Hugging Face presenta Carbon-X, un modelo abierto al que se le pueden hacer preguntas sobre el ADN

Hugging Face, la plataforma donde se comparten modelos de IA, presentó el jueves 22 de octubre Carbon-X, un modelo abierto que entiende secuencias de ADN y responde sobre ellas en inglés, dentro de una conversación normal. Se le pega una secuencia y se le pregunta, por ejemplo, si una mutación es benigna o patógena, y el modelo responde y explica su razonamiento. Sus respuestas pueden mezclar texto y ADN.

También localiza las zonas que controlan la actividad de los genes, clasifica secuencias según el grupo de organismos del que proceden y predice las siguientes bases de una secuencia.

Carbon-X tiene 14.800 millones de parámetros y parte de Qwen3-14B, un modelo de lenguaje abierto. Se entrenó con 302.000 millones de tokens (fragmentos de texto) que combinan ADN, textos de biología, inglés e instrucciones; algo más de la mitad de ese material es ADN en bruto. Lo han hecho Hugging Face, la Academia Zhongguancun, de China, y el Instituto Telethon de Genética y Medicina con la Universidad de Nápoles Federico II, de Italia, según la ficha del modelo y The Next Web.

En las pruebas de Hugging Face, con cinco tests de ADN que miden si un modelo sabe predecir el efecto de una mutación, reconocer rasgos de una secuencia y adivinar las bases que siguen, obtiene una media del 66,7 %, 27 puntos más que Qwen3-14B. Queda por delante de todos los demás modelos abiertos que han evaluado y cerca de GPT-6.1 Sol, de OpenAI (67,5 %), con un coste por problema aproximadamente 1.800 veces menor. En dos de los cinco tests, el efecto de las mutaciones en las zonas que codifican proteínas y la predicción de las siguientes bases, supera a todos los modelos probados.

Calculan que analizar los 2,4 millones de variantes de significado incierto de ClinVar, una base de datos pública de variantes genéticas, costaría aproximadamente 300 dólares con Carbon-X, frente a entre 32.000 y 4 millones de dólares con los modelos punteros que han probado.

Se publica con licencia Apache 2.0 y cabe en una sola tarjeta gráfica de 80 GB, así que los investigadores pueden usarlo en sus propios equipos y mantener allí las secuencias sensibles o inéditas. Lewis Tunstall, investigador sénior de Hugging Face, contó en declaraciones a Business Insider, recogidas por The Next Web, que el equipo dejó los virus fuera de los datos de entrenamiento para reducir el riesgo de mal uso.

Hugging Face avisa de que Carbon-X no está validado clínicamente y de que no debe usarse para tomar decisiones médicas. Según Wired, citado también por The Next Web, sus predicciones todavía no se han comprobado en experimentos de laboratorio. La ficha añade que puede equivocarse al contar bases o inventarse la función de una secuencia si le falta contexto, que sigue flojo en algunas tareas, como reconocer los puntos de corte y empalme de los genes, y que no se entrenó para diseñar secuencias nuevas.