AREX Feed Article
Hugging Face 发布 Carbon-A：直接在 DNA 中定位基因，数据库覆盖 22,617 个物种、5.66 亿条候选基因
10 月 8 日，Hugging Face 联合创始人 Thomas Wolf 在其 X 账号上宣布发布 Carbon-A——一个“直接在 DNA 中定位基因”的开放模型，并用它构建了覆盖 22,617 个物种、5.66 亿条候选基因的数据库，模型与数据库一并对外共享（）。同一天，Hugging Face 的生物学研究组织 HuggingFaceBio 发布配套博客，交代了模型的规格、评测方式和数据库的构成（）。
按博客的口径，Carbon-A（Carbon-Annotator）是一个 12 亿参数的注释模型，输出的是逐个碱基的判断：这个位置属于编码区（CDS）还是非编码区。数据库里的 5.66 亿条记录被称为“候选基因”：它们是模型对蛋白编码位点的预测，不是经实验确认的基因。这些预测来自 48,167 个基因组组装、22,617 个物种，合计约 27 万亿个碱基对。
双向注意力的编码器，最长读入 98,304 个碱基
Carbon-A 属于 Carbon 家族。家族此前公开的 Carbon-500M、3B、8B 是生成式 DNA 语言模型，在 1T token（约 6T 个 DNA 碱基对）上训练（）；Carbon-A 是其中的注释模型，用分类任务读 DNA（）。
模型卡写明了输入输出的口径：两个分链的分类头，在正链和负链上分别给出每个碱基属于非编码区或编码区的概率，默认判定阈值为 0.5；分词器把 DNA 切成不重叠的 6-mer（每 6 个碱基一组），每个 token 对应 6 个碱基，单次最长读入 16,384 个 token，即 98,304 个碱基。发布博客作者之一的 Georgia Channing 在自己的帖文里补充了架构：Carbon-A 是双向注意力的编码器，本身只判断碱基是否属于编码序列，基因的边界由另一个小的后处理模型从这些碱基级预测中拼出来（）。
模型以 MIT 许可发布，权重可以从 Hugging Face Hub 下载后本地推理。模型卡同时写明了工程约束：长度达到 98,304 碱基的窗口依赖 PyTorch 的融合注意力内核，否则会退回一种需要 32 GB 以上额外显存的实现；含模糊碱基的 6-mer 会被示例脚本排除。
团队给出的评测是：在 42 个基准基因组上（对照 RefSeq 参考基因组），Carbon-A 的宏平均核苷酸 F1（精确率与召回率的调和平均）为 0.944，在核苷酸、外显子和基因三个层级上都优于他们对比的基线模型：AUGUSTUS、Helixer、Tiberius、ANNEVO、OrionGeno、SegmentNT 和 NTv3。博客还记录了两个分布外测试：一个只在动物数据上训练的检查点，在训练时没见过的植物基因组上仍能完成注释；四膜虫（Tetrahymena thermophila）使用非标准遗传密码，两个通常的终止密码子在那里编码谷氨酰胺，Carbon-A 在这一组上的核苷酸 F1 是 0.960。这些数字来自发布方自己的评测。
数据库：48,167 个基因组组装，目标集合已完成约一半
Carbon Annotation Database（CADB）是这次一并放出的数据集，按类群（taxa）统计。每条预测都挂着组装编号、基因组坐标、重建后的编码序列、翻译出的蛋白序列和一个置信度分数，使用者可以按需过滤。相对于 RefSeq 训练语料，这一版的类群数约为 11.0 倍，序列量约为 9.0 倍。Leandro von Werra 在帖文里给出的另一个比较是：5.66 亿条候选基因约为 RefSeq 数据集中基因注释数量的 16 倍（）。
发布图表列出了各类群被注释的类群数变化：真菌从训练语料的 644 个扩到 7,861 个，无脊椎动物从 428 个扩到 6,505 个，其他脊椎动物从 443 个扩到 3,707 个，植物从 182 个扩到 2,683 个，哺乳动物从 236 个扩到 749 个，原生动物从 114 个扩到 1,112 个。
数据库还没有做完：博客说，目前已注释目标 GenBank 集合中大约一半的基因组，三周后计划再发布一批，并称这些注释很快会通过 EMBL 提供。博客给出的两个入口是：从 Hugging Face Hub 直接运行模型，以及在 CADB Explorer 里浏览已经注释的基因组（）。
