.py --mode padding --compact

输出：

[padding] 设备=npu:0 精度=float32 有效长度/处理: 原始(50nt):L=50 | 截短(前30nt):L=30(pad至50) | 超长(150nt):L=50(截断) | 含N:L=50 | 含T:L=50 | 小写:L=50 | 非法字符:L=5(pad至50) | 全N:L=50
[padding] 原始(50nt)=1.254144 | 截短(前30nt)=0.985650 | 超长(150nt)=1.254144 | 含N=1.241821 | 含T=1.254144 | 小写=1.254144 | 非法字符=0.815843 | 全N=0.793978

用例 065（F）— 短序列 10nt 右侧补零

python3 inference.py --mode padding --sequence GGGACAUAGC --compact

输出：

[padding] 设备=npu:0 精度=float32 有效长度/处理: 原始(50nt):L=10(pad至50) | 截短(前30nt):L=10(pad至50) | 超长(150nt):L=30(pad至50) | 含N:L=10(pad至50) | 含T:L=10(pad至50) | 小写:L=10(pad至50) | 非法字符:L=5(pad至50) | 全N:L=50
[padding] 原始(50nt)=0.808050 | 截短(前30nt)=0.808050 | 超长(150nt)=0.695457 | 含N=0.790020 | 含T=0.808050 | 小写=0.808050 | 非法字符=0.815843 | 全N=0.793978

用例 066（F）— 短序列 30nt 右侧补零

python3 inference.py --mode padding --sequence GGGACAUAGCUAGCUAGCUAGCUAGCUAGC --compact

输出：

[padding] 设备=npu:0 精度=float32 有效长度/处理: 原始(50nt):L=30(pad至50) | 截短(前30nt):L=30(pad至50) | 超长(150nt):L=50(截断) | 含N:L=30(pad至50) | 含T:L=30(pad至50) | 小写:L=30(pad至50) | 非法字符:L=5(pad至50) | 全N:L=50
[padding] 原始(50nt)=0.985650 | 截短(前30nt)=0.985650 | 超长(150nt)=1.033737 | 含N=0.972528 | 含T=0.985650 | 小写=0.985650 | 非法字符=0.815843 | 全N=0.793978

用例 067（F）— 超长 150 nt 序列截断至前 50

python3 inference.py --mode padding --sequence GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCGGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCGGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --compact

输出：

[padding] 设备=npu:0 精度=float32 有效长度/处理: 原始(50nt):L=50(截断) | 截短(前30nt):L=30(pad至50) | 超长(150nt):L=50(截断) | 含N:L=50(截断) | 含T:L=50(截断) | 小写:L=50(截断) | 非法字符:L=5(pad至50) | 全N:L=50
[padding] 原始(50nt)=1.254144 | 截短(前30nt)=0.985650 | 超长(150nt)=1.254144 | 含N=1.241821 | 含T=1.254144 | 小写=1.254144 | 非法字符=0.815843 | 全N=0.793978

用例 068（F）— 含 N 碱基

python3 inference.py --mode padding --sequence GGGACNUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --compact

输出：

[padding] 设备=npu:0 精度=float32 有效长度/处理: 原始(50nt):L=50 | 截短(前30nt):L=30(pad至50) | 超长(150nt):L=50(截断) | 含N:L=50 | 含T:L=50 | 小写:L=50 | 非法字符:L=5(pad至50) | 全N:L=50
[padding] 原始(50nt)=1.241821 | 截短(前30nt)=0.972528 | 超长(150nt)=1.241821 | 含N=1.241821 | 含T=1.241821 | 小写=1.241821 | 非法字符=0.815843 | 全N=0.793978

用例 069（F）— 含 T（T→U 替换）

python3 inference.py --mode padding --sequence GGGACATAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGCTAGC --compact

