geniml

用途：Geniml 是面向 BED 基因组区间数据的 Python 机器学习工具包，用无监督方法学习基因组区域、单细胞与元数据标签的嵌入，支撑相似性搜索、聚类和下游机器学习任务。

主要能力：

1. Region2Vec：以 word2vec 风格训练基因组区域嵌入，用于 BED 降维、区域相似性分析和下游特征向量。
2. BEDspace：基于 StarSpace 联合训练区域集与元数据标签的共享嵌入，支持区域↔标签的跨模态查询。
3. scEmbed：在单细胞 ATAC-seq 数据上训练 Region2Vec 模型，生成细胞级嵌入，用于 scATAC-seq 聚类、细胞类型注释，并可与 scanpy 集成。
4. 共识峰（Universe）构建：从 BED 文件集合用 CC、CCF、ML、HMM 方法构建参考峰集，用于分词参考与区域标准化。
5. 工具集：BBClient（BED 文件缓存）、BEDshift（保留基因组上下文的随机化）、嵌入质量评估（silhouette、Davies-Bouldin 等）、分词工具与 Text2BedNN 神经搜索后端。

安装：uv pip install geniml；机器学习依赖使用 uv pip install 'geniml[ml]'；开发版可用 uv pip install git+https://github.com/databio/geniml.git。

用法：典型流程为先分词（如 hard_tokenization）再训练 Region2Vec，最后评估；scATAC-seq 流程为加载 AnnData、tokenize_cells、训练 ScEmbed、encode 生成嵌入、再用 scanpy 做邻居图、Leiden 聚类与 UMAP。也提供命令行，如 geniml region2vec、geniml bedspace preprocess/train/search、geniml universe build cc、geniml universe evaluate、geniml bedshift。

适用场景：批量基因组数据（ChIP-seq、ATAC-seq 等）嵌入、可用元数据时的跨模态检索、单细胞 ATAC-seq 聚类与注释、需要统计严谨的参考峰集构建，以及嵌入质量评估与搜索接口构建。

限制与注意事项：Universe 质量关键，分词覆盖度建议高于 80%；ML/HMM 方法计算密集；大数据集可能需要批处理或降采样；BEDspace 需另行安装 StarSpace 并正确设置 --path-to-starspace；具体参数、预训练模型与随机种子等细节以官方文档与 GitHub 为准，本文档未提供的收费、价格、平台等信息暂未提供。