4张80GB H800跑7天：CAPTAIN单细胞多组学，真正贵的是哪一步？

单细胞RNA测序能看到转录状态，却不能直接等同于细胞表面蛋白状态；CITE-seq把RNA与抗体标签同时测出来，又会增加实验和数据处理复杂度。于是，能够从转录组学习RNA—蛋白对应关系的多模态基础模型很有吸引力。但看到“基础模型”三个字，课题组常犯两个相反的错误：要么以为下载权重后普通电脑就能完成所有任务，要么把论文预训练使用的整套集群配置，误当成每次推理都必须复刻的门槛。

2026年发表于《Nature Communications》的CAPTAIN，给出了一个难得清楚的算力样本。论文汇总超过420万对共同测量的单细胞RNA—蛋白数据，来自249个独立样本，并建立382种表面蛋白的标准词表。基础模型预训练10个epoch，连续运行约7天，使用4张NVIDIA H800（每张80GB显存）、5TB系统内存和437TB存储；训练时单卡峰值显存约75GB，系统内存峰值约100GB。数字很大，但论文也明确：这套开销对应一次性预训练，不能直接套到零样本推理或下游微调。

先分清三类任务，服务器才不会配错

真正决定配置的不是“CAPTAIN”这个名称，而是你要做哪一层。如果只是对自己的scRNA-seq做标准词表内蛋白推理，直接从作者预训练权重开始；如果有成对RNA—蛋白数据并希望适配组织或平台，再做微调；只有研究目标涉及新词表、新模态或大规模预训练语料时，才需要接近论文级多卡训练。

为什么模型参数之外，数据与I/O同样吃资源

CAPTAIN采用双编码器：RNA模块为12层Transformer，蛋白模块为6层Transformer，嵌入维度均为512、每层8个注意力头。预训练时RNA最多输入1200个非零表达基因，掩码比例0.15；蛋白输入长度对应标准词表。看上去序列不算长，但420万细胞、10轮训练、跨模态注意力和多目标损失会放大读取、预处理、梯度同步与检查点写入压力。

论文使用的437TB是机构高性能计算系统的总存储配置，不应解释成CAPTAIN单个项目必然占用437TB；同理，5TB系统内存也不是论文报告的实际峰值，论文给出的系统内存峰值约100GB。服务器规划要区分“节点拥有多少资源”和“任务实际用了多少资源”，否则很容易把预算放大一个数量级。

可执行的部署预检：先验证环境，再下载大文件

官方仓库推荐PyTorch 2.1.2、Python 3.10和CUDA 12.8，并提供Docker镜像；FlashAttention可加速训练，但不是模型运行的强制条件。正式导入数据前，先记录驱动、容器和GPU状态：

nvidia-smi --query-gpu=name,memory.total,driver_version --format=csv
docker pull crpi-nzg91d1psypntvav.cn-beijing.personal.cr.aliyuncs.com/jiboya/captain_image:latest
docker run --gpus all --rm -it \
  -v /data/captain:/workspace \
  crpi-nzg91d1psypntvav.cn-beijing.personal.cr.aliyuncs.com/jiboya/captain_image:latest /bin/bash
conda activate captain
python -c "import torch; print(torch.__version__, torch.cuda.is_available(), torch.cuda.device_count())"

若要复现实验预训练，仓库示例使用torchrun --nproc_per_node=4启动四卡分布式任务。实际操作前应先以少量细胞完成一次端到端试跑，确认MuData中的RNA与蛋白细胞一一对应、基因名能映射到词表、蛋白名称经过标准化、输出检查点可重新载入。不要一开始就把全部样本塞进训练队列。

输入检查至少要输出四张清单：RNA与蛋白共有细胞数、无法映射的基因数、无法映射的蛋白数，以及每个样本的细胞与蛋白面板规模。若使用作者的跨物种映射，还应保留转换前后基因名，检查一对多和缺失映射。归一化、对数转换、高变基因选择与分箱步骤要与对应下游教程一致；同一个对象不要在上游脚本和模型代码中重复归一化。版本记录至少包含代码提交号、镜像摘要、权重文件校验值和词表文件校验值，否则后续即使参数相同，也可能因为权重或词表更新而得不到同一结果。

一套更稳妥的资源画像方法

先从1万、5万和10万细胞做三级试跑，每一级记录GPU峰值、系统内存、每秒细胞数、临时目录增长和单个检查点大小。显存接近上限时，优先调整批量大小或使用梯度累积；GPU利用率低而I/O等待高时，应把预处理数据和检查点放到本地NVMe，而不是继续增加显卡。多卡训练还要检查卡间通信，持续保存可恢复检查点，并把原始数据、缓存和最终模型分层存放。

对于微调，最重要的不是把训练准确率做高，而是保持训练集与测试集边界。CAPTAIN论文在蛋白推断任务中专门控制了预训练、微调和测试数据的泄漏；其他任务由于成对多组学数据稀缺，部分数据与预训练语料存在重叠。复用模型时，应记录样本来源、组织、物种、平台和预训练覆盖情况，避免把“见过相似数据”误解成真正的外部泛化。

结果能用到哪里，不能越过什么边界

CAPTAIN可用于表面蛋白预测、细胞类型注释、多组学整合、批次校正和蛋白辅助的细胞通讯分析。论文在一个人PBMC CITE-seq任务中报告96.1%的总体注释准确率，但这不是所有组织、平台和标注体系的固定表现。其零样本蛋白预测受标准词表限制，不能推断词表外蛋白；训练数据仍偏向免疫相关组织，稀有细胞和低覆盖蛋白需要谨慎解释。

作者论文以382种表面蛋白描述标准词表，而当前GitHub说明的个别位置出现387这一数字。部署时必须以所用检查点配套的csp_token_dict.pickle为准，不能只照文章数字手工建矩阵。预测蛋白也不是实验测量值，更不能直接替代抗体检测或功能验证；它适合提出候选、补充证据和设计后续实验。

把任务信息带来，先判断该用哪一级算力

如果你准备运行CAPTAIN，可先整理物种、组织、细胞数、是否有配对蛋白数据、目标任务、现有GPU与期望完成时间。云生信可以先判断适合零样本推理、微调还是预训练，再分别确认服务器环境部署并交接、租用算力自行操作，或委托完成约定范围的分析；三种方式的交付边界和资源需求分别确认。

联系云生信，咨询单细胞多模态模型算力与分析方案

资料来源： Nature Communications论文；CAPTAIN官方GitHub。