问小创
告诉我你的需求，我帮你从站内挑最合适的 AI 工具。
斯坦福大学联合Arc研究所团队基于自研基因组语言模型Evo开展的病毒生成研究于8月6日刊发于《科学》期刊。团队累计生成70万份病毒基因组候选序列，筛选合成285份后验证得到16株可复制、感染并裂解大肠杆菌的活性噬菌体，标志生成式生物学首次实现完整功能性病毒基因组的从头设计。
当培养皿上第一次出现边缘清晰的透明噬菌斑时，斯坦福团队的研究人员确认，由AI输出的DNA序列真的组装成了能够杀死细菌的活噬菌体——这些完全由算法设计生成的病毒，没有借用任何天然病毒的完整遗传骨架。
团队此次选择噬菌体Phi X-174作为设计模板，这种病毒仅感染大肠杆菌、基因组长度极短且已有超过50年的研究基础，是验证全基因组设计流程的理想安全样本。
为了训练模型掌握病毒基因组的编码规律，Evo先学习了超过9万亿个核苷酸的公共生物序列数据，再针对性微调了1.5万个与Phi X-174同属微小病毒科的近源基因序列，最终输出了70万份符合遗传逻辑的候选基因组序列。研究人员从中筛选出285条可信度最高的序列完成人工合成，再导入大肠杆菌培养液中验证活性，最终有16条序列成功组装为可复制、有感染性的活性噬菌体，占合成样本总量的约5.6%。
此前生成式生物学的落地场景大多局限在单蛋白质结构预测、单基因序列优化层面，从未实现过完整功能性病毒基因组的从头设计。这一跨越的技术难度，相当于此前AI只能生成独立的词语和短句，现在已经可以写出逻辑通顺、功能完整的整篇文章。
此次研究的核心价值在于，证明大语言模型不仅能学习自然语言的语法逻辑，同样能掌握复杂的基因组编码规则，甚至可以在脱离天然模板的基础上，生成具备完整生物功能的长序列基因组。值得注意的是，Evo的输出仅为纯DNA字符序列，后续的筛选、合成、验证环节均由研究人员完成，不存在AI自主生成活体病毒的可能性。
正面来看，该技术为定制化噬菌体疗法打开了全新空间：当前全球抗生素耐药性问题日趋严峻，而针对特定耐药菌设计的噬菌体可以精准杀灭致病菌，且不会产生耐药性问题，未来还可延伸到农业病害防治、mRNA疫苗快速开发等场景。
但与此同时，学界也提出了安全担忧：如果该技术的使用门槛进一步降低，是否可能被用于设计针对人类或畜禽的高致病性病毒，引发生物安全风险？目前研究团队已公开所有非感染性序列数据，并呼吁行业建立统一的生物生成技术安全审核标准，避免技术滥用。
本文基于公开信息分析整理，仅供参考。更多AI工具动态与行业解读，请持续关注本站更新。
滇公网安备 53252802528133号