输出：

[padding] 设备=npu:0 精度=float32 有效长度/处理: 原始(50nt):L=50 | 截短(前30nt):L=30(pad至50) | 超长(150nt):L=50(截断) | 含N:L=50 | 含T:L=50 | 小写:L=50 | 非法字符:L=5(pad至50) | 全N:L=50
[padding] 原始(50nt)=1.254144 | 截短(前30nt)=0.985650 | 超长(150nt)=1.254144 | 含N=1.241821 | 含T=1.254144 | 小写=1.254144 | 非法字符=0.815843 | 全N=0.793978

用例 070（F）— 小写输入（大小写不敏感）

python3 inference.py --mode padding --sequence gggacauagcuagcuagcuagcuagcuagcuagcuagcuagcuagcuagc --compact

输出：

[padding] 设备=npu:0 精度=float32 有效长度/处理: 原始(50nt):L=50 | 截短(前30nt):L=30(pad至50) | 超长(150nt):L=50(截断) | 含N:L=50 | 含T:L=50 | 小写:L=50 | 非法字符:L=5(pad至50) | 全N:L=50
[padding] 原始(50nt)=1.254144 | 截短(前30nt)=0.985650 | 超长(150nt)=1.254144 | 含N=1.241821 | 含T=1.254144 | 小写=1.254144 | 非法字符=0.815843 | 全N=0.793978

用例 071（F）— 非法字符 '-' → N

python3 inference.py --mode padding --sequence ACGU- --compact

输出：

[padding] 设备=npu:0 精度=float32 有效长度/处理: 原始(50nt):L=5(pad至50) | 截短(前30nt):L=5(pad至50) | 超长(150nt):L=15(pad至50) | 含N:L=6(pad至50) | 含T:L=5(pad至50) | 小写:L=5(pad至50) | 非法字符:L=5(pad至50) | 全N:L=50
[padding] 原始(50nt)=0.815843 | 截短(前30nt)=0.815843 | 超长(150nt)=0.799498 | 含N=0.815843 | 含T=0.815843 | 小写=0.815843 | 非法字符=0.815843 | 全N=0.793978

测试用例 072（F）— 全 N 序列

python3 inference.py --mode padding --sequence NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN --compact

输出：

[padding] 设备=npu:0 精度=float32 有效长度/处理: 原始(50nt):L=50 | 截短(前30nt):L=30(pad至50) | 超长(150nt):L=50(截断) | 含N:L=50 | 含T:L=50 | 小写:L=50 | 非法字符:L=5(pad至50) | 全N:L=50
[padding] 原始(50nt)=0.793978 | 截短(前30nt)=0.793978 | 超长(150nt)=0.793978 | 含N=0.793978 | 含T=0.793978 | 小写=0.793978 | 非法字符=0.815843 | 全N=0.793978

用例 073（F）— poly-A 50nt

python3 inference.py --mode padding --sequence AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAA --compact

输出：

[padding] 设备=npu:0 精度=float32 有效长度/处理: 原始(50nt):L=50 | 截短(前30nt):L=30(pad至50) | 超长(150nt):L=50(截断) | 含N:L=50 | 含T:L=50 | 小写:L=50 | 非法字符:L=5(pad至50) | 全N:L=50
[padding] 原始(50nt)=1.196788 | 截短(前30nt)=0.862899 | 超长(150nt)=1.196788 | 含N=1.193119 | 含T=1.196788 | 小写=1.196788 | 非法字符=0.815843 | 全N=0.793978

用例 074（G）— 精度对比 microRNA 21

python3 inference.py --mode dtype --seq-name "microRNA 21" --sequence UAGCUUAUCAGACUGAUGUUGA --compact

输出：

[dtype] 序列=microRNA 21 长度=22 设备=npu:0 float32:-0.109189 | bfloat16:-0.108887 | float16:-0.109131

用例 075（G）— 精度对比，参考 50nt

python3 inference.py --mode dtype --seq-name "参考 50nt" --sequence GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --compact

输出：

[dtype] 序列=参考 50nt 长度=50 设备=npu:0 float32:1.254144 | bfloat16:1.257812 | float16:1.253906

