Hugging Face Bio 开源 12 亿参数找基因模型 Carbon-A：直接从 DNA 标出蛋白编码区，跑遍 2.2 万个物种得到 5.66 亿个候选基因位点；猫、鸡、拟南芥的测序实验佐证了一批 RefSeq 漏标的基因

这件事意味着什么

【要点】

10 月 8 日，Hugging Face 的生物团队 Hugging Face Bio 发布 Carbon-A（Carbon-Annotator）和配套的 Carbon 注释数据库（CADB）。Carbon-A 是一个 12 亿参数的 DNA 注释模型，直接读基因组序列，在单碱基分辨率上给出正反两条链的蛋白编码区概率，一次看 98,304 个碱基；同一个模型覆盖哺乳动物、其他脊椎动物、无脊椎动物、植物、真菌和原生生物，不需要按物种单独训练。权重以 Apache 2.0 许可放在 Hugging Face，训练数据和技术报告一并公开。

官方给出的结果：在 42 个基准基因组上，核苷酸级宏平均 F1 为 0.944，在核苷酸、外显子和基因三个层级都超过 AUGUSTUS、Helixer、Tiberius、SegmentNT、NTv3 等七个对比方法；只用动物数据训练的版本也能标注没见过的植物基因组；对把两个终止密码子改读成谷氨酰胺的四膜虫，F1 仍有 0.960。用它跑 GenBank 里的真核生物组装，目前得到 48,167 个组装、22,617 个物种、约 27 万亿碱基、5.66 亿个预测编码位点，大约是目标的一半，下一批预计三周后放出，EMBL 也将收录这批注释。

【可核验】

博客、模型卡（HuggingFaceBio/Carbon-A-1.2B）和数据库浏览器都已公开，可以自己下载模型跑基因组。湿实验部分是与 ActiveSite 和加州大学圣迭戈分校合作，用 PacBio Iso-Seq 测猫、叙利亚仓鼠、鸡和拟南芥的全长 RNA：部分 Carbon-A 预测、但 RefSeq 没有标注的编码区得到了转录证据，完整 CDS 支持率约 0.62，与 RefSeq 接近、高于其他从头预测工具。官方也说明，这只证明这些区域会转录成 RNA，还没证明会翻译成蛋白、更不知道功能；「5.66 亿」是候选位点，不是已确认的新基因。

【我们的判断】

一、这次发布的价值在规模化的「假设生成」：基因组测得越来越便宜，瓶颈早已移到注释，一个跨物种通用、带每个基因置信度（区分完全正确结构的 AUROC 0.876）的开源模型，加上一个可直接筛选的数据库，能让研究冷门物种的团队省掉大量前期工作。它和 AlphaFold 数据库的路数相似：先把预测铺满，再让实验去挑。

二、Hugging Face 在博客里直接点了闭源模型拒答正常生物学问题的问题，并判断 2027 年是 AI 做生物的一年。这说明「生物会是继网络安全、数学之后的下一个前沿」已经成了行业共识，开源一方想在前沿实验室收紧生物能力之前先把基础工具和数据占住。Carbon-A 只做「基因在哪里」的定位，不碰蛋白功能或序列设计，风险面相对小，适合作为开源生物模型的起点。

三、接下来值得看的是官方承诺的未研究物种湿实验结果，以及核糖体图谱、质谱这些翻译层面的证据。如果候选新基因在蛋白层面也站得住，这个数据库才会从「更全的预测」变成真正的新发现来源。