用途：将 DiffSBDD（基于等变扩散模型的结构化药物设计项目）从 CUDA 迁移到华为 Ascend NPU，覆盖环境搭建、依赖安装、torch_scatter 源码编译、代码适配与 de novo 推理验证。
前置条件：Ascend910 系列（至少 1 卡）；openEuler / Ubuntu / KylinOS（aarch64 或 x86_64）；CANN ≥ 8.2（推荐 8.2.RC1 或 8.3.RC1）；Python 3.10；PyTorch 2.5.1；torch_npu 2.5.1。
主要流程：克隆 DiffSBDD 仓库并创建 Conda 环境；配置 CANN 环境与华为镜像源；安装 PyTorch、torch_npu 及 numpy==1.26.4 等依赖；安装 pytorch-lightning、wandb、biopython、rdkit、openbabel 等项目依赖；从源码编译 torch_scatter（设置 FORCE_CUDA=0，禁止使用 PyG 预编译 wheel）；在 generate_ligands.py、test.py、inpaint.py、optimize.py、train.py、lightning_modules.py 六个入口文件顶部注入 torch_npu 与 transfer_to_npu 实现自动迁移；补充 analysis/ 与 analysis/SA_Score/ 的 init.py；下载预训练模型后执行 de novo 推理验证。
验证命令：python generate_ligands.py checkpoints/crossdocked_fullatom_cond.ckpt --pdbfile example/3rfm.pdb --ref_ligand example/3rfm_B_CFF.sdf --outfile example/3rfm_generated.sdf --n_samples 2 --num_nodes_lig 44。通过标准为程序正常退出（exit code 0）且输出 SDF 文件非空、格式正确。
特殊适配点：numpy 必须为 1.26.4，conda 安装 rdkit 后可能被覆盖为 2.x，需手动恢复；conda 可能残留 numpy-base 2.x，需 conda remove numpy-base --force；torch_scatter 必须源码编译；wandb 原始 0.13.1 不兼容 numpy 1.26.4，需升级；Ascend910 不支持 double，自动降级为 fp32，扩散模型比较分布指标即可；transfer_to_npu 自动处理 CUDA→NPU 设备映射。
配套脚本：python scripts/validate_diffsbdd_env.py 用于依赖与 NPU 运行时预检。参考资料见 references/dependency-notes.md。