Carbon-A标注两万多种生物，基因预测进入大规模筛查

AI for Science / 基因组学 · 9.4/10 · 建议深挖

Hugging Face生物团队发布Carbon-A与Carbon Annotation Database。它面向一个真实的研究瓶颈：基因组测序已经比过去容易得多，但把DNA序列里哪些片段可能编码蛋白、外显子怎样拼接逐一标出来，仍需要大量已有注释和专家工作。Carbon-A用同一个1.2B参数模型处理动物、植物、真菌等真核生物，在每次约9.8万碱基的窗口里，对两条DNA链逐碱基给出编码区概率。模型权重和使用说明已公开。

团队用它处理了48,167份基因组组装、覆盖22,617个分类单元，数据库现在含约5.66亿个预测的蛋白编码位点。这里的“预测”很重要：总数不等于5.66亿个经实验证实的新基因，也不等于它们都有已知功能。模型把过去需要逐物种设计流程的初筛变成了可批量运行的候选目录；研究者可以先按位置、序列和置信度缩小范围，再挑值得做实验的区域。

它比一般“模型跑分很好”多走了一步。团队报告在42个基因组的基准上取得0.944的逐碱基F1，并用猫、仓鼠、鸡和拟南芥的长读长RNA实验数据核对一部分模型与旧数据库不一致的位置：部分预测确实有转录证据。这支持某些编码区结构存在，却仍不能证明RNA已翻译为蛋白，更不能证明功能。团队说对研究较少物种的更广泛湿实验结果稍后发布。真正的价值在于把大规模DNA资料变成可检验的假设清单；独立复核、不同物种的错误率和后续蛋白证据，将决定这些候选有多少能进入生物学知识库。