Hugging Face 发布生物 AI 新模型，一口气预测 5.66 亿个基因位点

测序只要几百美元，读懂它却要好几年

要理解 Carbon-A 在解决什么，先得知道瓶颈挪到了哪里。测序仪做的事，相当于把一本书逐字抄下来。但抄下来的文本没有标点：哪些碱基构成基因、哪几段真正编码蛋白质，得靠"注释"标出来。 这是从序列走向洞见的第一步。

问题在于，传统注释是个"证据密集型"手工活：要转录组数据、要已知蛋白比对、要从近缘物种插值，还要专家参与。但这些证据在生命树上的分布极度不均——模式物种应有尽有，冷门物种一无所有。所以组装产出的速度，早就超过了理解它们的速度。

一个 checkpoint，标注整棵真核生命树

Carbon-A 的思路很"大模型"：一个 1.2B 参数的共享模型，直接覆盖六大真核类群——哺乳动物、其他脊椎动物、无脊椎动物、植物、真菌、原生生物。但以往的基因预测工具更像"方言翻译器"：每个物种类群都得单独训练一个。 Carbon-A 想做的是"通用语言模型"。

它的血统来自中关村学院的 DNA 基础模型 GENERator-1.2B：团队把因果解码器换成双向编码器，保留长上下文配置。6 个碱基打包成一个 token，注意力矩阵缩小 36 倍，撑起 98,304 bp 的上下文窗口。 两个链特异性分类头，在正负两条链上同时给出单碱基分辨率的编码概率——序列只编码一次，但两条链都有答案。

效果怎么样？在 42 个基准基因组上，宏观平均核苷酸级 F1 达 0.944。 核苷酸、外显子、基因三个层级，全面压过 AUGUSTUS、Helixer、Tiberius、ANNEVO、OrionGeno、SegmentNT、NTv3 七个基线。外显子级 F1 到了 0.90，但基因级只有 0.74——结构完整的基因预测仍是硬骨头。

更狠的是"出分布"测试。团队拿一个只在动物基因组上训练的中间 checkpoint，去标注从没见过的植物。核苷酸 F1 仍有 0.873，却压过所有对手表现最好的动物专用 checkpoint（最高 0.804）。

另一个测试对象是嗜热四膜虫，一种遗传密码变异的纤毛虫：通用的终止密码子 TAA 和 TAG，在它这里却编码谷氨酰胺。

模型没有依赖"终止密码子"这类死规则，它识别的是编码序列的上下文规律。

渐进训练的迁移矩阵更能说明问题。每往训练里加入一个类群，模型在从未见过的类群上也会跟着涨。 但真菌、原生生物要等对应类群加入后才真正打开——通用性是一步步"学"出来的，天花板却比专用模型高。

它没有背答案，一头猪给出了证据

训练 AI 注释模型有个天然的尴尬：训练标签本身并不完美，RefSeq 的参考注释会随新证据不断修订，但模型很可能把旧版里的错误也一并学进去。 猪基因组提供了绝佳的检验案例：训练快照用的是 2017 年的旧版猪组装。而 2026 年高质量新组装发布后，模型的表现反而更好——基因级 F1 从 0.718 升到 0.776。

以 TAAR5 基因为例：旧组装里模型在这个位点完全没有预测，但新组装里给出了和 RefSeq 精确一致的预测。如果模型只是死记硬背训练数据，结果应该恰好相反。 它学到的是随组装和注释改进仍然有效的编码规律。

和 RefSeq 不一致的地方，藏着新基因

但基准测试回答不了最刺激的问题：当模型和参考数据库打架时，谁对？这些"模型特有"的预测，究竟是新发现的基因，还是假阳性？ 团队用两重独立证据来裁决。

第一重是结构：拿 AlphaFold3 去折叠各方预测的蛋白，但结果出人意料。在猫、叙利亚仓鼠、鸡、拟南芥四个物种里，Carbon-A 特有预测编码的蛋白，pTM 结构置信度反而高于 RefSeq 特有的注释。 代表性结构的对比悬殊：0.83、0.79、0.83、0.89，对 0.27、0.46、0.26、0.32。

第二重是湿实验。团队联合 ActiveSite 和 UCSD，给四个物种测了 PacBio Iso-Seq 转录组，直接读取活细胞里真实的 RNA。Carbon-A 预测的一批 RefSeq 里没有的编码区，真的被转录出来了。 但聚合数字更意外：完整 CDS 支持率约 0.62，与参考注释持平，压过所有其他 ab initio 系统。 在鸡（0.653 对 0.646）、拟南芥（0.698 对 0.685）上略超 RefSeq。

不过团队很坦诚：这些实验证明的是"被转录"，还没有证明"被翻译成蛋白"——那需要核糖体图谱和质谱。

5.66 亿个位点，和一个开放的赌注

把模型跑遍 GenBank 里的真核基因组，就有了 CADB。27.18 Tbp 序列、566.34 M 个预测位点，相当于 UniRef50 蛋白库的约 11.3 倍。 但和一堆裸预测不同，每个预测都挂着组装编号、基因组坐标、重建的 CDS、翻译出的蛋白和一个置信度分数。

这个置信度值得一说：它是首个类似 AlphaFold pLDDT 的基因级"把握分"，区分精确匹配的 AUROC 达 0.876。设 0.1 的阈值，只误杀 1.3% 的精确匹配，却能滤掉 33.4% 的其他预测——研究者可以按自己的精度需求取用。

目前 CADB 只标注了目标 GenBank 集合的一半，但下一批三周后就释出，之后还会上线 EMBL。EMBL-EBI 真核注释团队负责人 Fergal Martin 评价说，这个数据集建立在欧洲核苷酸档案库的海量公开基因组之上。"可以帮助研究者大规模地解读和比较基因与基因组。"

团队构成也颇有看点。除了 Hugging Face 联合创始人 Thomas Wolf，署名里还有清华膜生物学国家重点实验室的颜宁、中关村学院的秦涛。 甚至有一位来自北大附中的高中生作者——阵容豪华，但这件事多少也说明了开源社区的成色。

开放的姿态是刻意的。Hugging Face 在博客里点名了封闭前沿模型的争议：从 Navier-Stokes 风波，到 Claude 拒绝回答正当的生物学问题。但他们的落脚点是行动——

"我们认为 2027 年将是属于生物的一年。"

现在还不能做什么

Carbon-A 远非终点。它预测的是"编码区占位"，不解析完整的转录本路径和可变剪接。 只覆盖真核生物，细菌和病毒不在射程内。随模型发布的评估面板参与过训练，并非全新的留出测试集。速度上也不占优：标注人类 1 号染色体要 2,027 秒，但 Helixer 只需 460 秒。

但这些问题都有明确的下一步：显式建模多转录本、继续湿实验验证、把数据库扩完。原始输出里，已经能看到 isoform 的信号。真正有意思的是那个更大的悬念：

Hugging Face 赌的是 2027。答案也许不用等那么久。