発表
2026年10月8日、Hugging Face の HuggingFaceBio チームは、DNA 配列からタンパク質をコードする遺伝子を直接見つける 12億パラメーター の AI モデル Carbon-A(Carbon-Annotator) と、それを使って作った Carbon Annotation Database(CADB) を公開しました。モデルは Hugging Face で Apache 2.0 ライセンスで公開されています。
注目の数字は、Carbon-A によって 2万2617種で5億6600万の新たな遺伝子候補 を見つけたというものです。その多くはこれまで研究されたことのない種です。
なぜ難しいのか
ゲノムの解読は安くなりましたが、遺伝子の位置を示す アノテーション(注釈付け) は依然として時間と手間がかかります。AUGUSTUS などの従来ツールは、種ごとの調整や RNA などの追加データを必要とすることが多く、そのため GenBank の公開ゲノムの多くは、解読済みでも 注釈がない 状態です。
Carbon-A の仕組み
- 哺乳類、その他の脊椎動物、無脊椎動物、植物、菌類、原生生物を 1つのモデル で扱う
- 9万8304塩基対 の範囲を読み、DNA の両鎖について 塩基単位 で予測
- 42のベンチマークゲノム で塩基レベルの マクロ平均 F1 が0.944。チームによると、AUGUSTUS、Helixer、Tiberius、ANNEVO、OrionGeno、SegmentNT、NTv3 を塩基、エクソン、遺伝子の各レベルで上回る
- 予測した遺伝子ごとに 信頼度スコア を出力(正確な予測を他と区別する AUROC は0.876)。網羅性と精度のバランスを調整できる
データベース
現在の CADB は 2万2617分類群 の 4万8167のゲノムアセンブリ、約 27兆塩基対、5億6600万の予測コード領域 を含みます。学習に使った RefSeq 由来のデータより 分類群が約11倍 多い規模です。目的の種が含まれていなければ、Hugging Face からモデルを直接実行できます。
注意点
- これらは 予測 であり、確定した遺伝子ではありません。チームは提携先の Active Site と UCSD とともに、ネコ、ニワトリ、シロイヌナズナ などよく研究された種で一部の候補を実験で検証しました。未研究のゲノムでのより広範な実験結果は これから公表 されます
- ベンチマークはチーム自身によるもの
- モデルが見つけるのはタンパク質をコードする領域で、各タンパク質の機能までは分からない
生物学を超えた意味
これは実用的な影響を持つ オープンな科学 AI の一例です。農業(品種改良)、動物の健康、バイオテクノロジー、生物多様性はいずれも、大規模に注釈付けされたゲノムの恩恵を受けられます。企業にとっては、小さな特化型モデル が明確なタスクで定評あるツールを上回りうることも示しています。
研究開発チームへ
- すでによく知っているゲノムで、Carbon-A と現在の注釈パイプラインを比較する
- 信頼度スコア を使い、実験で検証する候補の優先順位を決める
- ゼロから注釈を付ける前に CADB を確認する
出典
- Hugging Face ブログ(2026年10月8日): 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
特化型 AI モデルを自社の研究開発に活用したいですか?KGA IT は無料相談を受け付けています:kga-it.com