AREX Feed Article
AI 写出了 16 个自然界从未存在过的病毒基因组，评审者警告：治理框架还是空白
斯坦福大学和 Arc Institute 的研究团队利用基因组语言模型 Evo 2，首次从头设计了 16 种具备完整功能的合成噬菌体，其中一部分在杀灭耐药大肠杆菌时表现优于天然病毒。研究成果于 8 月 6 日。同一期杂志刊登了约翰霍普金斯大学健康安全中心的，直指核心问题："利用生成式 AI 编写病毒基因组的能力已经存在，安全驾驭它的治理框架尚不存在。"
700,000 个候选基因组，16 个最终活了下来
研究团队选了一个生物学界最熟悉的模板——ΦX174 噬菌体。这种病毒专门攻击大肠杆菌，基因组只有约 5,386 个碱基对，编码 11 个基因，1977 年成为人类第一个完成全基因组测序的生物体，2003 年又成为第一个被人工化学合成的完整基因组。
Evo 1 和 Evo 2 两个模型收到了一个"种子序列"——一段在所有天然 ΦX174 分离株中都保守存在的共识序列——然后被要求从这段序列出发，一路延伸出完整的基因组。整个过程是单向、端到端的。"我们希望模型在一个从左到右的单次通过中生成整个基因组。我们没有额外添加任何东西，"论文资深作者、斯坦福大学化学工程助理教授 Brian Hie 。
模型生成了大约 70 万个候选基因组。经过计算筛选——剔除长度不在 4,000 到 6,000 碱基之间、缺少必需基因的序列——团队留下了约 300 个设计方案，送入实验室进行化学合成和组装。将这些合成 DNA 导入大肠杆菌后，只有 16 个成功"启动"，产生了能够感染并裂解宿主菌的活病毒。
5% 的命中率看起来很低，但论文第一作者 Samuel King "AI 引导下基因组设计可行性的概念验证"。问题的难度本身就说明了数值的意义：在基因组的尺度上，哪怕一个碱基对位置出错也足以让整个生物体丧失功能。
学会基因的语法，而不只是拼写
与大语言模型类似，只不过它预测的不是文字，而是 DNA 序列。模型在 9.3 万亿个核苷酸上完成预训练，覆盖了 128,000 种生物的基因组。在这次噬菌体实验中，团队又在约 15,000 个 Microviridae 科（ΦX174 所属的病毒家族）的基因组上做了微调，让模型输出的序列更倾向于"像噬菌体"。
"核苷酸的排列组合数量是天文数字，"，"但其中只有极小一部分在生物学上是合理的，能够融入真实的生命世界。"训练数据中蕴含的进化保守信号，正是模型判断哪些序列"讲得通"的依据。
一个细节揭示了 AI 不同于人类理性设计的价值：，其中一个叫 J 的基因被替换成了远缘噬菌体 G4 的同源基因。此前的实验早已证明，这个替换会毁掉噬菌体的功能。但 AI 模型重新调整了基因组其余部分的结构来兼容这个外源基因，最终产生了一个活的、有感染力的病毒。这种依赖于全基因组上下文协调的设计，依靠人的经验和推理几乎不可能提前规划。
三个 AI 噬菌体在竞争中打败了天然病毒
在竞争实验中，研究团队将所有 16 个 AI 噬菌体与野生型 ΦX174 混合，投入同一管大肠杆菌培养液。通过对不同时间点的噬菌体群体进行测序，追踪各个变体的消长。几个 AI 变体持续占据优势，，其丰度增长到了起始水平的 65 倍。
更为关键的是耐药性实验。团队将 16 个 AI 噬菌体的混合物投放到两株已经对天然噬菌体产生耐药的大肠杆菌上，结果是——混合物突破了耐药性。在抗生素耐药性成为全球公共卫生紧迫威胁的背景下，这个发现指向了一条直接的应用路径：快速定制噬菌体配方来对付特定的耐药菌株。
不过，中记录了一个反常细节：一个与 ΦX174 序列相似度超过 99% 的 AI 设计反而是不活的。这说明 AI 模型并不是简单地在复制或微调已知基因组——它在探索人类无法通过"接近自然序列"这一直觉来预判成败的设计空间。
"治理框架尚不存在"
约翰霍普金斯大学健康安全中心主任 Tom Inglesby 与研究员 Moritz Hanke 在同期的《Science》中写道："虽然这对生命科学应用前景可期，但它也引发了紧迫的生物安全和生物安保问题。利用生成式 AI 编写病毒基因组的能力已经存在；安全驾驭它的治理框架尚不存在。"
