2026年8月6日星期四

AI设计出16种可复制噬菌体 成功杀死耐药性大肠杆菌

斯坦福大学团队用Evo 1和Evo 2模型首次成功设计出16种完整功能的噬菌体,可有效杀死大肠杆菌。其中13种含自然界未记录变异,一种差异达新物种标准。适用于耐药菌研究,生成方案需经实验室验证,为生成式生物学提供实际路径。

Tags:

AI 开始设计病毒了。

不是电脑病毒,而是能进入宿主细胞、复制出下一代的生物病毒。

好消息,AI 又解锁了新能力;坏消息,AI 开始做上造物主了。

AI设计出16种可复制噬菌体 成功杀死耐药性大肠杆菌

8月7日 BBC 报道,斯坦福大学团队利用 Evo 1 和 Evo 2 模型,像大语言模型预测下一段文字一样,设计出能够复制、具备完整功能的 16 种全新病毒,能有效杀死大肠杆菌。

这是 AI 继设计新型抗生素之后,首次成功设计出完整基因组。

AI设计出16种可复制噬菌体 成功杀死耐药性大肠杆菌

我们之前聊过很多 AI 在数学领域的进步。而随着模型研究能力继续提升,它处理的内容也开始从抽象的数学符号,延伸到生命最底层的代码。

那么,这 16 种病毒是怎么诞生的?我们具体来看一看。

一、把DNA当作语言的大模型

先说为什么要尝试用 AI 设计病毒。

这里的病毒指的是噬菌体,它只攻击特定细菌,不会感染人类。

当现在一些细菌对抗生素产生了耐药性,普通药物不管用时,就可以尝试用噬菌体来杀菌。

如果 AI 能够针对不同细菌快速设计噬菌体,研究人员就不必花费大量时间寻找天然病毒,可以围绕目标细菌直接生成一批特定病毒。

AI设计出16种可复制噬菌体 成功杀死耐药性大肠杆菌

但是,想要实现这一点并不容易。过去 AI 设计的抗生素和蛋白质,通常只需要完成某个分子的结构,让它完成一种特定功能。

设计病毒,则需要让一整套基因共同运行。

一枚完整的噬菌体,首先要识别并附着宿主细胞,再把遗传物质送进去,借助宿主完成基因复制和蛋白质生产,随后组装出新的病毒颗粒,最后感染下一批细菌。

这一整套过程都由完整基因组控制。任何一个基因、调控序列或识别位点出现问题,病毒都可能卡在其中一步,无法继续复制。

AI设计出16种可复制噬菌体 成功杀死耐药性大肠杆菌

为了解决这个问题,科研团队需要先找到一个规模足够小,同时又具备完整功能的测试对象。

最终,他们选择了噬菌体ΦX174作为测试对象。

ΦX174是人类研究最充分的病毒之一。它既是第一个被完整测序的DNA病毒,也是第一个被人工化学合成的完整基因组。

它的基因组只有5386个核苷酸,验证的成本相对可控;内部却包含11个相互重叠的基因,需要共同完成复制、组装和感染,足以检验 AI 能不能处理完整基因组中的复杂关系。

长下面这个样子:

AI设计出16种可复制噬菌体 成功杀死耐药性大肠杆菌

模型方面,他们使用的是 Evo 1 和 Evo 2 。它们是专门处理基因组的语言模型。其中,Evo 1由 Arc Institute、斯坦福大学和 Together AI 联合研发;Evo 2则由 Arc Institute 与英伟达共同开发。

AI设计出16种可复制噬菌体 成功杀死耐药性大肠杆菌

简单来说,ChatGPT 会把文字拆成Token,根据上下文预测下一个词;Evo 则直接把DNA当作由A、T、C、G组成的语言,以单个核苷酸为单位,预测后面的遗传代码。

  • Evo 1拥有70亿参数,基于StripedHyena架构,可以一次处理长达13.1万个核苷酸。它在270万个细菌、古菌和噬菌体基因组上完成预训练,学习不同基因如何排列,以及相隔很远的DNA片段如何互相影响。

  • Evo 2是它的升级版本,训练数据进一步覆盖细菌、植物和人类等不同生命类型,同时提升了处理长序列的能力。

二、如何让AI写出能运行的病毒

一开始,科研团队直接使用基础版Evo 1和Evo 2生成病毒基因组。

模型确实能够写出“看起来像病毒”的DNA序列,但生成方向很难控制。就像一个读过很多文章的人,虽然能写出语法正确的内容,却不一定会严格按照题目作答。

Evo可能写出一条结构合理的病毒序列,却无法稳定生成接近ΦX174、同时还能感染大肠杆菌的完整基因组。

为了解决这个问题,团队先给模型补了一门“专业课”,让它集中学习ΦX174所属的微小噬菌体科。

他们收集了15507条相关基因组,经过清洗和去重,最终留下14466条数据,分别对Evo 1和Evo 2进行微调。

AI设计出16种可复制噬菌体 成功杀死耐药性大肠杆菌

团队还根据这些病毒与ΦX174的相似程度添加条件标签。可以把它理解成给模型划定写作范围:这次要写的是哪一类病毒,和参考模板保持多大距离,都提前告诉它,避免模型漫无目的地续写DNA。

微调完成后,模型对ΦX174这类病毒的基因结构掌握得更好了。但团队很快又遇到了第二个问题:怎么判断模型写出的基因组有没有缺少关键部分?

