Hugging Face presentó Carbon-X, un modelo de inteligencia artificial de código abierto capaz de responder preguntas sobre secuencias de ADN en lenguaje cotidiano y explicar las respuestas en inglés, sin recurrir a fórmulas ni gráficos técnicos. El proyecto se desarrolló junto con la Academia Zhongguancun, en China, el Instituto Telethon de Genética y Medicina y la Universidad Federico II de Nápoles, en Italia.
El sistema dispone de 14.800 millones de parámetros y fue entrenado con 302.000 millones de fragmentos de texto que combinan secuencias genéticas, literatura científica e instrucciones en inglés. El usuario puede pegar una cadena de ADN en una conversación y recibir una explicación por escrito.
Entre las capacidades de Carbon-X se destacan la predicción de si una mutación es benigna o está asociada a una enfermedad, la identificación de regiones reguladoras que controlan la actividad de un gen, la clasificación de fragmentos de ADN según el organismo de procedencia y la anticipación de bases siguientes en una secuencia.
Lewis Tunstall, investigador senior de Hugging Face, enfatizó que la herramienta amplía el acceso a este tipo de análisis. “Hemos desbloqueado una nueva capacidad en los modelos de lenguaje, que es la posibilidad de conversar con el ADN”, declaró. Según él, el uso del lenguaje natural facilita que personas sin formación técnica consulten datos genéticos de una manera que no era posible con otras herramientas de bioinformática.
El equipo partió de Qwen3-14B, un modelo de Alibaba, y amplió su vocabulario para leer ADN en bloques de seis letras, para luego continuar el entrenamiento con datos genómicos.
Una ventaja práctica es que los pesos del sistema caben en una placa gráfica de 80 gigabytes, lo que permite que funcione en la propia computadora del investigador sin depender de un servicio en la nube. Esta decisión responde a limitaciones reales: muchos investigadores no pueden subir datos genéticos identificables o de pacientes a modelos de IA alojados por terceros. Al ejecutarse de forma local, ninguno de los datos sale del equipo del usuario.
Los desarrolladores excluyeron deliberadamente los virus del material de entrenamiento, con el objetivo de reducir el riesgo de uso indebido. Tunstall explicó que esa medida busca aminorar problemas de seguridad, que también afectan a muchos chatbots generales cuando, para evitar mal uso, rechazan preguntas legítimas de biología por temor a diseñar armas.
En cinco pruebas comparativas sobre predicción de mutaciones y reconocimiento de secuencias, Carbon-X promedió un 66,7% de aciertos, cercano al 67,5% que Hugging Face atribuye a GPT-6.1 Sol, un modelo mucho más grande.
La empresa afirmó que analizar las 2,4 millones de variantes genéticas de significado incierto registradas en ClinVar con Carbon-X costaría alrededor de USD 300. Con modelos de mayor escala, se esperaba que ese costo cambiara, aunque la nota no completa esa última estimación.
