用途：Geniml 面向 BED 文件形式的基因组区间数据，提供无监督方法学习基因组区域、单细胞和元数据标签的嵌入，支持相似性搜索、聚类与下游机器学习。
主要能力：1）Region2Vec 训练区域嵌入，用于降维、区域相似性分析和下游特征向量；2）BEDspace 基于 StarSpace 联合区域与元数据标签嵌入，支持区域到标签、标签到区域等跨模态查询；3）scEmbed 在单细胞 ATAC-seq 数据上训练细胞级嵌入，可结合 scanpy 聚类和细胞类型注释；4）Consensus Peaks 用 CC、CCF、ML、HMM 方法从 BED 集合构建参考峰集合（universe）；5）实用工具，包括 BBClient 缓存、BEDshift 随机化、嵌入评估、分词与 Text2BedNN 搜索后端。
安装：uv pip install geniml；ML 依赖 uv pip install 'geniml[ml]'；开发版 uv pip install git+https://github.com/databio/geniml.git。
使用方式：典型流程为用 universe 对 BED 文件分词，再训练 Region2Vec 并评估嵌入；scATAC-seq 流程为加载 AnnData、对细胞分词、训练 scEmbed、生成嵌入后用 scanpy 聚类。也提供 CLI，如 geniml region2vec --token-folder tokens/ --save-dir model/ --num-shuffle 1000、geniml universe build cc --coverage-folder coverage/ --output universe.bed --cutoff 5、geniml bedshift --input peaks.bed --genome hg38 --preserve-chrom --iterations 100。
限制：universe 质量对结果影响大，建议分词覆盖率超过 80% 再训练；ML/HMM 方法计算密集，大数据需批处理或降采样；BEDspace 需单独安装 StarSpace 并设置 --path-to-starspace；具体收费与价格暂未提供。详细参数与排错请参考 references 下对应文档。