Hugging Face 开源 DNA 基因定位模型 Carbon-A，并发布 5.66 亿候选基因数据库

科学家们已经对成千上万个物种进行了基因组测序。但对其中大多数物种来说，没人知道*基因位于何处*。

今天，我们发布了 Carbon-A，一个能直接在 DNA 中识别基因的开源模型。我们用它构建了一个涵盖 22,617 个物种、包含 5.66 亿个候选基因的数据库，范围从真菌到哺乳动物（该数据库我们也会一并公开）。

为什么要这么做？原因有几个。

1. 大象很少患癌症。部分原因在它们的基因中找到了：它们拥有一个人类只有一份的抑癌基因的额外拷贝。在有人或某个工具找到某个物种的基因之前，你无法提出这类问题。

2. 第一款 GLP-1 药物基于一种来自希拉毒蜥（Gila monster）毒液的肽。没人会把希拉毒蜥列入优先研究清单。作物的野生近缘种也是如此，它们携带抗旱和抗病基因。这些物种中有许多从未被注释过。

3. 我们对基因的大部分认知来自大约十几个模式物种，比如小鼠、果蝇和酵母。这种聚焦策略效果显著，但注释流程仍然严重依赖与这些模式物种的比较，这使得其他物种特有的基因很容易被遗漏，而这些基因往往最有趣。

Carbon-A 属于新一代直接读取 DNA 的工具。它从已知基因组中学习，但解读一个新基因组时不需要依赖近缘物种。

4. 即使是熟悉的基因组也仍有空白。我们与 Active Site 和 UCSD 的合作方一起，为猫、鸡、仓鼠以及一种实验室植物等常见物种中参考注释缺失的 239 个基因找到了 RNA 证据。

5. AlphaFold 可以预测蛋白质的形状，但前提是有人先找到编码它的基因。在一个没有注释基因的物种中，它无从下手。

关于安全性的几点说明：

Carbon-A 不设计 DNA，也不预测基因的功能。它只标注基因在 DNA 中的位置。这也是我们认为开源发布是正确决定的原因之一。

更多注释也有助于健康研究：许多携带或引发疾病的物种都在覆盖范围内，而针对它们所传播疾病的研究往往从其基因入手。

模型、数据库及更多细节见 Georgia 的推文串 👇