用途：geniml 面向基因组区间（BED 文件）的机器学习，提供无监督嵌入方法，用于区域、单细胞和元数据标签的相似性搜索、聚类与下游任务。
主要能力：Region2Vec 训练基因组区域嵌入；BEDspace 用 StarSpace 联合区域与元数据标签嵌入，支持跨模态查询；scEmbed 在 scATAC-seq 数据上训练细胞级嵌入，可与 scanpy 集成；build-universe 用 CC、CCF、ML、HMM 方法从 BED 集合构建共识峰参考；工具含 BBClient 缓存、BEDshift 随机化、嵌入评估与分词。
安装：uv pip install 'geniml[ml]'（含 torch/gensim）；scEmbed 示例另需 uv pip install scanpy；build-universe 与硬分词依赖外部 uniwig、bedtools。开发版：uv pip install git+https://github.com/databio/geniml.git。
用法要点：子包 init 不重导出内部符号，需从具体模块导入，如 from geniml.tokenization.main import hard_tokenization_main、from geniml.region2vec.main_legacy import region2vec、from geniml.scembed.main import ScEmbed、from gtars.tokenizers import Tokenizer。CLI 示例：geniml region2vec --token-folder tokens/ --save-dir model/ --num-shuffle 1000 --embed-dim 100；geniml build-universe cc --coverage-folder coverage/ --output-file universe.bed --cutoff 5；geniml bedspace search -t r2l -d distances.pkl -n 10 query.bed（查询为位置参数）。
适用场景：批量区域集无监督嵌入、区域加元数据的跨模态检索、scATAC-seq 细胞聚类与注释、构建分词参考、缓存与零模型评估。
限制：纯区间运算应使用 gtars；scRNA-seq 流程用 scanpy，深度生成整合用 scvi-tools，覆盖度轨迹用 deeptools。BEDspace 需单独安装 StarSpace，其 CLI 标志拼写为 starsapce。分词 fraction 是重叠比例而非 p 值。ML/HMM 建 universe 计算密集，大数据需分批或降采样。文档见 https://docs.bedbase.org/geniml/，代码见 https://github.com/databio/geniml。