발표
2026년 10월 8일, Hugging Face의 HuggingFaceBio 팀이 DNA 서열에서 단백질을 암호화하는 유전자를 직접 찾는 12억 파라미터 AI 모델 **Carbon-A(Carbon-Annotator)**와, 이를 이용해 만든 **Carbon Annotation Database(CADB)**를 공개했습니다. 모델은 Hugging Face에 Apache 2.0 라이선스로 올라와 있습니다.
눈길을 끄는 수치는 Carbon-A로 2만 2,617종에서 5억 6,600만 개의 새로운 유전자 후보를 찾았다는 것입니다. 그중 수천 종은 한 번도 연구된 적이 없습니다.
왜 어려운가
게놈 해독은 저렴해졌지만, 유전자가 어디 있는지 표시하는 주석(annotation) 작업은 여전히 느리고 힘듭니다. AUGUSTUS 같은 기존 도구는 종마다 조정하거나 RNA 같은 추가 데이터가 필요한 경우가 많습니다. 그래서 GenBank의 많은 공개 게놈이 해독은 됐지만 주석이 없는 상태입니다.
Carbon-A의 작동 방식
- 포유류, 기타 척추동물, 무척추동물, 식물, 균류, 원생생물을 하나의 모델로 다룹니다.
- 98,304 염기쌍 구간을 읽고 DNA 양쪽 가닥에서 염기 단위로 예측합니다.
- 42개 벤치마크 게놈에서 염기 수준 매크로 평균 F1 0.944를 기록했으며, 팀에 따르면 AUGUSTUS, Helixer, Tiberius, ANNEVO, OrionGeno, SegmentNT, NTv3를 염기·엑손·유전자 수준에서 앞섰습니다.
- 예측한 유전자마다 신뢰도 점수를 제공합니다(정확한 예측을 구분하는 AUROC 0.876). 범위와 정밀도를 조절할 수 있습니다.
데이터베이스
현재 CADB는 2만 2,617개 분류군의 4만 8,167개 게놈 어셈블리, 약 27조 염기쌍, 5억 6,600만 개의 예측 암호화 영역을 담고 있습니다. 학습에 쓴 RefSeq 기반 데이터보다 분류군이 약 11배 많습니다. 원하는 종이 없다면 Hugging Face에서 모델을 바로 실행할 수 있습니다.
주의할 점
- 이것은 예측이지 확정된 유전자가 아닙니다. 팀은 협력사 Active Site, UCSD와 함께 고양이, 닭, 애기장대 등 잘 연구된 종에서 일부 후보를 실험으로 검증했습니다. 미연구 게놈에 대한 더 넓은 실험 결과는 아직 공개 전입니다.
- 벤치마크는 팀 자체 결과입니다.
- 모델은 단백질 암호화 영역을 찾을 뿐 각 단백질의 기능은 알려주지 않습니다.
생물학 너머의 의미
실질적인 영향을 지닌 오픈 과학 AI의 사례입니다. 농업(품종 개량), 동물 건강, 바이오테크, 생물다양성 모두 대규모로 주석된 게놈의 혜택을 볼 수 있습니다. 기업에는 작고 특화된 모델이 명확한 작업에서 기존 도구를 넘어설 수 있음을 보여줍니다.
R&D 팀을 위한 조언
- 이미 잘 아는 게놈에서 Carbon-A와 현재 주석 파이프라인을 비교하세요.
- 신뢰도 점수로 실험 검증할 후보의 우선순위를 정하세요.
- 처음부터 주석하기 전에 CADB를 확인하세요.
출처
- Hugging Face 블로그(2026.10.8): 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
특화된 AI 모델을 회사 R&D에 적용하고 싶으신가요? KGA IT가 무료 상담을 제공합니다: kga-it.com