Carbon-X de Hugging Face permet aux chercheurs de dialoguer avec l'ADN
Le modèle ouvert Carbon-X de Hugging Face lit l'ADN brut et fournit des réponses en langage clair, égalant presque les modèles de pointe en matière de performances ADN, pour un coût bien moindre.
Hugging Face a lancé Carbon-X, un modèle ouvert à 14,8 milliards de paramètres qui permet aux chercheurs de coller de l'ADN brut dans une conversation et de poser des questions à son sujet en langage clair, par exemple si une mutation est susceptible de provoquer une maladie.
Le modèle, publié sur Hugging Face sous une licence Apache 2.0, a été construit avec l'Académie Zhongguancun et l'Institut Telethon de génétique et de médecine de l'Université de Naples Federico II. Câblés Il aurait été publié le jeudi 22 octobre.
Comment cela fonctionne-t-il ?
Carbon-X est basé sur la base de données Qwen3-14B d'Alibaba. L'équipe a ajouté des jetons d'ADN qui lisent des séquences de six bases à la fois, puis a entraîné le modèle sur 302 milliards de jetons d'ADN, de texte biologique, de texte anglais et de données d'instructions, de sorte que l'ADN et le langage partagent un seul flux de jetons.
On lui fournit une séquence de référence et une séquence mutée ; il détermine alors si la variante est bénigne ou pathogène et en explique la raison. Il peut également identifier les régions qui régulent l’activité des gènes, déterminer l’organisme d’origine d’une séquence et prédire les bases suivantes.
Les chiffres
D'après la fiche technique du modèle, Carbon-X obtient une performance moyenne de 66.7% sur cinq jeux de données de référence pour l' 1. Cela représente 27 points de plus que le modèle Qwen3-14B dont il est issu, surpasse tous les autres modèles ouverts testés par Hugging Face et se rapproche 67.5% obtenus par GPT-6.1 Sol, pour un coût d'inférence par problème environ 1 800.
Hugging Face estime que la vérification des 2,4 millions de « variants de signification incertaine » dans la base de données ClinVar coûterait environ 300 dollars avec Carbon-X, contre 32 000 dollars à 4 millions de dollars avec les modèles de pointe qu’elle a évalués. Les pondérations tiennent sur un seul GPU de 80 Go, ce qui permet aux laboratoires de conserver les séquences sensibles sur leur propre matériel.
Les limites
Hugging Face indique clairement que Carbon-X “ n'a pas été validé cliniquement et ne doit pas être utilisé pour prendre des décisions médicales ”. Il présente encore des lacunes au niveau des sites d'épissage (29.8%) et des marques d'histones (34.6%), peut mal compter les bases et risque d'inventer la fonction d'une séquence en l'absence de contexte. Il n'a pas été conçu pour concevoir de nouveaux ADN.
Lewis Tunstall, chercheur principal chez Hugging Face, a expliqué à Wired que l'équipe avait exclu les virus des données d'entraînement afin d'éviter toute utilisation potentiellement dangereuse. Les développeurs n'ont pas encore validé les prédictions du modèle par des expériences en laboratoire.
Pourquoi c'est important
Des outils spécialisés comme AlphaFold 3 Des technologies ont modifié certains aspects de la biologie, mais elles ne sont pas conçues pour la communication. Carbon-X rend l'analyse ADN accessible via une fenêtre de chat, et sa taille réduite permet à un laboratoire de fonctionner de manière autonome. MAI-DxO de Microsoft Cette semaine, cependant, il s'agit d'un résultat de référence jusqu'à ce qu'il soit prouvé par des données biologiques réelles.
