Hugging Face open-sources Carbon-X: analyzing DNA through dialogue based on Qwen3-14B

Verpasse keine News mehr!

Carbon-X: Wie das neue Open-Source-Modell von Hugging Face mit DNA-Sequenzen chattet

Ob eine einzelne Veränderung im menschlichen Erbgut harmlos bleibt oder eine schwere Krankheit auslöst, gibt der Forschung oft Rätsel auf. Ein neuer Ansatz aus der Softwareentwicklung verbindet diese biologischen Daten nun mit einer ungewohnten Schnittstelle.

Neues Sprachmodell chattet mit der DNA. (Bild: Shutterstock/vectorfusionart)

Das US-amerikanische KI-Unternehmen Hugging Face hat unter dem Namen Carbon-X ein neues Open-Source-Sprachmodell veröffentlicht, das den Buchstabencode der DNA direkt in einem englischsprachigen Dialog auswertet. Entwickelt wurde das System gemeinsam mit Wissenschaftler:innen des chinesischen Forschungsinstituts Zhongguancun Academy in Peking sowie des italienischen Telethon Institute of Genetics and Medicine und der Universität Neapel Federico II. Das geht aus der Modell-Dokumentation zu Carbon-X hervor.AnzeigeAnzeige

Forscher:innen können dem unter der freien Apache-2.0-Lizenz bereitgestellten Modell im Chatfenster Abschnitte des Erbguts übergeben und in Alltagssprache erfragen, ob eine bestimmte Mutation unschädlich ist oder Krankheiten begünstigt. „Wir haben eine neue Fähigkeit in Sprachmodellen erschlossen, bei der es im Kern darum geht, mit DNA zu chatten“, sagt Lewis Tunstall, Senior Research Scientist bei Hugging Face, wie Wired berichtet.

Wie Carbon-X auf Basis von Qwen3–14B genetischen Code und Sprache kombiniert

Während menschliche Sprache aus Wörtern und Sätzen besteht, speichert die DNA als Trägerin der Erbinformation ihren Code in Ketten aus vier chemischen Grundbausteinen, den Nukleinbasen Adenin, Cytosin, Guanin und Thymin, abgekürzt A, C, G und T. Bisherige Biologie-Modelle wie AlphaGenome der in London ansässigen Google-Tochter DeepMind oder Evo 2 vom gemeinnützigen Arc Institute im kalifornischen Palo Alto und dem US-Chipkonzern Nvidia aus Santa Clara verarbeiten diesen Code zwar rechnerisch, bieten aber keine direkte Text-Konversation.AnzeigeAnzeige

Top-Artikel

Um diese Lücke zu schließen, nutzte das Entwicklungsteam als technisches Fundament das offene Sprachmodell Qwen3-14B des chinesischen Technologiekonzerns Alibaba und erweiterte dessen Wortschatz. Ein sogenannter hybrider Tokenizer – also das Softwaremodul, das Eingaben für das Modell in verarbeitbare Stücke zerlegt – teilt englische Wörter wie gewohnt auf, fasst DNA-Ketten jedoch automatisch in feste Blöcke aus jeweils sechs Buchstaben zusammen.

Anschließend trainierten die Forscher:innen das System mit 302 Milliarden Text- und Gen-Bausteinen aus englischer Fachliteratur sowie dem Erbgut von Säugetieren, anderen Wirbeltieren, Pflanzen, Pilzen und Einzellern. Dabei mussten die Entwickler:innen das Training so dosieren, dass das Modell die neuen Muster im Erbgut lernt, ohne seine vorhandenen Englischkenntnisse zu überschreiben. Auf das Erbgut von Viren verzichtete das Team nach Angaben von Tunstall gegenüber Wired hingegen bewusst, damit sich die Software nicht für den Entwurf gefährlicher Krankheitserreger missbrauchen lässt.

Empfohlene redaktionelle Inhalte

Hier findest du externe Inhalte von TargetVideo GmbH, die unser redaktionelles Angebot auf t3n.de ergänzen. Mit dem Klick auf "Inhalte anzeigen" erklärst du dich einverstanden, dass wir dir jetzt und in Zukunft Inhalte von TargetVideo GmbH auf unseren Seiten anzeigen dürfen. Dabei können personenbezogene Daten an Plattformen von Drittanbietern übermittelt werden.

Hinweis zum Datenschutz

Leider ist etwas schief gelaufen...

