«Одна модель на всё дерево жизни»: Hugging Face выпустила Carbon-A для поиска генов

Что выпустили

8 октября 2026 года исследовательская группа Hugging Face Biology Research выпустила Carbon Annotation Database и модель Carbon-A, лежащую в её основе. По словам авторов, с помощью этой модели они обнаружили 566 миллионов новых кандидатов в гены у 22 617 видов, тысячи из которых никогда не изучались. Часть новых генов удалось подтвердить в хорошо изученных видах — среди примеров кошки, курица и арабидопсис; более обширные результаты «мокрой» лаборатории по прежде неизученным геномам авторы обещают опубликовать позже.

База данных, модель, обучающие данные и технический отчёт собраны в коллекции Carbon Annotation Database Collection в аккаунте HuggingFaceBio.

Зачем это нужно и почему сейчас

Авторы объясняют выбор темы так: секвенирование генома перестало быть узким местом. Современные технологии читают огромные объёмы ДНК параллельно, а химия, приборы и вычисления снизили стоимость и время на порядки — геномные сборки мы теперь получаем быстрее, чем успеваем их понять.

Узкое место сместилось ниже по потоку — в аннотацию генома: где находятся гены, какие участки кодируют белки и как кодирующие области организованы в экзоны и интроны. Аннотация до сих пор опирается на данные транскриптов, известные белки, интерполяцию от близких видов и участие экспертов, причём все эти ресурсы распределены по дереву жизни неравномерно.

Отдельно Hugging Face формулирует мотив открытости: крупные ИИ-лаборатории, по её наблюдению, готовятся взяться за биологию как за следующий фронтир после кибербезопасности и математики, и 2027 год авторы считают «годом био». При этом они указывают на риск зависимости исследований от закрытых фронтир-моделей и приводят в пример спор вокруг Navier-Stokes и отказы Claude отвечать на легитимные биологические вопросы.

Как устроена Carbon-A

Carbon-A — модель на 1,2 миллиарда параметров, которая предсказывает белок-кодирующие участки напрямую из ДНК, причём одной моделью для млекопитающих, других позвоночных, беспозвоночных, растений, грибов и протистов. Она работает в контексте 98 304 пар оснований и выдаёт предсказания с разрешением до нуклеотида по обеим цепям.

На 42 эталонных геномах Carbon-A достигает макро-усреднённого нуклеотидного F1 = 0,944 и обходит оценивавшиеся базовые методы — AUGUSTUS, Helixer, Tiberius, ANNEVO, OrionGeno, SegmentNT и NTv3 — на уровне нуклеотидов, экзонов и генов.

Модель обучалась на RefSeq — банке эталонных аннотаций геномов NCBI. Авторы обращают внимание, что эталонные аннотации не статичны: последовательности уточняются, копятся экспериментальные данные, ошибки исправляются, поэтому модель должна быть устойчива к ошибкам в обучающих метках. Пример со свиньёй: в обучающий снимок входила более старая сборка 2017 года, а после обучения вышла новая качественная сборка 2026-го — и на новой Carbon-A работает лучше, чем на старой, что говорит о выученных закономерностях кодирования, а не о заучивании аннотаций.

Проверки вне обучающего распределения

Большинство эукариотических «искателей генов» специализированы по виду или кладе, Carbon-A же использует одну общую модель для крупных групп эукариот. Чтобы понять, насколько хорошо такое представление переносится, авторы прогнали чекпойнт, обученный только на животных, по растениям, которых он при обучении не видел, — и он «всё ещё делает замечательную работу».

Отдельный стресс-тест — Tetrahymena thermophila с нестандартным генетическим кодом, где два обычных стоп-кодона кодируют глутамин. Carbon-A и здесь сохраняет очень высокую точность — нуклеотидный F1 = 0,960, — не требуя видоспецифичной модели. По мнению авторов, это указывает на то, что модель выучивает переносимые признаки кодирующей последовательности, а не только эвристики конкретной линии.

Мокрая лаборатория и что дальше

Самый интересный, по словам авторов, случай — когда модель расходится с эталонной базой: такие найденные гены оказываются либо новыми открытиями, либо ложноположительными срабатываниями. Чтобы ответить на этот вопрос, они провели валидацию в лаборатории вместе с партнёрами Active Site и UCSD и подтвердили ряд новых генов в хорошо изученных видах, включая кошек, курицу и арабидопсис; более обширные результаты «мокрой» лаборатории по ранее неизученным геномам ожидаются позже. Полные детали авторы адресуют к техническому отчёту.