欢迎进入生成式基因组设计时代！

今天，斯坦福大学带着首个由人工智能（AI）实现的完整噬菌体的基因组设计，登上了权威期刊 Science。这一生成噬菌体不仅可存活、能抑菌，还表现出与天然 ΦX174 类噬菌体相当的裂解能力。

论文链接：http://www.science.org/doi/10.1126/science.aec2657

冷冻电镜结果显示，AI 生成的 Evo-Φ36 形成了新的蛋白兼容组合；此外，生成噬菌体混合物经 1 至 2 次传代即可抑制 ΦX174 抗性大肠杆菌生长，而天然 ΦX174 类混合物 5 次传代后仍未产生同样效果。

研究团队认为，这项突破为 AI 生成噬菌体疗法提供了路径，未来有望应对快速进化的细菌病原体。随着技术发展，基因组设计有望与基因组测序、合成和编辑一样，成为核心生物技术，并用于生成更大、更复杂的基因组系统。

不过，这项能力也可能会带来生物安全和生物安保问题。同期观点文章指出，研究团队比多数强大生物 AI 模型开发者更主动地回应了相关风险。研究团队强调，未来全基因组设计项目需要在全周期中引入安全与安保专家，建立更鲁棒的防止误用机制。

AI设计完整噬菌体基因组

长期以来，设计完整基因组都是一项艰巨挑战：基因组对序列组成高度敏感，单个突变就可能使其失去活性。尽管蛋白设计和生物回路工程已取得进展，但完整基因组设计仍缺乏通用框架。

不同于以往多聚焦单个基因或基因回路，这项工作首次尝试用 AI 生成完整噬菌体基因组。研究团队以预训练的 Evo 1 和 Evo 2 为基础，先测试其生成噬菌体样序列的能力，再通过 Microviridae 微调、ΦX174 起始提示、遗传架构约束和宿主嗜性过滤，筛选候选基因组。

图｜AI 引导的噬菌体基因组设计框架。

1.测试模型基础生成能力

研究团队首先测试 Evo 1 和 Evo 2 的基础生成能力。两个模型都接受过大规模 DNA 序列预训练，其中包括超过 200 万个噬菌体基因组。团队用三类病毒标签引导模型生成序列，并通过 geNomad、BLAST、编码密度、蛋白结构预测和 PHROGs 注释进行评估。结果显示，两个模型都能生成具有噬菌体特征的序列，其中 Evo 2 的基础表现更强。

图｜Evo 生成真实感噬菌体基因组序列。

2.生成 ΦX174 类基因组

研究团队选择 ΦX174 噬菌体和宿主大肠杆菌 C 作为设计对象。ΦX174 基因组小、研究基础充分，大肠杆菌 C 非致病、易验证，适合作为测试系统。随后，团队在约 15,000 条 Microviridae 序列上微调 Evo 1 和 Evo 2，并用 ΦX174 类基因组的起始共有序列引导模型生成。最终，他们将提示长度控制在约 4-9 个核苷酸、采样温度控制在 0.7-0.9，以生成更多样的 ΦX174 类候选基因组。

图｜创建可存活的生成噬菌体基因组。

获得生成序列后，研究团队用多重约束筛选候选基因组，包括长度、GC 含量等基本质量指标，以及 ΦX174 类基因结构和目标宿主嗜性。同时，他们还避免序列过度接近野生型 ΦX174，并针对 ΦX174 的重叠基因开发了专门的基因预测方法。

“AI造噬菌体”可存活、能抑制细菌

整体来看，筛选出的 AI 生成噬菌体可存活，还展现出不同的适应度特征。其中，冷冻电镜证实 Evo-Φ36 可兼容来自远缘噬菌体的 DNA 包装蛋白。生成噬菌体混合物经 1 至 2 次传代即可抑制 ΦX174 抗性大肠杆菌生长，而天然ΦX174 类混合物 5 次传代后仍未产生同样效果。

1.基因组筛选与存活率

研究团队测试了近 300 个 AI 设计的基因组，最终得到 16 个可存活噬菌体。结果显示，候选序列越接近已知天然基因组，越容易存活。这些噬菌体都能感染目标宿主大肠杆菌 C，但没有抑制另外 6 种测试菌株生长。总体来看，模型结合推理时引导和过滤后，能够生成可存活、且符合宿主嗜性预期的噬菌体基因组。

图｜生成噬菌体揭示序列和结构见解。

2.生成新的序列组合

生成噬菌体具有显著的序列多样性，13 个可存活基因组中都含有无法由单一已知天然序列解释的突变。Evo-Φ36 是一个典型例子，它用来自远缘噬菌体 G4 的更短同源蛋白，替换了原本的 DNA 包装蛋白 J；此前研究显示，这类替换在 ΦX174 背景下不可存活。冷冻电镜结构显示，新的 J 蛋白仍能与衣壳保持兼容相互作用，说明生成式设计可以发现新的序列兼容方案。

3.适应度特征

生成噬菌体不仅能存活，还表现出不同的适应度特征。与天然 ΦX174 类噬菌体相比，它们覆盖了更宽的裂解动力学范围：Evo-Φ2483、Evo-Φ69 等表现出较强裂解表型，Evo-Φ63 的裂解动力学最慢、幅度最低。在竞争实验中，Evo-Φ69 于感染 6 小时后占优；在该实验中，序列相似度与竞争力未呈现明显相关性。整体来看，AI 生成的基因组多样性对应了可观察的表型差异。

图｜生成噬菌体表现出广泛的适应度特征。

4.克服细菌耐药性

生成噬菌体混合物能快速突破细菌对噬菌体的抗性。研究团队进化得到两株 ΦX174 抗性菌株 CR1 和 CR2，发现生成噬菌体混合物分别在 1 次和 2 次传代后突破两株抗性，并至少维持 5 次传代。相比之下，单独 ΦX174 和天然 ΦX174 类噬菌体混合物经 5 次传代仍未突破。测序显示，成功突破抗性的噬菌体由 2-3 个生成噬菌体片段重组而成，并携带多个 Evo 生成的衣壳和刺突蛋白突变。研究团队认为，这些结果提示生成模型可用于产生更具遗传多样性的噬菌体混合物，并可能改善治疗效果。

图｜生成的噬菌体能快速克服细菌耐药性。

不足和未来方向

不过，这项研究依然存在一些局限。

研究团队指出，AI 虽已能生成可存活、具备不同适应度特征的噬菌体基因组，但也带来了生物安全和安保问题。未来，全基因组设计项目需要在全周期纳入安全评估，在合适的生物安全等级下开展实验，并建立防止误用的治理机制。

同时，这项工作仅仅以 ΦX174 模型噬菌体为参照，证明 AI 可在受约束的基因组空间内生成可存活基因组。未来，该方法能否用于更大、更复杂、宿主范围更广的噬菌体，仍需进一步验证。

另外，更大噬菌体的设计仍受 DNA 合成和组装限制，也需要额外的方法学创新和更好的训练数据集。未来，研究人员仍需进一步改进模型条件化方法，并利用更多来自基因组和宏基因组测序项目的数据；多片段组装、组合寡核苷酸池和体外转录-翻译系统，也可能成为设计复杂基因组的重要路径。

此外，生成式设计也为研究噬菌体进化提供了新机会。通过采样模型学到的基因组分布，研究人员可探索大型突变景观，并分析宿主嗜性等性状的遗传基础。未来，快速设计宿主范围、适应度和抗性逃逸特征可调的噬菌体，可能推动更具适应性的抗菌策略。

更多技术细节，详见原论文。