Carbon-A推出面向真核生物多样性的统一基因组注释模型并构建CADB

真核基因组的结构注释长期以来是整个领域的瓶颈。主流流程高度依赖外部证据：EVidenceModeler 将各类证据整合为加权共识 ^[2]，BRAKER 系列先后引入蛋白质数据库 ^[1] 以及 RNA-seq 加蛋白质的联合证据 ^[3] 来驱动迭代式基因预测。但正如 BRAKER3 的作者所指出的，转录组与蛋白质证据的数量和意义在基因组之间、基因之间乃至同一基因内部都参差不齐 ^[3]，这类证据在生命之树上分布极不均衡；而传统的从头预测方法又往往只针对特定分类群优化。结果是大量非模式物种长期缺乏可靠、一致的蛋白编码基因注释。

这项研究提出的 Carbon-Annotator（Carbon-A）是一个 12 亿参数的编码器模型，仅用单一检查点即可直接从基因组序列预测蛋白编码基因，覆盖哺乳类、其他脊椎动物、无脊椎动物、植物、真菌和原生动物。在 42 个基准基因组上，它在核苷酸、外显子与基因三个层面的 F1 值均为受评模型中最高，并在跨域与非标准遗传密码评估中保持稳健，同时为每个基因输出置信度分数以标示预测可靠性。作者进而把模型应用于 GenBank 中全部真核基因组组装，建成 Carbon Annotation Database（CADB）：涵盖 48,167 个组装、22,617 个分类单元、27.18 Tbp 序列，预测出 5.6634 亿个蛋白编码位点及其翻译蛋白序列，序列量约为 RefSeq 的九倍、分类单元数约为其十一倍。团队还测定了四个物种的全长 PacBio Iso-Seq 转录组，为 RefSeq 中缺失的 Carbon-A 基因候选提供了独立实验证据。

相对以往认识，这项工作的推进在于把注释范式从“证据依赖、逐基因组训练”转向“单一模型直接推断”：BRAKER 等流程需要针对目标基因组迭代学习统计模型 ^[1][3]，Carbon-A 则直接从序列出发给出跨真核的一致结果，为缺乏人工注释的物种提供了统一资源，其发现的新基因候选也有望补充既有参考注释；CADB 的大规模蛋白集还可能充实 OrthoDB 这类将功能知识外推到新测序基因组的直系同源资源 ^[4]，并充当基因组与蛋白质语言模型的训练语料。据报道，该模型与整个 CADB 已由 Hugging Face 开源发布^[5]。

当然，这仍是一篇未经同行评审的预印本，其基准结果的独立复核尚待进行；而且即便在注释最好的基因组中，可变剪接异构体的正确性也仍是值得审视的问题 ^[1]，摘要并未说明 Carbon-A 如何处理异构体层面的注释，其置信度分数的校准程度也还有待检验。