AI平台Hugging Face于周四发布了一个新的开源模型，用于理解DNA，该模型可以在笔记本电脑上本地运行。该模型是在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合作下开发的，经过培训以处理基因组序列和自然语言，使人们能够询问关于DNA变化对基因活性和健康影响的问题，并得到对话式的回答。Hugging Face的高级研究科学家路易斯·坦斯托尔表示，这个工具旨在帮助研究人员设计新药和基因治疗，并可能帮助患者解读自己的基因组。他表示：“我们在语言模型中开启了一项新能力，根本上是能够与DNA进行对话。”这个新模型被称为Carbon-X。使用自然语言意味着即使是非技术用户“也可以实际提出关于DNA的问题，而这些问题通过其他工具无法获得。”Hugging Face被称为AI模型的GitHub，为开发人员、研究人员、企业以及想要试验AI而无需从零开始构建的人们提供了现成的AI工具库和主要运行开放权重和开源AI应用的平台。今年9月，英伟达同意以近130亿美元的价格收购这家公司。（Hugging Face在今年早些时候也曾成为OpenAI模型重大攻击事件的中心。）DNA更像是计算机代码，而不是自然语言。虽然它使用A、C、G和T来编码信息，而不是0和1，一个人类基因组包含60亿个这样的字母。尽管人类基因组已经完成全序列测定，科学家们仍然不理解其中大部分如何运作。现在，AI模型正在帮助研究人员解开一些这些谜团。去年，谷歌DeepMind推出了AlphaGenome，它预测DNA序列和基因突变的影响，但以数字格式呈现，并需要更多的计算能力。由Arc Institute和英伟达及其学术伙伴开发的Evo 2模型能够使用DNA语言，从零生成整个基因组。Carbon-X将DNA和自然语言集成在一个对话界面中。可以把它看成是DNA的ChatGPT。团队从现有的语言模型开始，扩展其词汇量，以每六个字母一组的方式读取DNA。随后，他们在包含DNA序列、英语文本以及将DNA与生物描述联系起来的示例的3000亿个数据块（或标记）上继续训练。这些DNA序列来自哺乳动物（包括人类）、其他脊椎动物、无脊椎动物、植物、真菌和原生生物。坦斯托尔表示，团队没有在病毒上训练该模型，因为他们不希望其被用于潜在的危险应用。用户将无法上传完整的人类基因组。该模型训练可以处理大约50,000个碱基对的DNA序列，因此用户只能一次查询基因组的较小部分。科学家们可以使用Carbon-X的方式之一是帮助了解一个基因突变是良性还是致病性，这是开发靶向药物或基因治疗的关键步骤。如果干预目标错误的突变，可能完全无效或更糟，会造成意想不到的伤害。在将可识别或敏感的患者数据上传到前沿AI模型时，研究人员面临限制，因此坦斯托尔表示，他们的团队故意设计了一个有140亿个参数的小模型。这将使其能够在用户的硬件上本地运行，而不是依赖云端模型。他表示，没有数据被发送到Hugging Face或其他公司。Carbon-X的开发者警告称，他们尚未通过实际的湿实验验证该模型，因此无法说明其预测的准确性。