用例 076（G）— 变异序列精度对比

python3 inference.py --mode dtype --seq-name "变异序列" --sequence GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGAUAGC --compact

输出：

[dtype] 序列=变异序列 长度=50 设备=npu:0 float32:1.263130 | bfloat16:1.265625 | float16:1.262695

用例 077（G）— 精度对比 syn16

python3 inference.py --mode dtype --seq-name "syn16" --sequence CUAAUCUCUAACAUCA --compact

输出：

[dtype] 序列=syn16 长度=16 设备=npu:0 float32:0.776408 | bfloat16:0.777344 | float16:0.776367

用例 078（G）— poly-A 精度对比

python3 inference.py --mode dtype --seq-name "poly-A" --sequence AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAA --compact

输出：

[dtype] 序列=poly-A 长度=50 设备=npu:0 float32:1.196788 | bfloat16:1.195312 | float16:1.196289

用例 079（G）— 精度对比：全 N

python3 inference.py --mode dtype --seq-name "全 N" --sequence NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN --compact

输出：

[dtype] 序列=全 N 长度=50 设备=npu:0 float32:0.793978 | bfloat16:0.792969 | float16:0.793945

用例 080（H）— NPU 与 CPU 一致性 microRNA 21

python3 inference.py --mode compare --seq-name "microRNA 21" --sequence UAGCUUAUCAGACUGAUGUUGA --compact

输出：

[compare] 序列=microRNA 21 长度=22 NPU_MRL=-0.109189 CPU_MRL=-0.109167 abs_diff=2.25e-05 一致=True

用例 081（H）— NPU 与 CPU 一致性 参考 50nt

python3 inference.py --mode compare --seq-name "参考 50nt" --sequence GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --compact

输出：

[compare] 序列=参考 50nt 长度=50 NPU_MRL=1.254144 CPU_MRL=1.254153 abs_diff=9.54e-06 一致=True

用例 082（H）— NPU 与 CPU 一致性 microRNA 146a

python3 inference.py --mode compare --seq-name "microRNA 146a" --sequence UGAGAACUGAAUUCCAUGGGUU --compact

输出：

[compare] 序列=microRNA 146a 长度=22 NPU_MRL=-0.099806 CPU_MRL=-0.099844 abs_diff=3.74e-05 一致=True

用例 083（H）— NPU 与 CPU 一致性 syn64

python3 inference.py --mode compare --seq-name "syn64" --sequence GGUCCAUAGCGAUCGUUCAAGAGGGAUAUCCCGCGAGGCGACGGUAAUGCCAGCAUGUUGUCUG --compact

输出：

[compare] 序列=syn64 长度=64 NPU_MRL=-0.871905 CPU_MRL=-0.871921 abs_diff=1.67e-05 一致=True

用例 084（H）— NPU 与 CPU 一致性：全 N

python3 inference.py --mode compare --seq-name "全 N" --sequence NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN --compact

输出：

[compare] 序列=全 N 长度=50 NPU_MRL=0.793978 CPU_MRL=0.793976 abs_diff=1.37e-06 一致=True

用例 085（H）— NPU 与 CPU 一致性：microRNA 155

python3 inference.py --mode compare --seq-name "microRNA 155" --sequence UUAAUGCUAAUCGUGAUAGGGGUU --compact

输出：

[compare] 序列=microRNA 155 长度=24 NPU_MRL=0.121052 CPU_MRL=0.121068 abs_diff=1.67e-05 一致=True