239 个 RefSeq 缺失的基因：Iso-Seq 验证到哪一步
湿实验由团队与 ActiveSite、UCSD 的研究人员合作完成，用的是 PacBio Iso-Seq，它直接读取活细胞里完整的 RNA 分子。实验对象是猫、叙利亚仓鼠、鸡和拟南芥。
博客的结论是：Iso-Seq 数据支持了一批 Carbon-A 预测、而 RefSeq 注释里没有的编码区，这意味着模型与参考注释之间的部分分歧，可能是参考注释漏掉了，而不是模型错了。汇总结果里，Carbon-A 的完整 CDS 支持率约为 0.62，与参考注释接近，并高于他们测试的其他从头预测（ab initio）系统。Wolf 与 von Werra 的帖文给出的数字更具体：这一轮实验为 239 个 RefSeq 中缺失的基因提供了 RNA 证据。
博客同时划了边界：Iso-Seq 只能说明这些预测区域会被转录成 RNA、并支持其外显子结构，不能证明这些 RNA 会被翻译成蛋白，也不能说明这些蛋白做什么。
用 2026 年的猪基因组组装，检验 2017 年的训练标签
Carbon-A 的学习材料是 RefSeq 的参考注释，而这些注释本身会变。博客举了猪的例子：训练快照里用的是 2017 年的组装，训练完成之后，2026 年发布了质量更高的新组装。Carbon-A 从未见过新组装，却在新组装上表现更好：发布图表里，基因水平 F1 从旧组装的 0.718 升到新组装的 0.776，图注说明两个组装来自不同的猪。Channing 在自己的帖文里补充说，与 NCBI 的讨论显示，训练用的那份 2017 年组装已知存在不少错误。团队的判断是，模型学到的是编码序列的规律，而不是记住了训练时的标注。
“不设计 DNA，也不预测功能”：开放发布的理由
Wolf 把模型的边界和开放发布绑在一起：Carbon-A 不设计 DNA，也不预测某个基因做什么，它只标记基因在 DNA 中的位置，他把这一点列为自己认为应该开放发布的原因之一。帖文还提到，数据库覆盖的物种里有许多携带或传播疾病的物种，而控制这些疾病传播的工作常常从它们的基因开始。
他在帖文里列了几条理由：大象很少得癌症，部分解释出现在基因里，人类只有一份的一种抑癌基因，大象有额外的拷贝；第一款 GLP-1 药物基于吉拉毒蜥毒液中的一种肽，而吉拉毒蜥本来不会出现在任何优先级名单上；作物的野生近缘种携带抗旱和抗病性状，其中许多物种从未被注释过。另一个论点是：人们对基因的认识大多来自小鼠、果蝇、酵母这十几个模式物种，注释流程仍然严重依赖与它们的比较，其他物种独有的基因容易被漏掉。他还提到这类工具的位置：AlphaFold 能预测蛋白形状，但前提是有人先找到制造这个蛋白的基因。
博客给出的开放理由更直接：他们看到主要 AI 实验室在为把生物学当作下一个前沿做准备的迹象，担心研究者依赖闭源前沿模型会让生态变脆弱，希望科学家不必完全依赖少数闭源实验室的优先级与政策。发布包里除了模型，还有训练数据（10.2 TB）、GenBank 注释数据集（70.7 TB）和一份技术报告（）。博客还引用了 EMBL-EBI 真核生物注释团队负责人 Fergal Martin 的评论：“这份新数据集建立在欧洲核苷酸档案库中大量公开基因组之上，能帮助研究人员在大规模尺度上解读和比较基因与基因组。”
仍待解决：异构体、翻译证据与剩下的一半基因组
模型卡列出的限制包括：Carbon-A 预测的是 CDS 占用，不解析转录本路径、可变剪接异构体和完整基因结构；它面向真核生物，细菌和病毒不在训练范围内；随模型提供的评测面板在训练时已经用过，不是全新的留出集；在 CPU 上做全长度推理很慢。
团队也列出了这条路线上的缺口。Channing 在帖文里承认，团队识别了数百万个新基因，但还不知道它们做什么；要把这些候选变成可用于药物开发、作物抗逆的机制，需要与基因组学界合作。按博客列出的计划，下一步包括收集反馈、探索直接预测完整基因结构的模型、显式处理多个异构体，并继续扩充 CADB。
接下来能证实或修正这些数字的，是 CADB 计划在三周后发布的新一批注释、注释在 EMBL 上线，以及核糖体图谱与质谱实验能否为“这些 RNA 会被翻译成蛋白”提供证据。