El anuncio
El 8 de octubre de 2026, el equipo HuggingFaceBio de Hugging Face lanzó Carbon-A (Carbon-Annotator), un modelo de IA de 1.200 millones de parámetros que encuentra genes que codifican proteínas directamente en la secuencia de ADN, junto con la Carbon Annotation Database (CADB) generada con él. El modelo está en Hugging Face bajo licencia Apache 2.0.
La cifra que llama la atención: con Carbon-A, el equipo dice haber identificado 566 millones de nuevos genes candidatos en 22.617 especies, miles de ellas nunca estudiadas.
Por qué es difícil
Secuenciar un genoma se ha abaratado, pero anotarlo (decir dónde están los genes) sigue siendo lento y laborioso. Herramientas clásicas como AUGUSTUS suelen requerir ajustes por especie y datos extra como ARN. Por eso muchos genomas públicos de GenBank están secuenciados pero sin anotar.
Cómo funciona Carbon-A
- Un único modelo para mamíferos, otros vertebrados, invertebrados, plantas, hongos y protistas.
- Lee ventanas de 98.304 pares de bases y hace predicciones nucleótido a nucleótido en ambas cadenas del ADN.
- En 42 genomas de referencia, alcanza un F1 medio de 0,944 a nivel de nucleótido y, según el equipo, supera a AUGUSTUS, Helixer, Tiberius, ANNEVO, OrionGeno, SegmentNT y NTv3 a nivel de nucleótido, exón y gen.
- Da una puntuación de confianza para cada gen previsto (AUROC de 0,876 para distinguir predicciones exactas de las demás), lo que permite cambiar cobertura por precisión.
La base de datos
La CADB actual abarca 48.167 ensamblajes de genomas de 22.617 taxones, unos 27 billones de pares de bases y 566 millones de regiones codificantes previstas. Son cerca de 11 veces más taxones que el corpus derivado de RefSeq usado en el entrenamiento. Si su especie no está, puede ejecutar el modelo directamente desde Hugging Face.
Precauciones
- Son predicciones, no genes confirmados. El equipo validó algunos candidatos en laboratorio en especies bien estudiadas como gato, pollo y arabidopsis, con los socios Active Site y UCSD. Los resultados de laboratorio más amplios en genomas inéditos aún están por publicarse.
- Los benchmarks son del propio equipo.
- El modelo encuentra regiones codificantes de proteínas; no dice qué hace cada proteína.
Por qué importa más allá de la biología
Es un ejemplo de IA científica abierta con impacto práctico: agricultura (mejora de plantas), sanidad animal, biotecnología y biodiversidad pueden beneficiarse de genomas anotados a escala. Para las empresas, muestra además que modelos pequeños y especializados pueden superar a herramientas consolidadas en tareas bien definidas.
Para equipos de I+D
- Compare Carbon-A con su pipeline de anotación actual en un genoma que ya conozca bien.
- Use la puntuación de confianza para priorizar qué candidatos validar en laboratorio.
- Consulte la CADB antes de anotar desde cero.
Fuentes
- Blog de Hugging Face (8/10/2026): https://huggingface.co/blog/HuggingFaceBio/carbon-annotator-genbank-genome-annotation
- Hugging Face, HuggingFaceBio/Carbon-A-1.2B: https://huggingface.co/HuggingFaceBio/Carbon-A-1.2B
¿Quiere aplicar modelos de IA especializados a la I+D de su empresa? KGA IT ofrece una consulta gratuita: kga-it.com.