Hugging Face推出新型AI生物模型，可与DNA对话

AI开源平台Hugging Face本周四发布了一款能理解DNA的开源模型，最大特点是可以在笔记本电脑上本地运行。该模型由Hugging Face联合中国中关村学院和意大利那不勒斯费德里科二世大学的研究人员共同开发，训练数据同时包含基因组序列和自然语言，用户可以就DNA变异对基因活性和健康的影响提问，模型会以对话方式给出回答。Hugging Face高级研究科学家刘易斯·坦斯托尔表示，这款名为Carbon-X的工具旨在帮助研究人员设计新药和基因疗法，未来还可能帮助患者解读自己的基因组。他说：“我们解锁了语言模型的一项新能力，本质上是能够与DNA对话。”使用自然语言意味着即使是非技术用户，“也能问出任何其他工具都无法触及的DNA问题”。 要理解这件事的意义，得先知道DNA解读有多难。DNA本质上更像计算机代码而非自然语言，它用A、C、G、T四种字母编码信息，人类基因组包含约60亿个这样的字母。虽然人类基因组已被完整测序，但科学家至今仍不清楚其中大部分序列的具体功能。去年，谷歌DeepMind发布了AlphaGenome，能预测DNA序列和基因突变的影响，但输出的是数字格式，且需要更多算力；由Arc研究所和英伟达等机构开发的Evo 2则能直接生成完整基因组。Carbon-X的差异在于把DNA和自然语言整合进一个对话界面，可以理解为“DNA版的ChatGPT”。团队从现有语言模型出发，将词表扩展为按六个字母一组读取DNA，再用3000亿个token的数据继续训练，数据涵盖DNA序列、英文文本以及DNA与生物学描述之间的对应关系，序列来源包括人类在内的哺乳动物、其他脊椎动物、无脊椎动物、植物、真菌和原生动物。值得注意的是，团队刻意没有用病毒数据训练，以避免模型被用于潜在危险用途；用户也无法上传完整人类基因组，模型仅支持约5万个碱基对以内的序列查询。 这一设计背后有明确的现实考量。研究人员在将可识别或敏感的患者数据上传到前沿AI模型时面临合规限制，因此团队有意将模型规模控制在140亿参数，使其能直接在用户本地硬件上运行，数据不会发送给Hugging Face或任何其他公司。在应用层面，Carbon-X可以帮助判断某个基因突变是良性还是致病，这是开发靶向药物和基因疗法的关键一步——如果干预措施针对了错误的突变，轻则完全无效，重则造成意外伤害。不过开发团队也提醒，该模型尚未经过实际湿实验室实验验证，因此目前无法确定其预测的准确度。对于关注AI制药和基因技术的从业者来说，这是一个值得跟踪的起点，但距离临床或药物发现的实际应用还有验证工作要做。