La plataforma de IA Hugging Face lanzó el jueves un nuevo modelo de código abierto para comprender el ADN que puede ejecutarse localmente en una computadora portátil.
Desarrollado en colaboración con investigadores de la Academia Zhongguancun en China y la Universidad de Nápoles Federico II en Italia, el modelo se entrena en secuencias genómicas y lenguaje natural para que las personas puedan hacer preguntas sobre los efectos de los cambios del ADN en la actividad genética y la salud y obtener respuestas conversacionales a cambio.
Lewis Tunstall, científico investigador senior de Hugging Face, dice que la herramienta está destinada a ayudar a los investigadores a diseñar nuevos medicamentos y terapias genéticas, y podría ayudar potencialmente a los pacientes a interpretar sus propios genomas.
“Hemos desbloqueado una nueva capacidad en los modelos de lenguaje, que consiste fundamentalmente en poder chatear con el ADN”, dice sobre el nuevo modelo, denominado Carbon-X. Usar lenguaje natural significa que incluso los usuarios no técnicos “pueden hacer preguntas sobre el ADN a las que no serían accesibles a través de ninguna otra herramienta”.
Conocido esencialmente como GitHub para modelos de IA, Hugging Face proporciona una biblioteca de herramientas de IA listas para usar y una plataforma para ejecutar principalmente aplicaciones de IA de código abierto y peso abierto para desarrolladores, investigadores, empresas y personas que desean experimentar con IA sin construir todo desde cero. En septiembre, Nvidia acordó adquirir la empresa por casi 13.000 millones de dólares. (Hugging Face también estuvo en el centro de un importante hackeo realizado por los modelos de OpenAI a principios de este año).
El ADN se parece más a un código informático que a un lenguaje natural. Sin embargo, en lugar de 0 y 1, utiliza As, C, G y T para codificar información. Un genoma humano contiene 6 mil millones de estas letras. Si bien el genoma humano ha sido secuenciado de principio a fin, los científicos aún no entienden cómo funciona la mayor parte.
Ahora, los modelos de IA están ayudando a los investigadores a descifrar algunos de esos misterios. El año pasado, Google DeepMind lanzó AlphaGenome, que predice los efectos de las secuencias de ADN y las mutaciones genéticas, pero lo hace en formato numérico. También requiere más potencia informática. Evo 2, un modelo desarrollado por el Arc Institute y Nvidia, junto con socios académicos, habla el lenguaje del ADN y puede generar genomas completos desde cero.
Carbon-X integra ADN y lenguaje natural en una interfaz conversacional. Piense en ello como un ChatGPT para ADN.
El equipo comenzó con un modelo de lenguaje existente y amplió su vocabulario para leer el ADN en grupos de seis letras. Luego continuaron entrenándose con 300 mil millones de fragmentos de datos, o tokens, que combinaban secuencias de ADN, texto en inglés y ejemplos que vinculaban el ADN con descripciones biológicas. Las secuencias de ADN procedían de mamíferos (incluidos los humanos), otros vertebrados, invertebrados, plantas, hongos y protozoos. Tunstall dice que el equipo no entrenó el modelo con virus porque no querían que se usara para aplicaciones potencialmente peligrosas.
Los usuarios no podrán cargar genomas humanos completos. El modelo fue entrenado para poder ingerir secuencias de ADN de aproximadamente 50.000 pares de bases, por lo que los usuarios sólo podrán consultar pequeñas partes del genoma a la vez.
Una de las formas en que los científicos podrían utilizar Carbon-X es ayudar a comprender si una mutación genética es benigna o causa enfermedad, un paso clave en el desarrollo de un fármaco dirigido o una terapia genética. Si una intervención apunta a la mutación equivocada, podría ser totalmente ineficaz o, peor aún, causar un daño no deseado.
Los investigadores enfrentan restricciones cuando se trata de cargar datos de pacientes identificables o confidenciales en modelos de IA de vanguardia, por lo que Tunstall dice que su equipo diseñó intencionalmente un modelo pequeño con 14 mil millones de parámetros. Eso le permitirá ejecutarse localmente en el hardware del usuario, en lugar de depender de modelos basados en la nube. No se envían datos a Hugging Face ni a ninguna otra empresa, afirma.
Los desarrolladores de Carbon-X advierten que aún no han validado el modelo con experimentos reales de laboratorio húmedo, por lo que no pueden decir cuán precisas son sus predicciones.