用途：用序列到可及性的深度学习模型处理 ATAC-seq 数据，主要解决三类经典流程较弱的任务——低复杂度序列环境下的 Tn5 偏倚校正、非基因区变异效应预测、超越 JASPAR 的细胞类型特异基序发现。
主要能力：chromBPNet 采用偏倚模型加可及性模型的双轨 CNN，输出偏倚校正的逐碱基轮廓与总计数；BPNet 为计数加轮廓双头 CNN；scBasset 做单细胞逐细胞预测；Enformer 为 196 kb 长上下文 Transformer，适合远端调控；Borzoi 在其上扩展 RNA 与染色质。tangermeme 提供仅推理的快速变异打分，DeepLIFT 贡献分数可经 TF-MoDISco-lite 转为基序。
使用方式：chrombpnet prep splits 生成染色体划分，chrombpnet bias pipeline 训练偏倚模型，chrombpnet pipeline 训练可及性模型；变异打分需用独立的 kundajelab/variant-scorer 仓库，而非 chrombpnet 子命令。基序发现用 modisco motifs 与 modisco report。变异效应可用 tangermeme 的 substitution_effect 计算 log2(alt/ref)。
适用场景：GWAS 因果 SNP 的染色质效应打分、细胞类型特异增强子预测、低输入或 FFPE 样本的偏倚校正、复合与协同基序发现。
限制：序列模型不能替代 MACS 加 TOBIAS 的全部步骤；chromBPNet 训练需 GPU 与约 24 小时、至少 5000 万条去重核 reads；偏倚模型跨细胞类型会降性能；Enformer 预训练模型细胞类型有限；scBasset 架构固定、每簇细胞少时投影层不稳定。工具迭代快，使用前应核对已安装包的签名与参数。