AI写出285个噬菌体基因组，16个能在细菌里复制

不是“AI创造生命”：完整病毒基因组设计真正跨过了哪道门

285个设计只成功16个，生成式生物学的瓶颈转向实验室

AI一次写完285套完整病毒基因组，送进实验室后，只有16套真的能在大肠杆菌里复制。这个约5.6%的成功率看上去不高，却把生成式生物学推过了一条重要边界：模型不再只改一个蛋白或一段DNA，而开始提出一整套能共同运转的遗传系统。

但这不是“AI创造生命”，也不是一种新抗生素已经问世。实验对象是感染细菌的噬菌体，测试发生在培养皿里。真正值得追问的是：当完整基因组可以像文字一样被生成，技术的难点、产业的成本和社会的安全闸门，会转移到哪里？

285套设计，过实验关的只有16套

8月6日，Stanford与Arc Institute等机构的研究者在《Science》发表论文，报告他们使用基因组语言模型Evo 1和Evo 2，生成并验证了完整的噬菌体基因组。论文的预印本早在2025年9月出现；这次同行评审发表，以及同刊的安全评论，使它从一项引人注目的实验，变成需要产业和治理共同回答的问题。

噬菌体是专门感染细菌的病毒。研究者选择的原型ΦX174感染大肠杆菌，基因组只有约5400个碱基、11个基因。相较拥有约30亿碱基的人类基因组，它小得惊人；但要让一个噬菌体真正繁殖，这短短几千个字符仍要同时完成识别宿主、复制DNA、制造蛋白、组装外壳和释放后代等一整套动作。

这正是“设计一个蛋白”与“设计一个基因组”的差别。单个零件性能好，不等于整台机器能够启动。一个基因的表达量、与其他基因重叠的读码框、启动和终止信号、蛋白装配的时序，只要有一处不协调，整条序列就可能成为昂贵但无功能的DNA。

研究团队先让模型从ΦX174家族共享的短片段出发，自左向右一次写完整个候选基因组。论文作者Brian Hie强调，他们没有在模型输出后再补齐缺失基因。随后，团队用一套计算框架检查长度、基因结构、调控元件和预期宿主等条件，从大量输出中挑出285套序列进行化学合成。

最后，16套候选能够在相应大肠杆菌中繁殖并抑制细菌生长。换句话说，大多数设计都失败了，成功率约为5.6%。独立专家对论文的复核还指出，约一半能工作的噬菌体在实验过程中出现了突变，意味着自然选择可能继续“打磨”了模型交出的初稿。这个数字不是尴尬的脚注，反而揭示了这项工作的真实位置：AI已经学到足以提出少量可行完整基因组的统计规律，却远未把生命变成可稳定编译的软件。

模型学到的不是“生命定律”，而是进化留下的压缩线索

基因组语言模型常被比作大语言模型。后者从海量文本里学习哪些词会一起出现；前者把A、T、C、G当作字符，学习哪些序列在自然基因组中能够共存。Evo 2的训练数据跨越细菌、噬菌体、植物、动物和人类等生命域，但开发团队出于安全考虑排除了真核病毒，即感染人类、动物或植物细胞的病毒。

这个类比有用，却也容易误导。语言里的句子只要语义通顺就可能有价值，基因组则必须经受物理世界的一连串否决：DNA能否复制，RNA能否正确转录，蛋白能否折叠，多个部件能否按时间和空间装配，最终颗粒能否找到宿主并产生下一代。自然进化已经替模型做过漫长筛选；模型学习的是这些幸存序列中压缩的统计线索，而不是一套被完全理解的“生命语法”。

因此，这项研究的增量不在于AI凭空想象出与自然毫无关系的病毒。它仍以已知的ΦX174及近缘噬菌体为出发点，在自然演化已经证明大致可行的区域附近，寻找人类未观察过的组合。

这比传统路线向前走了一步。过去，研究者可以从环境中筛选天然噬菌体，可以让它们在实验室里定向进化，也可以更换受体结合蛋白或少数基因。完整生成的不同之处，是模型一次同时处理跨越整个基因组的依赖关系，不要求人先把系统拆成彼此独立的模块。

但285进16也说明，模型的“合理”与细胞的“可行”之间仍隔着宽阔鸿沟。生成速度越快，实验验证的积压反而越严重。谁拥有便宜的DNA合成、自动化培养、快速表型检测和高质量失败数据，谁才可能把模型的序列优势变成真正的工程优势。

对耐药菌的意义，在“组合”而不是一个万能病毒

噬菌体疗法并不是新概念。它利用噬菌体对特定细菌的感染能力，尝试治疗难以用抗生素控制的感染。它的吸引力也恰恰是麻烦所在：噬菌体往往高度挑剔，只识别某些菌株；细菌还会改变表面受体、启动限制修饰或CRISPR等防御，迅速产生抗性。

研究团队因此关注的不是找到一个“最强噬菌体”，而是扩大可用序列的多样性。他们把AI设计的噬菌体组成混合物，在培养皿实验中对两株已经抵抗天然ΦX174的大肠杆菌进行测试。论文与Stanford说明称，这个组合能够迅速克服抗性。

这提供了一种值得继续验证的思路：如果多种噬菌体通过不同路径攻击细菌，细菌要同时逃脱所有攻击，可能需要付出更大代价。生成模型的价值于是未必是替代自然，而是更快提供一组彼此足够不同、又能在目标宿主中运行的候选。

