AI 写出了一个完整的病毒基因组——16 个新噬菌体从零诞生，其中 3 个跑赢了自然进化

2026 年 8 月 6 日，《科学》（）发表了一项没有先例的研究：斯坦福大学与 Arc 研究所的团队使用 AI 基因组语言模型 Evo，从零设计出了 16 种自然界中从未存在过的功能性噬菌体，其中 3 个变体的感染效率跑赢了天然亲本病毒。更关键的是，这 16 种新噬菌体的混合"鸡尾酒"击穿了两株大肠杆菌已经进化出的耐药性——而天然 ΦX174 噬菌体对此束手无策。

这是生成式 AI 首次完成可复制完整基因组的设计。但同期《科学》也发出了一个无法回避的警告："用生成式 AI 组合病毒基因组的能力已经存在；安全引导这项能力的治理体系还没有。"

论文标题： Generative design of bacteriophages with genome language models
论文链接：
开源地址： Evo 2 已开源（Arc Institute / Stanford）
核心成绩：首次使用 AI 基因组语言模型从零设计出 16 种功能性噬菌体，其中 3 种性能超越天然病毒，混合制剂可突破大肠杆菌已进化的耐药性。

数千个候选，16 个活了下来

这项研究的核心工具是 Evo 1 和 Evo 2——斯坦福团队此前开发的两个基因组语言模型。与 ChatGPT 预测下一个词的方式类似，Evo 模型学习的是 DNA 序列的"语法"：它在来自病毒、细菌、植物和人类的数百万个基因组序列上训练，学会了区分哪些序列组合在生物学上是可行的。

团队选择了一个已被充分研究的实验对象：ΦX174 噬菌体——一种专门感染大肠杆菌的病毒，完整基因组不到 6,000 个碱基对，已被安全研究了数十年。论文第一作者 Samuel King 是 Brian Hie 实验室的博士生，他来驾驭 Evo 2 的生成能力。

设计的起点是提取所有 ΦX174 噬菌体在训练数据中作为模板。Evo 2 随后在约束条件下生成完整基因组——从第一个核苷酸到最后一个，一次从左到右的通路完成。"我们没有添加任何东西，"Hie 说。模型共。

真正的瓶颈不在生成，而在筛选与验证。DNA 合成的成本仍然很高。King 的框架从数千个候选中挑出了约 300 个最可能成功的方案，在实验室中化学合成并导入大肠杆菌。最终，——能够成功感染大肠杆菌并复制。

"，"King 回忆。培养皿上覆盖着一层细菌，新病毒的感染会在菌层上留下透明的空洞。"我们开始看到这些清晰的斑点，那一刻极其令人兴奋。"当结果分享给整个团队时，Hie 说："实验室里自发地响起了掌声。"

三个变体跑赢了自然进化

这 16 个 AI 设计的噬菌体不是对天然 ΦX174 的简单复制。它们的基因组序列与自然界中任何已知病毒都截然不同。

在实验室适应度测试中，。冷冻电镜（Cryo-EM）进一步揭示了一个意外：其中一个 AI 设计的噬菌体，在其衣壳中使用了一种"进化上远离"天然 ΦX174 的 DNA 包装蛋白——，可能需要数百万年自然演化才能显现。

但论文中最有临床潜力的发现来自混合实验。研究人员将多种 AI 设计的噬菌体配制成鸡尾酒，攻击两株已经对天然 ΦX174 产生耐药性的大肠杆菌。结果：混合制剂迅速克服了耐药性。

"如果在论文中只展示了一点——那就是我们证明，这 16 个噬菌体的鸡尾酒能够快速克服对天然 ΦX174 免疫的大肠杆菌的耐药性，"Hie 在斯坦福新闻稿中说。作为对比，一组""无法做到这一点。论文作者由此提出，这项技术为"生成具有适应性和韧性的噬菌体疗法以应对快速进化的病原体"铺平了道路。

当抗生素失效，噬菌体是另一条路

当细菌进化出对抗生素的免疫力，曾经可以治愈的感染——如某些大肠杆菌引发的血液感染——会重新变得致命。抗生素耐药性被科学界视为最紧迫的公共卫生挑战之一，而噬菌体疗法正是被寄予厚望的替代方案。

噬菌体疗法本身不是新概念。早在抗生素被发现之前，科学家就用过专门感染细菌的病毒来治疗。但传统噬菌体疗法有一个根本缺陷：细菌同样会对噬菌体进化出耐药性。"如果细菌对单一噬菌体产生耐药性，药物就失效了，"Hie 说。"但如果你的混合剂中有多个在基因上彼此不同的噬菌体，细菌就很难对整个鸡尾酒都产生耐药性。"

