Thông báo
Ngày 8/10/2026, nhóm HuggingFaceBio của Hugging Face phát hành Carbon-A (Carbon-Annotator), mô hình AI 1,2 tỷ tham số tìm gen mã hóa protein trực tiếp trong trình tự DNA, cùng với Carbon Annotation Database (CADB) được xây dựng bằng nó. Mô hình có trên Hugging Face theo giấy phép Apache 2.0.
Con số đáng chú ý: nhờ Carbon-A, nhóm cho biết đã xác định 566 triệu gen ứng viên mới trên 22.617 loài, trong đó hàng nghìn loài chưa từng được nghiên cứu.
Vì sao khó
Giải trình tự bộ gen đã rẻ, nhưng chú giải (chỉ ra gen nằm ở đâu) vẫn chậm và tốn công. Các công cụ cổ điển như AUGUSTUS thường cần tinh chỉnh theo từng loài và dữ liệu bổ sung như RNA. Vì vậy nhiều bộ gen công khai trên GenBank đã được giải trình tự nhưng chưa được chú giải.
Carbon-A hoạt động thế nào
- Một mô hình duy nhất cho động vật có vú, các động vật có xương sống khác, động vật không xương sống, thực vật, nấm và sinh vật nguyên sinh.
- Đọc cửa sổ 98.304 cặp base và dự đoán theo từng nucleotide trên cả hai mạch DNA.
- Trên 42 bộ gen chuẩn, đạt F1 trung bình macro 0,944 ở mức nucleotide và, theo nhóm, vượt AUGUSTUS, Helixer, Tiberius, ANNEVO, OrionGeno, SegmentNT và NTv3 ở các mức nucleotide, exon và gen.
- Cung cấp điểm tin cậy cho mỗi gen dự đoán (AUROC 0,876 khi phân biệt dự đoán chính xác), cho phép đánh đổi độ phủ lấy độ chính xác.
Cơ sở dữ liệu
CADB hiện bao gồm 48.167 bản lắp ráp bộ gen từ 22.617 đơn vị phân loại, khoảng 27 nghìn tỷ cặp base và 566 triệu vùng mã hóa được dự đoán. Số đơn vị phân loại gấp khoảng 11 lần so với tập dữ liệu huấn luyện từ RefSeq. Nếu loài của bạn chưa có, bạn có thể chạy mô hình trực tiếp từ Hugging Face.
Lưu ý
- Đây là dự đoán, chưa phải gen đã được xác nhận. Nhóm đã kiểm chứng một số ứng viên trong phòng thí nghiệm ở các loài được nghiên cứu kỹ như mèo, gà và cây arabidopsis, cùng đối tác Active Site và UCSD. Kết quả thí nghiệm rộng hơn trên các bộ gen chưa được nghiên cứu sẽ được công bố sau.
- Các điểm chuẩn do chính nhóm thực hiện.
- Mô hình tìm vùng mã hóa protein; nó không cho biết chức năng của từng protein.
Ý nghĩa vượt ra ngoài sinh học
Đây là ví dụ về AI khoa học mở có tác động thực tế: nông nghiệp (chọn giống cây trồng), sức khỏe vật nuôi, công nghệ sinh học và đa dạng sinh học đều có thể hưởng lợi từ bộ gen được chú giải quy mô lớn. Với doanh nghiệp, nó cũng cho thấy mô hình nhỏ, chuyên biệt có thể vượt các công cụ lâu đời ở những tác vụ được xác định rõ.
Với đội R&D
- So sánh Carbon-A với quy trình chú giải hiện tại trên một bộ gen bạn đã nắm rõ.
- Dùng điểm tin cậy để ưu tiên ứng viên cần kiểm chứng trong phòng thí nghiệm.
- Tra cứu CADB trước khi chú giải từ đầu.
Nguồn
- Blog 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
Bạn muốn ứng dụng mô hình AI chuyên biệt vào R&D của doanh nghiệp? KGA IT cung cấp tư vấn miễn phí: kga-it.com.