网通社科技快报
Hugging Face开源DNA对话模型 支持自然语言查询基因突变影响
Hugging Face近日正式推出开源DNA对话模型，这是首个支持自然语言交互式推理的基因组AI系统。该模型将DNA视为一种语言，以A/T/C/G为字母表，结合启动子、外显子等结构构建语法与语义层次，使研究人员可直接用自然语言提问，如‘BRCA1第185位CAG→TAG突变是否导致蛋白截短及乳腺癌风险升高’，模型能识别无义突变并关联临床数据，输出含置信度评分与文献索引（如ClinVar、OMIM）的结果。
模型基于Transformer架构，训练数据涵盖人类基因组计划、千人基因组计划及ENCODE等公开数据库的数百万条序列-功能注释对，并融合AlphaFold3预测的蛋白质结构信息，构建‘序列→结构→功能’多模态训练目标。为应对长序列挑战，采用分段注意力+局部窗口机制；为提升情境敏感性，引入组织特异性表达矩阵作为条件输入。
该模型以Apache 2.0许可证开源，权重与推理代码已上线Hugging Face Hub，支持Bioconda、Galaxy及Jupyter环境部署与LoRA微调。目前超30家机构（包括Broad研究所、Sanger中心、中科院上海营养所）接入测试，用于罕见病突变初筛，将数周人工流程压缩至分钟级。模型明确标注为辅助工具，临床诊断仍需湿实验验证。
团队正推进全球基因组公平性专项训练，以改善非欧洲人群变异预测准确率下降问题。此举标志大模型能力从通用文本延伸至分子生物学底层，为构建‘数字孪生细胞’提供关键组件，也体现Hugging Face在科学AI赛道的系统布局：继ESM-3蛋白质模型后，持续拓展分子—细胞—个体三级建模能力。
模型基于Transformer架构，训练数据涵盖人类基因组计划、千人基因组计划及ENCODE等公开数据库的数百万条序列-功能注释对，并融合AlphaFold3预测的蛋白质结构信息，构建‘序列→结构→功能’多模态训练目标。为应对长序列挑战，采用分段注意力+局部窗口机制；为提升情境敏感性，引入组织特异性表达矩阵作为条件输入。
该模型以Apache 2.0许可证开源，权重与推理代码已上线Hugging Face Hub，支持Bioconda、Galaxy及Jupyter环境部署与LoRA微调。目前超30家机构（包括Broad研究所、Sanger中心、中科院上海营养所）接入测试，用于罕见病突变初筛，将数周人工流程压缩至分钟级。模型明确标注为辅助工具，临床诊断仍需湿实验验证。
团队正推进全球基因组公平性专项训练，以改善非欧洲人群变异预测准确率下降问题。此举标志大模型能力从通用文本延伸至分子生物学底层，为构建‘数字孪生细胞’提供关键组件，也体现Hugging Face在科学AI赛道的系统布局：继ESM-3蛋白质模型后，持续拓展分子—细胞—个体三级建模能力。