Modelo une sequências genômicas e perguntas em linguagem natural
O Carbon-X é um modelo desenvolvido em colaboração com pesquisadores da Zhongguancun Academy, na China, e da University of Naples Federico II, na Itália. Ele foi treinado com sequências genômicas e linguagem natural para fornecer respostas conversacionais a perguntas sobre efeitos de alterações no DNA sobre a atividade dos genes e a saúde.
Lewis Tunstall, cientista pesquisador sênior da Hugging Face, disse que a ferramenta busca apoiar pesquisadores no desenho de novos medicamentos e terapias genéticas e pode, potencialmente, ajudar pacientes a interpretar seus próprios genomas. Segundo ele, o modelo amplia a capacidade de modelos de linguagem para permitir conversas sobre DNA.
Como foi realizado o treinamento
A equipe partiu de um modelo de linguagem existente e ampliou seu vocabulário para ler DNA em grupos de seis letras. O treinamento prosseguiu com 300 bilhões de tokens que combinavam sequências de DNA, textos em inglês e exemplos que relacionavam DNA a descrições biológicas.
As sequências usadas vieram de mamíferos, incluindo humanos, outros vertebrados, invertebrados, plantas, fungos e protozoários. Segundo Tunstall, vírus não foram incluídos no treinamento para evitar aplicações potencialmente perigosas.
Limites de uso e validação
Usuários não poderão enviar genomas humanos completos. O Carbon-X foi treinado para receber sequências de aproximadamente 50 mil pares de bases por vez. O modelo tem 14 bilhões de parâmetros e foi projetado para operar no hardware do usuário, sem depender de modelos em nuvem.
Segundo Tunstall, nenhum dado é enviado à Hugging Face ou a outra empresa. Os desenvolvedores, porém, alertam que o Carbon-X ainda não foi validado em experimentos de laboratório úmido e, por isso, não informam a precisão de suas previsões.
Ponto de atenção para gestores
Para organizações que avaliam IA aplicada à genômica, a principal cautela é distinguir o potencial de consulta e interpretação de uma validação experimental. A fonte relata possibilidades de uso em pesquisa, mas também registra que a precisão das previsões ainda não foi estabelecida por testes de laboratório.
A limitação de entrada a trechos do genoma e a execução no hardware do usuário são características relevantes para avaliar fluxos de trabalho com dados genéticos. Qualquer adoção deve considerar esses limites técnicos e o estágio de validação declarado pelos desenvolvedores.