发布
2026 年 10 月 8 日,Hugging Face 的 HuggingFaceBio 团队发布了 Carbon-A(Carbon-Annotator)——一个 12 亿参数 的 AI 模型,可 直接从 DNA 序列中找出编码蛋白质的基因;同时发布了用它构建的 Carbon 注释数据库(CADB)。模型以 Apache 2.0 许可发布在 Hugging Face 上。
最引人注目的数字是:团队称借助 Carbon-A 在 22,617 个物种中发现了 5.66 亿个新的候选基因,其中数千个物种此前从未被研究过。
为何困难
基因组测序已经很便宜,但 注释(标出基因在哪里)仍然缓慢费力。AUGUSTUS 等经典工具往往需要针对每个物种调参,并需要 RNA 等额外数据。因此,GenBank 中许多公开基因组虽已测序,却 没有注释。
Carbon-A 如何工作
- 一个模型 覆盖哺乳动物、其他脊椎动物、无脊椎动物、植物、真菌和原生生物。
- 读取 98,304 个碱基对 的窗口,在 DNA 双链上进行 单碱基分辨率 的预测。
- 在 42 个基准基因组 上,碱基层面的 宏平均 F1 达 0.944;据团队称,在碱基、外显子和基因层面均超过 AUGUSTUS、Helixer、Tiberius、ANNEVO、OrionGeno、SegmentNT 和 NTv3。
- 为每个预测基因给出 置信度分数(区分精确预测的 AUROC 为 0.876),可在覆盖率与精度之间权衡。
数据库
当前 CADB 涵盖 22,617 个分类单元 的 48,167 个基因组组装,约 27 万亿碱基对,以及 5.66 亿个预测的编码位点。分类单元数量约为训练所用 RefSeq 语料的 11 倍。如果您关注的物种不在其中,可以直接从 Hugging Face 运行模型。
注意事项
- 这些是 预测,不是已确认的基因。团队与合作方 Active Site 和 UCSD 在 猫、鸡和拟南芥 等研究充分的物种中对部分候选进行了实验验证。针对未研究基因组的更大规模湿实验结果 尚未发布。
- 基准测试由团队自己完成。
- 模型能找到蛋白质编码区域,但 不会告诉您每个蛋白质的功能。
超越生物学的意义
这是具有实际影响的 开放科学 AI 范例:农业(作物育种)、动物健康、生物技术和生物多样性都能从大规模注释的基因组中受益。对企业而言,它还表明 小型专用模型 能在定义明确的任务上超越成熟工具。
给研发团队的建议
- 在您已经很熟悉的基因组上,把 Carbon-A 与现有注释流程对比。
- 用 置信度分数 决定优先在实验室验证哪些候选。
- 从零开始注释前,先查询 CADB。
来源
- Hugging Face 博客(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
想把专用 AI 模型用于贵公司的研发吗?KGA IT 提供免费咨询:kga-it.com