如何用Enformer快速预测基因组覆盖轨迹？5分钟上手教程

如何用Enformer快速预测基因组覆盖轨迹？5分钟上手教程

【免费下载链接】enformer项目地址: https://ai.gitcode.com/hf_mirrors/multimolecule/enformer

Enformer是一款基于Transformer的深度学习模型，专为从长DNA序列中预测基因组覆盖轨迹而设计，能够有效整合长程相互作用，为生物学研究提供强大支持。

🧬 Enformer核心功能解析

Enformer作为Basenji的继任者，采用了卷积茎干加Transformer主体的创新架构，能够处理约197kb的长DNA窗口，通过128倍下采样后，使用11个Transformer块进行处理，最终生成896个输出bin，每个bin代表128bp的序列信息。这种设计使其能够出色地捕捉基因组中的长程相互作用，为基因组覆盖轨迹预测提供高精度结果。

主要技术参数

• 输入长度：196608 bp
• 输出bin大小：128 bp
• 输出bin数量：896个
• 隐藏层大小：1536
• Transformer层数：11层
• 注意力头数：8个
• 人类基因组预测轨道数：5313个

⚡ 快速开始：5分钟安装指南

要使用Enformer模型，首先需要安装multimolecule库。打开终端，执行以下命令：

pip install multimolecule

如果需要从源码安装，可以克隆仓库：

git clone https://gitcode.com/hf_mirrors/multimolecule/enformer cd enformer pip install .

🔬 简单预测示例：基因组覆盖轨迹预测

以下是一个使用Enformer进行基因组覆盖轨迹预测的简单示例，只需几行代码即可完成：

import torch from multimolecule import DnaTokenizer, EnformerConfig, EnformerForTokenPrediction # 加载模型配置 config = EnformerConfig.from_pretrained('.') # 初始化模型 model = EnformerForTokenPrediction.from_pretrained('.') # 创建随机DNA序列输入（196608 bp） input_sequence = torch.randint(config.vocab_size, (1, config.sequence_length)) # 进行预测 output = model(input_sequence) # 后处理得到覆盖轨迹 coverage, channels = model.postprocess(output) # 输出结果形状：(batch_size, target_length, num_tracks) print(coverage.shape) # torch.Size([1, 896, 5313])

📊 模型输入输出说明

输入要求

• 序列长度：固定为196608 bp的DNA窗口
• 序列类型：支持DNA序列，包含A、T、C、G四种碱基，未知碱基用N表示

输出说明

• 原始输出：形状为(batch_size, target_length, num_tracks)的logits
• 后处理输出：通过postprocess方法可得到非负的覆盖轨迹
• 物种选择：可通过配置文件中的species参数选择人类（5313个轨道）或小鼠（1643个轨道）模型

📚 进阶使用：自定义配置

Enformer允许用户根据需求自定义模型配置，例如调整隐藏层大小、注意力头数等参数：

config = EnformerConfig( sequence_length=196608, hidden_size=1536, num_hidden_layers=11, num_attention_heads=8, species="human" # 选择人类基因组模型 ) model = EnformerForTokenPrediction(config)

🤝 引用与致谢

如果Enformer对您的研究有所帮助，请引用以下文献：

@article{avsec2021effective, author = {Avsec, {\v{Z}}iga and Agarwal, Vikram and Visentin, Daniel and Ledsam, Joseph R. and Grabska-Barwinska, Agnieszka and Taylor, Kyle R. and Assael, Yannis and Jumper, John and Kohli, Pushmeet and Kelley, David R.}, title = {Effective gene expression prediction from sequence by integrating long-range interactions}, journal = {Nature Methods}, year = 2021, volume = 18, number = 10, pages = {1196--1203}, doi = {10.1038/s41592-021-01252-x} }

本模型实现基于MultiMolecule项目，相关配置文件可参考config.json，分词器配置可参考tokenizer_config.json。

❓ 常见问题

Q: 模型支持哪些物种的基因组预测？

A: 目前支持人类（5313个轨道）和小鼠（1643个轨道），可通过配置文件中的species参数进行切换。

Q: 输入序列长度是否可以调整？

A: 模型默认输入长度为196608 bp，这是经过优化的最佳长度，不建议随意调整。

Q: 如何处理不同长度的DNA序列？

A: 对于短序列，可以使用N碱基进行填充；对于长序列，需要分割成多个196608 bp的窗口进行预测。

通过以上步骤，您已经掌握了Enformer的基本使用方法。如需更详细的技术文档，请参考项目中的相关资料。

【免费下载链接】enformer项目地址: https://ai.gitcode.com/hf_mirrors/multimolecule/enformer