Hugging Face发布生物学AI模型，一口气预测出5.66亿个基因位点，预言2027年将成“生物之年”

Anthropic 的旗舰模型 Claude Fable 5.1 设有一套生物学安全机制，当请求被判定为涉及病毒学、毒理学或分子设计等“双重用途”领域时，就转由能力较弱的 Claude Opus 5 处理；不设限的同源模型 Claude Mythos 5.1 只向经过审核的机构开放。

与闭源模型对 AI 辅助生物探索的收紧相反，10 月初，开源模型托管平台 Hugging Face 的生物研究团队 HuggingFaceBio 发布开源基因注释模型 Carbon-A，并公开了用它生成的 Carbon 注释数据库（CADB）。

数据库收录了 48,167 个基因组组装、22,617 个分类单元，约 27 万亿个碱基对，预测出约 5.66 亿个蛋白编码位点。作为对照，CADB 的分类单元数约为其训练数据集、美国国家生物技术信息中心参考序列数据库（NCBI RefSeq）的 11 倍，序列量是后者约 9 倍，预测出的基因候选数约为 RefSeq 基因注释总数的 16 倍。

CADB 直接将原本需要单独立项、耗时数月的物种注释工作，压缩为一次查询请求。在比较基因组学层面，两万多个物种也首次有了标准统一的基因图谱。

Hugging Face 在发布博客中写道，主流的 AI 实验室正在把生物学当作继网络安全和数学之后的下一个前沿，“我们认为，2027 年将是属于生物的一年”。

在 OpenAI、Anthropic 等通用模型厂商都已进入生命科学领域的当下，一家以开源托管著称的公司亲自下场，成为行业押注 AI 生物学的又一力证。

测序数据飞速积累，解读进程依然缓慢

Carbon-A 弥合的是基因组学领域内一个巨大的裂缝：测序通量的飞速提高和人类理解的落后。

2022 年，因美纳（Illumina）宣布其新一代测序平台可将人类全基因组测序成本降至约 200 美元；长读长技术的成熟让非模式生物的高质量基因组组装变得可行；地球生物基因组计划等国际项目的目标是测出所有已知真核物种基因组。组装数据的积累速度不断加快。

但测序和组装的产出是一条由四个碱基组成的超长字符串，如同一张只有坐标、没有地名的地图。

注释要做的，就是在长序列上标出基因的位置，以及其中哪些片段最终会被拼接起来翻译成蛋白质。这是所有生物功能研究、演化分析、药物靶点发现的起点。

目前主流的注释方法仍依赖转录组数据、已知蛋白、近缘物种迁移和专家人工校对，是需要逐个物种缓慢推进的手工活，推进速度远远落后于测序。在生命树上，这些证据的分布也极不均匀：模式生物数据接近饱和，大量冷门物种注释完成度依然很低。

一个模型，读懂整棵生命树

为解决这些难题，Carbon-A 用一个 12 亿参数的模型“从头预测”基因，即只看 DNA 序列、不依赖额外实验证据，同时覆盖哺乳动物、其他脊椎动物、无脊椎动物、植物、真菌和原生生物六大类群。

（来源：Hugging Face）

它的底座来自 GENERator（阿里云、中关村学院等机构 2025 年发布的长上下文 DNA 生成式基础模型）。Carbon-A 将其改造为双向注意力的编码器，把每 6 个碱基合并为一个 Token，一次读入 98,304 个碱基对的窗口。

输出端设有正负链两个分类头，逐个碱基给出属于编码序列（CDS）的概率。后处理管线再把这些概率拼装成完整的基因模型，并为每个基因打出置信分。训练数据来自 2,055 个 RefSeq 基因组组装，团队还对样本较少的真菌和原生生物做了额外采样。

在 42 个基准基因组上，Carbon-A 的宏平均核苷酸级 F1 值（综合衡量精确率与召回率的指标，满分为 1）达到 0.944，在核苷酸、外显子、基因三个层级上均超越了 AUGUSTUS、Helixer、Tiberius、ANNEVO、OrionGeno、SegmentNT 和 NTv3 等主流对照方法。其中，在最严苛的基因级标准中，Carbon-A 的 F1 值仍保持在 0.74 左右。

为验证模型的跨物种泛化能力，团队开展了两项压力测试。其中，仅用动物基因组训练的版本标注未见过的植物，Carbon-A 的表现依然出色；而对于遗传密码与其他生物显著不同的嗜热四膜虫，Carbon-A 无需专门适配，核苷酸级 F1 值也能达到 0.960。

