由Hugging Face与中国中关村科学院及意大利那不勒斯费德里科二世大学合作开发的新型AI模型,结合了基因组序列和自然语言训练,使用户能够通过对话形式询问DNA变化对基因活性和健康的影响,并获得回答。

Hugging Face高级研究科学家Lewis Tunstall表示,该工具旨在帮助研究人员设计新药和基因疗法,同时也有望帮助患者解读自身基因组。“我们开启了语言模型的新能力,核心是能够与DNA进行对话,”他介绍了名为Carbon-X的新模型。利用自然语言,非专业用户也能提出以往任何工具无法触及的DNA相关问题。

Hugging Face被誉为AI模型的GitHub,提供丰富的现成AI工具库和平台,支持开发者、研究人员及企业运行开源或开放权重的AI应用,方便用户无需从零构建即可尝试AI技术。今年9月,Nvidia宣布以近130亿美元收购该公司。(今年早些时候,Hugging Face也曾因OpenAI模型引发重大安全事件而备受关注。)

DNA更像是计算机代码,而非自然语言。它用A、C、G、T四种碱基代替0和1编码信息。人类基因组包含60亿个碱基对。尽管人类基因组已被完整测序,科学家们仍未完全理解其大部分功能。

如今,AI模型正助力破解这些谜团。去年,谷歌DeepMind发布了AlphaGenome,能预测DNA序列和基因突变的影响,但结果以数字形式呈现,且计算资源需求较高。由Arc研究所、Nvidia及学术合作伙伴开发的Evo 2模型则能“理解”DNA语言,甚至能从零生成完整基因组。

Carbon-X将DNA与自然语言结合,打造了一个类似于DNA版ChatGPT的对话界面。

团队基于现有语言模型,扩展其词汇表以识别六个碱基为一组的DNA序列,随后使用3000亿个数据片段(包括DNA序列、英文文本及DNA与生物描述的对应示例)继续训练。DNA数据涵盖哺乳动物(包括人类)、其他脊椎动物、无脊椎动物、植物、真菌和原生动物。Tunstall表示,团队未将病毒数据纳入训练,避免模型被用于潜在危险的应用。

用户无法上传完整人类基因组。模型设计能处理约5万个碱基对的DNA序列,因此每次查询仅限于基因组的小片段。

科学家们可利用Carbon-X判断基因突变是良性还是致病,这对开发靶向药物或基因疗法至关重要。若干预针对错误的突变,可能完全无效甚至带来副作用。

鉴于上传可识别或敏感患者数据至前沿AI模型存在限制,Tunstall表示团队特意设计了一个拥有140亿参数的小型模型,支持用户在本地硬件上运行,无需依赖云端,且不会将数据传输给Hugging Face或任何其他公司。

Carbon-X的开发者提醒,目前尚未通过实际实验室验证模型的准确性,因此其预测结果的可靠性仍需进一步确认。