Ang anunsyo
Noong Oktubre 8, 2026, inilabas ng HuggingFaceBio team ng Hugging Face ang Carbon-A (Carbon-Annotator), isang AI model na may 1.2 bilyong parameter na naghahanap ng genes na nagko-code ng protein direkta sa DNA sequence, kasama ang Carbon Annotation Database (CADB) na binuo gamit ito. Nasa Hugging Face ang model sa ilalim ng Apache 2.0.
Ang pangunahing numero: gamit ang Carbon-A, sinabi ng team na nakatukoy sila ng 566 milyong bagong gene candidate sa 22,617 species, libu-libo sa mga ito ay hindi pa napag-aaralan kailanman.
Bakit ito mahirap
Mura na ang pag-sequence ng genome, pero mabagal at matrabaho pa rin ang pag-annotate nito (pagsasabi kung nasaan ang genes). Kadalasang kailangan ng klasikong tool gaya ng AUGUSTUS ang pag-tune kada species at dagdag na data gaya ng RNA. Kaya maraming pampublikong genome sa GenBank ang na-sequence na pero walang annotation.
Paano gumagana ang Carbon-A
- Iisang model para sa mammals, iba pang vertebrates, invertebrates, halaman, fungi at protists.
- Nagbabasa ito ng window na 98,304 base pair at gumagawa ng prediksyon kada nucleotide sa parehong strand ng DNA.
- Sa 42 benchmark genome, umabot ito sa macro-averaged nucleotide F1 na 0.944 at, ayon sa team, tinalo ang AUGUSTUS, Helixer, Tiberius, ANNEVO, OrionGeno, SegmentNT at NTv3 sa antas ng nucleotide, exon at gene.
- Nagbibigay ito ng confidence score sa bawat hinulaang gene (AUROC na 0.876 sa paghihiwalay ng eksaktong prediksyon), kaya maaari mong timbangin ang coverage at precision.
Ang database
Saklaw ng kasalukuyang CADB ang 48,167 genome assembly mula sa 22,617 taxa, mga 27 trilyong base pair at 566 milyong hinulaang coding loci. Mga 11 beses na mas maraming taxa ito kaysa sa training corpus na mula sa RefSeq. Kung wala roon ang species mo, maaari mong patakbuhin ang model direkta mula sa Hugging Face.
Mga paalala
- Mga prediksyon ito, hindi kumpirmadong genes. Na-validate ng team sa lab ang ilang candidate sa mga species na maraming pag-aaral gaya ng pusa, manok at arabidopsis, kasama ang mga partner na Active Site at UCSD. Ilalathala pa ang mas malawak na wet-lab results sa mga genome na hindi pa napag-aaralan.
- Sariling benchmarks ito ng team.
- Nakakahanap ang model ng protein-coding regions; hindi nito sinasabi kung ano ang ginagawa ng bawat protein.
Bakit mahalaga lampas sa biology
Halimbawa ito ng open scientific AI na may praktikal na epekto: agrikultura (plant breeding), kalusugan ng hayop, biotech at biodiversity ay makikinabang lahat sa mga genome na naka-annotate nang malakihan. Para sa mga negosyo, ipinapakita rin nitong kayang talunin ng maliliit at espesyalisadong model ang mga matatag nang tool sa malinaw na gawain.
Para sa R&D teams
- Ikumpara ang Carbon-A sa kasalukuyang annotation pipeline sa isang genome na kilala mo na.
- Gamitin ang confidence score para unahin kung aling candidate ang iva-validate sa lab.
- Tingnan ang CADB bago mag-annotate mula sa simula.
Mga pinagmulan
- Blog ng Hugging Face (Okt 8, 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
Gusto mo bang gamitin ang espesyalisadong AI models sa R&D ng kumpanya mo? Nag-aalok ang KGA IT ng libreng konsultasyon: kga-it.com.