AI设计出16种可杀死大肠杆菌的新型噬菌体：从基因预测走向完整基因组设计

斯坦福与 Arc Institute 利用基因组语言模型 Evo 系列设计并合成近300个噬菌体基因组候选，其中16种在实验室中组装并能够感染、杀死大肠杆菌。研究展示了生成式 AI 在完整基因组设计上的可行性与潜在应用，同时强调了双重用途风险与严格生物安全审查的必要性。

斯坦福大学与 Arc Institute 的研究人员说，他们首次利用基因组语言模型生成了能够在实验室中发挥作用的完整噬菌体基因组。研究团队以天然噬菌体 ΦX174 为模板，让 Evo 1 和 Evo 2 生成新的 DNA 序列，并合成、测试了近300个候选基因组；其中16个最终组装成了能够感染并杀死大肠杆菌的噬菌体。

这项研究于2026年8月6日发表于《Science》，论文题为《Generative design of bacteriophages with genome language models》。它被研究人员描述为生成式人工智能设计完整噬菌体基因组的首次实验性验证，但并不意味着人工智能已经能够按需制造现实世界中的人类病原体。

研究对象是感染细菌的病毒，而不是人类病毒

噬菌体是专门感染细菌的病毒。它们通常先附着在细菌表面，把遗传物质注入宿主细胞，再利用细菌的生物机制复制自身，最后使细菌裂解。ΦX174感染的是大肠杆菌，基因组只有约5400个碱基，是分子生物学中研究最充分、也相对容易操作的噬菌体之一。

研究团队选择它作为测试对象，部分原因正在于其基因组较小，但仍包含多个彼此协作的基因和调控元件。与只设计一个蛋白质或一段短 DNA 序列相比，完整基因组必须在整体上保持可复制、可组装和可感染的功能，这也是此前基因组生成模型难以跨越的环节。

根据斯坦福大学的官方报道，研究人员从模型生成的大量序列中筛选候选方案，随后进行化学合成并将其置于大肠杆菌实验体系中验证。研究人员最后得到16种表现突出的噬菌体；其中一些在实验条件下的繁殖能力高于天然 ΦX174。

论文摘要称，冷冻电镜还确认，其中一个生成噬菌体的衣壳使用了一种在进化上距离较远的 DNA 包装蛋白。这表明模型产生的序列并不只是对天然模板的简单复制，而可能组合出了人类研究者不容易凭直觉设计的基因组结构。

模型不是单独完成整个实验流程

Evo 2本身是一种以 DNA 序列为输入和输出的基因组语言模型。Arc Institute 介绍，Evo 2使用覆盖生命各个领域的大规模基因组数据进行训练，能够在单碱基分辨率下处理最长约一百万个碱基的序列。其已发表的基础模型研究显示，40 billion参数版本使用了约9.3万亿个 DNA 碱基的数据进行训练，相关模型、代码和数据集向研究界开放。

在此次噬菌体研究中，团队并不是直接把模型输出全部送入实验室，而是先对模型进行针对性的微调，并结合计算筛选框架，过滤掉长度、基因组成或其他特征明显不符合设计要求的序列。最终进入合成和实验的候选者只是最初生成结果中的一小部分。

这一区别很重要：结果证明的是“模型加上筛选、合成与实验验证”能够探索可行的完整基因组，而不是模型可以稳定地一次生成可用病毒。研究人员测试的近300个候选序列中，只有16个被验证为具有活性的噬菌体。换言之，实验仍然是整个设计—构建—测试循环不可替代的一环。

噬菌体鸡尾酒可能帮助应对耐药性

这项工作的一个潜在应用方向，是为噬菌体疗法提供更多可组合的候选对象。抗生素耐药性使一些细菌感染越来越难以治疗，而单一噬菌体也可能促使细菌产生针对性的抵抗能力。

斯坦福团队报告说，16种生成噬菌体的混合物能够较快地克服对天然 ΦX174 产生抵抗的大肠杆菌菌株。这一结果仍然来自受控实验室条件，但它说明，具有不同遗传特征的噬菌体组合，可能比单一噬菌体更难被细菌同时抵抗。

世界卫生组织欧洲区域办公室在关于噬菌体与抗微生物药物耐药性的说明中指出，噬菌体可以选择性攻击细菌，不感染人体细胞，因此被视为应对耐药性的一种潜在工具。不过，噬菌体疗法在多数国家仍未成为常规批准药物，广泛用于人类治疗之前还需要更多临床研究，以验证其疗效、安全性和可制造性。

因此，这项研究距离治疗方案还有很长距离。16种噬菌体目前只在实验室中针对特定大肠杆菌体系进行验证，研究没有证明它们能够治疗人体感染，也没有证明同样的方法能够直接适用于结核分枝杆菌、耐甲氧西林金黄色葡萄球菌或其他临床病原体。

完整基因组设计也带来新的安全问题

研究的另一层意义在于，它把生成式 AI 的生物学能力从蛋白质、短序列和基因变体，推进到了更长的遗传系统。随着 DNA 合成和实验筛选成本下降，模型生成结果与现实生物系统之间的距离可能继续缩短。

这也使生物安全审查变得更加重要。研究团队强调，Evo 2 的基础训练数据排除了感染人类和其他复杂生物的病原体，并设置了相关安全设计。与此同时，模型和此次研究中使用的部分工具公开发布，意味着未来的访问控制、序列筛查、实验室规范以及对双重用途研究的监督，不能只依赖模型本身的限制。

AIFlux此前报道的OpenAI《智能时代的生物防御行动计划》也体现了同一趋势：前沿模型既可能用于更早发现生物威胁、开发对策，也可能放大双重用途风险，因此需要将能力释放与受信访问、评估和治理机制结合起来。Anthropic最近对Claude Fable 5生物学安全机制的更新则显示，模型公司正在尝试区分低风险生物学请求与具有双重用途的专业任务，但这种分类仍需要持续评估。

从“能生成”到“能控制”仍有距离

研究人员下一步关注的并不只是让模型产生更多序列，还包括如何提高遗传新颖性，以及如何更准确地控制最终结果。这个问题决定了基因组语言模型能否从概念验证工具，发展为可重复使用的生物工程系统。

目前可以确认的是，Evo 1 和 Evo 2 生成的部分完整噬菌体基因组，在受控实验室中能够组装、复制并杀死大肠杆菌；研究也展示了混合噬菌体克服特定耐药性的可能路径。尚不能确认的是，这些噬菌体是否具有临床治疗价值，模型能否在更复杂的细菌和更长基因组上保持同样表现，以及公开的生成式生物学工具应当采用怎样的筛查和访问标准。

这项工作更准确的定位，是一个把 AI 生成的 DNA 带入现实生物实验的里程碑，而不是“人工智能已经制造出可用于人类的病毒”。它所开启的，既可能是更快发现抗菌工具的新路径，也可能是生物研究必须同步建立更细致安全边界的又一次提醒。

来源：

• Science 论文：Generative design of bacteriophages with genome language models
• Stanford Report：AI designs a novel E. coli killer
• PubMed 摘要
• Arc Institute：Evo 2 DNA Foundation Model
• Nature：Genome modelling and design across all domains of life with Evo 2
• WHO/Europe：Bacteriophages and their use in combating antimicrobial resistance