An dieser Stelle findest du normalerweise externe Inhalte von TargetVideo GmbH, jedoch konnten wir deine Consent-Einstellungen nicht abrufen.

Lade die Seite neu oder passe deine Consent-Einstellungen manuell an.

Vergleich mit GPT-6.1 Sol: Warum Carbon-X bei ClinVar-Analysen die Kosten senkt

In fünf Testverfahren zur Einordnung von Genveränderungen und zur Vorhersage nachfolgender DNA-Bausteine erreichte das 14,8 Milliarden Parameter umfassende Carbon-X im Durchschnitt eine Trefferquote von 66,7 Prozent und lag damit 27 Prozentpunkte über seinem Ausgangsmodell Qwen3-14B. Es kam damit fast an das kommerzielle Großmodell GPT-6.1 Sol des KI-Marktführers OpenAI heran, das auf 67,5 Prozent kam, während Claude Opus 5.5 des ebenfalls in San Francisco ansässigen Entwicklers Anthropic 60,9 Prozent und Gemini 4 Argon von Google 49,8 Prozent erzielten.

Während große Sprachmodelle vor einer Antwort oft lange interne Denkschleifen durchlaufen, gibt Carbon-X seine Ergebnisse ohne diesen zusätzlichen Rechenaufwand direkt aus und ist pro Abfrage rund 1.800-mal günstiger als GPT-6.1 Sol. Wollen Forscher:innen beispielsweise alle 2,4 Millionen Genmutationen mit noch ungeklärter Gesundheitswirkung in der öffentlichen Datenbank ClinVar prüfen, kostet die Rechenzeit mit Carbon-X rund 300 US-Dollar. Bei den getesteten Konkurrenzmodellen reicht die Spanne hingegen von 32.000 bis zu vier Millionen Dollar. Die Spanne schwankt, je nachdem, ob ein günstigerer Tarif mit kurzem Denkaufwand wie bei DeepSeek V4.1 Flash oder ein kostenintensives Modell auf maximaler Denkstufe wie GPT-6.1 Sol genutzt wird.AnzeigeAnzeige

Lokale Nutzung von Carbon-X, Anbindung an Claude Code und Grenzen in der Praxis

Für medizinische Forschungseinrichtungen spielt zudem der Datenschutz eine Rolle, weil sensible oder unveröffentlichte Erbgutdaten von Patient:innen nicht einfach an externe Cloud-Server übertragen werden dürfen. Während große Sprachmodelle im Rechenzentrum meist mindestens Verbünde aus bis zu acht Server-Grafikkarten mit jeweils 80 Gigabyte Videospeicher voraussetzen, kommt Carbon-X im Laborbetrieb mit einer einzigen solchen Karte aus und läuft laut den Entwickler:innen sogar lokal auf entsprechend ausgestatteten Laptops. Einschränkungen gibt es bei der lokalen Nutzung lediglich durch den speziellen Python-Tokenizer, der die Programme Transformers oder VLLM erfordert und gängige Werkzeuge für Heimcomputer wie Llama.cpp ausschließt.

Auch inhaltlich unterliegt Carbon-X klaren Beschränkungen, da es pro Anfrage maximal rund 49.000 Basenpaare – also zusammengehörige Sprossen der DNA-Leiter – gleichzeitig überblickt und somit immer nur winzige Bruchteile der sechs Milliarden Buchstaben eines vollständigen menschlichen Genoms auswerten kann. Weil sich das Sprachmodell beim Abzählen einzelner Positionen in langen Buchstabenketten verzählen oder bei fehlenden Zusatzinformationen Funktionen frei erfinden kann, liefert Hugging Face fertige Schnittstellen für Programmier-Agenten wie Claude Code oder Codex CLI mit, die das Zählen in klassische Python-Skripte auslagern.

Unzuverlässig arbeitet die Software noch bei der Frage, an welchen Stellen Zellen abgelesene Gen-Baupläne zurechtschneiden oder wie chemische Markierungen steuern, ob ein Gen überhaupt aktiv ist. Hier liegt die Trefferquote nur bei 29,8 beziehungsweise 34,6 Prozent. Da die Aussagen von Carbon-X laut den Entwickler:innen zudem weder klinisch noch in realen Laborexperimenten überprüft wurden, eignet sich das System ausschließlich für die Forschung und darf nicht für medizinische Entscheidungen eingesetzt werden.

Startseite