用例 086（I）— 基准长度 [16,32,50,64,96,128,256] batch=1

python3 inference.py --mode benchmark --compact --batch 1

输出：

[benchmark] batch=1 设备=npu:0 精度=float32
[benchmark] 长度=  16 耗时=0.0008s 吞吐=1180.8seq/s MRL=0.771903
[benchmark] 长度=  32 耗时=0.0008s 吞吐=1207.7seq/s MRL=-0.195681
[benchmark] 长度=  50 耗时=0.0008s 吞吐=1298.1seq/s MRL=-0.207370
[benchmark] 长度=  64 耗时=0.0008s 吞吐=1238.7seq/s MRL=-0.207370
[benchmark] 长度=  96 耗时=0.0011s 吞吐=929.8seq/s MRL=-0.207370
[benchmark] 长度= 128 耗时=0.0011s 吞吐=934.1seq/s MRL=-0.207370
[benchmark] 长度= 256 耗时=0.0010s 吞吐=986.4seq/s MRL=-0.207370

用例 087（I）— 基准：长度[50,100,200,300,400,500]，batch=1

python3 inference.py --mode benchmark --compact --lengths 50 100 200 300 400 500 --batch 1

输出：

[benchmark] batch=1 设备=npu:0 精度=float32
[benchmark] 长度=  50 耗时=0.0008s 吞吐=1320.6seq/s MRL=-0.207370
[benchmark] 长度= 100 耗时=0.0008s 吞吐=1330.7seq/s MRL=-0.207370
[benchmark] 长度= 200 耗时=0.0007s 吞吐=1341.7seq/s MRL=-0.207370
[benchmark] 长度= 300 耗时=0.0007s 吞吐=1339.2seq/s MRL=-0.207370
[benchmark] 长度= 400 耗时=0.0010s 吞吐=1034.9seq/s MRL=-0.207370
[benchmark] 长度= 500 耗时=0.0010s 吞吐=993.9seq/s MRL=-0.207370

用例 088（I）— 基准 长度[16,50,128] batch=4

python3 inference.py --mode benchmark --compact --lengths 16 50 128 --batch 4

输出：

[benchmark] batch=4 设备=npu:0 精度=float32
[benchmark] 长度=  16 耗时=0.0010s 吞吐=4004.1seq/s MRL=0.771903
[benchmark] 长度=  50 耗时=0.0007s 吞吐=5406.8seq/s MRL=-0.207370
[benchmark] 长度= 128 耗时=0.0010s 吞吐=3999.3seq/s MRL=-0.207370

用例 089（I）— 基准 长度[16,50,128] batch=8

python3 inference.py --mode benchmark --compact --lengths 16 50 128 --batch 8

输出：

[benchmark] batch=8 设备=npu:0 精度=float32
[benchmark] 长度=  16 耗时=0.0010s 吞吐=8202.0seq/s MRL=0.771903
[benchmark] 长度=  50 耗时=0.0008s 吞吐=10295.9seq/s MRL=-0.207370
[benchmark] 长度= 128 耗时=0.0010s 吞吐=8085.4seq/s MRL=-0.207370

用例 090（I）— 基准长度[16,50,128] batch=16

python3 inference.py --mode benchmark --compact --lengths 16 50 128 --batch 16

输出：

[benchmark] batch=16 设备=npu:0 精度=float32
[benchmark] 长度=  16 耗时=0.0010s 吞吐=16324.2seq/s MRL=0.771903
[benchmark] 长度=  50 耗时=0.0007s 吞吐=21725.1seq/s MRL=-0.207370
[benchmark] 长度= 128 耗时=0.0010s 吞吐=16652.3seq/s MRL=-0.207370

用例 091（I）— 基准：长度[16,50,128]，batch=32

python3 inference.py --mode benchmark --compact --lengths 16 50 128 --batch 32

输出：

[benchmark] batch=32 设备=npu:0 精度=float32
[benchmark] 长度=  16 耗时=0.0010s 吞吐=32680.2seq/s MRL=0.771903
[benchmark] 长度=  50 耗时=0.0008s 吞吐=39839.0seq/s MRL=-0.207370
[benchmark] 长度= 128 耗时=0.0010s 吞吐=32752.0seq/s MRL=-0.207370

