Met Carbon-X van Hugging Face kunnen onderzoekers communiceren met DNA
Het open Carbon-X-model van Hugging Face leest ruwe DNA-gegevens en geeft antwoorden in begrijpelijke taal. Het benadert daarmee de prestaties van toonaangevende modellen op het gebied van DNA-benchmarks, maar tegen een fractie van de kosten.
Hugging Face heeft Carbon-X uitgebracht, een open model met 14,8 miljard parameters waarmee onderzoekers ruwe DNA-sequenties in een chat kunnen plakken en er in begrijpelijke taal vragen over kunnen stellen, bijvoorbeeld of een mutatie waarschijnlijk een ziekte zal veroorzaken.
Het model, gepubliceerd op Hugging Face Dit project is ontwikkeld onder een Apache 2.0-licentie in samenwerking met de Zhongguancun Academie en het Telethon Instituut voor Genetica en Geneeskunde aan de Universiteit van Napels Federico II. Bedraad Het werd naar verluidt op donderdag 22 oktober uitgebracht.
Hoe het werkt
Carbon-X begint met Alibaba's Qwen3-14B. Het team voegde DNA-tokens toe die sequenties van zes basen tegelijk lezen, en trainde het model vervolgens met 302 miljard tokens van DNA, biologische tekst, Engelse tekst en instructiegegevens, zodat DNA en taal één tokenstroom delen.
Je geeft het een referentie en een gemuteerde sequentie, en het programma geeft aan of de variant goedaardig of pathogeen is en legt uit waarom. Het kan ook regio's opsporen die de genactiviteit reguleren, classificeren van welk organisme een sequentie afkomstig is en de volgende basen voorspellen.
De cijfers
Volgens de modelkaart behaalt Carbon-X gemiddeld 66.7% over vijf DNA-benchmarks. Dat is 27 punten hoger dan het Qwen3-14B-model waarmee het begon, beter dan elk ander open model dat Hugging Face heeft getest, en dicht bij de 67.5% van GPT- 1 Sol, met ongeveer 1 van de inferentiekosten per probleem.
Hugging Face schat dat het controleren van de 2.4 miljoen "varianten met onzekere significantie" in de ClinVar-database ongeveer $300 zou kosten met Carbon-X, tegenover $32,000 tot $4m met de geavanceerde modellen die het heeft geëvalueerd. De gewichten passen op een enkele GPU van 80 GB, waardoor laboratoria gevoelige sequenties op hun eigen hardware kunnen bewaren.
De grenzen
Hugging Face maakt duidelijk dat Carbon-X "niet klinisch gevalideerd is en niet gebruikt mag worden voor medische beslissingen." Het model presteert nog steeds zwak op het gebied van splice-sites (29.8%) en histonmarkeringen (34.6%), kan basen verkeerd tellen en kan een sequentie een nieuwe functie toekennen als de context ontbreekt. Het is niet getraind om nieuw DNA te ontwerpen.
Lewis Tunstall, een senior onderzoeker bij Hugging Face, vertelde Wired dat het team virussen uit de trainingsdata heeft weggelaten om potentieel gevaarlijke toepassingen te voorkomen. De ontwikkelaars hebben hun voorspellingen ook nog niet gevalideerd in experimenten in een laboratorium.
Waarom het belangrijk is
Specialistische gereedschappen zoals AlphaVouw 3 Ze hebben delen van de biologie veranderd, maar ze zijn niet gemaakt voor conversatie. Carbon-X plaatst DNA-analyse achter een chatvenster en is klein genoeg om door een laboratorium zelfstandig te worden gebruikt. Microsofts MAI-DxO Deze week is het resultaat echter een referentiepunt totdat het in de praktijk biologisch bewezen is.
