Hugging Face发布开源DNA对话模型Carbon-X

Hugging Face于周四发布开源DNA理解模型Carbon-X，可与中关村学院和意大利那不勒斯费德里科二世大学的研究者合作开发。模型同时用基因组序列和自然语言训练，用户能就DNA变化对基因活性和健康的影响提问，并以对话形式得到回答。Hugging Face高级研究科学家Lewis Tunstall称，这解锁了语言模型的一项新能力，即与DNA对话，非技术用户也能提出此前其他工具难以触及的问题。 DNA更接近计算机代码，用A、C、G、T四种字母编码，人类基因组包含60亿个这样的字母。团队从现有语言模型出发，把词表扩展到按六个字母一组读取DNA，再用3000亿个token继续训练，数据混合DNA序列、英文文本以及把DNA与生物学描述关联起来的示例。序列来源覆盖哺乳动物（含人类）、其他脊椎动物、无脊椎动物、植物、真菌和原生动物。Tunstall表示团队没有用病毒数据训练，以避免被用于潜在危险用途。 使用范围上有明确限制：用户不能上传完整人类基因组，模型训练时能处理的序列约为5万个碱基对，因此每次只能查询基因组的一小部分。一个典型用途是判断某个基因突变是良性还是致病，这是开发靶向药物或基因疗法的关键一步；若干预瞄准错误突变，可能完全无效甚至造成意外伤害。 考虑到研究者向 frontier 模型上传可识别或敏感患者数据时面临限制，团队有意把模型做小，参数为140亿，可在用户本地硬件运行而不依赖云端，数据不会发送给Hugging Face或其他公司。开发者也提醒，Carbon-X尚未通过实际湿实验验证，因此无法说明其预测的准确程度。 这一发布处在基因组AI的竞争序列中：Google DeepMind去年发布AlphaGenome，以数值形式预测DNA序列和基因突变的影响，且需要更多算力；Arc Institute与Nvidia及学术伙伴开发的Evo 2能从头生成完整基因组。Carbon-X的差异在于把DNA与自然语言整合进对话界面。