斯坦福大学团队最近在《科学》杂志报告了一件事：用AI从头生成的病毒基因组，真的能跑起来。这16种噬菌体不是从下水道或土壤样本里分离出来的，而是由基因组语言模型Evo 2生成的DNA序列。组成鸡尾酒之后，它们感染并杀死了已经对天然ΦX174噬菌体产生抗性的实验室大肠杆菌——同一批实验里，一组可比的天然噬菌体组合做不到这一点。
这说明AI已经能产出完整、可运行的病毒基因组。但从302个候选序列到16个成品，过程更像一次代价高昂、成功率极低的定向工程，离“随手造病毒”还差着一整条实验流水线。
302选16：AI设计病毒的真实成功率
研究人员把Evo 2在ΦX174及其约1.5万个近缘基因组上做了微调，模型本身训练在超过200万个噬菌体基因组上。再加上一系列计算约束和质量过滤，专门生成ΦX174风格的序列。
这套流程一共产出302个候选基因组。17个连合成都做不出来，剩下285个。这285个里，绝大多数无法感染、杀死细菌——这是噬菌体最基本的功能。最终只有16个被成功“重启”成活体噬菌体，成功率约5%（16/302）。
目标病毒本身并不复杂，只有约5400个DNA碱基、11个基因。团队负责人Brian Hie估算，按市场价支付DNA合成费用，这个项目要花掉10万到20万美元（论文中Twist Bioscience提供了折扣）。他还提到，每一种要重启的病毒实验条件都不同，需要大量专业调试：“我们对AI提出的基因改动为什么能提高致病力，理解还很有限。”
AI真正做的事：搜索演化没走过的组合
问题在于，这16个基因组有多“新”。牛津大学计算生物化学家Oliver Crook团队做了独立分析，发现它们平均与ΦX174模板约97%相同。放到进化树上，这些基因组仍落在已知噬菌体多样性范围之内，没有分出新的枝条。“我们看到的，说白了就是原病毒的兄弟姐妹，”Crook说，“它们没有用上此前没出现过的分子机制。”
但序列相似不等于行为一样。论文第一作者Samuel King指出，几个AI设计的噬菌体在蛋白质三维结构、增殖速度和感染动态上都和ΦX174有差异。其中一个病毒携带一个异常截短的DNA包装蛋白，来自一种亲缘关系很远的噬菌体。用常规基因工程做类似替换，此前被证明是不可行的；AI通过重新布线周围DNA，让它在ΦX174骨架上跑通了。
它没有凭空造出新病毒，而是找到了自然演化没走过的组合
合成生物学家Chase Beisel（Locus Biosciences联合创始人）认为这正是价值所在。不是造出前所未见的病毒，而是系统性搜索那些进化没产生过、科学家也未必想得到去测试的基因组合。
谁该关注，谁还不用动
噬菌体疗法已经用了一百多年，一直卡在几个老问题上：单一噬菌体能杀的细菌种类窄，细菌很快演化出抗性，天然噬菌体又难申请专利。AI设计路线理论上能绕开一部分限制——Hie说，已经有合作方要求用这套模型针对致病菌而不是实验室菌株设计噬菌体。
| 对象 | 现在该做什么 | 该盯的信号 |
|---|---|---|
| 噬菌体疗法研发团队 | 跟进模型能否套用到真实致病菌，而不是止步于实验室菌株 | 是否有针对临床分离菌株的感染实验数据 |
| 医疗机构与投资方 | 暂不列入采购或临床路径 | 审批路径、专利归属是否明确 |
| DNA合成服务商 | 关注定制合成订单是否上升 | 单个基因组合成成本能否跌破万美元级 |
| 生物安全监管者 | 评估现有审查流程能否覆盖AI生成基因组 | 是否有新的监管指引或行业自律标准出台 |
同样的方法也降低了合成其他生物制剂的技术门槛。约翰霍普金斯健康安全中心的研究者在同期评论中提醒，问题已经不是生成式病毒基因组设计会不会出现，而是社会能不能建立足够的监管，让好处释放出来，同时挡住严重危害。