进一步阐述了他的立场。他指出，现有生物安全框架的关键前提是——科学家知道自己打算做什么样的基因修改，或者至少可以合理预料到可能的修改方向。但生成式基因组学从根本上挑战了这套逻辑，因为 AI 产生的基因变化本身就是不可预测的。他列出的立刻需要行动的事项包括：在预训练数据集中排除特定病原体基因组、开发前风险评估、部署前模型评估与缓解措施（必要时包括访问控制），以及将合成核酸订单和客户筛查从"自愿做法"升级为"法律要求"。
评论文章还画了一条明确的红线：不应将这种生成式方法用于能够感染人类、牲畜或作物的真核生物病原体，因为由此产生的基因组"可能编码出新的病原体，其感染能力超出现有应对手段的遏制范围"。
研究团队并非没有采取防护措施。训练数据中刻意排除了人类、动物和植物病毒的序列，实验对象 ΦX174 只攻击大肠杆菌，所有湿实验都在安全实验室内完成。论文作者也建议未来的全基因组设计工作应从始至终咨询安全和安保专家。但正如 Hanke ，这些防护措施全是研究者的自愿行为——没有任何制度要求他们这样做，也无法保证下一个使用这项技术的人同样谨慎。
Evo 2 是完全开源的：训练代码、推理代码、模型参数和训练数据均已公开。Inglesby 和 Hanke 指出，即使预训练数据排除了真核生物病毒，微调可能绕过数据排除机制。能力已经摆在那里，规范还没有。
风险被夸大了吗？
伦敦帝国理工学院合成基因组工程教授 Tom Ellis 这项工作令人印象深刻，但同时指出 ΦX174 的基因组是"字面意义上最小、最容易制造的基因组"。他对风险的判断更为尖锐："相比于直接取一个已有病原体并对其进行功能增益编辑——这条路容易得多，也更可能构成真正的病原威胁——用 AI 从零开始设计和编写一个病毒或细菌基因组的危险，被严重夸大了。"
这个观点提醒人们：AI 并不是凭空制造出了什么前所未有的危险类别。人类早已有能力编辑和改造病原体。问题在于 AI 大幅降低了设计和探索的速度门槛，同时将可设计空间扩展到了人力推理无法覆盖的范围。
伦敦国王学院的生物安全研究者 Filippa Lentzos 则聚焦于干预点。最关键的卡口不在模型本身，而在 DNA 合成——基因信息从数字序列变成物理分子的那个环节。"分层方法更合理：模型开发与访问的防护、负责任的研究审查、合成筛查，以及既有的实验室生物安全和安保措施。"
分散在科学、创新与技术部（DSIT）、AI 安全研究所和 Lentzos 提到的合成筛查安排之间，这些机构目前没有一个对基因组设计模型拥有明确的管辖权限。约翰霍普金斯评论文章提出的那条红线——不应在真核生物病原体上尝试这一技术——目前是一条规范，不是一条规则。它能否守住，取决于每一个实验室的自愿遵守。
论文作者之一 Hie 是：向公众开放 Evo 2 的风险，被"拥有 Evo 2 这样的工具来应对现有天然病原体"的收益所抵消。Inglesby 的回应则更像一个时间提醒：收益和风险都在增长，但规则还没有上路。
参考链接
- King, S. H. et al., "Generative design of bacteriophages with genome language models," Science (2026).
- Inglesby, T. V. & Hanke, M. S., "AI-designed viral genomes," Science (2026).
- ABC News, "Stanford researchers create viruses not found in nature using genomes designed by artificial intelligence" (2026-08-07).
- C&EN, "AI program designs new bacteriophages" (2026-08-06).
- Asimov Press, "AI-Designed Phages" (2025-09-17).
- Tom Inglesby, LinkedIn post on AI-designed viral genomes (2026-08-06).
- Betanews, "Stanford, Arc Institute scientists design first AI-generated viruses" (2026-08-07).
- ResultSense, "AI designs first working viruses, biosecurity gap noted" (2026-08-07).