{"id":"mb-20261013-b48c62","kind":"deep","title":"跨两万物种预测5.66亿基因候选：开源DNA模型Carbon-A如何突破真核生物注释瓶颈","summary":"基因测序成本剧降后，如何从数十亿碱基中精准识别外显子与内含子成为生物学核心瓶颈。开源基因模型Carbon-A利用双链分类与超长上下文，无需针对单物种调参即可直接跨门类注释基因，在两万多种真核生物中发现5.66亿个蛋白质编码候选，并通过真实活体RNA测序验证了部分权威数据库此前遗漏的有效基因。","body":"现在测出一个生物的全部 DNA，比读懂它快太多了。\n只要把细胞丢进测序仪，几天时间就能吐出几十亿个 A、C、G、T 碱基。\n测序越来越便宜，真正的麻烦全堆到了后面。\n在这几十亿个密密麻麻的字母里，到底哪一段才是真正负责干活的有效基因？\n\n外行听起来可能觉得，直接顺着字母找不就行了吗？\n真不行。\n在细菌这类简单原核生物里，基因确实是连贯的一整块。\n但到了真核生物，从一株酵母菌、一棵草，到一只猫、一只鸡和我们人类，大自然的设计就变得极其折腾。\n一个能制造蛋白质的基因，在染色体上是被切成一段一段的。\n负责干活的编码区叫外显子，中间却隔着大段大段不编码的填充序列，叫内含子。\n更绝的是，DNA 是两条相互缠绕的双螺旋。\n正向链条上有一套基因，反向链条在完全重叠的位置上，还能反向读出另一套完全不同的基因。\n甚至有的物种还会改写密码规则。\n比如单细胞的原生生物嗜热四膜虫，把全生物通用的终止密码，自作主张当成正常的氨基酸来翻译。\n\n这要怎么找？\n过去二十多年，生物学界最常用的经典工具叫 AUGUSTUS，底层靠的是隐马尔可夫模型。\n这套统计方法有一个致命的死穴：它极其挑食。\n你要给一种新发现的真菌找基因，得先在实验室里手动验证过一千多个基因结构，喂给算法做训练。\n要是直接拿人类或者拟南芥调好的参数去硬套别的物种，准确率当场跳崖。\n更折磨人的是，为了验证基因位置，它必须依赖实验室提取的活体组织 RNA 数据。\n可地球上有几万几十万种生物，濒危的、深海的、热带雨林里的，去哪找新鲜活体细胞挨个抽提组织？\n结果就是，全世界的测序仪把上万种生物的基因组读了出来，堆在数据库里。\n大家守着天书，却不知道里面写了什么。\n\n上周，Hugging Face 的生物研究团队开源了一个叫 Carbon-A 的 DNA 大模型。\n他们想把这个卡了生物学界几十年的注释瓶颈，彻底做成开箱即用。\n这个模型有 12 亿参数。\n它读 DNA 的方式非常直接。\n团队用了一个非重叠的 6 碱基分词器，把上下文窗口直接拉到了 98304 个碱基。\n在模型最顶端，挂了两个分别针对正链和反链的分类器。\n模型顺着 DNA 文本滑过去，逐个碱基打分，直接输出某段序列属于编码区的概率。\n\n它最厉害的地方，在于不需要按物种单独调参。\n同一个模型，通吃哺乳动物、脊椎动物、无脊椎动物、植物、真菌和各类原生生物。\n研发人员做过压力测试：\n把一个只在动物数据上训练过的模型版本，直接拿去标注完全没见过的植物基因组，依然圈得极准。\n哪怕遇到前面提到的嗜热四膜虫这种篡改遗传密码的刺头，在单个碱基层面的 F1 准确率依然高达 0.96。\n\n模型跑通之后，团队干脆顺手把美国国家生物技术信息中心 GenBank 里的公开真核生物全跑了一遍。\n整整扫描了 48167 个基因组装配体，涵盖 22617 个物种，处理了 27 万亿个碱基对。\n最后给全球生物学界交出了一份惊人的账本：\n它一口气预测出了 5.66 亿个蛋白质编码基因候选。\n这比过去全球最大的权威参考数据库 RefSeq，物种覆盖量直接翻了 11 倍。\n里面有成千上万个物种，人类历史上从来没人给它们做过基因注释。\n\n看到这个数字，很多生物学家第一反应肯定是：\n这 5.66 亿个候选到底是不是真的？\n大模型生成文字会产生幻觉，它圈出来的基因，会不会也是 AI 在瞎编？\n团队非常清楚，光靠计算机里的交叉验证，根本不可能让搞生物的人信服。\n他们拉上了加州大学圣迭戈分校和 ActiveSite 的湿实验团队，直接进实验室验货。\n他们拿出了超高精度的三代长读长测序技术 PacBio Iso-Seq。\n这种技术可以直接从真实活体细胞里，抓取完整长度的真实 RNA 分子。\n\n团队重点抓了猫、家鸡、叙利亚仓鼠和拟南芥四个物种。\n最戏剧性的对比就在这里出现了。\n在很多官方权威数据库 RefSeq 标记为一片空白、没有任何基因的地方，Carbon-A 坚称这里存在有效基因。\n实验仪器一测，真实活体细胞里，真真切切抓到了完整转录出来的 RNA 分子，而且剪切拼接的位置和模型预测一模一样。\n这说明很多过去以为是模型搞错的假阳性，其实是人类自己之前的权威数据库给漏掉了。\n\n当然，科学探索得讲证据的边界。\n在细胞里测到了 RNA，只能证明这段基因确实被转录了，外显子拼接也确实成立。\n至于这些 RNA 有没有被核糖体最终翻译成蛋白质，蛋白质折叠出来到底负责什么生命功能，现在还没测完。\n下一步还要用质谱仪和核糖体印迹继续往下筛。\n\n但这扇门已经被推开了。\n以前人类认识自然界，从抓到一只新虫子、测出一段 DNA，到看懂它身上到底装了哪些零件，中间隔着昂贵的试剂、漫长的实验和几代研究员的青春。\n现在把一串原始字母丢给开源模型，几个小时就能拿到一张分辨率精确到单个字母的基因分布图。\n这颗星球上几十万种生命各自写了几十亿年的源代码，我们总算拿到了第一份通用的索引目录。","topic":"跨两万物种预测5.66亿基因候选：开源DNA模型Carbon-A如何突破真核生物注释瓶颈","frame_type":["机制"],"citations":[],"channel_note":"","identity_notice":"","source_type":"generated","status":"published","generated_at":"2026-10-13 08:46:46","legal_anchor_count":0,"transcript_citation_count":0}