用例 092（I）— 基准长度 [16,50,128] batch=64

python3 inference.py --mode benchmark --compact --lengths 16 50 128 --batch 64

输出：

[benchmark] batch=64 设备=npu:0 精度=float32
[benchmark] 长度=  16 耗时=0.0010s 吞吐=65233.4seq/s MRL=0.771903
[benchmark] 长度=  50 耗时=0.0007s 吞吐=87466.8seq/s MRL=-0.207370
[benchmark] 长度= 128 耗时=0.0010s 吞吐=66428.0seq/s MRL=-0.207370

用例 093（I）— 基准长度[16,50,128] batch=128

python3 inference.py --mode benchmark --compact --lengths 16 50 128 --batch 128

输出：

[benchmark] batch=128 设备=npu:0 精度=float32
[benchmark] 长度=  16 耗时=0.0010s 吞吐=124419.7seq/s MRL=0.771903
[benchmark] 长度=  50 耗时=0.0008s 吞吐=165598.7seq/s MRL=-0.207370
[benchmark] 长度= 128 耗时=0.0010s 吞吐=126114.8seq/s MRL=-0.207370

用例 094（J）— MSE 损失 自洽标签（loss≈0）

python3 inference.py --mode loss --labels self --seed 7 --compact

输出：

[loss] 序列=sequence 长度=22 标签=-0.1092 MSE_loss=0.000000 设备=npu:0

用例 095（J）— MSE 损失 随机标签 seed=7

python3 inference.py --mode loss --labels random --seed 7 --compact

输出：

[loss] 序列=sequence 长度=22 标签=-0.2936 MSE_loss=0.034004 设备=npu:0

用例 096（J）— MSE 损失：随机标签，seed=42

python3 inference.py --mode loss --labels random --seed 42 --compact

输出：

[loss] 序列=sequence 长度=22 标签=0.6734 MSE_loss=0.612416 设备=npu:0

用例 097（J）— MSE 损失 随机标签 seed=0

python3 inference.py --mode loss --labels random --seed 0 --compact

输出：

[loss] 序列=sequence 长度=22 标签=3.0820 MSE_loss=10.183639 设备=npu:0

用例 098（J）— MSE 损失 × 精度 bfloat16

python3 inference.py --mode loss --labels random --seed 7 --dtype bfloat16 --compact

输出：

[loss] 序列=sequence 长度=22 标签=-0.2936 MSE_loss=0.034115 设备=npu:0

用例 099（J）— MSE 损失 × 设备 npu:1

python3 inference.py --mode loss --labels random --seed 7 --device npu:1 --compact

输出：

[loss] 序列=sequence 长度=22 标签=-0.2936 MSE_loss=0.034004 设备=npu:1

用例 100（K）— 设备对比 microRNA 21（float32）

python3 inference.py --mode device --seq-name "microRNA 21" --sequence UAGCUUAUCAGACUGAUGUUGA --dtype float32 --compact

输出：

[device] 序列=microRNA 21 长度=22 精度=float32 npu:0:-0.109189 | npu:1:-0.109189 | cpu:-0.109167

用例 101（K）— 设备对比 microRNA 146a（float32）

python3 inference.py --mode device --seq-name "microRNA 146a" --sequence UGAGAACUGAAUUCCAUGGGUU --dtype float32 --compact

输出：

[device] 序列=microRNA 146a 长度=22 精度=float32 npu:0:-0.099806 | npu:1:-0.099806 | cpu:-0.099844

用例 102（K）— 设备对比，参考 50nt（float32）

python3 inference.py --mode device --seq-name "参考 50nt" --sequence GGGACAUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGCUAGC --dtype float32 --compact

输出：

[device] 序列=参考 50nt 长度=50 精度=float32 npu:0:1.254144 | npu:1:1.254144 | cpu:1.254153

用例 103（K）— 设备对比 microRNA 21（bfloat16）

python3 inference.py --mode device --seq-name "microRNA 21" --sequence UAGCUUAUCAGACUGAUGUUGA --dtype bfloat16 --compact

输出：

[device] 序列=microRNA 21 长度=22 精度=bfloat16 npu:0:-0.108887 | npu:1:-0.108887 | cpu:-0.111328