这正是 AI 设计带来优势的地方。传统噬菌体工程一次只能修改一个基因，效率低下。而 Evo 2 可以一次性生成数百个基因上完全不同但功能完整的噬菌体基因组。

曼彻斯特生物技术研究所合成基因组学主席："其意义远不止于噬菌体——它表明基因组语言模型正在开始学习演化编码的设计原理，为 AI 辅助基因组编写打开了大门。"

治理没跟上能力

由约翰·霍普金斯大学健康安全中心的 Thomas Inglesby 和 Moritz Hanke 撰写。核心判断浓缩为一句话："The ability to compose viral genomes using generative AI now exists; the governance to safely steer it does not."

两位作者划定了一条明确的红线：能够感染真核生物（包括人类、动物和植物）的病原体"不应被尝试"。原因很直接——"此类基因组可能编码出能够以现有对策无法遏制的方式感染人类、动物或植物的新病原体。"

研究人员自身确实采取了多项安全措施：从训练数据和设计约束中排除能够感染复杂生物的病毒序列，研究对象仅限于细菌感染性噬菌体，所有实验室工作在安全设施中完成。Hie 认为，现有防护措施"在确保技术被用于善意方面已经走了很长的路"。

但独立专家的反应显示出更复杂的判断。英国雷丁大学细胞微生物学副教授是"一篇非常重要的论文，有出色的数据支撑"，但他随即补充："虽然这些科学家展示了进一步的克制并提供了重要的护栏，但不能保证每一个尝试做类似事情的其他科学家都会如此谨慎。"

巴塞罗那庞培法布拉大学系统生物学教授通过科学媒体中心评论说，这项研究的生物安全风险低于其他一些 AI 工具——因为生成后的基因组仍需逐个在实验室测试，且成功率极低。"很难想象这些模型能'开箱即用'地自动生成有活力的基因组。"

但同样来自庞培法布拉大学的合成生物学教授：这是"一个非常重要的转折点"，因为"历史上第一次，我们开始在计算机上设计生物学"。

开源之后，下一个问题是可控

Evo 2 。任何人现在都可以下载这个模型，设计自己的新基因组。Hie 对此的解释是：开放获取对加速研究和产生实际成果至关重要。他还提出，AI 工具其实为人类提供了对抗自然大流行病的有力优势，以及针对人造生物威胁的改进防御选项。

但这项研究也暴露了一个基本张力：当设计完整病毒基因组的能力以开源形式向外扩散时，现有的治理框架仍主要针对物理实验室——针对病原体本身——而非针对能够在计算机上生成病毒蓝图的语言模型。正如 Inglesby 和 Hanke 在评论中所写："问题不再是生成式病毒基因组设计是否会存在，而是社会能否建立起这样的监督——既能允许其益处展开，又能防止它造成严重伤害。"

Hie 对 BBC 说："这是生成式 AI 可设计复杂性的一个进阶——这是生成式 AI 首次被用来设计完整的基因组，一种能够在细胞内复制并执行其他功能的东西……这对我们来说是全新的领域。"

论文发表后，他已经开始思考两个关键问题："如何获得更大的基因新颖性？如何获得对结果更强的可控性？"团队正在将 Evo 2 推向更长、更复杂的 DNA 序列——可能是小型细菌基因组——目标之一是设计出能够生产有用化学品、药物或燃料的工程微生物。

这项研究由 Arc 研究所、美国国家科学基金会、Knight-Hennessy 研究生奖学金基金、Fannie and John Hertz 基金会以及斯坦福人本 AI 研究所资助。共同作者还包括 Stanford 研究生 Claudia L. Driscoll、David B. Li、Daniel Guo、Aditi T. Merchant、Garyk Brixi，以及 Broad 研究所和纪念斯隆·凯特琳癌症中心的 Max E. Wilkinson。

参考链接

（King, S. H. et al., 2026 年 8 月 6 日）
（Inglesby, T. V. & Hanke, M. S., 2026 年 8 月 6 日）
（2026 年 8 月 6 日）
（Deidre McPhillips, 2026 年 8 月 6 日）
（Deidre McPhillips, 2026 年 8 月 7 日）
（James Gallagher, 2026 年 8 月 6 日）
（2026 年 8 月 6 日）
（Dr. Simon Clarke, 2026 年 8 月 6 日）