可“培养皿里克服抗性”离药物还有很远。实验只涉及两株大肠杆菌，没有动物试验，更没有患者数据。未来必须回答：组合效果能维持多少代？细菌会不会演化出新的交叉抗性？噬菌体是否携带不希望传播的基因？进入人体后会怎样分布、被免疫系统怎样清除，又会如何影响原有微生物群？

因此，把这16个噬菌体称为“新抗生素”并不准确。它们首先是一个概念验证：完整生成可以产出有功能的病毒基因组；是否成为治疗工具，要由药理、毒理、制造和临床证据逐级决定。

真正的产业瓶颈，从算力转向生物铸造

在数字世界里，再生成一条序列几乎没有边际成本。进入物理世界，每个候选都要被合成、导入细胞、培养、测序和测功能。Stanford的研究说明没有给出单条序列的价格，只明确表示DNA合成仍然昂贵，因此团队必须先用计算框架把候选从大量输出压缩到近300个。

这意味着生成式生物学的产业竞争，不会只发生在模型参数上。它更像一条闭环：模型提出设计，DNA合成把字符变成分子，自动化实验测出成败，数据再返回模型。模型越会生成，越需要高通量实验替它辨别“看起来像”与“真正能工作”。

由此获得优势的，可能是拥有生物铸造平台、合成供应链、标准化表型和连续反馈数据的团队。承担成本的，则包括负责筛查异常订单的合成企业、需要审查动态噬菌体组合的监管机构，以及必须处理生态外溢和耐药演化的不确定性的社会系统。

对中国而言，真实关联也在这里，而不是给论文强加一个“中国元素”。中国拥有重要的DNA合成、测序和生物制造能力。未来竞争力不仅取决于谁能更快写序列，也取决于谁能在不牺牲安全的前提下，更便宜地合成、更系统地验证、更清楚地追踪每一次设计和制造。

当数字序列可以生成，安全闸门要放在哪里

完整病毒基因组的生成能力也让风险变得具体。《Science》的配套评论指出：生成式AI编写病毒基因组的能力已经存在，但引导它安全使用的治理仍未跟上。研究团队采取了一项重要限制——Evo 2训练中排除了真核病毒，并报告这种排除削弱了模型对人类病毒的建模和预测能力。

但排除训练数据不是一道不可穿越的墙。模型可以被重新训练，公开数据也可能被其他系统使用。另一方面，把所有注意力都放在模型访问上，也会错过更可操作的环节：数字序列若不能被合成为DNA、不能在实验室中启动，就不会自动变成现实生物。

这也是生物安全研究者Filippa Lentzos提出分层治理的原因：模型开发与访问要有保护，研究项目要经过风险审查，DNA合成企业要筛查订单，实验室仍要遵循既有的生物安全和安保规范。每一层都不完美，但叠加起来，比寻找一个万能开关更现实。

风险也需要按相对大小判断。合成生物学家Tom Ellis提醒，相比从头生成复杂病原体，获取现有病原体并做少量增益性修改，在目前仍可能更容易、更现实。承认AI设计带来的新风险，不等于用最戏剧化的想象替代风险排序。

生命没有变成代码，代码开始获得进入生命的通道

ΦX174是一个精心选择的起点：基因组短、研究历史长、宿主明确。它证明了完整生成的可行性，也暴露了这条路线的天花板。一个只有11个基因的小型噬菌体，仍让269个合成候选未能通过繁殖测试；更大的病毒、细菌乃至细胞，跨基因调控、代谢和环境依赖只会陡增。

所以，这不是生命突然被破解的时刻。更准确的说法是，代码获得了一条更直接进入生命系统的通道：从提出一个蛋白，到改写一段调控序列，再到一次提出完整基因组。每前进一步，数字生成与物理验证之间的责任就更难分开。

285个设计中16个能工作，既是突破，也是边界。它告诉我们，今后判断生成式生物学不能只看模型写出了什么，还要看谁把它合成、在哪里验证、失败数据是否公开、风险由谁审查，以及一旦进入现实世界，谁有能力让它停下来。

---

资料来源

1. Science — Generative design of bacteriophages with genome language models — 2026-08-06 — https://doi.org/10.1126/science.aec2657
2. PubMed — Generative design of bacteriophages with genome language models — 2026-08-06 — https://pubmed.ncbi.nlm.nih.gov/42561074/
3. bioRxiv — Generative design of novel bacteriophages with genome language models — 2025-09-17 — https://doi.org/10.1101/2025.09.12.675911
4. Stanford Report — AI designs a novel E. coli killer — 2026-08-06 — https://news.stanford.edu/stories/2026/08/evo-2-ai-tool-e-coli-killer-bacteriophages
5. Arc Institute — Evo 2: One Year Later — 2026-03-04 — https://arcinstitute.org/news/evo-2-one-year-later
6. Chemical & Engineering News — AI program designs new bacteriophages — 2026-08-06 — https://cen.acs.org/biological-chemistry/genomics/ai-program-designs-new-bacteriophages/104/web/2026/08
7. The Guardian — Safety fears as scientists make first viruses designed by AI — 2026-08-06 — https://www.theguardian.com/science/2026/aug/06/safety-fears-as-scientists-make-first-viruses-designed-by-ai
8. Science Media Centre — Expert reaction to generative design of bacteriophages with genome language models — 2026-08-06 — https://www.sciencemediacentre.org/expert-reaction-to-generative-design-of-bacteriophages-with-genome-language-models/