用途：geniml 面向 BED 格式的基因组区间数据，提供无监督嵌入学习，用于区域相似性分析、聚类和下游机器学习。
主要能力：Region2Vec 用 word2vec 风格学习基因组区域嵌入；BEDspace 基于 StarSpace 联合学习区域集与元数据标签的共享嵌入，支持区域与标签的跨模态查询；scEmbed 在单细胞 ATAC-seq 数据上训练细胞级嵌入，可与 scanpy 集成；Consensus Peaks 用 CC、CCF、ML、HMM 方法从 BED 集合构建参考峰集（universe）；工具集含 BBClient 缓存、BEDshift 随机化、嵌入评估、分词和 Text2BedNN 搜索后端。
使用方式：安装用 uv pip install geniml，机器学习依赖用 uv pip install 'geniml[ml]'，开发版用 uv pip install git+https://github.com/databio/geniml.git。典型流程为先构建 universe，再对 BED 分词，然后训练 Region2Vec 或 scEmbed 并评估。命令行示例：geniml region2vec --token-folder tokens/ --save-dir model/ --num-shuffle 1000；geniml universe build cc --coverage-folder coverage/ --output universe.bed --cutoff 5。
适用场景：批量基因组数据（ChIP-seq、ATAC-seq 等）嵌入、带元数据的可搜索基因组数据库、scATAC-seq 聚类与细胞类型注释、构建统计严谨的参考峰集。
限制：universe 质量对结果影响大，分词覆盖率建议高于 80%；ML/HMM 方法计算密集；大数据需分批或降采样；BEDspace 需单独安装 StarSpace 并设置 --path-to-starspace。具体参数、收费与平台支持暂未提供。