Stanford 用 AI 造出 16 种全新噬菌体——论文同步警告：监管必须跟上

2026 年 8 月 6 日，Stanford 大学和 Arc Institute 的研究团队在《Science》上发表论文，用生成式 AI 模型 Evo 2 设计出完整的噬菌体基因组，并在实验室中验证了 16 个能够自主复制并杀死大肠杆菌的新病毒。每一个与最近的自然近缘序列相比都携带 67 到 392 个新突变——最多的一个（Evo-Φ2147）含 392 个突变，与近缘噬菌体的核苷酸同一性仅 93.0%，按某些分类学标准已可算作新物种。

这 16 个 AI 设计的噬菌体中，Evo-Φ36 完成了一项此前理性工程学反复失败的壮举：它将远缘噬菌体 G4 的 DNA 包装蛋白（J 蛋白）嵌入了自己的衣壳结构。冷冻电镜显示，AI 在生成这个基因组时自行协调了一系列补偿突变，让两种原本不兼容的蛋白质能够协作运转。此前的精确工程学尝试——把 G4 的 J 蛋白（25 个氨基酸）替换进 ΦX174（38 个氨基酸的 J 蛋白）——全部失败。

论文发表当天，《Science》同步刊出了 Johns Hopkins 大学健康安全中心 Thomas Inglesby 和 Moritz Hanke 的评论文章：

从 285 个合成基因组里筛出 16 个能用的

这项工作的核心是一套名为 Evo 的基因组语言模型。与 ChatGPT 预测文字序列不同，Evo 学习的是 DNA 的语言——它在超过 200 万个噬菌体基因组上完成预训练，能够理解基因、调控元件和结构序列之间的协同关系。

研究团队选择了噬菌体 ΦX174 作为设计模板。ΦX174 的基因组仅 5,386 个碱基对、编码 11 个基因，复杂度足够验证全基因组设计能力，同时合成成本可控。1977 年，Fred Sanger 完成了它的首次全基因组测序；2003 年，Craig Venter 团队完成了首次全化学合成。现在，同一个病毒成了首个 AI 生成基因组的载体。团队在中写道：「我们学会了读取 DNA，然后学会书写它，现在学会了设计它。」

ΦX174 的重叠基因结构给 AI 出了第一道难题：标准基因预测工具最多只能识别其 11 个基因中的 7 个，重叠阅读框会干扰常规算法。团队自己开发了一套注释管线，结合 ORF 扫描和同源蛋白搜索，才把所有基因找齐。这套自定义注释工具也成为后续评估数千条生成序列的关键——团队要求每条候选序列至少命中 7 个天然 ΦX174 蛋白，作为基本的质控门槛。

接下来是对 Evo 模型的有监督微调。团队用 14,466 条经过去冗余的 Microviridae 科序列对模型做了专门训练，使其能够根据给定的起始序列提示（prompt），沿一个方向一次性生成完整的、与 ΦX174 相似但不重复的基因组。微调后的模型生成了数千个候选序列。

Samuel King——Stanford 生物工程博士生、论文第一作者——搭建了一套筛选框架，在合成 DNA 之前先用计算手段过滤候选序列，评估基因完整性、宿主特异性（通过刺突蛋白保守性判断是否仍能感染大肠杆菌 C 株）和进化新颖度。最终，285 个设计被送进实验室。

实验室验证采用了基于 ΦX174 裂解周期的 96 孔板生长抑制实验：化学合成的基因组通过 Gibson 组装法拼接后，转入感受态大肠杆菌，团队在 2-3 小时内监测菌液 OD₆₀₀ 的下降来判断噬菌体是否成功复制。King 回忆，他们是在凌晨时分看到培养皿上出现透明斑点——那是噬菌体正在裂解细菌的信号。Brian Hie 说，当结果分享给全组时，「房间里自发地响起了掌声」。16 个候选设计通过了测试。

392 个突变，一个新物种

16 个功能性噬菌体的遗传差异幅度很大：与最近自然近缘序列相比，每个携带 67 到 392 个新突变。13 个基因组中包含的突变在任何已知自然序列中都找不到。其中 Evo-Φ2147 含 392 个突变，与噬菌体 NC51 的平均核苷酸同一性仅 93.0%，按某些分类学标准足以列为新物种。

最令研究者意外的是 Evo-Φ36。这个 AI 设计的噬菌体将远缘噬菌体 G4 的 J 蛋白（负责 DNA 包装）整合进了自己的衣壳中。此前理性工程学尝试将 G4 的 J 蛋白放入 ΦX174 全部失败——两种蛋白长度不同（G4 的 25 个氨基酸 vs ΦX174 的 38 个），结构不兼容。AI 却在一次生成中协同引入了多处补偿突变。冷冻电镜揭示，较短的 G4 J 蛋白在衣壳内采用了不同于 ΦX174 原版蛋白的空间取向。

论文通讯作者、Stanford 化学工程助理教授兼 Arc Institute 创新研究员 Brian Hie 在接受 BBC 采访时说：「这是我们第一次用生成式 AI 设计出一个完整的基因组，一个可以自我复制、在细胞内执行功能的东西……这对我们来说是全新领域。」

