Hugging Face تطلق Carbon-X نموذج لغة DNA مفتوح مع 14.8 مليار معلمة

بقلم: فريق تحرير العلامة التقنية التصنيف: الذكاء الاصطناعي ٢٦ أكتوبر ٢٠٢٦

أعلنت شركة Hugging Face عن إطلاق نموذج جديد مفتوح المصدر يُدعى Carbon-X، وهو نموذج لغة مخصص لتحليل سلاسل DNA يحتوي على 14.8 مليار معلمة. يتميز هذا النموذج بقدرته على قراءة التسلسل الجيني الخام والتفاعل معه عبر الدردشة، مع تقديم الإجابات باللغة الإنجليزية.

كيف يعمل Carbon-X ولماذا هو مميز؟

يُبنى نموذج Carbon-X على نسخة مطورة من نموذج Qwen3-14B، ويعتمد على تقنية ترميز هجينة تجمع بين رموز النصوص والرموز الخاصة بجينات الـ DNA. حيث يدمج النموذج 5515 رمزًا خاصًا بالـ DNA تشمل 4096 رمزًا لست قواعد متتالية (6-mers) بالإضافة إلى رموز أخرى وأدوات تعليمية. كل رمز DNA يغطي ست قواعد نيكليوتيدية، مما يسمح بتمثيل متقدم ودقيق لسلاسل DNA.

على عكس النماذج السابقة التي كانت تفصل بين ترميز النصوص والجينات، يستخدم Carbon-X تدفقًا موحدًا للرموز في وحدة فك الترميز (decoder) واحدة، مما يعزز من تكامل فهم النصوص والبيانات الجينية معًا.

مراحل تدريب النموذج

تم تدريب Carbon-X عبر أربع مراحل رئيسية:

• تسخين التضمين (Embedding warmup): حيث تم تدريب 10 مليارات رمز مع تثبيت أجزاء النموذج الأخرى لتعلم رموز DNA الجديدة فقط.
• التدريب المتوسط: مع معالجة 302 مليار رمز بطول تسلسل 8192، مع مزيج بيانات مكون من 55% DNA خام، 20% نصوص إنجليزية، 15% نصوص بيولوجية، و10% بيانات تعليمات.
• التدريب الخاضع للإشراف (SFT): ثلاثة عصور على 20 مجموعة بيانات مع التحقق الدقيق للإجابات بمساعدة خبراء المجال.
• التعلم المعزز (RL): باستخدام خوارزمية GRPO غير المتزامنة مع مكافآت قابلة للتحقق لضبط أداء النموذج.

أداء Carbon-X على معايير DNA المختلفة

حقق Carbon-X متوسط أداء 66.7% عبر خمسة معايير مختلفة لاختبار قدراته على فهم وتحليل DNA، متفوقًا بذلك على معظم النماذج المفتوحة الأخرى. كان أفضل أداء له في معيار BioReason Coding بنسبة 74.9%، ما يجعله في الصدارة حتى مقارنة بنماذج مغلقة المصدر. أما أدنى أداء فكان في اختبار GenomeQA المتعلق بمواقع الربط بنسبة 29.8%.

كما أظهر النموذج قدرة جيدة على التنبؤ بالقاعدة التالية في تسلسل DNA وتصنيف الكائنات الحية، مع الحفاظ على مهارات عامة جيدة في فهم النصوص البيولوجية.

التحديات والقيود

رغم الأداء المتميز، يواجه Carbon-X بعض التحديات مثل احتمال حدوث أخطاء في حساب عدد القواعد أو خلط الإحداثيات في التسلسلات الطويلة. كما قد ينتج أحيانًا معلومات غير دقيقة حول هوية التسلسل بدون سياق إضافي، ويُلاحظ تراجع جودة التوليد عند إنشاء تسلسلات طويلة، حيث لم يُصمم النموذج لتوليد تسلسلات جديدة بشكل كامل.

أهمية Carbon-X وتأثيره المحتمل

يمثل Carbon-X نقلة نوعية في دمج تقنيات الذكاء الاصطناعي مع علوم الجينوم، حيث يسمح بفهم وتحليل DNA باستخدام نماذج لغوية متقدمة. فتح هذه الإمكانية أمام الباحثين والمختبرات لتحليل الطفرات وتصنيف الكائنات الحية بشكل أكثر دقة وكفاءة، مع الاستفادة من ميزات النماذج اللغوية الحديثة.

كما أن إطلاقه كمصدر مفتوح وبترخيص Apache 2.0 يتيح للمختبرات التحكم الكامل في بياناتها الحساسة دون الحاجة إلى إرسالها إلى خدمات خارجية، ما يعزز الخصوصية والأمان في الأبحاث الجينية.

ماذا يعني هذا للمجتمع البحثي العربي؟

يمكن أن يفتح Carbon-X فرصًا جديدة للباحثين في العالم العربي للاستفادة من تقنيات الذكاء الاصطناعي في دراسة الجينات والأمراض المرتبطة بها. وسيساعد توفر النموذج مفتوح المصدر في تقليل التكلفة وتعزيز التعاون العلمي الإقليمي والدولي.

في الختام، يُعد Carbon-X نموذجًا متقدمًا يجمع بين اللغتين الطبيعية والجينية في إطار واحد، مما قد يسرع من الاكتشافات العلمية ويُحدث تحولًا في مجالات الطب الحيوي والبيولوجيا الجزيئية.