geniml

# Geniml: 基因组区间机器学习 ## 概述 Geniml 是一个用于在基因组区间数据（BED 文件）上构建机器学习模型的 Python 包。它提供了无监督方法来学习基因组区域、单细胞和元数据的嵌入，从而实现相似性搜索、聚类和下游机器学习任务。 ## 安装 使用 uv 安装 geniml： bash uv uv pip install geniml 安装机器学习依赖（PyTorch 等）： bash uv uv pip install 'geniml[ml]' 从 GitHub 安装开发版本： bash uv uv pip install git+https://github.com/databio/geniml.git ## 核心能力 Geniml 提供了五种主要能力，每种能力都在专门的参考文件中详细说明： ### 1. Region2Vec: 基因组区域嵌入 使用 word2vec 风格的学习训练基因组区域的无监督嵌入。 **用途：** BED 文件的降维、区域相似性分析、下游机器学习的特征向量。 **工作流：** 1. 使用 universe 参考对 BED 文件进行分词 2. 在分词上训练 Region2Vec 模型 3. 生成区域嵌入 **参考：** 详见 `references/region2vec.md` 获取详细工作流、参数和示例。 ### 2. BEDspace: 区域与元数据联合嵌入 使用 StarSpace 训练区域集和元数据标签的共享嵌入。 **用途：** 元数据感知搜索、跨模态查询（区域→标签或标签→区域）、基因组内容与实验条件的联合分析。 **工作流：** 1. 预处理区域和元数据 2. 训练 BEDspace 模型 3. 计算距离 4. 跨区域和标签进行查询 **参考：** 详见 `references/bedspace.md` 获取详细工作流、搜索类型和示例。 ### 3. scEmbed: 单细胞染色质可及性嵌入 在单细胞 ATAC-seq 数据上训练 Region2Vec 模型以获取细胞级嵌入。 **用途：** scATAC-seq 聚类、细胞类型注释、单细胞降维、与 scanpy 工作流集成。 **工作流：** 1. 准备包含峰坐标的 AnnData 2. 对细胞进行预分词 3. 训练 scEmbed 模型 4. 生成细胞嵌入 5. 使用 scanpy 进行聚类和可视化 **参考：** 详见 `references/scembed.md` 获取详细工作流、参数和示例。 ### 4. 共识峰 (Consensus Peaks): Universe 构建 使用多种统计方法从 BED 文件集合中构建参考峰集（universes）。 **用途：** 创建分词参考、标准化跨数据集的区域、定义共识峰