用例 104（L）— syn16 全A

python3 inference.py --mode predict --seq-name "syn16 全A" --sequence AAAAAAAAAAAAAAAA --compact

输出：

[predict] 名称=syn16 全A 序列=AAAAAAAAAAAAAAAA 长度=16 设备=npu:0 精度=float32 MRL=0.789875 耗时=0.001s

用例 105（L）— syn32 全 C

python3 inference.py --mode predict --seq-name "syn32 全C" --sequence CCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCC --compact

输出：

[predict] 名称=syn32 全C 序列=CCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCC 长度=32 设备=npu:0 精度=float32 MRL=-0.924778 耗时=0.001s

用例 106（L）— syn48 全G

python3 inference.py --mode predict --seq-name "syn48 全G" --sequence GGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGG --compact

输出：

[predict] 名称=syn48 全G 序列=GGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGG 长度=48 设备=npu:0 精度=float32 MRL=-1.796666 耗时=0.001s

用例 107（L）— syn50 全U

python3 inference.py --mode predict --seq-name "syn50 全U" --sequence UUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUU --compact

输出：

[predict] 名称=syn50 全U 序列=UUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUU 长度=50 设备=npu:0 精度=float32 MRL=0.753313 耗时=0.001s

用例 108（L）— syn64 混合（ACGU交替）

python3 inference.py --mode predict --seq-name "syn64 混合（ACGU交替）" --sequence ACGUACGUACGUACGUACGUACGUACGUACGUACGUACGUACGUACGUACGUACGUACGUACGU --compact

输出：

[predict] 名称=syn64 混合（ACGU交替） 序列=ACGUACGUACGUACGUACGUACGUACGUACGUACGUACGUACGUACGUACGUACGUACGUACGU 长度=64 设备=npu:0 精度=float32 MRL=0.465604 耗时=0.001s

用例 109（L）— syn100 混合（ACGU随机 seed=9）

python3 inference.py --mode predict --seq-name "syn100 混合（ACGU随机 seed=9）" --sequence GAGCGAUGCCGAUAGCACUCCAAAGUAGACGGAAAGGACAUUCUGUCAACUACUGCCCAGGUGGAACUAGAGAAAUCAAUGAAUAACGCUAUCUUGUAAG --compact

输出：

[predict] 名称=syn100 混合（ACGU随机 seed=9） 序列=GAGCGAUGCCGAUAGCACUCCAAAGUAGACGGAAAGGACAUUCUGUCAACUACUGCCCAGGUGGAACUAGAGAAAUCAAUGAAUAACGCUAUCUUGUAAG 长度=100 设备=npu:0 精度=float32 MRL=0.641617 耗时=0.001s

用例 110（L）— syn200 长序列

python3 inference.py --mode predict --seq-name "syn200 长序列" --sequence CCAUACUACCACCGACAGAGAUAAUUGAUGGCAAGCUGCCCUCGCAGGGCACUCAUGCCGUGAUAGACUGAGUAUCGUUACAGAAACAUAAGAGGAUCAUCGGCGGUAAAAGGCCUAAGCCUCGCACCCAGUUCAAGAGUUUCGCCGAGCACCACGAGGCCAAAUCCAAAGGGAGUGUUUGGGCGUACCCUCUGCUCCUU --compact

输出：

[predict] 名称=syn200 长序列 序列=CCAUACUACCACCGACAGAGAUAAUUGAUGGCAAGCUGCCCUCGCAGGGCACUCAUGCCGUGAUAGACUGAGUAUCGUUACAGAAACAUAAGAGGAUCAUCGGCGGUAAAAGGCCUAAGCCUCGCACCCAGUUCAAGAGUUUCGCCGAGCACCACGAGGCCAAAUCCAAAGGGAGUGUUUGGGCGUACCCUCUGCUCCUU 长度=200 设备=npu:0 精度=float32 MRL=-0.868362 耗时=0.001s

