Evo 2 首次从头设计完整病毒基因组：16 种 AI 噬菌体成活，一种竞争力超野生型 65 倍

从单蛋白设计到完整基因组设计，AI 生物学的尺度跃迁来了。

从 AlphaFold 到完整基因组：AI 生物学正在跨过最后一道门槛

2024 年诺贝尔化学奖授予了蛋白质结构预测，但科学家想要的远不止于此——他们想让 AI 直接写出能驱动一个活细胞运转的完整基因组。

传统噬菌体疗法有一个根本瓶颈：只能在自然界已有噬菌体的基础上做微调，而细菌进化出耐药的速度远比人类找到新噬菌体更快。即便合成生物学已经能够"读"和"写"基因组，但"设计"一个从未存在过的基因组、让数千个碱基与十几个基因及其调控元件协同工作，仍然是几乎没有先例可循的复杂度问题——一个单碱基突变就可能让整个基因组报废。

2026 年 8 月 6 日，斯坦福大学与 Arc Institute 的 Brian Hie 团队在发表论文，首次证明生成式 AI 可以从头设计完整的、有功能的噬菌体基因组。据报道，他们使用自研的基因组语言模型 Evo 2——一个在 9.3 万亿核苷酸、128000 个物种基因组上训练的 400 亿参数模型（）——生成并实验验证了 16 种能够感染并杀死大肠杆菌的新型噬菌体。其中部分在竞争中碾压天然版本，其鸡尾酒组合击溃了已对天然噬菌体耐药的大肠杆菌菌株。

论文标题：Generative design of bacteriophages with genome language models

论文链接：

开源地址：Evo 2 模型及权重已开源（；），微调模型亦在 HuggingFace 公开

核心成绩：首次利用 AI 从头设计完整噬菌体基因组，285 个合成设计中 16 个成活，AI 噬菌体鸡尾酒成功击溃对天然噬菌体耐药的大肠杆菌菌株

微调 + 三道滤网：一个为 ΦX174 量身定制的设计流水线

生成一个完整的噬菌体基因组，难度远超生成单个蛋白质或 CRISPR 系统。团队面临的挑战可以拆为三层：基因组语言模型能否生成看起来合理的病毒序列？生成的序列能否被实验合成并组装？组装后的基因组能否在细菌体内"启动"并产生有感染力的噬菌体？

团队选择的模板是 ΦX174。这个仅有 5386 个碱基、编码 11 个基因的噬菌体是分子生物学的"历史名宿"：1977 年首个被完整测序的基因组，2003 年首个被化学合成的基因组——现在它又成了首个被 AI 设计的基因组。选择它并非仅仅出于象征意义：ΦX174 的基因高度重叠，部分基因嵌套在其他基因内部，意味着任何突变都受多重功能约束，是测试 AI 能否协调复杂基因组逻辑的"高压考场"。

设计流水线分为五个关键模块。

监督微调（SFT）。Evo 1 和 Evo 2 的基础模型虽然在预训练中消化了超过两百万个噬菌体基因组，但直接生成 ΦX174 类似序列的能力有限——仅 34% 至 38% 的 Evo 2 输出能被病毒分类工具 geNomad 识别为病毒序列。团队将模型在 14466 个去冗余的 Microviridae 科基因组上进行了监督微调，使模型"专精"于 ΦX174 所在病毒家族的序列模式。微调后，只需在输入 prompt 中放入一段 ΦX174 的保守起始序列，模型就能持续生成完整的类 ΦX174 基因组。团队在中详细解释了这一策略：同时调节 prompt 长度和采样温度，在"像 ΦX174"与"不同于 ΦX174"之间寻找最佳生成窗口。

定制基因注释工具。在评估生成序列时，团队发现六款主流基因预测工具无一能完整注释 ΦX174 的全部 11 个基因——重叠的开放阅读框（ORF）让标准工具系统性漏检。团队为此自建了一套结合 ORF 扫描和蛋白质同源搜索的注释流程。唯一未被完整预测的是基因 A*（仅部分预测）。这一自研工具成为后续所有生成序列质量控制的基础。

三道滤网。从数千个生成序列中筛选可行设计，团队设计了三级过滤：第一级"序列质量"——过滤含非法字符、长度不在 4–6 kb 范围、GC 含量异常或含超长核苷酸同聚物的序列；第二级"宿主特异性"——要求序列编码的刺突蛋白与 ΦX174 相似（刺突蛋白决定了噬菌体识别宿主受体的能力）；第三级"进化多样性"——剔除与天然序列过于相似的设计，确保保留真正的"新"基因组。最终从数千候选序列中筛选出约 300 个进入实验。

合成与组装。在全部候选设计中，285 个被成功化学合成并通过 Gibson 组装法构建为完整基因组，随后转化入大肠杆菌 C 细胞。剩余约 15 个设计在合成或组装阶段失败。

功能筛选。利用 ΦX174 的裂解生命周期特性，团队开发了 96 孔板生长抑制试验：如果基因组能在细菌内"启动"并产生有功能的噬菌体，感染后 2–3 小时内菌液光密度（OD₆₀₀）就会急剧下降。285 个设计中，16 个通过了功能验证——成功率约 5.6%。

