AREX Feed Article
Evo 基因组语言模型首次设计出完整功能性病毒基因组，16 种噬菌体在 Science 发表并引发生物安全紧急警告
2026 年 8 月 6 日，《Science》刊登了一篇将生成式 AI 从蛋白质设计推进到完整基因组设计的论文：斯坦福大学和 Arc Institute 的研究团队使用基因组语言模型 Evo 1 与 Evo 2，从头生成了噬菌体 ΦX174 的完整基因组变体，从 285 个化学合成的候选序列中获得了 16 个能够在实验室中感染、复制并杀死大肠杆菌的功能性病毒。这是人类首次用 AI 设计出完整、可复制的病毒基因组。
四个碱基的提示词，筛出 302 个候选，16 个活了
基因组语言模型的工作原理与大语言模型类似——区别在于它预测的不是下一个词，而是 DNA 序列中的下一个碱基（A、T、C、G）。Evo 1 和 Evo 2 由 Arc Institute 与 NVIDIA 合作开发，在涵盖细菌、噬菌体、植物、动物和人类基因组的数万亿碱基对上完成预训练。研究团队随后用约 14,266 条 Microviridae 科（ΦX174 所属家族）的噬菌体基因组对模型进行了微调。
选择的模板 ΦX174 是一个只有约 5,400 个碱基、编码 11 个基因的小型噬菌体——小到可以经济合成，又足够复杂来检验 AI 的设计能力。但整条流水线的关键不在模型内部，而在模型之外的一整套筛选机制上。
提示词（prompt）本身小得令人意外：研究团队发现，仅用 ΦX174 起始序列中的 4 到 9 个碱基作为输入，模型效果最好。输入太长，模型会原样复制自然基因组；输入太短，则生成完全无关的序列。
模型的原始输出随后经过一系列计算过滤：丢弃刺突蛋白（病毒用来吸附细菌的结构）与原始版本相似度低于 60% 的设计；丢弃长度短于 4,000 或长于 6,000 碱基的序列；丢弃 10 个以上相同碱基连续排布的序列；丢弃 GC/AT 比例异常的序列。此外，由于 ΦX174 的基因存在重叠——标准基因注释工具最多只能识别 11 个基因中的 7 个——团队还专门构建了一套自定义基因注释流程，要求一个设计至少命中 7 个蛋白才进入下一轮。
经过这层层过滤，数千个 AI 生成的序列仅剩下 302 个值得合成的候选。团队化学合成了其中 285 个 DNA 序列，将其导入大肠杆菌，等待结果。
"我们在凌晨看到培养皿上出现清晰的溶菌斑，那种兴奋难以形容，"论文第一作者、斯坦福大学博士生 Samuel King 在接受 采访时回忆道。当结果分享给整个团队时，"实验室里自发响起了掌声"，通讯作者 Brian Hie 补充说。
最终的命中率是 5.6%——285 个合成设计中 16 个证明具有功能。其中 9 个是 AI 输出的原始序列，另外 7 个在进入细菌后获得了额外突变才变得能存活。Ars Technica 的资深科学编辑 John Timmer 在 中指出，这个比率本身并不高，但如果只看与原始 ΦX174 相似度超过 98% 的设计，存活率跃升至 46%——"如果你长得不像一个正常的 ΦX174，你很可能根本成不了病毒。"
随机突变做不到的事：AI 学到的设计规则
此前的研究表明，ΦX174 对突变极度敏感：在其蛋白中改变哪怕一个氨基酸，就有约 20% 的概率彻底杀死病毒。按此推算，一个携带少于 25 处氨基酸改变的变体，通过随机突变获得功能的概率仅为 2.3%；超过 25 处之后，概率趋近于零。
然而 AI 设计的结果颠覆了这一预期。Ars Technica 详述了研究团队的计算：在 AI 输出的约 300 个设计中，有 5 个携带少于 25 处氨基酸改变，其中 3 个具有功能——存活率约为 60%，而随机模型预测仅为 2.3%。更惊人的是，在超过 25 处改变的 AI 设计中，近四分之一仍然功能正常，其中两个甚至携带了超过 50 处氨基酸改变。正如 Timmer 所写："ΦX174 不只是怕改变，它通常是被改变杀死的。"
Evo 模型并非简单地对已知基因组做随机扰动，而是学到了决定一个噬菌体能否存活的基因组层面的设计约束——哪些位置可以改，哪些位置不能碰，以及哪些改动可以互相补偿。
存活下来的 16 个噬菌体展示出了相当多样的基因组结构。有的丢失了一个完整蛋白，却通过基因组其他位置的改变补上了功能。有的增加了一个全新的基因。有的基因比原始版本更长或更短。有一个设计更是直接从进化上相距甚远的噬菌体中借用了一个 DNA 包装蛋白的基因。研究团队指出，这类基因交换如果通过传统工程手段直接导入野生型 ΦX174，会导致病毒失活；AI 之所以成功，是因为它同时调整了基因组中与外来基因相互作用的周边序列，使整体保持兼容。
Brian Hie 在接受 采访时这样概括模型学到的东西：理论上能组成一个基因组或一个基因的核苷酸组合空间巨大到近乎无限，而其中绝大多数是死胡同——"但只有其中一小部分序列在生物学上是合理的，或者说能融入生物世界。"