用例 111（L）— 5'UTR 极短 5nt

python3 inference.py --mode predict --seq-name "5'UTR 极短 5nt" --sequence AUGGC --compact

输出：

[predict] 名称=5'UTR 极短 5nt 序列=AUGGC 长度=5 设备=npu:0 精度=float32 MRL=-1.055593 耗时=0.001s

用例 112（L）— 仅 N 1nt

python3 inference.py --mode predict --seq-name "仅 N 1nt" --sequence N --compact

输出：

[predict] 名称=仅 N 1nt 序列=N 长度=1 设备=npu:0 精度=float32 MRL=0.793978 耗时=0.001s

用例 113（L）— 空输入（映射为长度 0 → 全部填充）

python3 inference.py --mode predict --seq-name "空输入（映射为 0 长度→全填充）" --sequence  --compact

输出：

[predict] 名称=空输入（映射为 0 长度→全填充） 序列= 长度=0 设备=npu:0 精度=float32 MRL=0.793978 耗时=0.003s

用例 114（L）— poly-UC 重复

python3 inference.py --mode predict --seq-name "poly-UC 重复" --sequence UCUCUCUCUCUCUCUCUCUCUCUCUCUCUCUCUCUCUCUCUCUCUCUCUC --compact

输出：

[predict] 名称=poly-UC 重复 序列=UCUCUCUCUCUCUCUCUCUCUCUCUCUCUCUCUCUCUCUCUCUCUCUCUC 长度=50 设备=npu:0 精度=float32 MRL=0.960877 耗时=0.001s

10. 关键实现说明

  • 模型移植：Optimus 5-Prime 依赖 transformers v5（multimolecule 0.2.1 基于 transformers 5.9.0 构建），而昇腾 NPU 预装环境为 transformers 4.57.6。本项目将 modeling_optimus5prime.py / configuration_optimus5prime.py 移植为独立文件 optimus5prime_model.py：移除 @merge_with_config_defaults / @capture_outputs / @can_return_tuple 等 v5 专用装饰器、danling.NestedTensor 与 chanfig.FlatDict 依赖，并将 transformers.initialization 替换为 torch.nn.init，使其在 transformers 4.57.6 下可直接加载权重（键名 model.encoder.* / sequence_head.* 与结构一一对应，load_state_dict 零缺失）。
  • NPU 部署：通过 torch_npu 的 .to("npu:0") / .to("npu:1")，将模型精确部署到指定 Ascend 910B 卡（.npu() 仅移动到默认卡 npu:0，跨卡需使用 .to(device)）。
  • one-hot 输入：RnaTokenizer（streamline 字母表 ACGUN）采用兼容编码，A/C/G/U → 通道 0–3，N/非法字符 → 通道 4（该通道卷积权重为 0，等价于全零通道）；T 映射为 U，输入统一大写化，未知字符映射为 N。
  • 固定窗口：短序列右侧补零至 50 nt，长序列截断为前 50 nt；批处理内的不定长序列右侧补 N，并用 attention_mask 将补位区域置零，与单序列推理语义一致。
  • Keras Flatten 顺序：卷积输出 (B, 120, 50) 需先转置为 (B, 50, 120)，再展平为 (B, 6000)，与上游 checkpoint 的 dense 权重（[40, 6000]）元素顺序保持一致，否则结果错误。
  • 引擎选型：Optimus 5-Prime 为非自回归回归模型（无 attention、无 token 生成），vLLM-Ascend / sglang 无法托管，因此采用 torch_npu 推理引擎完成 NPU 前向。

11. 参考资料

  • Optimus 5-Prime 论文（Nature Biotechnology 2019）
  • multimolecule/optimus5prime（HuggingFace 模型卡）
  • MultiMolecule（Optimus 5-Prime 官方实现）
  • pjsample/human_5utr_modeling（原始仓库）
  • GSE114002（原始数据）
  • 昇腾 CANN / torch_npu 文档

贡献者: zzstudio | 赛道: 模型适配赛道