285 个设计仅 16 个成活，但活下来的比天然版更能打

5.6% 的成活率听起来不高，但对于首次从头设计完整基因组而言，16 个功能性噬菌体的诞生已经意味着 AI 掌握了基因组层面的"语法"。更关键的是，这些活下来的噬菌体在多项指标上表现出超越天然 ΦX174 的竞争力。

据和论文数据，在直接生长竞争中，团队将全部 16 种 AI 噬菌体与野生型 ΦX174 混合后放入大肠杆菌培养体系，通过持续测序追踪各变体的占比变化。一种名为 Evo-Φ69 的 AI 噬菌体在竞争结束时丰度增长至起始水平的 65 倍，表明它在利用宿主资源方面远超野生型。另有多个 AI 设计在裂解动力学——即从感染到杀死宿主的速度——上优于 ΦX174。

更具临床转化意义的是耐药突破实验。团队首先通过连续传代培育出三种对 ΦX174 耐药的大肠杆菌菌株，其突变集中在细菌表面的 waa 操纵子区域——该区域负责修饰噬菌体识别的脂多糖受体。单独的 ΦX174 无法感染任何一株耐药菌。然而，基于 16 种 AI 噬菌体的鸡尾酒在仅 1–5 轮传代内击溃了全部三株耐药菌。

基因组测序揭示，突破耐药的成功噬菌体是多个 AI 设计的"嵌合体"——它们在感染过程中发生了重组，混合了来自 2–3 个不同 AI 设计基因组的遗传元件，实现了对新型受体的快速适应。AI 生成噬菌体的多样性为对抗细菌耐药提供了多路径进化潜力。

所有 16 种 AI 噬菌体均保持了严格的宿主特异性，仅感染大肠杆菌 C 及其近缘菌株大肠杆菌 W，对测试的其他六种菌株无影响——这是未来噬菌体疗法的关键安全前提。

AI 写出的"新物种"：392 个全新突变和一个人类没做成的蛋白替换

在 16 种成活噬菌体中，有两个案例揭示了 AI 如何做到了人类工程师通过理性设计未能做到的事。

Evo-Φ36：一个此前失败了的蛋白替换，被 AI 做成了。这种 AI 噬菌体的 DNA 包装蛋白 J 来自远缘噬菌体 G4。G4 的 J 蛋白比 ΦX174 短得多（25 个氨基酸 vs 38 个氨基酸），此前有研究直接将这一替换导入 ΦX174，结果噬菌体完全失活。然而 Evo-Φ36 不仅活了，而且功能正常。团队通过冷冻电镜（cryo-EM）解析了其衣壳结构，发现更短的 G4 J 蛋白以全新的取向嵌入衣壳内部——AI 通过在其他基因区域引入补偿性突变，重新协调了整个基因组以适配这一外来蛋白。这种跨基因的上下文协调能力，正是人类理性设计最难企及之处。正如所分析，AI 并不是将已知功能模块像乐高一样拼在一起，而是从海量进化数据中学习了基因之间相互约束的统计规律，从而能在整体约束下做出局部创新。

Evo-Φ2147：一个 AI 写出来的"新物种"。此人造噬菌体携带 392 个全新突变，与其最近缘天然噬菌体 NC51 的平均核苷酸一致性（ANI）仅为 93.0%。按照部分病毒分类学标准，低于 95% 的 ANI 足以将其划定为独立的新物种。13 个成活 AI 噬菌体的基因组中含有在任何已知天然序列中都不存在的突变——Evo 2 探索了自然进化从未触及的基因组空间。

"问题已不是生成式病毒设计会不会存在，而是社会能否建立监管"

这项研究在发表当天即引发了生物安全领域的强烈关注。《Science》同期配发了 Johns Hopkins 大学健康安全中心主任 Thomas Inglesby 与 Moritz Hanke 的，标题为"AI-designed viral genomes"。

Inglesby 与 Hanke 承认，King 等作者"比大多数强大生物 AI 模型的开发者更主动地处理了生物安全和生物安保问题"：Evo 2 的训练数据刻意排除了人类病毒序列，团队验证了这一排除会削弱模型对人类病毒的语言建模和下游预测能力，红队评估显示生成序列对致病病毒蛋白"实际上随机"；所有实验均使用非致病性大肠杆菌宿主；AI 噬菌体的宿主范围被严格限定。但两位专家同时指出一个无法回避的事实：Evo 2 完全开源——训练代码、推理代码、模型权重、训练数据全部公开。一个有动机的行动者理论上可以对模型进行再训练，生成针对其他宿主的病毒。

他们的核心判断是："问题已不再是生成式病毒基因组设计会不会存在，而是社会能否建立监管，使其益处得以发挥，同时防止其造成严重伤害。"他们呼吁将合成基因订单的潜在危险序列筛查从行业自愿升级为法律强制。

Brian Hie 团队在论文中同样写道："未来从事全基因组设计工作的团队应在整个项目周期中咨询安全和安保专业人士。"他们认为现有安全框架可以适配生成式基因组学，而模型层面的保护——例如将敏感病毒序列排除出训练数据——能够提供额外一层的风险缓解。Arc Institute 在其中亦表示，随着模型能力增强，需要进一步的模型对齐工作以确保持续的生物安全。