Hugging Face 联创 Thomas Wolf 发布开源基因注释模型 Carbon-A 及 5.66 亿候选基因数据库

Thomas Wolf· @Thom_Wolf · X·2026-10-08 23:38· 1 小时前AI 评分59

AI 导读

Thomas Wolf 团队发布开源模型 Carbon-A，直接在 DNA 中定位基因，并据此构建覆盖 22617 个物种、共 5.66 亿候选基因的 Carbon Annotation Database。模型与数据库一并开放，团队与 Active Site 和 UCSD 合作在猫、鸡和拟南芥等物种中完成部分新基因的湿实验验证，并找到 239 个参考注释中缺失的 RNA 证据基因。

正文

科学家已经对数千个物种的基因组进行了测序。但对其中大多数物种，没有人知道*基因在哪里*

今天我们发布 Carbon-A，一个直接在 DNA 中寻找基因的开源模型。我们用它创建了一个包含 22617 个物种、5.66 亿候选基因的数据库，从真菌到哺乳动物（我们也会一并分享）

为什么要费这个劲？有几个原因

1. 大象很少得癌症。部分解释出现在它们的基因中：人类只有一个拷贝的抑癌基因，它们有额外的拷贝。在有人或某个工具找到某个物种的基因之前，你无法对那个物种提出这类问题。

2. 首个 GLP-1 药物基于希拉毒蜥毒液中的一种肽。没有人会把希拉毒蜥列入优先名单。农作物的野生近缘种也是如此，它们携带抗旱和抗病能力。其中许多物种从未被注释过。

3. 我们对基因的大部分了解来自大约十几种模式物种，如小鼠、果蝇和酵母。这种聚焦效果非常好，但注释流程仍然严重依赖与它们的比较，这使得其他物种特有的基因容易被遗漏，而这些可能恰恰是最有趣的。

Carbon-A 属于一类较新的工具，可以直接读取 DNA。它从已知基因组中学习，但读取新基因组时不需要近缘物种。

4. 即使是熟悉的基因组也仍有空白。我们与 Active Site 和 UCSD 的合作伙伴一起，为猫、鸡、仓鼠和一种实验室植物等常见物种的参考注释中缺失的 239 个基因找到了 RNA 证据。

5. AlphaFold 可以预测蛋白质的形状，但前提是有人已经找到了制造它的基因。在一个没有注释基因的物种中，它无从下手。

关于安全性的一些说明：

Carbon-A 不设计 DNA，也不预测基因的功能。它标记基因在 DNA 中的位置。这也是我们认为公开释放它是正确决定的原因之一。

更多的注释也有助于健康研究：许多携带或引起疾病的物种都在覆盖范围内，而控制它们传播疾病的工作往往从它们的基因开始。

模型、数据库及更多细节见 Georgia 的推文串 👇

来源：Thomas Wolf · x.com