Hugging Face 推出开源 AI 生物模型 Carbon-X，支持自然语言交互 DNA

Save this storySave this story

AI 平台 Hugging Face 于周四发布了一个新的开源模型，用于理解 DNA，该模型可在笔记本电脑本地运行。

该模型由 Hugging Face 与中国中关村学院及意大利那不勒斯费德里克二世大学的研究人员合作开发。它基于基因组序列和自然语言进行训练，允许用户询问 DNA 变异对基因活性和健康的影响，并获得对话式的回答。

Hugging Face 高级研究科学家 Lewis Tunstall 表示，这款工具旨在帮助研究人员设计新药物和基因疗法，并有可能协助患者解读自己的基因组。

“我们解锁了语言模型的一项新能力，其核心在于能够与 DNA 对话，”他说。这款名为 Carbon-X 的新模型意味着，即使是非技术背景的用户，“也能提出其他工具无法解决的 DNA 相关问题。”

常被称为“AI 模型版 GitHub”的 Hugging Face，提供了一个现成的 AI 工具库，以及一个运行开源和开放权重 AI 应用的平台，服务对象包括开发者、研究人员、企业，以及希望在不从零构建所有组件的情况下实验 AI 的人群。今年 9 月，Nvidia 同意以近 130 亿美元收购该公司几乎 130 亿美元。（今年早些时候，Hugging Face 还卷入了一起重大安全事件，OpenAI 的模型对其进行了攻击。）

DNA 更像计算机代码而非自然语言。不过，它不像二进制那样使用 0 和 1，而是用 A、C、G 和 T 来编码信息。人类基因组包含 60 亿个这样的字母。尽管人类基因组已被完整测序，但科学家仍不了解其中大部分是如何工作的。

如今，AI 模型正在帮助研究人员破解其中的部分奥秘。去年，Google DeepMind 推出了 AlphaGenome，该模型能够预测 DNA 序列和基因突变的影响，但仅以数值形式呈现，且需要更高的算力。由 Arc Institute 和 Nvidia 联合学术伙伴共同开发的 Evo 2 则能“说 DNA 的语言”，并可以从头生成完整的基因组。 Carbon-X 将 DNA 与自然语言整合在一个对话式界面中。你可以把它想象成 DNA 领域的 ChatGPT。 团队基于现有的语言模型起步，并扩展其词汇量，使其能够以六个字符为一组读取 DNA。随后，他们在 300 亿个数据块（即 token）上继续训练，这些数据混合了 DNA 序列、英文文本，以及将 DNA 与生物学描述关联的示例。训练所用的 DNA 序列来自哺乳动物（包括人类）、其他脊椎动物、无脊椎动物、植物、真菌和原虫类。Tunstall 表示，团队并未使用病毒数据训练模型，因为他们不希望其被用于可能产生危险后果的应用场景。 用户无法上传完整的人类基因组。该模型经过训练，能够处理大约 50,000 个碱基对的 DNA 序列，因此用户每次只能查询基因组的一小部分。 科学家使用 Carbon-X 的一个关键场景是帮助判断基因突变是良性的还是致病性的，这是开发靶向药物或基因治疗的关键步骤。如果干预措施针对了错误的突变，不仅可能完全无效，甚至可能造成非预期的伤害。 研究人员在将可识别或敏感的受试者数据上传至前沿 AI 模型时面临诸多限制。因此，Tunstall 称其团队特意设计了一个拥有 140 亿参数的小型模型。这将使模型能够直接运行在用户本地硬件上，而非依赖云端模型。他表示，数据不会发送给 Hugging Face 或任何其他公司。 Carbon-X 的开发人员提醒道，他们尚未通过实际的湿实验验证该模型，因此无法断言其预测的准确度。