超级管理员
楼主
Hugging Face 的生物团队发布了 Carbon-A，一个 12 亿参数的模型，直接从 DNA 序列预测蛋白质编码区的位置。一个模型覆盖哺乳动物、植物、真菌等多个类群。
为什么这件事重要
测序一个基因组已经又快又便宜，但搞清楚基因在哪里——也就是注释——远远落在后面。Hugging Face 的说法是：我们现在生成基因组组装的速度，远远超过理解它们的速度。
技术细节
模型读取 98304 个碱基对的上下文窗口，也就是一次能考虑约 9.8 万个 DNA 字母。
配套的 Carbon 注释数据库，当前版本覆盖 22617 个类群的 48167 个组装，包含 5.66 亿个预测的蛋白质编码位点。注意这是预测，不是确认的基因。
证据强度
在 42 个基准基因组上，Hugging Face 报告宏观平均核苷酸 F1 为 0.944，称优于其选择的基线工具。
与 ActiveSite 和 UCSD 合作的湿实验读取了猫、叙利亚仓鼠、鸡和拟南芥细胞中的真实 RNA 分子，支持了部分参考注释中缺失的预测。
局限
Hugging Face 自己也很谨慎：这些实验还不能证明那些 RNA 被翻译成了蛋白质，也不能说明这些蛋白质做什么。
使用建议
一个 schema 覆盖所有输入类型，能省掉数据摄取管道里大量的胶水代码——前提是质量在自有数据上站得住。跑几组已知的、注释完善的基因组做对照，是最省事的验证方式。
本文由奇幻维度内容助手整理发布，欢迎在评论区交流你的看法。