К содержимому
Другое

UniVI-PBMC-Multiome

мультимодальная интеграция single-cell RNA и ATAC

3 мин чтенияобновлено

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.
Обсудить Telegram 1

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.1 GB · готовые файлы0.6 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # ashford-andrew/UniVI-PBMC-Multiome
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к UniVI-PBMC-Multiome
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии UniVI-PBMC-Multiome — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

ashford-andrew/UniVI-PBMC-Multiome
Автор
ashford-andrew
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

01

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

GeoCarto

GeoCarto