O anúncio
Em 8 de outubro de 2026, a equipe HuggingFaceBio, do Hugging Face, lançou o Carbon-A (Carbon-Annotator), um modelo de IA de 1,2 bilhão de parâmetros que encontra genes que codificam proteínas diretamente na sequência de DNA, e a Carbon Annotation Database (CADB), gerada com ele. O modelo está no Hugging Face sob licença Apache 2.0.
O número que chama atenção: usando o Carbon-A, a equipe diz ter identificado 566 milhões de novos genes candidatos em 22.617 espécies, milhares delas nunca estudadas antes.
Por que isso é difícil
Sequenciar um genoma ficou barato, mas anotar (dizer onde estão os genes) continua lento e trabalhoso. Ferramentas clássicas como o AUGUSTUS costumam exigir ajustes por espécie e dados extras, como RNA. Por isso, muitos genomas públicos no GenBank estão sequenciados, mas sem anotação.
Como o Carbon-A funciona
- Um único modelo para mamíferos, outros vertebrados, invertebrados, plantas, fungos e protistas.
- Lê janelas de 98.304 pares de bases e faz previsões nucleotídeo a nucleotídeo, nas duas fitas do DNA.
- Em 42 genomas de referência, alcança F1 médio de 0,944 no nível de nucleotídeo e, segundo a equipe, supera AUGUSTUS, Helixer, Tiberius, ANNEVO, OrionGeno, SegmentNT e NTv3 nos níveis de nucleotídeo, éxon e gene.
- Dá uma nota de confiança para cada gene previsto (AUROC de 0,876 para separar previsões exatas das demais), o que permite trocar cobertura por precisão.
A base de dados
A CADB atual cobre 48.167 montagens de genoma de 22.617 táxons, cerca de 27 trilhões de pares de bases e 566 milhões de regiões codificadoras previstas. É cerca de 11 vezes mais táxons que o corpus derivado do RefSeq usado no treino. Se a sua espécie não estiver lá, dá para rodar o modelo direto do Hugging Face.
Cuidados
- São previsões, não genes confirmados. A equipe validou alguns candidatos em laboratório, em espécies bem estudadas como gato, galinha e arabidopsis, com os parceiros Active Site e UCSD. Resultados de laboratório mais amplos em genomas inéditos ainda serão publicados.
- Os benchmarks são da própria equipe.
- O modelo encontra regiões codificadoras de proteína; não diz o que cada proteína faz.
Por que importa além da biologia
Este é um exemplo de IA científica aberta com impacto prático: agricultura (melhoramento de plantas), saúde animal, biotecnologia e biodiversidade podem se beneficiar de genomas anotados em escala. Para empresas, mostra também que modelos pequenos e especializados podem superar ferramentas consolidadas em tarefas bem definidas.
Para equipes de P&D
- Compare o Carbon-A com o pipeline de anotação atual em um genoma que você já conhece bem.
- Use a nota de confiança para priorizar quais candidatos validar em laboratório.
- Consulte a CADB antes de anotar do zero.
Fontes
- Blog do 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
Quer aplicar modelos de IA especializados em P&D na sua empresa? A KGA IT oferece uma consulta gratuita: kga-it.com.