El Carbon-X de Hugging Face permite a los investigadores comunicarse con el ADN
El modelo abierto Carbon-X de Hugging Face lee el ADN en bruto y responde en lenguaje sencillo, igualando prácticamente a los modelos de vanguardia en los parámetros de referencia del ADN a una fracción del coste.
Hugging Face ha lanzado Carbon-X, un modelo abierto de 14.800 millones de parámetros que permite a los investigadores pegar ADN en bruto en un chat y hacer preguntas al respecto en lenguaje sencillo, como por ejemplo si es probable que una mutación cause una enfermedad.
El modelo, publicado en Hugging Face Fue desarrollado bajo la licencia Apache 2.0 en colaboración con la Academia Zhongguancun y el Instituto Telethon de Genética y Medicina de la Universidad de Nápoles Federico II. Cableado Según los informes, fue publicado el jueves 22 de octubre.
Cómo funciona
Carbon-X parte del modelo Qwen3-14B de Alibaba. El equipo añadió tokens de ADN que leen secuencias de seis bases en seis bases, y luego entrenó el modelo con 302 mil millones de tokens de ADN, texto biológico, texto en inglés y datos de instrucciones, de modo que el ADN y el lenguaje comparten un mismo flujo de tokens.
Le proporcionas una secuencia de referencia y una secuencia mutada, y te indica si la variante parece benigna o patógena, explicando el motivo. También puede identificar regiones que controlan la actividad genética, clasificar el tipo de organismo del que proviene una secuencia y predecir las siguientes bases.
Los números
Según la ficha del modelo, Carbon-X obtiene un promedio de 66,7% en cinco pruebas de referencia de ADN. Esto representa 27 puntos por encima del modelo Qwen3-14B del que partió, supera a todos los demás modelos abiertos que Hugging Face probó y se acerca a los 67,5% de GPT-6.1 Sol, con un coste de inferencia de aproximadamente 1/1800 por problema.
Hugging Face estima que verificar las 2,4 millones de "variantes de significado incierto" en la base de datos ClinVar costaría alrededor de 300 dólares con Carbon-X, frente a entre 32.000 y 4 millones de dólares con los modelos de vanguardia que evaluó. Los pesos caben en una sola GPU de 80 GB, por lo que los laboratorios pueden mantener las secuencias sensibles en su propio hardware.
Los límites
Hugging Face deja claro que Carbon-X “no ha sido validado clínicamente y no debe utilizarse para tomar decisiones médicas”. Sigue siendo deficiente en sitios de empalme (29.8%) y marcas de histonas (34.6%), puede contar bases erróneamente y puede inventar la función de una secuencia cuando carece de contexto. No fue entrenado para diseñar nuevo ADN.
Lewis Tunstall, científico investigador sénior de Hugging Face, explicó a Wired que el equipo excluyó los virus de los datos de entrenamiento para evitar usos potencialmente peligrosos. Los desarrolladores tampoco han validado aún sus predicciones en experimentos de laboratorio.
Por qué es importante
Herramientas especializadas como Pliegue alfa 3 Han cambiado partes de la biología, pero no están diseñadas para la conversación. Carbon-X pone el análisis de ADN detrás de una ventana de chat, y es lo suficientemente pequeño como para que un laboratorio lo gestione por sí mismo. Como MAI-DxO de Microsoft Esta semana, sin embargo, se trata de un resultado de referencia hasta que se demuestre su validez en la biología real.