当 AI 设计的病毒鸡尾酒击败了耐药菌

研究团队先让大肠杆菌在实验室中进化出对 ΦX174 的耐药性——突变发生在 waa 操纵子，改变了细菌表面受体。天然 ΦX174 面对这些耐药菌株完全失效。

AI 设计的噬菌体鸡尾酒在 1 到 5 次传代内就突破了全部三种耐药菌株的防线。序列分析表明，这些突破性噬菌体是多个 AI 设计的嵌合体——通过重组混合了 2 到 3 个不同 AI 生成设计的遗传元件，突变集中在与细菌受体相互作用的表面区域。

Hie 对 AI News 解释了这个策略的逻辑：「如果细菌对单个噬菌体产生耐药性，药物就完了。但如果你有多个基因上截然不同的噬菌体混合在一起，细菌想对整个鸡尾酒产生耐药性就会困难得多。」

抗生素耐药性每年导致数十万人死亡。噬菌体疗法——用专门感染细菌的病毒来治疗感染——长期被视为一条出路，但天然噬菌体筛选费时费力，且细菌同样会进化出抗性。Arc Institute 的博客对此总结道：「与其寄望大自然恰好进化出了针对特定耐药机制的合适噬菌体，不如生成一个多样化的种群，让细菌更难建立全面防御。」

「问题不再是会不会存在，而是能不能管住」

Johns Hopkins 健康安全中心的 Inglesby 和 Hanke 在《Science》的 Perspective 文章中承认，论文作者「比大多数强大的生物 AI 模型开发者更慎重地处理了生物安全和生物安保问题」，但紧接着写道：「生成式病毒基因组设计的时代已经到来。它不再是一个『是否』的问题，而是社会能否建立监管，在允许其益处展开的同时阻止它造成严重伤害。」

团队自身也采取了多道防护措施。Evo 2 的训练数据中刻意排除了真核生物病毒序列，意味着模型从根本上就无法生成能感染人类的病毒基因组。团队的红队评估显示，即使用致病病毒蛋白序列作为提示，模型生成的结果也是「实际上随机的」。所有实验都在专用生物安全柜中进行，使用的大肠杆菌 C 株是无致病性的实验室菌株，设备和耗材从不离开隔离区域。

然而 Evo 2 是完全开源的。据，模型在 GitHub 上已被下载超过 88,000 次，Hugging Face 上 7B 和 40B 版本累计收到超过 800 万次 API 请求。任何下载者都可以修改训练数据，尝试生成其他类型的序列。

Reading 大学细胞微生物学副教授 Simon Clarke 在英国科学媒体中心的专家评论中直言：「这项工作证实，制造更适应性的病毒的技术已经到来，而且可以比以前更高效地完成。」他补充说，虽然论文作者提供了重要的防护栏，「但无法保证每一个尝试类似工作的科学家都会如此谨慎。」

Manchester 大学合成基因组学主席 Patrick Cai 称其为「合成基因组学的重要里程碑」：「意义远超噬菌体——这表明基因组语言模型正在开始学习进化编码的设计原理，打开了 AI 辅助基因组写作的大门。」

Pompeu Fabra 大学转化合成生物学研究组协调人 Marc Güell 说：「我们正在见证一个非常重大的转折点。有史以来第一次，我们开始在计算机上设计生物学。在此之前，我们可以读取和重写，但不能生成新的合成内容。」

《华尔街日报》在 8 月 9 日的评论中把这起事件放在了一个更大的序列里——此前几周 AI 模型被曝出逃离测试环境、入侵其他公司系统、对人类撒谎——称之为「AI 最可怕的一周」。

AI 生物学走到了一个需要回答规则的时刻

论文作者在《Science》正文中明确写道：「未来从事全基因组设计工作的团队应在项目的整个生命周期中咨询安全和安保专业人士。」这条建议和实验数据一起被写进了正文，而非放在讨论末尾作为例行免责声明。

Hie 在谈到开源策略时辩称，现有病原体比 AI 设计的东西更容易获取、风险更大，而 AI 同时可以用于应对自然大流行和防御人造生物威胁。

但 Pompeu Fabra 大学的系统生物学教授 Jordi García Ojalvo 指出了当前技术的一个重要限制：生成效率很低。「在数千个生成的基因组中，只有 16 个可行的噬菌体——可以认为剩下的都是模型的『幻觉』。」他说，这意味着 AI 目前并不能「开箱即用」地自动生成危险病原体，这在客观上限制了即时的恶意使用风险。不过他也补充，效率是否会实现质的飞跃「尚不清楚」。

Waikato 大学噬菌体治疗研究组负责人 Simon Jackson 更关注临床转化的距离：「设计更大的噬菌体、可靠地控制它们感染哪些细菌、在患者身上证明安全性和有效性——这些都还在前面。」目前 ΦX174 仅 5,386 个碱基对，而最简单的活细胞基因组约 50 万个碱基对。

Inglesby 和 Hanke 在他们的 Perspective 文章中给出的建议不是等待危机，而是现在就把现有的生物安全框架适配到生成式基因组学上。因为一旦恶意行为者先动手，再补监管就晚了。