Hugging Face发布开源Carbon-A及5.66亿位点基因数据库
10月初,Hugging Face旗下HuggingFaceBio团队发布开源基因注释模型Carbon-A,并公开了用它生成的Carbon注释数据库(CADB)。该模型为12亿参数,仅凭DNA序列从头预测编码区;据团队报告,其在42个基准基因组上的核苷酸级宏平均F1达到0.944,高于AUGUSTUS、Helixer、ANNEVO等对照工具。CADB覆盖48,167个基因组组装、22,617个分类单元、约27万亿碱基对,给出约5.66亿个蛋白编码位点。团队与加州大学圣迭戈分校等机构用PacBio全长转录本测序,在猫、叙利亚仓鼠、鸡和拟南芥中找到239个未被RefSeq收录但获RNA证据支持的候选基因。Carbon-A目前无法解析可变剪接和多转录本,适用范围限于真核生物;Hugging Face称2027年将是“生物之年”。
报道称,CADB将原本需要单独立项、耗时数月的物种注释工作压缩为一次查询,并称两万多个物种首次有了标准统一的基因图谱。
Anthropic 的旗舰模型 Claude Fable 5.1 设有一套生物学安全机制,当请求被判定为涉及病毒学、毒理学或分子设计等“双重用途”领域时,就转由能力较弱的 Claude Opus 5 处理;不设限的同源模型 Claude Mythos 5.1 只向经过审核的机构开放。
与闭源模型对 AI 辅助生物探索的收紧相反,10 月初,开源模型托管平台 Hugging Face 的生物研究团队 HuggingFaceBio 发布开源基因注释模型 Carbon-A,并公开了用它生成的 Carbon 注释数据库(CADB)。
数据库收录了 48,167 个基因组组装、22,617 个分类单元,约 27 万亿个碱基对,预测出约 5.66 亿个蛋白编码位点。作为对照,CADB 的分类单元数约为其训练数据集、美国国家生物技术信息中心参考序列数据库(NCBI RefSeq)的 11 倍,序列量是后者约 9 倍,预测出的基因候选数约为 RefSeq 基因注释总数的 16 倍。
#Hugging Face#HuggingFaceBio#Carbon-A#Carbon Annotation Database (CADB)#NCBI RefSeq#GENERator#AUGUSTUS#Helixer#ANNEVO#University of California San Diego