鸡尾酒击溃耐药菌：野生噬菌体做不到的事
研究团队进一步做了一项有实际医学意义的对比实验。
他们将 16 个 AI 设计的噬菌体制成一剂"鸡尾酒"，与一组天然攻击大肠杆菌的野生噬菌体鸡尾酒进行对比，测试对象是对 ΦX174 已产生抗药性的大肠杆菌菌株。天然噬菌体组合在全部三个耐药菌株上均告失败，而 AI 设计的噬菌体组合在数代之内就演化出了感染耐药宿主的能力——相比之下，ΦX174 单独使用时彻底无效。团队推测，AI 噬菌体之间的 DNA 交换和额外突变在克服耐药性的过程中发挥了作用。
噬菌体疗法作为抗生素耐药性感染的替代方案已经被研究了数十年，但始终未能大规模临床应用——部分原因在于天然噬菌体的宿主范围狭窄且细菌容易产生抗性。一条能按需生成新型噬菌体的 AI 流水线，理论上可以加快应对耐药菌的速度。不过论文作者和多位评论者都强调，目前的结果完全来自实验室环境，距离临床应用仍有相当距离。
"问题不再是基因组设计会不会出现，而是谁来监管"
在《Science》同期发表的评论文章中，约翰·霍普金斯大学健康安全中心的 Thomas Inglesby 和 Moritz Hanke 写道，这项工作"虽然对生命科学应用充满希望，但也提出了急迫的生物安全和生物安保问题"，并指出"AI 生成的基因组可能与任何已知的核酸序列都截然不同，因此迫切需要开发能够标记新型危险设计的筛查方法"。 引述了他们的核心判断："问题不再是生成式病毒基因组设计会不会存在。问题在于，社会能否建立起既允许其益处展开、又防止其造成严重伤害的监管体系。"
他们的具体建议是将合成核酸订单的筛查从现行的自愿做法升级为法律强制——不仅筛查序列本身是否编码已知病原体或毒素，还要核实下单客户的合法性。现有筛查工具依赖已知序列的特征匹配，而 AI 生成的全新序列天然具备绕开这类筛查的能力。
研究团队自身也在安全方面采取了多重措施：训练数据中刻意排除了所有感染脊椎动物的病毒序列；Evo 2 的红队测试表明，模型生成的序列对于病原性病毒蛋白而言"实际上等同于随机"；所有湿实验都在安全实验室中进行。论文作者在正文中明确写道："利用 AI 系统生成新噬菌体基因组的能力也引发了重要的生物安全、生物遏制和生物安保考量，有必要就治理、政策和滥用缓解策略的优势与局限性展开讨论"，并建议"从事未来全基因组设计工作的团队应在项目全生命周期中咨询安全与安保专业人士"。
但这套防护措施取决于一个前提：模型权重由负责任的一方持有。Brian Hie 在接受 BBC 采访时表示，现有的防护措施在"确保技术用于善途"方面能走很远。但 Ars Technica 的报道指出，训练数据的排除"只对一个训练轮次有效，对方法本身无效——任何拥有足够计算资源的人，都可以把那些被排除的病毒序列加回去，重复同样的过程。"
帝国理工学院的 Tom Ellis 对《卫报》表示，ΦX174 是"字面意义上最小、最简单的基因组"，对基因数据的简单访问限制仍然可能产生实质差异—— 引述了这一评论。
与此同时，美国 NIH 于 2026 年 7 月 28 日发布了新的《停止高风险生命科学研究》联邦政策，明确禁止联邦资金资助"危险的增强功能研究"，并对所有联邦资助的生命科学研究施加了扩大的审查、认证和报告义务。但该政策明确将"纯计算研究"排除在禁令之外——除非涉及"关注实体"。这一监管缺口恰好卡在了 AI 生成基因组设计的关键路径上。
"非常重要的转折点"与尚存的鸿沟
西班牙庞培法布拉大学合成生物学实验室的 Marc Güell 教授称这项研究是"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"。 引述了他的评论。曼彻斯特生物技术研究所合成基因组学主任 Patrick Cai 教授将其称为"一个重要的里程碑"，并补充："其意义远不止噬菌体——它表明基因组语言模型正在开始学习进化所编码的设计原理，为 AI 辅助的基因组写作打开了大门。"
但转折点不等于终点。ΦX174 约 5,400 个碱基的基因组，与一个最简单活细胞的约 50 万个碱基对之间，还有近两个数量级的差距；人类基因组的 30 亿碱基对则是另一个世界。Brian Hie 对 BBC 表示，尝试一些简单生物"可能需要大量工作，但并非不可能"，而团队"绝对有兴趣朝那个方向努力"。
论文最早于 2025 年 9 月以预印本形式发布在 bioRxiv 上，此次经同行评议正式进入《Science》。同一时期，Evo 2 已在 Nature 上正式发表，预印本被引用超过 200 次，GitHub 上下载超过 88,000 次。 在 2026 年 3 月的回顾文章中披露了这些数据。从蛋白质设计到完整基因组设计，AI 生物学的下一步将从这 16 个噬菌体出发，但 50 万个碱基对的门槛仍然横在前面。