因为ΦX174的基因高度重叠,同一段DNA可能同时参与多个基因的编码。

这有点像一段代码同时被好几个功能调用。只改动一个字符,可能会同时影响多个模块。所以,普通的基因识别工具处理这种结构时,很容易漏掉藏在其他基因内部的重叠基因。

研究团队测试了6种常见的基因识别方法,最多只能找出ΦX174的11个基因中的7个。连天然模板都识别不完整,自然很难判断AI生成的版本能不能运行。

所以,团队又开发了一套专门的基因注释工具,把开放阅读框检测和蛋白质同源性搜索结合起来,专门寻找这些相互重叠的基因。这样,团队就能更完整地检查每条生成序列,先排除那些明显缺少关键基因的设计。

AI设计出16种可复制噬菌体 成功杀死耐药性大肠杆菌

解决基因识别以后,还剩下一个更关键的问题:生成结果既不能离ΦX174太远,也不能和它太像。

这就像参考一辆已经能够正常行驶的汽车设计新车型。完全照抄,做不出新东西;零件改得太激进,又可能连发动机都无法启动。

对应到病毒设计中,差异太大,基因之间原本的配合可能被打乱,病毒会失去复制和感染能力;差异太小,模型就只是在复制天然病毒,谈不上设计新的基因组。

为此,团队反复调整输入序列的长度和模型的采样参数。最后采用的方法,是先给Evo一小段ΦX174的起始DNA,相当于给它一个开头和写作方向,再让模型逐个预测后面的A、T、C、G,直到续写出完整基因组。

但模型写完,并不代表这条DNA就能直接送进实验室。

AI设计出16种可复制噬菌体 成功杀死耐药性大肠杆菌

每条序列还要经过一轮类似“代码编译加质量检测”的计算筛选。团队会检查基因组长度、GC含量、重复碱基、基因排列和调控结构,还会重点检查决定宿主范围的刺突蛋白,确保新病毒仍有机会识别并感染大肠杆菌。

同时,他们也会比较生成结果与天然病毒的相似度,剔除那些几乎照搬已有序列的设计。

三、实验产生新物种

经过前面的生成和筛选,团队最终挑出了302个候选基因组,开始进行实验室验证。

科研人员先按照AI生成的序列合成DNA,再把这些DNA片段组装成完整基因组,最后送进实验室使用的非致病性大肠杆菌。

可以把大肠杆菌理解成一座临时工厂。

如果AI写出的基因组能够运行,大肠杆菌就会读取这套DNA,生产病毒需要的蛋白质,复制病毒基因组,再把它们组装成完整的病毒颗粒。新产生的病毒会撑破细菌,继续感染周围的大肠杆菌。

如果基因组中缺少关键结构,或者不同基因无法配合,这座“工厂”就启动不起来。

302个候选设计中,有285个成功完成合成和组装。经过生长抑制实验、噬菌斑实验和基因测序确认,最终有16个真正形成了能够复制和感染的噬菌体。

AI设计出16种可复制噬菌体 成功杀死耐药性大肠杆菌

单看数量,16个并不算多。但它们不是仅仅“长得像病毒”的DNA,而是能够进入真实生物环境,完成感染、复制、组装和传播全过程的完整基因组。

更重要的是,这16个结果也不是对ΦX174的简单复制。

与最接近的天然病毒相比,每个有效基因组都包含67到392处新变异。其中13个含有目前自然序列数据库中没有记录的变异。

差异最大的是Evo-Φ2147。它与最接近的天然病毒平均核苷酸一致性只有93%。按照部分病毒分类标准,它已经足以被划分为一个新的物种。

AI设计出16种可复制噬菌体 成功杀死耐药性大肠杆菌

另一个更有意思的结果是Evo-Φ36。

它使用了一种来自远缘病毒G4的DNA包装蛋白。过去研究人员尝试直接把这个蛋白装进ΦX174,病毒无法正常运行。但Evo生成的基因组同时修改了其他位置,让这些原本不匹配的部件重新配合起来。

AI设计出16种可复制噬菌体 成功杀死耐药性大肠杆菌

科研团队最后通过冷冻电镜确认,这个不同来源的蛋白确实被装进了病毒外壳,并形成了新的结合方式。

所以,AI 生成的完整基因组,已经可以离开计算机,在真实细胞中运行起来。

四、总结

AI 在生物领域的角色正在发生变化。

过去,模型更多用于理解已有数据。研究人员输入一段序列,让AI预测它可能具有什么功能。现在,模型开始直接提出新的基因组方案,再由实验室判断这些方案能否成立。

这套思路被称为“生成式生物学”。它把生物研发的起点,从寻找天然样本,推进到了计算生成。

AI设计出16种可复制噬菌体 成功杀死耐药性大肠杆菌

这个变化非常实际。传统研究会受到天然样本和人工试错速度的限制。生成模型可以快速探索更大的序列空间,帮助科研人员更早找到值得验证的方向。

当然,模型生成的序列仍然只是候选答案。它需要通过计算筛选,最终还要放进真实细胞中验证。现阶段,AI更适合承担前期探索,降低科研试错的成本。

这比模型在榜单上提高几分更值得关注。因为AI已经开始进入真实的研发流程,并对实验结果产生直接影响。

今后评价这类模型,也会越来越看重它在实验室里的表现。能生成只代表模型学会了生物语言,生成的东西能够运行,才说明它真正理解了一部分生物规律。

这次实验,让生成式生物学从一个研究概念,开始变成可以实际验证的技术路线。

实验开源链接:

https://github.com/arcinstitute/evo2

没有评论:

发表评论

2026淘宝联盟年度榜单揭晓 两类新玩家正在改写淘客格局

本文解读淘宝联盟2026年度优秀合作伙伴榜单,重点拆解手机厂商流量型与广告媒体投流型两类新玩家,剖析其资源迁移打法与头部格局变化。对想入局淘客的新人,建议结合所在城市的产业圈子选赛道,并重视自身流量资源与能力的长期积累。 Tags: 淘宝联盟 淘客榜单 手机厂商流量 ...