这证明该模型已经学到了编码序列的底层规律，而非“死记硬背”、照搬某个类群特有的经验法则。

用 RefSeq 训练模型还有一个绕不开的问题：参考注释本身并不完美。模型如果只能记住静态的训练标签，很容易学到错误的内容，且无法及时更新。

对此，借助新版猪基因组组装推出的时机，研究人员设计了一组实验：Carbon-A 使用的是 2017 年版猪基因组组装，训练结束后，2026 年版高质量组装发布。但结果显示，模型在新组装上的表现反而好于旧组装——它或许比人类更懂基因组。

（来源：Hugging Face）

最有价值的预测在于模型与参考库的不一致之处：RefSeq 里没有、Carbon-A 却找出来的编码区，究竟是新发现还是假阳性？

对于这一问题，Hugging Face 联合加州大学圣迭戈分校（UCSD）等机构，对猫、叙利亚仓鼠、鸡和拟南芥做了 PacBio 全长转录本测序（Iso-Seq，可直接读取活细胞中完整 RNA 分子的技术）。

在这四个已深入研究的物种中，有 239 个未被 RefSeq 收录的候选基因得到了 RNA 证据支持，Carbon-A 预测的完整编码序列获得转录组支持的比例约为 0.62，明显高于其他从头预测工具。

长期以来，基因预测工具以“与 RefSeq 的吻合程度”论高下，参考库默认就是标准答案。而 Carbon-A 直接改变了固有的裁判关系：模型和参考库各自提出关于基因位置的假设，由细胞中实际存在的 RNA 来判定。即便是积累了几十年的人工注释，模型仍能从中找出遗漏的基因。

至于这些序列能否被翻译成蛋白、蛋白承担什么功能，团队计划用核糖体图谱和质谱继续验证，并表示即将发布一批针对此前未经研究物种的湿实验结果。

一个刻意开放的选择

Carbon-A 并不是首个用 AI 加速基因组注释的模型。近期，华大研究院发布的 OrionGeno 将系统发育信息引入深度学习，10 天注释了 1,249 个真核生物科的代表性基因组；西安交通大学叶凯团队发表的 ANNEVO 则把注释一个人类基因组的时间压缩到一个半小时，拟南芥仅需 3 分钟。

但与以上工具需要研究者手动部署运行不同，Carbon-A 一次性给出了覆盖两万多个物种、可直接查询的详细公共数据库。数据库中的每条预测都附带组装编号、基因组坐标、重建的编码序列、翻译出的蛋白序列和置信分。

这种从模型到产出数据的全面开放，是 Hugging Face 刻意做出的选择。团队在博客中直言，研究者依赖封闭前沿模型时，整个生态会显得十分脆弱。他们还点名了纳维-斯托克斯方程风波，以及 Claude 此前拒绝回答正当生物学问题的争议。

闭源实验室收紧生物学能力、实行分级授权，自然有一定的安全考量。但这些事件不禁让科研人员开始担心，自己的研究方向可能会在与 AI 的对话中流向模型公司；更进一步，科学家使用 AI 工具的权力都可能落入少数几家模型公司手中。

而 Hugging Face 选择的是一个安全代价极低的领域：Carbon-A 只回答“基因在哪里”，不设计 DNA，也不预测基因功能。在这一层，开放带来的收益远大于潜在风险。今年 5 月，由科学 AI 负责人乔治娅·钱宁（Georgia Channing）带领的团队还开源了 Carbon 系列 DNA 生成模型，Carbon-A 已是第二组产出。

不过，Carbon-A 目前预测的是编码区的占位，无法解析一个基因产生的多条转录本和可变剪接，适用范围限于真核生物。

团队在模型原始输出中已观察到与可变剪接相关的信号，显式建模多转录本被列为下一步重点。数据库方面，模型目前已完成目标基因库（GenBank，NCBI 维护的公开核酸序列数据库）基因组集合的约一半，下一批数据计划三周后发布。

当“找基因”从周期漫长的繁重工作，变成在电脑上轻点即可实现的查询过程，生命科学的门槛会转移到下一环：揭示这些基因究竟发挥了怎样的功能？

在 Carbon-A 找出的 5.66 亿个候选位点中，绝大多数只有坐标和推断出的蛋白序列，背后的生物学功能仍是空白。

截至目前，核糖体图谱、质谱、基因编辑等验证手段的通量，远远无法追赶模型生成假设的速度。Hugging Face 口中的“生物之年”能否到来，将取决于行业能否推动后续工作的自动化，让实验能力跟上计算产出。

参考内容：

https://huggingface.co/blog/HuggingFaceBio/carbon-annotator-genbank-genome-annotation

https://huggingface.co/HuggingFaceBio/Carbon-A-1.2B

https://huggingface.co/collections/HuggingFaceBio/carbon-annotation-database

https://arxiv.org/abs/2502.07272

https://huggingface.co/collections/HuggingFaceBio/carbon

https://db.cngb.org/data_resources/project/CNP0009228

https://www.nature.com/articles/s41592-026-03036-7

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成