Skip to content
Other

UniVI-PBMC-Multiome

мультимодальная интеграция single-cell RNA и ATAC

3 min readupdated

Эта модель объединяет данные транскриптомики (RNA) и доступности хроматина (ATAC) одиночных клеток в общее латентное пространство размером 30. Чекпоинт обучен автором ashford-andrew на 9631 парной клетке из набора 10x PBMC Multiome в рамках фреймворка UniVI, использующего архитектуру MoE β-VAE (смесь экспертов на базе вариационного автоэнкодера без учителя). На выходе получаются объединённые латентные представления клеток для переноса аннотаций типов клеток и кросс-модального поиска, а также реконструкции признаков: лог-нормализованной экспрессии генов и вероятностей доступности пиков ATAC. В отличие от оригинального чекпоинта из научной публикации, это заново обученный референсный релиз с полной воспроизводимостью, тремя сидами и готовыми конфигами препроцессинга. Инструмент пригодится биоинформатикам, работающим с мультиомными single-cell данными в формате AnnData.

Ключевые особенности

  • Две модальности в одном пространстве: энкодеры размерности [512, 256, 128] и декодеры [128, 256, 512] с латентным пространством 30 объединяют RNA (Gaussian-декодер) и бинарную доступность ATAC (Bernoulli-декодер).
  • Обучение без учителя: разметка типов клеток не используется для супервизии VAE; выбор признаков (RNA HVG и частые пики ATAC) проводится строго на тренировочной выборке.
  • Полная воспроизводимость: в репозиторий включены все 3 сида обучения, скрипт load_example.py, готовые латентные координаты reference_latents.npz и файл preprocessing.json без необходимости использовать небезопасный pickle.
  • Интерактивный просмотрщик: для визуального изучения проекций UMAP доступен предрасчитанный Space UniVI-Multiome-explorer на Hugging Face.

Что можно сделать

  • Картировать новые клетки на референс: загрузить свои данные в формате AnnData (с неотрицательными целочисленными каунтами и нужным набором генов/пиков) и перенести метки типов клеток с помощью 15-NN по reference_latents.npz.
  • Воспроизвести или адаптировать пайплайн: использовать training_config.json и скрипты из папки reproduction/ для полного цикла подготовки данных, обучения и оценки на собственных мультиомных датасетах.
  • Сравнить методы интеграции: использовать готовые матрицы ошибок и метрики из evaluation/metrics.csv как прозрачный бейзлайн для оценки новых алгоритмов выравнивания модальностей.

Пример

Для инференса и маппинга новых запросов на референс используется формат AnnData с обязательным наличием всех генов и пиков, зафиксированных в preprocessing.json (отсутствующие признаки отклоняются), а также скрипт load_example.py. На отложенной тестовой выборке (10% от 9631 клеток PBMC) модель показывает точность переноса типов клеток по объединённым латентным координатам Fused query macro-F1 = 0.8873 и ошибку выравнивания модальностей RNA→ATAC FOSCTTM = 0.03782.

Подробнее Метрики (seed 0, held-out test): RNA→ATAC FOSCTTM 0.03782, ATAC→RNA FOSCTTM 0.03602, RNA→ATAC Recall@10 0.4491, Fused macro-F1 0.8873, Fused ARI 0.4630, Fused NMI 0.7265.
Параметры обучения: разбиение 80/10/10 по клеткам (не по донорам), до 400 эпох с patience 50 после 110 эпохи, лучший чекпоинт на 112 эпохе; beta=1.25, gamma=4.35, ATAC recon_weight=0.1.
Ограничения: модель не является клинически валидированной, не гарантирует генерализацию на новых доноров и не выдаёт сырые каунты RNA или фрагментов ATAC.
Лицензия: веса и производные результаты — CC BY 4.0, код UniVI и скрипты — MIT.
Discuss Telegram 1

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 0.1 GB · ready files0.6 GB
  • FP8 / INT8recommendedweights 0.1 GB0.6 GB
  • 4-bitweights 0.0 GB0.5 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · BF16 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # ashford-andrew/UniVI-PBMC-Multiome
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download ashford-andrew/UniVI-PBMC-Multiome --local-dir ~/models/UniVI-PBMC-Multiome
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to UniVI-PBMC-Multiome
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of UniVI-PBMC-Multiome (quants, finetunes, LoRAs) will show up under the bell.

No known relatives of this model yet. All derivatives on Hugging Face

About the model

ashford-andrew/UniVI-PBMC-Multiome
Author
ashford-andrew
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

01

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments

Other

GeoCarto

GeoCarto